Currículo

Inteligência Artificial na Saúde 04514

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

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.

Programa

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

Método de Avaliação

A avaliação será preferencialmente realizada ao longo do semestre (Época 1), 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% na 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

• 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:

Secundária

• 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.:

Disciplinas de Execução

2025/2026 - 2º Semestre

2025/2026 - 2º Semestre