Disciplina Data Science em Biomedicina

Data Science em Biomedicina é uma unidade curricular que permitirá ganhar as competências necessárias para a análise de dados, estatística e aprendizado de máquina para interpretar grandes volumes de informações biomédicas. Essa área permite identificar padrões, auxiliar no diagnóstico, personalizar tratamentos e impulsionar pesquisas em saúde, contribuindo para avanços na medicina de precisão e na melhoria do cuidado ao paciente.

Não aplicável

Introdução à Data Science em Biomedicina Tópicos em Matemática orientada a Data Science Data Munging. Pontuações e Rankings. Análise Estatística Visualização de Dados Modelos Matemáticos em Data Science Álgebra Linear Métodos de Distância e Redes Machine Learning Big Data

Nas aulas teóricas são apresentados os conteúdos do programa, com recurso a apresentações e simulações, estimulando a discussão entre os alunos e docente. Nas aulas teórico-práticas, os alunos resolvem exercícios com transição progressiva de complexidade. A avaliação pode ser contínua ou não contínua. A avaliação contínua compreende prova escrita (componente teórica, CT) e entrega de dois exercícios resolvidos durante o semestre (componente teórico-prática, CTP). A CT consiste na realização de duas frequências ou de um exame. A CTP consiste na entrega de dois exercícios resolvidos via Moodle, não havendo nota mínima. A nota final à Unidade Curricular, resulta do cálculo: Nota Final = 50% CT + 50% CTP, onde CT e CTP são respetivamente as médias das provas prestadas no âmbito de cada componente. Alternativamente, o aluno pode no início do semestre selecionar o modo de avaliação não contínua. Assim, o aluno é submetido a exame, tendo este que ter nota mínima de 9.5 para aprovação.

Trevor Hastie, Robert Tibshirani, Jerome Friedman (2009) The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd edition. Springer (ISBN-13: 978-0387848570). Laura Igual, Santi Segui (2017) Introduction to Data Science: A Python Approach to Concepts, Techniques, and Applications. 1st edition. Springer (ISBN-13: 978-3319500164). Andrew McMahon. Machine Learning Engineering with Python - Second Edition: Manage the lifecycle of machine learning models using MLOps with practical examples 2nd ed. (2021). Steven Skiena. (2017) The Data Science Design Manual. 1st edition. Springer (ISBN-13: 9783319554433). Marc Deisenroth, Aldo Faisal, Cheng Ong (2020) Mathematics For Machine Learning. 1st edition. Cambridge University Press (ISBN-13: 978-1108470049). Myra Samuels, Jeffrey Witmer, Andrew Schaffner (2012) Statistics For The Life Sciences. 4th edition. Prentice Hall (ISBN-13: 978-0321652805).