Prácticas

En este apartado obtendrás todo lo necesario para realizar las prácticas de Bioestadística.
Los ficheros para las prácticas puedes descargarlos de aquí:  cocinandoIA ( dado el tamaño del fichero(1,5GB), es muy altamente  recomendable estar en WIFI)
Una vez descargada la carpeta y descomprimida la carpeta en tu unidad de disco local, sube la carpeta a la raíz de tu unidad de Google drive manteniendo el mismo nombre de carpeta «cocinandoIA» ( hay que mantener las minúsculas de «cocinando» y las mayúsculas en «IA») para que todo funcione correctamente.

Prácticas de Bioestadística: Cocinando datos con Python 

La distinción entre un informe científico reproducible y la práctica común actual es como la diferencia entre una lista parcial de ingredientes y una receta. Para hornear una buena barra de pan, no es suficiente saber que contiene harina. Ni siquiera es suficiente saber que contiene harina, agua, sal y levadura. La marca de harina se puede omitir de la receta, al igual que el día de la semana en que se hornea el pan. Pero la proporción de ingredientes, las operaciones, su tiempo y la temperatura del horno no pueden ser obviadas.

Para la reproducibilidad, una «receta científica», debería hacer una barra de pan científica similar. Si seguimos la receta pero no obtenemos el mismo resultado, o bien el resultado es sensible a pequeños detalles que no se pueden controlar o la receta no fue lo suficientemente precisa.

Más del 70% de los investigadores han intentado y fracasado en reproducir los experimentos de otro científico, y más de la mitad no han podido reproducir sus propios experimentos. Esas son algunas de las cifras reveladoras que surgieron de la encuesta de Nature de 1.576 investigadores que respondieron un breve cuestionario en línea sobre la reproducibilidad en la investigación. ( Nature 533,452–454 (26 May 2016) https://www.nature.com/news/1-500-scientists-lift-the-lid-on-reproducibility-1.19970 )

 

reproducibilidad

Respecto a los factores que podrían aumentar la reproducibilidad, casi el 90% – más de 1,000 personas – marcaron «Mejor compresión de la estadística“, «Mejor tutela y supervisión» y «Diseño experimental más robusto».

Los Jupyter Notebooks y el Lenguaje Python nos proporcionan un entorno interactivo web de código abierto que nos permite crear y compartir documentos que contienen en un mismo documento, el acceso a los ficheros de datos, la creación y modificación de variables, el proceso de depuración de los datos, la generación de estadísticas, gráficos, test y modelos estadísticos, mediante secuencias de código de programación que están incluidos y que pueden ser supervisados rápidamente por los investigadores principales al incluir texto para explicar y comentar como se está resolviendo los objetivos planteados en el proyecto, así como incluir la discusión tras la visualización de los resultados.

Al compartir un Jupyter Notebook a otro grupo de investigación estamos aumentando la reproducibilidad de la investigación, ya que en pocos minutos otro grupo puede comprobar si consigue los mismos resultados sobre su conjunto de datos.

Así, los Jupyter Notebooks se están implantando en entornos académicos (UC Berkeley, Stanford, UW, NYU, Cal Poly, etc.), de investigación en el sector público (NASA JPL, KBase), y también en el sector privado (IBM, Facebook, Microsoft, Bloomberg, JP Morgan, WhatsApp, Quantopian, GraphLab, Enthought,etc.). Al tratarse de una arquitectura de módulos abiertos, son ampliamente utilizados para crear todo tipo de soluciones y servicios, tanto comerciales como sin ánimo de lucro.

Estas prácticas  introducen en el uso de Python para el análisis de datos estadísticos, bajo la premisa que los estudiantes no han utilizado ningún lenguaje de programación.

Las prácticas seguirán estos temas: 

Horas
La cocina de Python. Aprender como usar Jupyter Notebooks sobre Colaboratory de Google para crear documentos que combinan código de programación, texto, imágenes, fórmulas, etc
Los utensilios de la Cocina de Python. Conocer las expresiones y los operadores básicos, la precedencia entre operadores y comprender las variables y el proceso de asignación de valores.
La despensa del Python. Conocer y usar las estructuras de datos como Cadenas, listas, tuplas, diccionarios y conjuntos . 1
Los procesos de cocción de Python. Conocer el tipo de datos booleano,  los operadores de comparación y aprender a usar las sentencias de control de flujo de un programa. 1  
Los procesos de cocción iterativos en Python. Conocer como funciona las iteraciones mediante bucles finitos y condicionados
Cocinando cadenas de texto en Python. Conocer los tipos de datos numéricos y cadenas de texto, la función de inspección de tipos, la conversión entre tipos de datos y las funciones para cadenas de texto
Los libros de recetas de Python. Conocer diferentes librerías de funciones, como importarlas y usar sus módulos
Mi libro de recetas. Conocer cómo se usan y construyen las funciones definidas por el propio usuario y comprender el alcance de la variable usadas en su definición y en el resultado obtenido.

Evaluación de las prácticas:

Las prácticas serán evaluadas mediante la realización de tres exámenes tipo test:

-Práctica 1: 10 puntos

La cocina de Python+Los utensilios de la Cocina de Python+La despensa del Python

-Práctica 2: 10 puntos

Los procesos de cocción de Python+Los procesos de cocción iterativos en Python+Cocinando cadenas de texto en Python

-Práctica 3: 10 puntos 

Los libros de recetas de Python + Mi libro de recetas

Con el fin de estar preparados para una situación de aislamiento social excepcional por el COVID-19, y sea necesario continuar la actividad docente de esta asignatura (en todas sus facetas, teórica, práctica y de evaluación), en formato no presencial durante el tiempo que corresponda del curso 2020/2021 se aplicarán los siguientes cambios en la guía docente de la asignatura:

Se utilizará una evaluación continuada que estimule al estudiante a seguir el proceso de aprendizaje. El peso de la evaluación continua en el que se valorarán las actividades realizadas en las clases teóricas y prácticas, desarrollo del portafolio de prácticas y el trabajo en los seminarios valdrá un 70% de la calificación final. Se realizará un examen final, con preguntas objetivas y preguntas cortas de respuesta sobre aspectos teóricos y prácticos de la asignatura, que tendrá un peso en la calificación de un 30%.

La evaluación de las actividades realizadas en las clases teóricas y prácticas se realizará sobre 70 puntos y la evaluación de la asignatura se hará sobre un total de 100 puntos, y en la obtención de la calificación final (CF) habrán de tenerse en cuenta las siguientes calificaciones:

NEFa=Nota del bloque actividades de evaluación continua (hasta 70 puntos), como suma de las evaluaciones unidades teóricas ( 40 puntos ) y las evaluaciones de las prácticas.

NEFb=Nota del examen final (hasta 30 puntos)

NEP=Nota evaluación Trabajo Práctico (hasta 30 puntos)

El trabajo Práctico consistirá en el seguimiento del curso:

Cocinando Inteligencia Artificial con Python (30 puntos)

que son gratuitos para toda la comunidad universitaria de la Universidad Miguel Hernández. Para matricularse cada estudiante usará como nombre de usuario la cadena de texto que antecede al @ en su correo umh (si el correo es «nombre.apellido@alu.umh.es» se debe usar «nombre.apellido»).

Para comprobar el seguimiento del curso el estudiante aportará una captura similar a la siguiente:

Captura de pantalla 2020-07-27 a las 12.29.34

La calificación obtenida será proporcional al  grado de progreso del curso.

Es un requisito indispensable para aprobar la asignatura obtener más de 12 puntos en el bloque b del examen final, esto es, NEFB>12 (en caso, contrario, CF=NEFb). Si esta condición se cumple, la calificación final de la asignatura se obtendrá de la siguiente forma:

CF=Min(10, NEFa+NEFb+NEP).

Secuenciación de actividades prácticas:

Diapositiva2

 

 

Práctica 1, grupo 3, 28 de septiembre de 2020 de 12:00 a 15:00
Práctica 1,  grupo 4, 29 de septiembre de 2020 de 12:00 a 15:00
Práctica 1,  grupo 2,  30 de septiembre de 2020 de 12:00 a 15:00
Práctica 1, grupo 5,  2 de octubre de 2020 de 12:00 a 15:00
Práctica 1, grupo 1,  7 de octubre de 2020 de 12:00 a 15:00
——–
Práctica 2, grupo 4, 13 de octubre de  2020 de 12:00 a 15:00
Práctica 2, grupo 5, 14 de octubre de de 2020 de 12:00 a 15:00
Práctica 2, grupo 3, 15 de octubre de de 2020 de 12:00 a 15:00
Práctica 2, grupo 1, 16 de octubre de  2020 de 12:00 a 15:00
Práctica 2, grupo 2, 19 de octubre de de 2019 de 12:00 a 15:00
——–
Práctica 3, grupo 3, 20 de octubre de  2020 de 12:00 a 15:00
Práctica 3, grupo 4, 21 de octubre de de 2020 de 12:00 a 15:00
Práctica 3, grupo 5, 22 de octubre de de 2020 de 12:00 a 15:00
Práctica 3, grupo 1, 23 de octubre de  2020 de 12:00 a 15:00
Práctica 3, grupo 2, 2 de noviembre de de 2020 de 12:00 a 15:00
Lunes, 28 de septiembre de 2020