K17: Conoce técnicas de microscopía, inteligencia artificial y modelos computacionales aplicados a neurociencias. S1: Utiliza diferentes técnicas para encontrar, manejar, integrar y evaluar con sentido crítico la información disponible para el desarrollo de actividades en Neurociencia, especialmente en el ámbito digital. S4: Utiliza capacidad de análisis y síntesis, así como de aplicar los principios del método científico en el entorno laboral, con el fin de dar respuestas innovadoras a las necesidades y demandas de la sociedad en su área. S7: Demuestra conocimiento y capacidad para aplicar herramientas computacionales y experimentales para el análisis y cuantificación de problemas en Neurociencias. C2: Aplica sus conocimientos sobre la organización, estructura y función del Sistema Nervioso Central (SNC) para contribuir a la evolución y mejora de tecnologías y sistemas de computación, manejo y análisis de datos. C3: Aplica su conocimiento de la tecnología para el estudio del Sistema Nervioso y el cerebro (Imagen Médica, interfaces cerebro-máquina) para desarrollar nuevos sistemas de diagnóstico, tratamiento y otras aplicaciones de la Neurociencia (Inteligencia Artificial, Robótica) con el objetivo de mejorar la calidad de vida y progreso social. C4: Utiliza herramientas avanzadas de matemáticas, estadística y computación para aumentar y mejorar el conocimiento en Neurociencias y sus aplicaciones. C5: Aplica los conocimientos necesarios para su integración en equipos multidisciplinares (sector farmacéutico, sanitario, técnicas de diagnóstico, tecnologías de la información en salud, agencias y organismos regulatorios) en los que la Neurociencia sea un área vertebradora de soluciones. C7: Aplica en su actividad profesional los principios consustanciales a una formación de grado de naturaleza científico-técnica, así como la necesidad de un aprendizaje autónomo que le permita adaptarse a nuevas situaciones originadas por desarrollo científico y tecnológico.

1. El concepto de aprendizaje en las máquinas 2. Secuencia de procesos en la implementación de Machine Learning. 3. Selección del algoritmo de Machine Learning de acuerdo al problema 4. Python y el machine learning 5. Redes neuronales artificiales. 6. Topologia de la red. 7. Backpropagation. 8. Deep Learning 9. Ejemplos de aplicación 10. Algoritmo de k-vecinos más cercanos (kNN) 11. Distancias entre datos. 12. Selección de una k adecuada. 13. Preparación de los datos 14. Ejemplos de aplicación. 15. Medidas del rendimiento de un clasificador. 16. Matriz de confusión. Medidas asociadas 17. Curvas ROC 18. Técnicas de muestreo para la evaluación del rendimiento del modelo. 19. Clasificación usando Naive Bayes. 20. El Algoritmo de Naive Bayes. 21. Ejemplos de aplicación. 22. Clasificación con Support Vector Machines (SVM). 23. Hiperplano de margen máximo. 24. El uso de funciones kernel en problemas no lineales. 25. Ejemplos de aplicación. 26. Árboles de decisión 27. Pruning del árbol de decisión. 28. Ejemplos de aplicación. 29. Random Forests. 30. Ejemplos de aplicación. 31. Aplicación abierta de Machine Learning a problemas de neurociencia

Clases presenciales magistrales. Clases presenciales reducidos (talleres, seminarios, casos prácticos). Trabajo individual del estudiante. Sesiones de laboratorios. Examen final. Seminarios y lecciones magistrales con apoyo de medios informáticos y audiovisuales. Aprendizaje práctico basado en casos y problemas y resolución de ejercicios. Trabajo individual y en grupo o cooperativo con opción a presentación oral o escrita. Tutorías individuales y en grupo para resolución de dudas y consultas sobre la materia. Prácticas y actividades dirigidas de laboratorios.