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

Este curso é concebido para alunos sem experiência ou conhecimento prévio em Aprendizagem Automática/Machine Learning (ML). Foi cuidadosamente elaborado para apresentar todos os conceitos de forma clara e acessível, garantindo que mesmo os iniciantes consigam compreender rapidamente os princípios básicos

Objetivos Gerais / Objectives

O objetivo da OD11 no contexto dos sistemas de saúde é desenvolver as seguintes competências: Técnicas: Devem adquirir conhecimentos técnicos sobre análise de dados e sobre algoritmos de machine learning. Analíticas: Devem desenvolvera a capacidade de analisar criticamente os dados e retirar conclusões relevantes. Devem ser capazes de identificar padrões, correlações e tendências nos dados. Após a conclusão deste curso, os alunos devem ser capazes de: 1. realizar a exploração e visualização de dados. 2. efetuar a limpeza e o pré-processamento de dados. 3. aplicar técnicas de análise descritiva. 4. analisar as relações entre diferentes variáveis. 5. utilizar a análise preditiva para desenvolver modelos que prevejam com exatidão a progressão da doença, os resultados dos doentes ou a eficácia dos tratamentos 6.interpretar e avaliar os resultados obtidos através de técnicas de aprendizagem automática.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

Os Objetivos de Aprendizagem (OA) da Unidade Curricular: OA1: Aplicar e compreender várias etapas no âmbito da aprendizagem automática (machine learning). OA2: Reconhecer e localizar pontos de dados cruciais. OA3: Utilizar técnicas de imputação para substituição de dados e estabelecer métricas apropriadas. OA4: Identificar e aplicar algoritmos supervisionados e não supervisionados adequados para a análise de dados de saúde. OA5: Avaliar e interpretar o desempenho dos diversos algoritmos de aprendizagem automática em dados de saúde. OA6: Implementar um pipeline de aprendizagem automática numa ferramenta de ML.

Conteúdos Programáticos / Syllabus

CP1: Fundamentos da IA na Saúde (1 ECTS) - Introdução à Informática na Saúde e sua importância nos cuidados de saúde - História da Inteligência Artificial - Noções básicas de inteligência artificial e aprendizagem automática - Considerações éticas e regulamentares em IA para a saúde CP2: Criação do ambiente de trabalho (1 ECTS) - Criação de Directorias de Trabalho - Instalar a ferramenta Orange. - Instalar o BERT (R Excel Toolkits) CP3: Pré-processamento de dados (1 ECTS) - Recolha de dados - Preparação de dados - Limpeza de dados - Validação de dados CP4: Algoritmos de Aprendizagem Automática (1 ECTS) - Aprendizagem Supervisionada, Não Supervisionada e por Reforço - Métricas de avaliação - Utilização do conjunto de dados com a ferramenta Orange CP5: Aplicações (2 ECTS)

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

OA1: No CP1, os alunos são introduzidos aos conceitos básicos de IA e ML, adquirindo o conhecimento essencial para compreender as etapas dos processos de ML. OA2: O CP3 foca no Pré-processamento de Dados, que envolve identificar e localizar dados cruciais para uma análise eficaz de ML. OA3: No CP3, os alunos aprendem técnicas de Limpeza de Dados, incluindo métodos de imputação para substituir dados ausentes. O CP4 aborda as métricas para avaliar a qualidade dos dados e dos modelos de ML. OA4: No CP4, os alunos exploram diferentes algoritmos de ML—Supervisionado, Não Supervisionado e por Reforço—para analisar dados de saúde. OA5: O CP4 cobre Métricas de Avaliação para medir o desempenho dos algoritmos de ML. O CP5 envolve aplicações práticas onde os alunos avaliam e interpretam o desempenho desses algoritmos. OA6: No CP2, os alunos configuram o ambiente para a ferramenta Orange. No CP4 e CP5, utilizam esta ferramenta para criar pipelines de ML com conjuntos de dados.

Avaliação / Assessment

Parâmetros de Avaliação: Total: 100 pontos Tarefa 1: Escrever um relatório sobre os algoritmos básicos usados em IA, com pelo menos cinco referências de revistas científicas (20 pontos) Tarefa 2: Extrair características estatísticas dos dados e fazer uma visualização dos mesmos (20 pontos) Teste 1: Teste para verificar os conhecimentos básicos de IA (10 pontos) Teste 2: Verificar o conhecimento dos algoritmos em diferentes cenários de uso (10 pontos) Conclusão do Projeto: (40 pontos) Discussão Aberta: Sobre a aplicação de ML no setor de saúde A UC segue o modelo de avaliação ao longo do semestre por projeto pelo seu carácter eminentemente prático, não contemplando exame final.

Metodologias de Ensino / Teaching methodologies

Este curso é destinado a estudantes sem experiência ou conhecimento prévio em machine learning. Foi cuidadosamente elaborado para apresentar todos os conceitos de forma acessível, garantindo que mesmo os principiantes possam rapidamente compreender os princípios básicos. Esta abordagem estruturada assegura que cada aula se baseie no conhecimento adquirido nas sessões anteriores, criando uma jornada de aprendizagem coesa e abrangente. A unidade é projetada como um programa de auto-estudo, focando na aprendizagem e exploração individuais, sem atividades em grupo. Este formato permite que os alunos avancem ao seu próprio ritmo e promove uma compreensão mais profunda e pessoal do material.

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 metodologia de ensino utilizada neste curso está alinhada com os resultados de aprendizagem, garantindo que os alunos possam atingir eficazmente os objetivos da unidade de estudo. Veja como as metodologias de ensino demonstram coerência com cada resultado de aprendizagem: OA1: Aplicar e compreender as várias etapas no campo de machine learning. O curso está estruturado para introduzir conceitos de machine learning de forma progressiva, começando pelos princípios básicos e avançando gradualmente para tópicos mais complexos. Cada sessão baseia-se no conhecimento adquirido nas sessões anteriores, proporcionando aos alunos uma compreensão sólida das várias etapas envolvidas no machine learning. OA2: Reconhecer e localizar pontos de dados cruciais. Através do programa de auto-estudo, os alunos têm a oportunidade de explorar conjuntos de dados reais e identificar pontos de dados cruciais relevantes para a análise de dados de saúde. A abordagem estruturada garante que os alunos desenvolvam as competências para reconhecer e localizar pontos de dados importantes dentro dos conjuntos de dados. OA3: Empregar técnicas de imputação para substituição de dados e estabelecer métricas apropriadas. Os materiais do curso abordam várias técnicas de imputação para substituição de dados, e os alunos são incentivados a aplicar estas técnicas de forma independente durante as sessões de auto-estudo. Além disso, a definição de métricas apropriadas para avaliar a qualidade dos dados e dos modelos de machine learning é enfatizada ao longo do curso. OA4: Identificar e utilizar algoritmos supervisionados e não supervisionados adequados para a análise de dados de saúde. O conteúdo do curso inclui explicações detalhadas e exemplos de algoritmos de machine learning supervisionados e não supervisionados, especificamente adaptados para a análise de dados de saúde. Os alunos recebem o conhecimento e as competências necessárias para identificar e aplicar esses algoritmos de forma eficaz. OA5: Avaliar e interpretar o desempenho dos diversos algoritmos de machine learning em dados de saúde. As métricas de avaliação para medir o desempenho dos algoritmos de machine learning são abrangentemente abordadas nos materiais do curso. Os alunos são guiados sobre como interpretar os resultados obtidos de diferentes algoritmos e avaliar a sua eficácia na análise de dados de saúde. OA6: Implementar um pipeline de machine learning em uma ferramenta de ML. O curso inclui exercícios práticos e tarefas que exigem que os alunos implementem pipelines de machine learning utilizando a ferramenta Orange. Através do auto-estudo e exploração, os alunos ganham experiência prática na construção e implementação de modelos de machine learning para análise de dados de saúde.

Observações / Observations

-

Bibliografia Principal / Main Bibliography

"Hastie T, Tibshirani T, Friedman J, The elements of statistical Data-Mining, Inférence and prediction second edition. Springer-Verlag New York, (2009), 533p. ISBN : 978-0-387-84858-7 Artificial Intelligence in Healthcare: AI, Machine Learning, and Deep and Intelligent Medicine Simplified for Everyone (English Edition), Parag Mahajan P. Tattar, T. Ojeda, S. P. Murphy B. Bengfort, A. Dasgupta, Practical Data Science Cookbook, Second Edition. Packt Publishing. 2017 C. O'Neil, R. Schutt. Doing Data Science: Straight Talk from the Frontline. O'Reilly. 2013"

Bibliografia Secundária / Secondary Bibliography

"""Python for Data Analysis"" by Wes McKinney - This book is a comprehensive guide to data analysis using Python, and covers topics such as data manipulation, visualization, and machine learning. ""Data Science from Scratch: First Principles with Python"" by Joel Grus - This book provides an introduction to data science using Python, and covers topics such as data cleaning, exploratory data analysis, and statistical inference. James G, Witten D, Hastie T, Tibshirani T, An introduction to statistical learning with applications in R. second edition. Springer-Verlag New York, (2021), 607p. ISBN : 978-1-0716-1418-1 Topol, E. J. (2019). Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books. P. Mathur, Machine Learning Applications Using Python: Cases Studies from Healthcare, Retail, and Finance. Apress. 2018."

Data da última atualização / Last Update Date

2024-10-10