Temas y subtemas del curso:1.Introducción al análisis de códigos a través del Álgebra lineal
2.Grafos y Árboles
3.Fundamentos de Probabilidad y estadística.
4.Modelos de Markov
5.Modelos gráficos probabilísticos en bioinformática.
6.Fractales y Caos
Objetivos específicos de aprendizaje:1.1 Aplicar Matlab / SCILab como Laboratorios Matriciales
1.2 Comprender los conceptos de Vectores, Matrices y Latices en el contexto de la
bioinformática.

2.1 Definir las estructuras de grafo
2.2 Revisar las propiedades de un grafo.
2.3 Resolver los problemas clásicos de grafos
2.3.1 Resolver los problemas de coloreo.
2.3.2 Resolver problemas de ciclos Eulerianos.
2.3.3 Resolver problemas de ciclos Hamiltonianos.
2.4 Definir la estructura de árbol
2.5 Revisar las propiedades de árboles.
2.6 Resolver los problemas clásicos de árboles.
2.7 Revisar los tipos de búsqueda en árboles.

3.1 Revisar los conceptos básicos de probabilidad.
3.1.1 Revisar los conceptos de probabilidad clásica.
3.1.2 Comprender el Teorema de Bayes y sus implicaciones.
3.2 Resolver problemas de análisis de regresión.
3 2.1 Resolver problemas clásicos de regresión donde el esquema Gauss-Markov es valido.
3.2.2 Deducir métodos alternativos de regresión cuando se viola el esquema de
Gauss-Markov.
3.3 Analizar diferentes técnicas del análisis multivariado a través del uso del MANOVA.
3.3.1 Analizar la técnica de Componentes Principales.
3.3.2 Analizar la técnica de análisis de Clusters.
3.3.3 Analizar la técnica de análisis de discriminante

4.1 Definir el concepto de cadena de Markov.
4.2 Analizar Modelos Ocultos de Markov
4.2.1 Analizar la Teoría de Información a Priori e Inicialización.
4.2.2 Comprender los conceptos de Verosimilitud y algoritmos básicos
4.2.3 Revisar los algoritmos de aprendizaje.
4.3 Revisar Aplicaciones de Modelos Ocultos de Markov en la bioinformática.
4.3.1 Resolver problemas de aplicaciones a proteínas.
4.3.2 Aplicaciones a ADN y RNA.
4.4 Analizar ventajas y limitaciones de los modelos ocultos de Markov.

5.1 Construir modelos Markovianos aplicados para la simetrías del DNA.
5.2 Construir modelos Markovianos para la búsqueda de genes.

6.1 Definición de Fractal
6.1.1 Construir Fractales en el Campo de los Reales.
6.1.2 Construir Fractales en el Campo de los Complejos.
6.2 Comprender la relación entre Fractales y Caos.
6.3 Analizar la relación entre Caos, Fractales y problemas de bioinformática.
Metodología de enseñanza:ñanza
Tiempo estimado de cada tema:Tema 1- 4 hrs.
Tema 2- 10 hrs.
Tema 3- 10 hrs
Tema 4- 8 hrs
Tema 5- 8 hrs
Tema 6- 8 hrs

Políticas de evaluacion sugeridas:De acuerdo a la estrategia de POL/PBL se evaluará de acuerdo a los avances, entrevistas, portafolio y resultados de acuerdo a las rúbricas presentadas en cada manual de proyecto.

1 Evaluación parcial 25%
2 Evaluación parcial 25%
3 Evaluación parcial 25%
Evaluación Final 25%
Libro de texto1:
Baldi, Pierre & Soren Brunak
Bioinformatics, The Machine Learning Approach
2nd_Edition,MIT Press
2001
Libro de texto2:Libro de Texto 2

Libro de texto3:Libro de Texto 3

Libro de consulta:NO OBLIGATORIO

\0Material de apoyo:NO OBLIGATORIO

Perfil del Profesor:Profesor con Maestría o Doctorado en el área o áreas afines como computación, y/o inteligencia artificial , Creativo e Innovador capacitado en las Técnicas de PBL para Ingeniería y Ciencias Básicas.

Fecha de última actualización:21 de junio de 2004(m)