INFÓRMATE
SIN COMPROMISO
Arquitectura y Tecnología

Experto en Inteligencia Artificial para el Sector Biotecnológico

Curso online de analítica de datos y desarrollo de soluciones al servicio del sector biotecnológico

Matrícula abierta
Título propio

Título expedido por Universidad San Jorge

Presentación

El desarrollo de técnicas de obtención de datos masivos ha propiciado un crecimiento exponencial en nuestros conocimientos sobre la biología de los seres vivos. En el sector biotecnológico, donde el objetivo es encontrar la aplicación de dichos conocimientos para el desarrollo de nuevos productos o procesos industriales, el aprovechamiento de esta información es vital para generar nuevas líneas en I+D. Afortunadamente, el desarrollo de técnicas basadas en inteligencia artificial y aprendizaje automático permiten obtener información valiosa de los datos recopilados por la comunidad científica y, en su mayor parte, disponibles en repositorios públicos.

En este Experto en Inteligencia Artificial para el Sector Biotecnológico se propone un programa formativo que engloba los elementos necesarios para llevar a cabo, no solo un análisis minucioso de los datos, sino también el desarrollo de algoritmos que permitan la construcción de soluciones predictivas y prescriptivas. En primer lugar, se te formará en los lenguajes más utilizados en ciencia de datos, como Python y R, para posteriormente implementar los algoritmos más eficaces para el análisis de datos biológicos y valorar sus resultados a través de parámetros estadísticos. Estas técnicas de inteligencia artificial te permitirán desarrollar y optimizar modelos de aprendizaje automático y aplicarlos a proyectos biotecnológicos basados en información genómica, proteómica y filogenómica.

Te ofrecemos una formación está totalmente orientada a las necesidades de tratamiento de datos y obtención de información que pueda tener un profesional del sector de la Biotecnología. ¡Te informamos sin compromiso!

Requisitos de acceso

Para el correcto aprovechamiento del curso serán necesarios conocimientos previos en fundamentos de biología y genética. Además, son recomendables, aunque no imprescindibles, nociones básicas de programación, estadística y álgebra lineal. 

Se puede acceder al estudio si dispones una formación de nivel de formación profesional de grado superior en las ramas profesionales de sanidad y/o informática y comunicaciones.

Temario
  1. Analítica de datos con Python
    1. Introducción a la programación en Python.
    2. Sintaxis y ejecución de scripts.
    3. Librerías especializadas en datos (Pandas).
    4. Visualización de datos (Matplotlib y Seaborn).
    5. Fundamentos de analítica de datos (extracción, tratamiento, carga, modelado y visualización).
    6. Tratamiento de datos masivos o Big Data.
    7. Etapas de un proyecto basado en inteligencia artificial.
  2. Bioestadística con R
    1. Introducción a la programación en R.
    2. Sintaxis y ejecución de scripts.
    3. Estadística descriptiva con R (tratamiento de objetos y visualización con ggplot2).
    4. Distribuciones de probabilidad. Estadística inferencial (contraste de hipótesis, métodos paramétricos y no paramétricos).
    5. Regresión y correlación.
  3. Algoritmos de datos biológicos
    1. Algoritmos, definición y clasificación.
    2. Algoritmos análisis de ADN (alineamiento de secuencias, búsqueda de genes y motivos de unión).
    3. Modelos estocásticos y cadenas de Markov.
    4. Algoritmos basados en inferencia bayesiana.
  4. Aprendizaje automático (Machine Learning)
    1. Introducción al aprendizaje automático (métodos supervisados y no supervisados, validación y evaluación).
    2. Minería de datos.
    3. Técnicas de regresión y árboles de decisión.
    4. Análisis basado en agrupamientos.
    5. Análisis basado en grafos.
    6. Análisis de componentes principales.
  5. Aplicación de la Inteligencia Artificial a Proyectos Biotecnológicos
    1. Métodos de ensamblado de genomas.
    2. Métodos de análisis estructural (formación de cadenas secundarias de ARN y plegamiento de proteínas).
    3. Análisis filogenético y métodos de construcción de árboles filogenéticos (basados en distancias, máxima parsimonia y máxima verosimilitud).