Informática e Aplicações de Informática Médica
Código
11117
Unidade Orgânica
NOVA Medical School | Faculdade de Ciências Médicas
Departamento
AEI - Saúde das Populações
Créditos
3
Professor responsável
Prof. Doutor Carlos Geraldes
Língua de ensino
Português
Objectivos
Objectivos de aprendizagem
Esta unidade curricular visa promover a utilização de metodologias avançadas na análise de dados e no processamento de imagens com recurso a técnicas de Inteligência Artificial. Estas metodologias são relevantes no reconhecimento de padrões, assim como no apoio à decisão clínica baseada na aprendizagem automática (machine learning) a partir de exemplos e experiências registadas.
Para uma utilização devida destas metodologias é organizado um processo orientado para a descoberta de conhecimento em bases de dados (Knowledge Discovery in Databases KDD). Este processo inicia-se pela seleção e organização de dados clínicos numa base de dados através da utilização do Microsoft Access. Nesta fase o aluno desenvolverá as competências na construção, organização e consulta de uma base de dados relacional.
Numa segunda fase incidir-se-á sobre a modelação dos dados usando metodologias de machine learning utilizando pacotes de software livre, baseados na linguagem R e que implementam as metodologias de aprendizagem automática nesta plataforma. Os modelos a implementar baseiam-se sobretudo em árvores de regressão e redes neuronais artificiais, que serão utilizados para análise de dados clínicos onde se inclui o processamento de imagem médica.
Pré-requisitos
Conteúdo
Conteúdos programáticos
Introdução às bases de dados relacionais. Desenho do modelo conceptual de uma base de dados utilizando o diagrama Entidade/Relacionamento. Construção do modelo lógico. Construção do modelo físico e implementação da base de dados, construção de formulários e consultas através do Microsoft Office Access. Introdução à linguagem R, métodos de aprendizagem automática em Inteligência Artificial, métodos de avaliação do desempenho dos algoritmos, introdução ao processamento de imagem com base em métodos de deep learning.
Organizados por sessão/aula, eventualmente integrados em Blocos de Matéria e respetiva calendarização, incluindo a língua de ensino e eventuais pré-requisitos.
Horário das aulas: (5ª feiras), a partir das 9h /10h, conforme quadro de distribuição das aulas
|
AULA |
DIAS |
CONTEÚDOS |
DOCENTE |
HORÁRIO |
|
|
2 |
01-03-2018 |
Descoberta do Conhecimento em Bases de Dados no âmbito da medicina. Knowledge Discovery in Databases - KDD e suas etapas: Seleção dos dados, pré-processamento, transformação, prospeção (Data Mining) e avaliação. |
Carlos Geraldes |
10h00-11h50 |
|
|
3 |
08-03-2018 |
Organização dos dados. Planeamento de uma Base de dados. O Modelo Concetual e o Diagrama E-R. |
Carlos Geraldes |
10h00-11h50 |
|
|
4 |
15-03-2018 |
Construção da Base de dados. O Modelo Lógico e Modelo Físico. Construção de Tabelas. |
Carlos Geraldes |
10h00-11h50 |
|
|
5 |
22-03-2018 |
Introdução de dados. Construção de Formulários. |
Carlos Geraldes |
10h00-11h50 |
|
|
FÉRIAS DA PÁSCOA (26 - 30 MARÇO) | |||||
|
6 |
05-04-2018 |
Consultas a base de dados. Extração de informação a partir da base de dados. |
Carlos Geraldes |
10h00-11h50 |
|
|
7 |
12-04-2018 |
Consultas a base de dados. Consultas à base de dados com funções agregadoras. |
Carlos Geraldes |
10h00-11h50 |
|
|
8 |
19-04-2018 |
Introdução à linguagem R. Instalação da plataforma R-Studio. Operações básicas com variáveis. Tipos de dados e instalação de pacotes. Exercícios. |
Carlos Geraldes |
10h00-11h50 |
|
|
9 |
26-04-2018 |
Leitura de dados e gráficos em R. Leitura de vários formatos de base de dados e ficheiros de texto. Operações com gráficos, boxplots e scatterplots. Análise exploratória de dados clínicos. Exercícios. |
Carlos Geraldes |
9h00-10h50 |
|
|
10 |
26-04-2018 |
Programação em R. Operadores relacionais. Comparação de vetores e matrizes. Condições. Ciclos. Funções. Exercícios. |
Carlos Geraldes |
11h00-12h50 |
|
|
11 |
10-05-2018 |
Introdução aos métodos de aprendizagem automática em Inteligência Artificial. Modelos preditivos: Métodos baseados na procura - Árvores de decisão. Métodos baseados na otimização - Redes Neuronais, Support Vector Machines. |
Carlos Geraldes |
9h00-10h30 |
|
|
12 |
10-05-2018 |
Árvores de decisão. Implementação do algoritmo e exercícios com dados clínicos. |
Carlos Geraldes |
11h00-12h50 |
|
|
13 |
17-05-2018 |
Redes Neuronais Artificiais. Evolução do conceito a partir do neurónio artificial baseado no modelo de McCulloch e Pitts. Funções de ativação. Métodos de aprendizagem supervisionada e não supervisionada. Redes neuronais do tipo feedforward e recorrentes. |
Carlos Geraldes |
9h00-10h30 |
|
|
14 |
Bibliografia de consulta/existência obrigatória Microsoft Access 2013, Mário Paulo Teixeira Pinto, ISBN 978-989-615-188-1, Out/2013, Editora Centro Atlântico; Machine Learning with R, Brett Lantz, ISBN 1782162143 9781782162148, 2013, Packt Publishing;
Método de ensino
Metodologias de ensino O ensino é maioritariamente prático através da realização de exercícios em MS-ACCESS e em R. A comunicação entre os alunos e professores é presencial e através de e-mail. As aulas deverão decorrer em sala com computadores (1 por cada aluno), com uma duração de 120 minutos. A avaliação da aprendizagem é contínua através do acompanhamento do progresso de conhecimentos e competências adquiridas pelo aluno, considerando a assistência e a participação ativa nas aulas. Esta avaliação será complementada com um projeto de grupo. A avaliação do ensino é efetuada por questionário de autopreenchimento anónimo e voluntário que recolhe a opinião dos alunos sobre os objetivos, conteúdos programáticos, sistema de avaliação, integração dos temas abordados no módulo, bem como qualidade e desempenho dos respetivos docentes. Método de avaliação
a) Formas de avaliação: A avaliação é contínua (sem exame final) e consistirá num projeto em grupo com o máximo de 3 elementos, em que um conjunto de dados deverá ser organizado numa base de dados para posteriormente serem modelados e analisados com recurso a metodologias de aprendizagem automática a serem implementadas em R. b) Critérios de avaliação A classificação final desta Unidade Curricular resultará da classificação obtida a partir do projeto. Regime supletivo não se aplica. c) Validade das avaliações práticas dos anos letivos anteriores Não aplicável. d) Procedimentos para revisão da prova: conforme Regulamento Pedagógico do MIM
Cursos | ||||