Deteção de padrões em dados biomédicos

Conhecimentos de Base Recomendados

Conhecimentos básicos de programação

Métodos de Ensino

Expositivo, dialéctico e resolução de problemas práticos.

Resultados de Aprendizagem

Nesta unidade curricular pretende-se aplicar técnicas de Data Science à análise de dados biomédicos. Os objectivos são:

* Adoptar os melhores princípios da investigação reprodutível, tanto ao nível da análise quanto da comunicação de resultados

*Apreender técnicas de limpeza de dados: compreender a diferença entre dados em bruto e dados para análise estatística e conseguir obter os segundos dos primeiros

*Adquirir a capacidade de construir e avaliar modelos explicativos e predictivos de dados biomédicos

* Utilizar ferramentas informáticas apropriadas

* Avaliar criticamente os resultados de trabalhos publicados na literatura especializada

Estágio(s)

Não

Programa

* Obtenção e limpeza de dados biomédicos ou clínicos

* Princípios de investigação reprodutível

* Análise exploratória de dados: técnicas de normalização de variáveis quantitativas e dicotomização de variáveis qualitativas. Detecção e estratégias para lidar com outliers. Análise gráfica univariada e multivariada; técnicas de apresentação da informação de de variáveis, análise de clusters e técnicas de redução de variáveis

* Predicção estatística, métodos de classificação e regressão

* Métodos estatísticos de classificação supervisionada. Estratégias de ensemble de classificadores.

Docente(s) responsável(eis)

Francisco José Santiago Fernandes Amado Caramelo

Métodos de Avaliação

Avaliação
Projecto: 100.0%

Bibliografia

Análise Estatística, com utilização do SPSS; João Maroco, Edições Silabo;

Fundamentals of Biostatistics, Bernard Rosner, Thomson Brooks/Cole, 2006

Bioestatística, Epidemiologia e Investigação, A. Gouveia de Oliveira, Lidel

Métodos Quantitativos em Medicina, Massad, Menezes, Silveira & Ortega ed. Manole, 2004

Pattern Classification; Richard Duda, Peter Hart, David Stork; John Wiley & Sons, Inc

An Introduction of Support Vector Machines; Nello Christianini, John Shawe-Taylor; Cambridge University Press