Disciplina Curricular
Aprendizagem Automática em Bioengenharia AAB
Mestrado Integrado em Engenharia Biomédica - MEBiom 2006
Contextos
Grupo: MEBiom 2006 > 2º Ciclo > Perfis > Imagiologia, Biossinais e Instrumentação Biomédica > Opções > Opção Restrita
Período:
Peso
6.0 (para cálculo da média)
Objectivos
Esta unidade curricular tem como objectivos principais a formação em técnicas estado da arte de aprendizagem automática e exploração de dados, bem como a sua aplicação transversal a problemas e dados da vida real. Exemplos de aplicação abordados na disciplina incluem a análise automática de dados de sensores, internet, visão por computador, biomecânica, sistemas biológicos, bioinformática, monitorização de estados de saúde, predição e prevenção de patologias. 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 e em particular às diversas áreas científicas do Departamento de Bioengenharia; 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
Introdução. Exemplos de motivação: análise de dados de expressão genética; BCI; diagnóstico; biometria, ... Conceitos básicos. Aprendizagem supervisionada, semi- supervisionada e não supervisionada. Taxonomia de técnicas. Representação de dados. Tipos de dados. Dados estáticos e dinâmicos. Séries temporais e fluxos de dados. Revisão de conceitos de probabilidade e teoria de informação. Medidas de (dis)similaridade. Representação baseada em similaridade entre objectos. Aprendizagem supervisionada. Classificadores de classe única e multi-classe. Abordagens geométricas, probabilísticas e híbridas. Classificadores Bayesianos e análise discriminante. K-vizinhos mais próximos e SVMs. Classificadores baseados em espaços de dissemelhança. Métodos de fusão de classificadores. Aprendizagem de representação: evolução de características definidas a priori no desenho do classificador para aprendizagem de representação com base em técnicas de “Deep Learning”. Avaliação do desempenho de classificadores: medidas de desempenho e técnicas de estimação das mesmas. Técnicas de validação cruzada e “boostrapping”. A “maldição” de dimensionalidade e redução do espaço de características. Técnicas de seleção de características. Redução de dimensionalidade baseada em transformações sobre o espaço de representação. O método PCA. Abordagens de redução de dimensionalidade baseadas em teoria da informação e auto-encoders. “Big data” e anotação de dados. Aprendizagem semi-supervisionada, activa e interactiva; transferência de aprendizagem. Técnicas de aprendizagem não supervisionada. Conceitos básicos e algoritmos. Algoritmo das K-médias; métodos hierárquicos. Clustering baseada em espaços de dissimilaridade. “Clustering Ensembles” e fusão de informação. Seminários associados a projectos.
Metodologia de avaliação
Exame (30%); projecto (40%); apresentação oral (10%); laboratórios (20%)