Modelos Gráficos de Probabilidade
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Estatística |
Ocorrência: 2019/2020 - 2S (de 10-02-2020 a 31-07-2020)
Ciclos de Estudo/Cursos
Sigla |
Nº de Estudantes |
Plano de Estudos |
Anos Curriculares |
Créditos UCN |
Créditos ECTS |
Horas de Contacto |
Horas Totais |
MIM |
3 |
Plano de Estudos em vigor |
1 |
- |
3 |
27 |
81 |
Docência - Responsabilidades
Língua de trabalho
Português
Objetivos
Esta unidade curricular pretende dotar os alunos 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 factores 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.
- Compreender os principais objectivos da inferência Bayesiana para o apoio à decisão clínica.
- Descrever a teoria das redes Bayesianas, os seus objectivos e as principais características.
- Observar aplicações clínicas de redes Bayesianas em diferentes áreas e outcomes.
Modo de trabalho
Presencial
Programa
- Motivação e exemplos
- Probabilidade e aplicações médicas
- Modelos gráficos de probabilidade
- Introdução às redes Bayesianas
- Redes Bayesianas
- Semântica e factorização
- Fluxo de influência probabilística
- Independência condicional e Naive Bayes
- Independência causal
- Modelos temporais de redes Bayesianas
- Construção de redes Bayesianas a partir de dados
- Aprendizagem automática
- Estimação de parâmetros de redes Bayesianas
- Aprendizagem da estrutura de redes Bayesianas
- Aprendizagem com dados incompletos
Bibliografia Obrigatória
Darwiche, A. ; Modeling and Reasoning with Bayesian Networks, Cambridge University Press, 2009
Darwiche, A. ; Bayesian networks, Communications of the ACM, 53(12), 80–90, 2010
Lucas, P. J. F., van der Gaag, L. C., & Abu-Hanna, A. ; Bayesian networks in biomedicine and health-care, Artificial Intelligence in Medicine, 30(3), 201–14., 2004
Lucas, P. ; Bayesian analysis, pattern analysis, and data mining in health care, Current Opinion in Critical Care, 10(5), 399–403., 2004
Koller, D., & Friedman, N. ; Probabilistic Graphical Models - Principles and Techniques, MIT Press., 2009
Cowell, R. G., Dawid, P., Lauritzen, S. L., & Spiegelhalter, D. J. ; Probabilistic Networks and Expert Systems: Exact Computational Methods for Bayesian Networks, Springer, 2007
Métodos de ensino e atividades de aprendizagem
Aulas teórico-práticas (9 horas) com apresentação e discussão de temas, exercícios em grupo e individuais, com utilização de software específico para desenvolvimento de competências.
Tipo de avaliação
Avaliação distribuída com exame final
Componentes de Avaliação
Designação |
Peso (%) |
Exame |
20,00 |
Trabalho laboratorial |
80,00 |
Total: |
100,00 |
Componentes de Ocupação
Designação |
Tempo (Horas) |
Apresentação/discussão de um trabalho científico |
13,00 |
Estudo autónomo |
29,00 |
Frequência das aulas |
14,00 |
Trabalho laboratorial |
25,00 |
Total: |
81,00 |
Obtenção de frequência
Frequência de 75% das ulas
Fórmula de cálculo da classificação final
Avaliação por trabalho prático (80%) e exame final (20%).