Currículo

Análise de Dados e Aprendizagem Automática 04752

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

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.

Programa

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)

Método de Avaliação

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.

Carga Horária

Bibliografia

Principal

• "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": - -

Secundária

• """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.": - -

Disciplinas de Execução

2024/2025 - 2º Semestre