2024
Big Data em Ciências e Tecnologias de Saúde
Nome: Big Data em Ciências e Tecnologias de Saúde
Cód.: ENF13716D
6 ECTS
Duração: 15 semanas/156 horas
Área Científica:
Informática
Língua(s) de lecionação: Português
Língua(s) de apoio tutorial: Português
Apresentação
O UC possibilita, a análise dos conceitos e das metodologias associadas à área de big data e a sua aplicação ao domínio da saúde, através das principais abordagens e as ferramentas computacionais representativas do estado da arte.
Objetivos de Desenvolvimento Sustentável
Objetivos de Aprendizagem
Esta unidade curricular tem como objetivo a análise dos conceitos e das metodologias associadas à área de big data e a sua aplicação ao domínio da saúde.
Para além de uma abordagem teórica, serão apresentadas, discutidas e avaliadas as principais abordagens e as ferramentas computacionais representativas do estado da arte. Em concreto, serão abordados os problemas associados com a recolha, transformação, análise, visualização e interpretação de grande volume de dados na área da saúde, sendo realizados diversos estudos de caso.
No final desta unidade curricular os estudantes terão:
- conhecimento sobre os conceitos e metodologias de big data;
- capacidade de aplicar as principais metodologias, tendo noção das suas potencialidades e limitações;
- capacidade de definir estratégias de big data na área da saúde.
Para além de uma abordagem teórica, serão apresentadas, discutidas e avaliadas as principais abordagens e as ferramentas computacionais representativas do estado da arte. Em concreto, serão abordados os problemas associados com a recolha, transformação, análise, visualização e interpretação de grande volume de dados na área da saúde, sendo realizados diversos estudos de caso.
No final desta unidade curricular os estudantes terão:
- conhecimento sobre os conceitos e metodologias de big data;
- capacidade de aplicar as principais metodologias, tendo noção das suas potencialidades e limitações;
- capacidade de definir estratégias de big data na área da saúde.
Conteúdos Programáticos
- Big Data: fundamentos e conceitos base;
- Big data na área da saúde: dados heterogéneos e semi-estruturados (registos médicos, exames, IoT); questões éticas e legais;
- Principais processos em big data analysis: recolha, limpeza, transformação, análise, visualização, interpretação;
- Abordagens de aprendizagem automática para classificação, agrupamento/clustering e identificação de correlações nos dados.
- Construção de modelos explicativos e preditivos.
- Soluções na cloud e frameworks para big data analysis
- Estudos de caso: análise e implementação de soluções.
- Big data na área da saúde: dados heterogéneos e semi-estruturados (registos médicos, exames, IoT); questões éticas e legais;
- Principais processos em big data analysis: recolha, limpeza, transformação, análise, visualização, interpretação;
- Abordagens de aprendizagem automática para classificação, agrupamento/clustering e identificação de correlações nos dados.
- Construção de modelos explicativos e preditivos.
- Soluções na cloud e frameworks para big data analysis
- Estudos de caso: análise e implementação de soluções.
Métodos de Ensino
Como metodologia de ensino será efetuada uma abordagem mista com apresentações teóricas dos conceitos complementadas por aplicações concretas desenvolvidas individualmente pelos alunos.
A avaliação será realizada através da resolução de estudos de caso, incluindo a sua apresentação e discussão perante o docente.
A avaliação será realizada através da resolução de estudos de caso, incluindo a sua apresentação e discussão perante o docente.
Bibliografia
- Ghavam, Peter (2019) Big Data Analytics Methods: Analytics Techniques in Data Mining, Deep Learning and Natural Language Processing, Boston: deGruyter
- Strome, Trevor (2013) Healthcare Analytics for Quality and Performance Improvement. New Jersey: John Wiley & Sons, Inc. DOI:10.1002/9781118761946
- Takejuji, Yoshiyasu (2019) Open Source Machine Learning in Medicine.
- Zumel, N., Mount, J.,(2014). Practical Data Science. 2nd ed. Manning. (https://www.manning.com/books/practical-data-science-with-r-second-edition)
- Strome, Trevor (2013) Healthcare Analytics for Quality and Performance Improvement. New Jersey: John Wiley & Sons, Inc. DOI:10.1002/9781118761946
- Takejuji, Yoshiyasu (2019) Open Source Machine Learning in Medicine.
- Zumel, N., Mount, J.,(2014). Practical Data Science. 2nd ed. Manning. (https://www.manning.com/books/practical-data-science-with-r-second-edition)