Fusão de Informação em Análise de Dados

Conhecimentos de Base Recomendados

Álgebra Linear, Probabilidades, Processamento de sinal, Matlab

Métodos de Ensino

O processo de ensino/aprendizagem observa uma abordagem de aprendizagem colaborativa, que se baseia na apresentação, análise e discussão e conceitos e técnicas em aulas teóricas e teórico-práticas.
Aulas teóricas (2 horas semana): Exposição dos conceitos, princípios e técnicas fundamentais no âmbito da fusão de informação. Exemplos que concretizem o interesse prático da matéria e exemplifiquem a sua aplicação a situações reais
Aulas práticas (2 horas semana): Propostas de problemas práticos relacionados com os assuntos leccionados na teórica, a sua análise e respectiva discussão e implementaçã

Resultados de Aprendizagem

A unidade curricular de Fusão de Informação pretende introduzir os conceitos fundamentais relativos à teoria, ao projecto e à implementação de fusão de dados/informação provenientes de várias fontes, em vários domínios. O curso abrange diversas metodologias capazes de combinar dados de várias fontes heterogéneas, de forma a permitir realizar inferências com aplicação em sistemas de suporte à decisão, diagnóstico clínico, detecção de falhas e outros. O conteúdo é multidisciplinar, incluindo tópicos como a análise de séries temporais, estimação de estados, estratificação, classificação e data mining.
Este curso permitirá que os alunos compreendam, identifiquem, seleccionem e implementem técnicas de fusão de informação adequadas aos problemas concretos a solucionar. Em particular, os alunos devem, após o curso, ter a capacidade de caracterizar as diferentes arquitecturas, métodos e algoritmos para a fusão de informação e de aplicá-los a situações práticas em domínios distintos.

Estágio(s)

Não

Programa

Introdução e conceitos
Definições, benefícios, problemas e aplicações
Tipos de fusão de dados, modelos de fusão, arquitecturas e níveis de fusão de dados

Módulos
1. Origem dos dados
Problemas nos dados: inconsistência, imperfeição, falta de dados, ruido, outliers.
Preparação de dados: alinhamento, transformações.

2. Algoritmos de fusão de dados
Ao nível dos dados: média ponderada, Kalman e Extended Kalman Filter, filtragem de partículas.
Ao nível das características – Métodos paramétricos e não-paramétricos: vizinho mais próximo, árvore de decisão, redes neurais, máquinas de vectores de suporte, modelos probabilísticos.
Ao nível de decisão: inferência clássica, inferência bayesiana, teoria de Dempster-Shafer, modelos de Markov Monte Carlo, lógica difusa.
Combinação de modelos: votação, adaboost, random florest.

3. Comparação e desempenho de sistemas de fusão
Precisão e dimensionalidade.

Aplicações
Aplicações biomédicas, detecção de falhas, visualização, segurança em redes

Docente(s) responsável(eis)

Jorge Manuel Oliveira Henriques

Métodos de Avaliação

Avaliação
Exame: 50.0%
Projecto: 50.0%

Bibliografia

Data Fusion: Methods, Applications and Research; V. Albert, E. Aba; 2017 Research Methodology and Data Analysis; ISBN: 978-1-53612-720-1.

Information Fusion and Analytics for Big Data and IoT; A. Bossae, B. Solaiman; 2016, Artech House; ISBN-13: 978-1630810870.

Concepts, Models, and Tools for Information Fusion; E. Bosse, J. Roy, S. Wark; 2007, Artech House, ISBN 1596930810 (ISBN13: 9781596930810)

Data Fusion: Concepts and Ideas; H.B. Mitchell; 2012 Springer; ISBN 978-3-642-27221-9; DOI DOI 10.1007/978-3-642-27222-6

Sensor and data fusion : a tool for information assessment and decision making; L. Klein; 2010 SPIE; ISBN 0-8194-5435-4.