Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
480 - Informática
Departamento / Department
Departamento de Tecnologias Digitais
Ano letivo / Execution Year
2024/2025
Pré-requisitos / Pre-Requisites
·
Objetivos Gerais / Objectives
Esta unidade curricular tem como objetivo desenvolver competências em Inteligência Artificial aplicada à área da Saúde. Serão estudadas técnicas de mineração de dados, modelos estatísticos e de aprendizagem automática para deteção de padrões e estruturas, classificação e previsão. Além disso, serão exploradas séries temporais, e na área da aprendizagem profunda, redes neurais convolucionais (CNNs) e redes neurais clássicas, com aplicações específicas na área da saúde.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
Para obter sucesso nesta UC o aluno deverá ser capaz de: O1. Desenvolver e aplicar técnicas de preparação e análise exploratória de dados O2. Desenvolver e aplicar técnicas de visão por computador, transferência de conhecimento e aumento de dados O3. Entender a aplicação de técnicas de classificação de imagem como Redes Neuronais e Redes Neuronais Convolucionais. O4. Entender a aplicação de técnicas de classificação como Árvores de Decisão, Redes Neuronais e Classificação Bayesiana O5. Aplicar técnicas de indução de regras a problemas de extração de conhecimento O6. Desenvolver e aplicar técnicas de séries temporais para análise e previsão de dados. O7. Determinar avaliações para uma boa modelação.
Conteúdos Programáticos / Syllabus
CP1. Introdução à mineração de dados, problemas de decisão e aplicações CP2. O Processo do ciclo de dados. CP3. Revisão de Estatística descritiva e exploratória. CP4. Operações com imagens CP5. Extração de características de imagem CP6. Redes neuronais clássicas CP7. Redes neuronais convolucionais CP8. Transferência de conhecimento CP9. Árvores de decisão. CP10. Técnicas de inferência Bayesianas. CP11. Séries temporais
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes
Os conteúdos programáticos estão associados aos objetivos de aprendizagem da seguinte forma: CP1 está associado ao O1 e O5, essencial para a preparação e análise de dados e aplicação de indução de regras. CP2 está associado ao O1 e O7, crucial para desenvolver técnicas de análise de dados e avaliar a modelação. CP3 está associado ao O1, fornecendo a base para a análise exploratória de dados. CP4 está associado ao O2, fundamental para técnicas de Visão por Computador (VC). CP5 está associado ao O2 e O3, vital para VC e classificação de imagens. CP6 está associado ao O3 e O4, essencial para redes neuronais clássicas e classificação geral. CP7 está associado ao O3, focado em Redes Neuronais Convolucionais para classificação de imagens. CP8 está associado ao O2, avançado em VC. CP9 está associado ao O4, técnica avançada para Árvores de Decisão. CP10 está associado ao O4, abordando a classificação Bayesiana. CP11 está associado ao O6, relacionado à análise e previsão de dados.
Avaliação / Assessment
A avaliação será feita ao longo do semestre, sendo feita através de dois trabalhos de grupo valendo cada um 30% da nota final e um teste escrito de 40%. Cada uma das componentes de avaliação tem nota mínima de 8 valores e a aprovação na UC requer uma nota final mínima de 10 valores. As notas dos trabalhos poderão variar pelo desempenho demonstrado individualmente numa discussão oral, a ocorrer (para o grupo) no caso da nota (de um dos elementos) entre o teste e o trabalho tiver uma diferença superior a 3 valores. Dado o caráter prático da UC não há lugar a avaliação por exame. É exigida uma assiduidade mínima não inferior a 2/3 das aulas. Melhoria de nota só pode ser feita repetindo o processo de avaliação no ano seguinte.
Metodologias de Ensino / Teaching methodologies
A metodologia de ensino-aprendizagem desta UC é ativa. O aluno é o principal responsável. Incentiva-se a capacidade de aquisição de conteúdos de forma autónoma, através de casos práticos e análise de literatura, uso e discussão crítica de conteúdos digitais, cruzando assim os conteúdos teóricos ministrados em participação pessoal, projetos individuais e de grupo. Nas aulas teóricas são apresentadas as bases estruturais, conceptuais e alinhado o trabalho com os objetivos de aprendizagem.
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes
A utilização de uma metodologia de ensino que concilia a experimentação prática das diferentes técnicas de modelação com a sua base teórica permite aos alunos resolver casos concretos com dados reais, estimulando a sua análise crítica. Os exercícios das aulas centram-se na resolução de problemas práticos, ajudando os alunos a compreender como os conhecimentos teóricos se traduzem em casos de uso aplicados à saúde no mundo real, como o diagnóstico de doenças ou a otimização dos cuidados dos pacientes. Espera-se também que os alunos realizem trabalho independente, o que lhes dará a oportunidade de explorar ferramentas e software de Inteligência Artificial (IA) de forma independente. Este estudo autónomo reforça a sua capacidade de analisar e interpretar dados de saúde utilizando IA. Os alunos serão avaliados através de um exame final, que avalia a sua compreensão da matéria, e através de projectos de grupo que testam a sua capacidade de aplicar soluções de IA em casos de saúde. Esta combinação de avaliações garante que os alunos não só compreendem os fundamentos teóricos, mas também podem aplicar os seus conhecimentos em contextos práticos do mundo real. Esta abordagem abrangente garante que os alunos adquirem os conhecimentos e a experiência prática necessários para utilizar a IA de forma eficaz em contextos de saúde.
Observações / Observations
Alunos abrangidos pelo 'Regulamento Interno para Estudantes com Estatutos Especiais' deverão contactar o docente da UC, ou o Coordenador da mesma, na primeira semana de aulas de cada semestre, com vista ao enquadramento dos processos de aprendizagem e avaliação na UC.
Bibliografia Principal / Main Bibliography
J. Howse, J. Minichino, Learning OpenCV 4 with Python 3, 3rd Edition, Packt Publishing, 2020. M. Elgendy, Deep Learning for Vision Systems, Manning, 2020,. Field Cady - The Data Science Handbook - 1st Edition 2017, Wiley. Andrw R. Webb, Keith D. Copsey. Statistical Pattern Recognition, 3rd Ed., Wiley, 2011. Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani. An Introduction to Statistical Learning with Applications in R. Springer, 2013. Cathy O'Neil, Rachel Schutt. Doing Data Science: Straight Talk from the Frontline. O'Reilly Media, 2013
Bibliografia Secundária / Secondary Bibliography
Foster Provost and Tom Fawcett, - Data Science for Business: What you need to know about data mining and data-analytic thinking?, 2013, O'Reilly Media M. Nixon, A. Aguado, Feature Extraction and Image Processing for Computer Vision, 4th Edition, Academic Press, 2019. I. Goodsfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016. OpenCV, https://opencv.org/ Tensorflow, https://www.tensorflow.org/ R. Szeliski, Computer Vision: Algorithms and Applications, 2nd Edition, Springer, 2021, https://szeliski.org/Book/ F. Chollet, Deep Learning with Python, 2nd Edition, Manning, 2021.
Data da última atualização / Last Update Date
2024-10-20