Máster en Inteligencia Artificial en Salud

• Conceptos básicos de IA (IA: Inteligencia artificial, Machine Learning, Deep Learning, IoT, IoMT, Nube).
• Qué es la IA. Historia de la IA. Tipos de IA (aprendizaje automático, aprendizaje profundo, etc.). Técnicas de IA (redes neuronales, algoritmos genéticos, etc.).
• Big Data y sus características.
• Nuevos paradigmas en la IA. Explotación de datos no estructurados (texto, imágenes, vídeos). Análisis de datos en tiempo real Internet de las Cosas (IoT) y su aplicación.
• Científico de datos vs. investigador tradicional.
• Ejemplos prácticos y futuro de la IA.

En este módulo se explicarán los conceptos fundamentales del machine Learning y su aplicación en el ámbito de la salud.

• Introducción al Machine Learning.
• Algoritmos de machine Learning.
• Validación y evaluación de modelos de machine Learning.
• Preprocesamiento de datos para machine Learning en salud.
• Aprendizaje profundo (Deep Learning) en salud.
• Aplicaciones de machine Learning en Salud.

Aprenderás los conceptos y métodos y validación externa de algoritmos de machine learning.

• Validación de Modelos de Machine Learning (tipos, validación cruzada).
• Métricas de evaluación de Modelos (clasificación, regresión).
• Selección de características (filtro, wrapper, embedded).
• Optimización de hiperparámetros.
• Interpretación de modelos de machine learning.

• Introducción a los chatbots.
• Arquitectura de los chatbots.
• Desarrollo y entrenamiento de chatbots.
• Implementación de funcionalidades avanzadas en chatbots.
• Evaluación y mejora de chatbots.
• Aplicaciones de chatbots en salud.

• Introducción al internet de las cosas en salud.
• Arquitecturas de sistemas de IoT en Salud.
• Captura y procesamiento de datos de dispositivos IoT en Salud.
• Seguridad y privacidad en sistemas IoT en Salud.
• Aplicaciones de IoT en Salud.
• Integración de IoT con Inteligencia artificial en Salud.

• Introducción a la clasificación de imágenes médicas.
• Preprocesamiento de imágenes médicas.
• Redes neuronales convolucionales (CNN) en clasificación de imágenes médicas.
• Aplicaciones de clasificación de imágenes médicas.
• Validación y evaluación de Modelos de clasificación de imágenes médicas.

Comprenderás los conceptos y principios básicos de los LLM en el contexto de la inteligencia artificial generativa.

• Introducción a los Modelos de Lenguaje de gran tamaño (large Language Models).
• Arquitectura de los Large Language Models (GPT, BERT, Gemini).
• Generación de texto con LLM.
• Análisis y evaluación de LLM.
• Aplicación de LLM en salud.
• Desafíos y futuro de los LLM en salud.

• Introducción a los Modelos de Lenguaje de gran tamaño (large Language Models).
• Arquitectura de los Large Language Models (GPT, BERT, Gemini).
• Generación de texto con LLM.
• Análisis y evaluación de LLM.
• Aplicación de LLM en salud.
• Desafíos y futuro de los LLM en salud.

• Introducción a la ética aplicada a la IA.
• Principios éticos para la IA.
• Riesgos y amenazas en el uso de la IA.
• Gobernanza internacional de la IA.
• Marco regulatorio español para la IA .
• Implicaciones sociales de la IA en el futuro.

• Elección y justificación del tema. Viabilidad del proyecto.
• Construcción del marco teórico.
• Objetivos.
• Material y método.
• Recogida y análisis de resultados preliminares.
• Discusión y consideraciones finales del proyecto.

Incluye a profesionales con formación en áreas relacionadas con la salud: medicina, farmacia, enfermería, fisioterapia, biomedicina, odontología, etc.

Se recomiendan:

• Conocimientos básicos en informática, familiaridad con conceptos básicos de estadística y matemáticas.
• Habilidades para el análisis de datos y resolución de problemas.
• Interés y motivación por la aplicación de la inteligencia artificial en el sector de la salud.
• Capacidad para adaptarse a entornos multidisciplinares y de rápido cambio.
• Se valorará positivamente la experiencia previa en el campo de la medicina, la salud, la informática o la investigación.