Modelos Gráficos de Probabilidade

Código:

IM2014_13

Sigla:

MGP

Áreas Científicas
Classificação	Área Científica
OFICIAL	Estatística

Ocorrência: 2019/2020 - 2S (de 10-02-2020 a 31-07-2020)

Ativa?	Sim
Unidade Responsável:	Departamento de Medicina da Comunidade, Informação e Decisão em Saúde
Curso/CE Responsável:	Mestrado em Informática Médica

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

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

• Introdução

• 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%).