Modelos Gráficos de Probabilidade
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Medicina |
Ocorrência: 2017/2018 - 1S
Ciclos de Estudo/Cursos
Língua de trabalho
Português - Suitable for English-speaking students
Objetivos
Esta unidade curricular pretende dotar os estudantes dos conhecimentos e competências que lhes permitam utilizar métodos modernos de resolução probabilística de problemas biomédicos, sendo mais especificamente focadas a teoria e a prática de construção de Redes Bayesianas para exploração de associações entre fatores relevantes e outcomes, e a sua aplicação no apoio à decisão clínica.
Resultados de aprendizagem e competências
- Identificar diferentes tipos de incerteza inerentes à prática clínica.
- Explorar os principais objetivos da inferência Bayesiana para o apoio à decisão clínica.
- Descrever a teoria das redes Bayesianas, os seus objetivos e as principais características.
- Observar aplicações clínicas de redes Bayesianas em diferentes áreas e outcomes.
Modo de trabalho
Presencial
Programa
- Introdução:
1.1 Motivação e exemplos;
1.2 Probabilidade e aplicações médicas;
1.3 Modelos gráficos de probabilidade;
1.4 Introdução às redes Bayesianas.
- Redes Bayesianas:
2.1 Semântica e factorização;
2.2 Fluxo de influência probabilística;
2.3 Independência condicional e Naive Bayes;
2.4 Independência causal.
- Redes Bayesianas na investigação e apoio à decisão clínicas:
3.1 Diagnóstico;
3.2 Prognóstico;
3.3 Etiologia e risco.
- Construção de redes Bayesianas a partir de dados:
4.1 Aprendizagem automática;
4.2 Estimação de parâmetros de redes Bayesianas;
4.3 Aprendizagem da estrutura de redes Bayesianas;
4.4 Aprendizagem com dados incompletos.
Bibliografia Obrigatória
Darwiche, A.; Modeling and Reasoning with Bayesian Networks, Cambridge University Press, 2009
Cowell, R.G., Dawid, P., Lauritzen, S.L., Spiegelhalter, D.J.; Probabilistic Networks and Expert Systems, Springer Verlag, 1999
ucas, P. J. F., van der Gaag, L. C., & Abu-Hanna, A.; Bayesian networks in biomedicine and health-care , Artificial intelligence in medicine, 2004 (2004; 30(3), 201–14)
Darwiche, A.; Bayesian networks, Communications of the ACM, 2010 (53(12), 80–90)
Sierra, B., & Larranaga, P.; Medical Bayes Networks In International Symposium on Medical Data Analysis, Springer Verlag, 2000 (pp. 4–14)
Métodos de ensino e atividades de aprendizagem
Aulas teóricas (6 horas) e teórico-práticas (9 horas) com apresentação e discussão de temas, exercícios em grupo e individuais, com utilização de software específico para desenvolvimento de competências. Avaliação por trabalho e exame final.
Software
R
SamIam
Palavras Chave
Ciências Físicas > Matemática > Estatística
Ciências Físicas > Matemática > Teoria das probabilidades
Ciências Físicas > Matemática > Estatística > Estatística médica
Tipo de avaliação
Avaliação distribuída com exame final
Componentes de Avaliação
Designação |
Peso (%) |
Exame |
40,00 |
Trabalho escrito |
60,00 |
Total: |
100,00 |
Fórmula de cálculo da classificação final
Avaliação por trabalho (60%) e exame final (40%).