Disciplina Curricular
Aprendizagem Automática em Bioengenharia AAB
Mestrado Bolonha em Engenharia Biomédica - MEBiom 2021
Contextos
Grupo: MEBiom 2021 > 2º Ciclo > Área Principal > Área de Especialização > Engenharia Clínica > Opções > Opções Tecnologias de Informação
Período:
Grupo: MEBiom 2021 > 2º Ciclo > Área Principal > Área de Especialização > Biomecânica e Dispositivos Biomédicos > Opções
Período:
Grupo: MEBiom 2021 > 2º Ciclo > Área Principal > Área de Especialização > Engenharia de Tecidos e Medicina Regenerativa > Opções
Período:
Grupo: MEBiom 2021 > 2º Ciclo > Área Principal > Área de Especialização > Imagiologia, Biossinais e Instrumentação Biomédica > Opções
Período:
Peso
6.0 (para cálculo da média)
Pré-requisitos
Sem pre-requisitos.
Objectivos
Tem-se como objectivos principais a formação em técnicas estado da arte de aprendizagem automática e exploração de dados e sua aplicação a problemas e dados da vida real. Exemplos de aplicação abordados: análise automática de dados de sensores; visão por computador; biomecânica; sistemas biológicos; bioinformática; monitorização de estados de saúde; estados emocionais, ... Ao completarem a disciplina, espera-se que os estudantes: 1) entendam os conceitos fundamentais e desafios das técnicas abordadas; 2) tenham uma visão clara da sua aplicabilidade e mais valia num vasto número de áreas transversais aos cursos de engenharia; 3) sejam capazes de resolver problemas da vida real em diversas áreas científicas e domínios de aplicação, com um conhecimento adequado do significado das técnicas/ferramentas usadas, quando e como aplicá-las, bem como desenvolver sentido crítico na avaliação e comparação das soluções exploradas.
Programa
1.Taxonomias de técnicas de aprendizagem. Aprendizagem automática e análise exploratória de dados. 2.Tipos de dados. Revisão de conceitos de probabilidade e teoria de informação. Medidas de (dis)similaridade e representação baseada em similaridade entre objectos. Aprendizagem de representação. 3.Métodos de aprendizagem supervisionada. Abordagens geométricas, probabilísticas e híbridas. Classificadores baseados em espaços de dissemelhança e métricas de ordem superior. Fusão de classificadores. 4.Medidas de avaliação do desempenho de classificadores. Técnicas de validação cruzada e de “bootrapping”. 5.A “maldição” de dimensionalidade e redução do espaço de características: seleção de características e transformações sobre o espaço de representação. 6.“Big data” e anotação de dados. Aprendizagem semi-supervisionada, activa e interactiva; transferência de aprendizagem. 7.Técnicas de aprendizagem não supervisionada e “clustering. “Clustering Ensembles” e fusão de informação.
Metodologia de avaliação
Exame (20%); projecto (40%); apresentação oral (20%); laboratórios (20%)
Componente de Competências Transversais
Ao longo do semestre cada grupo de alunos deverá realizar um projecto (distinto de grupo para grupo). Neste contexto, a unidade curricular incentiva e promove o desenvolvimento de uma diversidade de competências transversais, das quais se salienta: capacidade de inovação e pensamento criativo e crítico, baseado na resolução de problemas práticos da vida real, de carácter multi-disciplinar, no formato de projecto realizado como trabalho de grupo; pesquisa e análise crítica de fontes bibliográficas e abordagens existentes para dar resposta ao problema de trabalho proposto; capacidade de autonomia, auto-disciplina, planeamento e colaboração em trabalho de equipa; literacia e comunicação, nas vertentes de escrita, apresentações orais e discussão de trabalhos. Globalmente, as diversas componentes constituem cerca de 60% da avaliação realizada ao longo do semestre.
Componente Laboratorial
As 4 primeiras sessões laboratoriais aplicam alguns dos algoritmos abordados nas aulas teóricas. As restantes sessões laboratoriais são usadas no acompanhamento prático de trabalho associado aos projectos de grupo.
Componente de Programação e Computação
Alicerçada na realização de um projecto, esta unidade curricular possui uma componente relevante de programação, associada à implementação prática do projecto, bem como à componente laboratorial de implementação e avaliação de algoritmos de aprendizagem automática. Globalmente, as componentes de programação e computação contarão com cerca de 40% da nota final
Princípios Éticos
Todos os membros de um grupo são responsáveis pelo trabalho do grupo. Em qualquer avaliação, todo aluno deve divulgar honestamente qualquer ajuda recebida e fontes usadas. Numa avaliação oral, todo aluno deverá ser capaz de apresentar e responder a perguntas sobre toda a avaliação.