
Diplomado en Técnicas de Learning Machine en Oncología Genómica
Diplomado
Online

¡APROVECHA ESTA OPORTUNIDAD! EL FUTURO TE ESTÁ ESPERANDO.
-
Tipología
Diplomado
-
Metodología
Online
-
Horas lectivas
150h
-
Duración
2 Meses
-
Inicio
Fechas disponibles
-
Campus online
Sí
-
Clases virtuales
Sí
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. La escala y la complejidad de los datos genómicos empequeñecen las medidas que se usan tradicionalmente en las pruebas de laboratorio.
Información importante
Documentación
- curso-tecnicas-learning-machine-oncologia-genomica-per.pdf
Sedes y fechas disponibles
Ubicación
comienzo
comienzo
Información relevante sobre el curso
Objetivos generales 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. Un objetivo fundamental de este módulo es comprender qué es el aprendizaje automático y utilizar algunas de las técnicas para la clasificación de datos (árbol de decisiones, k-NN, Máquinas de Vector de Soporte, redes neuronales, etc.). Aprender a dividir los datos en un conjunto de prueba y otro de entrenamiento y descubrir los conceptos de sesgo y varianza.
El curso en técnicas de learning machine 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 Curso Universitario en Técnicas de Learning Machine 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 Curso 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 Curso, y reúne los requisitos comúnmente exigidos por las bolsas de trabajo, oposiciones y comités evaluadores carreras profesionales. Título: Curso Universitario en Técnicas de Learning Machine en Oncología Genómica ECTS: 6 Nº Horas Oficiales: 150
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.
Opiniones
Materias
- E learning
- Análisis
- Tecnicas
- Librerias
- Problema
- Big Data
- Carga de datos
- Machine learning
- Oncología genómica
- Learning machine
- NAs
- Categorías
- Variables dummy
- Regresión Lineal Múltiple
- Support Vector Machine
- Árboles de Regresión
- Random Forest
Profesores

Martin Krallinger
Jefe de la unidad de minería del CNIO
Jefe de la unidad de minería de textos del Centro Nacional de Investigación del Cáncer (CNIO) Ha completado el proceso de selección para optar al jefe de la unidad de minería de textos del Centro de Supercomputación de Barcelona (BSC) Experto en el campo de la minería de textos biomédicos y clínicos y las tecnologías lingüísticas, y ha trabajado en este y otros temas de investigación.

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
Modulo 1. Machine learning para el análisis de big data
1.1. Introducción a Machine Learning.
1.2. Presentación del problema, carga de datos y librerías.
1.3. Limpieza de datos (NAs, categorías, variables dummy).
1.4. Analisis de datos exploratorio (ggplot) + Validación cruzada.
1.5. Algoritmos de predicción: Regresión Lineal Múltiple, Support Vector Machine, Árboles de Regresión, Random Forest…
1.6. Algoritmos de clasificación: Regresión Logística, Support Vector Regression, Árboles de Clasificación, Random Forest,…
1.7. Ajuste de los hiper parámetros del algoritmo.
1.8. Predicción de los datos con los diferentes modelos.
1.9. Curvas ROC y Matrices de Confusión para evaluar la calidad del modelo.
Diplomado en Técnicas de Learning Machine en Oncología Genómica