Inteligência Computacional em Biomedicina

Conhecimentos de Base Recomendados

Mestrado em Engenharia Biomédica, ou Mestrado em Engenharia Informática, ou equivalente; Conhecimentos de redes neuronais, lógica difusa e sistemas discretos.

Métodos de Ensino

Aulas teóricas (2h por semana) de exposição da matéria de cada módulo e de apresentação de trabalhos de investigação e mini-projetos elaborados pelos alunos (uma apresentação por cada módulo).

Recursos adotados

- slides das aulas teóricas

- notas sobre algumas partes do programa

- bibliografia diversa sobre os temas da cadeira

- artigo de revistas recentes

- software: ambiente Matlab, Simulink e Toolboxes.

Resultados de Aprendizagem

Estudar as teorias e cultivar as capacidade de desenvolver modelos computacionais em tempo real a partir de dados segundo os dois paradigmas: dados quantitativos (casos linear e não linear), dados qualitativos. Os parâmetros destes modelos são treinados em tempo real, de modo recursivo, usando redes neuronais e máquinas de vetores de suporte para o caso quantitativo e sistemas difusos para o caso qualitativo.

Competências genéricas em análise e síntese, comunicação escrita e oral, conhecimentos de informática relativos ao âmbito do estudo, resolução de problemas, raciocínio crítico, capacidade de decisão, aprendizagem autónoma, investigar, aplicação prática de conhecimentos teóricos, criatividade, autocrítica e auto-avaliação, preocupação com a qualidade.

Estágio(s)

Não

Programa

1. Modelos lineares recursivos a partir de dados: identificação recursiva de parâmetros em modelos ARX, ARMAX e outros.

2. Treino em tempo real de redes neuronais recorrentes e dinâmicas.

3. Aprendizagem recursiva de Máquinas de Vetores de Suporte (SVM).

4. Sistemas Difusos Evolutivos: construção e atualização de regras difusas em tempo real. Precisão, transparência e interpretabilidade.

Métodos de Avaliação

Avaliação
Projecto: 50.0%
Trabalho de síntese: 50.0%

Bibliografia

Systems Identification, theory for the user,  Leonard Ljung:, Prentice Hall; 2 edition (January 8, 1999)
Evolving Fuzzy Systems, Angelov P, D Filev, N Kasabov Eds., Evolving Intelligent Systems: Methodology and Applications, John Willey and Sons, 2008,
Evolving Fuzzy Systems - Methodologies, Advanced Concepts and Applications Series: Studies in Fuzziness and Soft Computing, Vol. 266  Lughofer, Edwin, Springer Verlag.
Evolving fuzzy systems for data streams: a survey, Rashmi Dutta Baruah, Plamen Angelov* Article first published online: 28 JUL 2011 DOI: 10.1002/widm.42 Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery Volume 1, Issue 6, pages 461–476, November/December 2011, John Wiley & Sons, Inc.
Bernhard Schölkopf and Alex Smola. Learning with Kernels. MIT Press, Cambridge, MA, 2002.Papers from international journals