Currículo

Ciência de Dados em Saúde 04139

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

São objetivos de aprendizagem (OA) desta Unidade Curricular permitir que os alunos possam adquirir as seguintes competências: OA1: Reconhecer tipos de dados hospitalares OA2: Enfrentar desafios de dados OA3: Aplicar IA para Extração de Conhecimentos OA4: Melhorar a qualidade dos dados OA5: Implementar Técnicas de IA OA6: Navegar por aspectos éticos e legais OA7: Comunicar Insights Efetivamente OA8: Colaborar em projectos de IA OA9: Integrar ferramentas e bibliotecas de IA OA10: Aplicações no sector da saúde

Programa

Esta UC detém os seguintes conteúdos programáticos (CPs): CP1: Introdução aos dados hospitalares * Definição e conceitos chave CP2: Desafios dos dados nos cuidados de saúde CP3: Fundamentos de IA para extração de conhecimentos CP4: Técnicas de IA para análise de dados de cuidados de saúde CP5: Considerações éticas e jurídicas CP6: Comunicação eficaz dos resultados CP7: Projectos colaborativos de IA nos cuidados de saúde CP8: Ferramentas e bibliotecas para dados de cuidados de saúde CP9: Aplicações de IA nos cuidados de saúde CP10: Apresentação e reflexão do projeto

Método de Avaliação

A avaliação será preferencialmente realizada ao longo do semestre (1ª época), composta por dois trabalhos de grupo, cada um com um peso de 30%, e um teste escrito com um peso de 40%. Cada componente tem uma nota mínima de 8 valores, sendo necessária uma média final mínima de 10 valores para aprovação à unidade curricular. A assiduidade mínima exigida é de 2/3 das aulas. As notas dos trabalhos podem ser ajustadas com base no desempenho individual demonstrado numa discussão oral, a qual poderá ocorrer se existir uma discrepância superior a 3 valores entre a nota do teste e a dos trabalhos, para qualquer dos elementos do grupo. Época de Exame (2ª Época e Época Especial) Na Época de Exame, os estudantes terão a possibilidade de realizar uma avaliação alternativa composta por: Um trabalho individual, com peso de 60% da nota final. Um teste escrito individual, com peso de 40%. Ambos os elementos são obrigatórios, com nota mínima de 8 valores em cada, sendo necessária uma média ponderada de 10 valores para aprovação.

Carga Horária

Bibliografia

Principal

• McKinney, W. (2017). Python for Data Analysis, 2nd Edition: Data Wrangling with Pandas, NumPy, and IPython. O'Reilly Media. Albon, C. (2018). Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning. O'Reilly Media. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media. Nelson, D. (2020). Data Visualization in Python. Independently Published. O'Reilly, T. (2010). Open Government: Collaboration, Transparency, and Participation in Practice. O'Reilly Media. OpenCV. (2024). Open Source Computer Vision Library. Disponível em https://opencv.org/. TensorFlow. (2024). An Open Source Machine Learning Framework for Everyone. Disponível em https://www.tensorflow.org/.:

Secundária

• :

Disciplinas de Execução

2025/2026 - 1º Semestre