Experto Universitario en Técnicas de Learning Machine y Minería de Datos en Oncología Genómica

Tech Universidad Tecnológica

Postítulo

Online

$ 1.995.499,26 IVA inc.

*Precio estimado

Importe original en USD:

$ 2.075

Los mejores cursos de Medicina

Ver todos

Ver todos

Descripción

  • Tipología

    Postítulo

  • Metodología

    Online

  • Horas lectivas

    600h

  • Duración

    6 Meses

  • Inicio

    Fechas disponibles

  • Campus online

    Sí

  • Clases virtuales

    Sí

Título Universidad CEU Cardenal Herrera 24 ECTS

Emagister ha añadido a su completa carta académica, un programa que puede ser de tu interés. Impartido por la Universidad CEU Cardenal Herrera - Formación Online, podrás cursar el programa de Experto Universitario en Técnicas de Learning Machine y Minería de Datos en Oncología Genómica, a fin de que puedas incursionar en este interesante sector y proyectar tus horizontes profesionales.

El concepto de oncología genómica o de precisión no es completamente nuevo; los médicos han estado utilizando el tipo de sangre para adaptar las transfusiones de sangre durante más de un siglo. Lo que hoy es diferente es el rápido crecimiento de los datos genómicos que se pueden recopilar de forma rápida y barata del paciente y de la comunidad en general, y el potencial para obtener información a partir del intercambio de esos datos. Por lo anterior y gracias a un completo temario, podrás adquirir los conocimientos necesarios para fungir como un experto en la materia.

¡No dejes pasar esta maravillosa oportunidad!, solicita más información sobre este interesante programa a través de Emagister.com, y alcanza tus objetivos.

Información importante

Documentación

  • experto-tecnicas-learning-machine.pdf

Sedes y fechas disponibles

Ubicación

comienzo

Online

comienzo

Fechas disponiblesInscripciones abiertas

A tener en cuenta

Objetivo general

Ser capaz de interpretar con precisión el volumen de información clínica disponible actualmente y asociado a los datos biológicos que se generan tras un análisis bioinformático.

Objetivos específicos

El aprendizaje automático está revolucionando el mundo de la genómica, y ¿por qué no el de la medicina? El aprendizaje automático permite procesar y analizar de forma rápida y automática enormes volúmenes de datos complejos estructurados, semiestructurados y no estructurados (Big Data), y es fundamental para innumerables aplicaciones nuevas y futuras para obtener información y conocimiento. El aprendizaje automático potencia tecnologías innovadoras tales como motores de recomendación, reconocimiento de patrones, protección contra efectos adversos e incluso la interacción entre profesionales y pacientes.

El Experto Universitario en Técnicas de Learning Machine y Minería de Datos en Oncología Genómica está orientado a facilitar la actuación del médico dedicado al tratamiento de la patología oncológica en la que es preciso interpretar con precisión el volumen ingente de información clínica disponible actualmente y asociarlo a los datos biológicos que se generan tras un análisis bioinformático.

Solo para médicos especialistas.

Este Experto Universitario en Técnicas de Learning Machine y Minería de Datos en Oncología Genómica contiene el programa científico más completo y actualizado del mercado.

Tras la superación de las evaluaciones por parte del alumno, éste recibirá por correo postal con acuse de recibo su correspondiente Título de Experto Universitario emitido por el CEU (Universidad CEU-Cardenal Herrera).

El título expedido por la Universidad CEU-Cardenal Herrera expresará la calificación que haya obtenido en el Experto Universitario, y reúne los requisitos comúnmente exigidos por las bolsas de trabajo, oposiciones y comités evaluadores carreras profesionales.


Título: Experto Universitario en Técnicas de Learning Machine y Minería de Datos en Oncología Genómica
ECTS: 24
Nº Horas Oficiales: 600

Nuestra escuela es la primera en el mundo que combina el estudio de casos clínicos con un sistema de aprendizaje 100% online basado en la reiteración, que combina 8 elementos diferentes que suponen una evolución con respecto al simple estudio y análisis de casos.
Esta metodología, a la vanguardia pedagógica mundial, se denomina Relearning. Nuestra escuela es la primera en habla hispana licenciada para emplear este exitoso método, habiendo conseguido en 2015 mejorar los niveles de satisfacción global (calidad docente, calidad de los materiales, estructura del curso, objetivos…) de los médicos que finalizan los cursos con respecto a los indicadores de la mejor universidad online en habla hispana.

Recibida su solicitud, un responsable académico del curso le llamará para explicarle todos los detalles del programa, así como el método de inscripción, facilidades de pago y plazos de matrícula.

Preguntas & Respuestas

Añade tu pregunta

Nuestros asesores y otros usuarios podrán responderte

¿Quién quieres que te responda?

Déjanos tus datos para recibir respuesta

Sólo publicaremos tu nombre y pregunta

Opiniones

Materias

  • E learning
  • Entrenamiento
  • Modelos
  • Extracción
  • Minería
  • Genómica
  • Análisis
  • Machine learning
  • Scraping data
  • Inicialización de variables
  • TrainControl
  • Limpieza y acondicionado del texto
  • Generación de la Matriz de Términos
  • Creación de la Matriz de Términos TDM
  • Visualizaciones sobre la matriz de palabras TDM
  • Descripción de la matriz de términos
  • Representación gráfica de las frecuencias
  • Construcción de una nube de palabras
  • Creación de un data.frame apto para K-NN
  • Construcción del Modelo de clasificación
  • Validación del Modelo de clasificación
  • Minería datos aplicado a la genómica

Profesores

Mauro Javier Oruezábal Moreno

Mauro Javier Oruezábal Moreno

Jefe de Servicio de Oncología médica del Hsp. Univ. Rey Juan Carlos

Jefe de Servicio de Oncología médica del Hsp. Univ. Rey Juan Carlos Research Visitors at University of Southampton (2016-actualidad) Máster Univ. en Bioinformática y bioestadística UOC-UB (2016-actualidad) Master en análisis bioinformático por la Univ. Pablo de Olavide (2015-2016) Dr. en Medicina por la Universidad Complutense de Madrid. Calificación Sobresaliente cum laude (2002) Miembro de la Sociedad Española de Oncología Médica y Grupo GECP (Grupo Español de Cáncer de Pulmón) Especialista (MIR) en Oncología médica, Hosp. Univ. San Carlos de Madrid (2000).

Temario

Módulo 1. Machine learning para el análisis de big data

1.1. Introducción.

1.1.1. Aprendizaje automático frente a modelado estadístico.
1.1.2. Aprendizaje supervisado vs no supervisado.

1.2. Configuración inicial: cargar paquetes y el conjunto de datos.
1.3. Preparación de datos y preprocesamiento.

1.3.1. ¿Cómo dividir el conjunto de datos de entrenamiento y validación?
1.3.2. Estadísticas descriptivas.
1.3.3. ¿Cómo imputar valores perdidos usando ‘preProcess’?
1.3.4. ¿Cómo crear variables ficticias?
1.3.5. ¿Cómo preprocesar para transformar los datos?

1.4. Cómo visualizar la importancia de las variables usando `featurePlot`
1.5. ¿Cómo hacer la selección de características utilizando la eliminación recursiva de características (`rfe`)?
1.6. Entrenando y ajustando el modelo.

1.6.1. ¿Cómo `entrenar` el modelo e interpretar los resultados?
1.6.2. ¿Cómo calcular la importancia de la variable?
1.6.3. Preparar el conjunto de datos de entrenamiento.
1.6.4. Predecir en los datos de entrenamiento.
1.6.5. Matriz de confusión.

1.7. ¿Cómo hacer el ajuste del hiperparámetro para optimizar el modelo para un mejor rendimiento?

1.7.1. Configurando el `trainControl`.
1.7.2. Afinación del hiperparámetro usando `tuneLength`.
1.7.3. Ajuste del hiperparámetro usando `tuneGrid`.

1.8. ¿Cómo evaluar el rendimiento de múltiples algoritmos de aprendizaje automático?

1.8.1. Entrenamiento Adaboost.
1.8.2. Entrenamiento de Random Forest.
1.8.3. Entrenamiento xgBoost Dart.
1.8.4. Entrenamiento Support Vector Machine (SVM).
1.8.5. Entrenamiento Redes neuronales.
1.8.6. Ejecutar remuestras para comparar los modelos.

1.9. Conjuntando las predicciones.

1.9.1. ¿Cómo agregar predicciones a partir de múltiples modelos usando caretEnsemble?
1.9.2. ¿Cómo combinar las predicciones de múltiples modelos para formar una predicción final?

Módulo 2. Minería datos aplicado a la genómica

2.1. Introducción.
2.2. Inicialización de variables.
2.3. Limpieza y acondicionado del texto.
2.4. Generación de la Matriz de Términos.

2.4.1. Creación de la Matriz de Términos TDM.
2.4.2. Visualizaciones sobre la matriz de palabras TDM.

2.5. Descripción de la matriz de términos.

2.5.1. Representación gráfica de las frecuencias.
2.5.2. Construcción de una nube de palabras.

2.6. Creación de un data.frame apto para K-NN.
2.7. Construcción del Modelo de clasificación.
2.8. Validación del Modelo de clasificación.
2.9. Ejercicio práctico guiado de minería de datos en genómica en cáncer.

Módulo 3. Técnicas de extracción de datos genómicos

3.1. Introducción al ‘scraping data’.
3.2. Importación de archivos de datos de hoja de cálculo almacenados on line.
3.3. Scraping de texto HTML.
3.4. Scraping los datos de una tabla HTML.
3.5. Aprovechar las API para scraping de los datos.
3.6. Extraer la información relevante.
3.7. Uso del paquete Rvest de R.
3.8. Obtención de datos distribuidos en múltiples páginas.
3.9. Extracción de datos genómicos de la plataforma ‘My Cancer Genome’.
3.10. Extracción de información sobre genes de la base de datos ‘HGNC Hugo Gene Nomenclature Committee’.
3.11. Extracción de datos farmacológicos de la base de datos ‘ONCOKG’ (Precision Oncology Knowledge Base).

Categorías relacionadas

Experto Universitario en Técnicas de Learning Machine y Minería de Datos en Oncología Genómica

$ 1.995.499,26 IVA inc.

*Precio estimado

Importe original en USD:

$ 2.075

Los mejores cursos de Medicina

Ver todos

Ver todos