IFCD104 INTELIGENCIA ARTIFICIAL Y BIG DATA APLICADO AL ÁMBITO BIOSANITARIO

Duración300 h
Unidades5
FormatoSCORM 1.2

Sobre este contenido

Este Curso IFCD104 INTELIGENCIA ARTIFICIAL Y BIG DATA APLICADO AL ÁMBITO BIOSANITARIO le ofrece una formación especializada en la materia dentro de la Familia Profesional de INFORMÁTICA Y COMUNICACIONES. Con este CURSO IFCD104 INTELIGENCIA ARTIFICIAL Y BIG DATA APLICADO AL ÁMBITO BIOSANITARIO el alumno será capaz de Programar y aplicar sistemas inteligentes para la optimización de la gestión en el ámbito biosanitario.

A quién va dirigido

Este Scorm IFCD104 INTELIGENCIA ARTIFICIAL Y BIG DATA APLICADO AL ÁMBITO BIOSANITARIO está dirigido a todas aquellas personas de la Familia Profesional de INFORMÁTICA Y COMUNICACIONES que deseen una especialización en dicha materia.

Temario

5 unidades didácticas · 300 horas

Contenido5 unidades

SCORM 1

Programación, datos y modelos de inteligencia artificial

Distinción de los fundamentos de la IA y sus diferencias respecto al desarrollo de aplicaciones convencionales
- Tipos de IA
- Aplicaciones de la IA
- Áreas de la IA
- Datos y IA
Identificación de los conceptos básicos del lenguaje Python así como de las herramientas necesarias para trabajar con datos
- Entornos Integrados de Desarrollo. Anaconda
- Jupyter Notebooks
- El lenguaje Python
- Modulos avanzados de Python: numpy, pandas, matplotlib, ScikiLearn
Aplicación de aspectos avanzados de procesamiento de datos en Python
- Tipos de datos: estructurados y no estructurados
- Adquisición y almacenamiento de datos
- Limpieza de datos
- Enriquecimiento de datos
- Preprocesamiento de datos: estandarización, normalización, codificación, discretización, imputación
Interpretación de la información contenida en un conjunto de datos
- Uso de distribuciones de probabilidades para la caracterización de datos
- Estadísticos básicos
- Clustering y reducción de dimensionalidad
- Visualización de datos
Identificación de los tipos de datos complejos y de las herramientas aplicables a su análisis
- Análisis de datos tabulares
- Análisis de grafos
- Análisis de datos textuales
- Análisis de series temporales
- Análisis de imágenes
Adquisición de buenas prácticas de programación y de revisión de código, uso de sistemas de controles de versiones y metodologías de trabajo ágiles
- Buenas prácticas de desarrollo Python
- Control de versiones (Github o similares)
- Metodologías Ágiles
- Documentación

SCORM 2

Sistemas de aprendizaje automático

Compresión de las bases del aprendizaje supervisado
- Definición del problema: la función de pérdida
- Curva de aprendizaje
- Conjunto de aprendizaje, conjunto de test, conjunto de validación
- Análisis de errores
- Métricas
Distinción y aplicación de los métodos básicos de clasificación
- K-nn
- Árboles de decisión
- Random Forests
- Máquinas de vectores de soporte
Distinción y aplicación de los métodos básicos de regresión
- Métodos lineales
- Regresión múltiple
- Regresión logística
- Random Forests
Identificación de las herramientas de desarrollo de redes neuronales
- Plataformas de desarrollo: Tensorflow
- Regresión con redes neuronales
- Clasificación con redes neuronales
- Aplicaciones a la visión por computador
- Aplicaciones al procesamiento del lenguaje natural
Implementación y puesta en marcha de un sistema de aprendizaje automático
- Gestión del ciclo de vida de un sistema de aprendizaje automático
- Contenedores y APIs: Docker
- Servicio en la nube
Identificación de las limitaciones de los sistemas de aprendizaje y de las consecuencias éticas de su mal uso
- Circunstancias en las que usar las técnicas de aprendizaje para crear sistemas de toma de decisiones
- Datos y sesgos en las decisiones
- Gestión de la incertidumbre en las decisiones
- Otros aspectos éticos

SCORM 3

Sistemas de big data

Distinción de los fundamentos del Big Data
- Definición de un sistema de Big Data
- Computación distribuida. Computación paralela
- Sistemas de almacenamiento distribuidos. Tolerancia a fallos
- Aplicación de Big Data a las empresas y organizaciones
Distinción de las arquitecturas y herramientas utilizadas en el Big Data
- Definición de la arquitectura del Big Data
- Recolección y almacenamiento en el sistema Big Data
- Procesamiento y análisis del sistema Big Data
- Herramientas y proveedores del Big Data: Hive, Pig, Flume, etc
Identificación y análisis de los usos más comunes de Big Data
- Configuración de cuadros de mando en entornos computacionales
- Soluciones con sistemas de almacenamiento
- Soluciones con sistemas de procesamiento
- Soluciones con sistemas de analítica
Aplicación de un caso práctico de Big Data en la nube
- Arquitectura Cloud.
- IaaS, PaaS y SaaS
- Introducción a Azure, AWS y Google Cloud
- Powershell y Scripting
- Máquinas virtuales
- Componentes y Arquitecturas
- Administración de sistemas en la nube
- Desarrollo completo de una aplicación simple en la nube
- Monitorización, optimización y solución de problemas
- Planificación y gestión de costos

SCORM 4

Fundamentos de probabilidad y estadística con r

Compresión del ciclo del conocimiento científico en general y de las ciencias de la salud en particular
- Método científico
- Diseño del experimento
- Observación y obtención de datos experimentales
- Aplicación de métodos matemáticos y estadísticos
- Construcción de hipótesis y de modelos
Aplicación de la estadística descriptiva a los datos poblacionales biosanitarios
- Tablas de frecuencias
- Representaciones gráficas: diagramas de sectores, diagramas de barras, histograma, polígono de frecuencias
Distinción de los parámetros estadísticos que resumen y caracterizan un conjunto de datos epidemiológico
- Parámetros de tendencia central
- Parámetros de dispersión
- Parámetros de asimetría y forma
Aplicación de gráficos exploratorios a los datos poblacionales epidemiológicos
- Gráficos para datos cualitativos
- Gráficos para datos cuantitativos discretos
- Gráficos para datos cuantitativos continuos
Búsqueda de una solución probabilista en algunos casos del ámbito biosanitario
- Definición de probabilidad y propiedades. Regla de Laplace
- Combinatoria
- Teorema de Bayes
Identificación de variables aleatorias unidimensionales en datos biosanitarios
- Variables Discretas
- Variables Continuas
- Media o Esperanza Matemática
- Varianza y Desviación típica
Identificación de distribuciones unidimensionales en datos biosanitarios
- Distribución Binomial. Ejemplos
- Distribución Normal. Ejemplos
Aplicación de las pruebas de significación y contraste de hipótesis para el proceso de decisión
- Test de hipótesis y límites de significación
- Errores de tipo I y II. Riesgos alfa y beta
Identificación de los datos masivos (Big-Data) en la investigación biomédica y en la atención sanitaria
- Datos médicos de carácter personal
- Anonimización de los datos
- Legislación en protección de datos
- Tipos de datos biomédicos

SCORM 5

Tecnologías utilizadas en el ámbito hospitalario y el sistema de salud

Identificación de los diferentes estamentos que forman parte de la organización del sistema de salud
- Ecosistema de salud y su cadena de valor
- Organización, planificación y localización de recursos
- Modelos de provisión de servicios
- Atención a crónicos
- Tecnología y salud
Análisis de la gestión y toma de decisiones en ciencias de la salud, el sistema sanitario, la atención primaria y la salud pública
- Estrategia de salud pública
- Salud y sociedad
- Epidemiología
- Investigación en el mundo sanitario
Implementación y puesta en marcha de las tecnologías digitales más utilizadas en salud
- Sistemas maestros (HIS, LIS, PACs, FIS, EHR, etc.)
- Terminologías estándares e interoperabilidad (LOINC, HL7-CDA, HL7-FHIR, SNOMED-CT, ICD-10, CPT, openEHR, etc)
- Marco conceptual de documentación clínica
- Conceptos básicos de bioinformática

Más contenidos de Programación y Desarrollo

Ver los 500 →