Inteligência Artificial e Tecnologia na Medicina

Logística

• Disciplina: MRD00005 - Inteligência Artificial e Tecnologia na Medicina
• Turma: A1
• Data: sextas-feiras, 14h-18h
• Sala: 801 e Laboratório de Informática na Biblioteca
• Google Classroom:

Objetivo

Fornecer aos alunos uma compreensão dos conceitos fundamentais de aprendizado de máquina. Desenvolver habilidades práticas na aplicação de algoritmos de aprendizado de máquina em problemas reais, capacitando os discentes a analisar dados utilizando técnicas descritivas, e a construir, avaliar e otimizar modelos de aprendizado de máquina.

Ementa / Conteúdo Programático

Compreender os conceitos fundamentais do aprendizado de máquina e as suas aplicações supervisionadas e não supervisionadas. Desenvolvimento de habilidades na avaliação do desempenho de modelos de aprendizado de máquina. Conhecimentos básicos de programação em Python para implementação de algoritmos de aprendizado de máquina. Introdução às Redes Neurais. Introdução ao aprendizado profundo, Redes Neurais Convolucionais e Redes Neurais Recorrentes. Processamento de linguagem natural (NLP).

Planejamento

Aula	Data	Conteúdo	Referências	Professor(es)
1	05/04/2024	Conceitos fundamentais de aprendizado de máquina: Técnicas e aplicações de aprendizado de máquina supervisionado e não supervisionado. Avaliação de desempenho de modelos de aprendizado de máquina.		Cláudio Tinoco Flávio Seixas Érito Marques
2	12/04/2024	Introdução a programação em Python 1: Configuração da IDE. Estruturas básicas de programação: variáveis, laços, condicionais. Programação estruturada, funções, parâmetros e valores de retorno.		João Felipe
3	19/04/2024	Introdução a programação em Python 2: Resolução de problemas usando algoritmos.		João Felipe
4	26/04/2024	Modelos de classificação 1: Árvore de decisão.		Flávio Seixas
5	03/05/2024	Modelos de classificação 2: KNN		Érito Marques
6	10/05/2024	Aprendizado não supervisionado: K-Means		Taiane Ramos
7	17/05/2024	Projeto e implementação de fluxos de aprendizado de máquina. Definindo o problema. Explorando o conjunto de dados. Preparando os dados. Treinando os modelos. Avaliando o desempenho dos modelos. Validação cruzada. Matriz confusão. Medidas de desempenho.		Flávio Seixas
8	24/05/2024	Recuperação de imagens por conteúdo.		Marcos Bedo
9	31/05/2024	Feriado: Corpus Christi
10	07/06/2024	IIntrodução aos Modelos de Linguagem Neurais.		Aline Paes
11	14/06/2024	Modelos de classificação 3: SVM Modelos de regressão: Regressão linear.		Érito Marques
12	21/06/2024	Tópicos de inteligência artificial na medicina: Visão computacional (imagens 2D, 3D e vídeos) Desafios éticos e regulatórios associados ao uso de IA na medicina. Desafios técnicos associados ao uso de IA na medicina. Blockchain na medicina. Robótica na medicina. IA na indústria farmacêutica Desenvolvimento de novos medicamentos e realização de estudos clínicos. Aplicativos para dispositos móveis na medicina. Realidade virtual e realidade aumentada na medicina.		Érito Marques
13	28/06/2024	Apresentação do projeto de aplicação		Flávio Seixas

Bibliografia

• T. MITCHELL, MACHINE LEARNING. MCGRAW HILL, 1997.
• S. MARSLAND, MACHINE LEARNING – AN ALGORITHMIC APPROACH, CRC PRESS, 2009.
• S. RUSSELL E P. NORVIG, INTELIGÊNCIA ARTIFICIAL, EDITORA CAMPUS, 2004.
• I. WITTEN E E. FRANK, DATA MINING: PRACTICAL MACHINE LEARNING TOOLS AND TECHNIQUES, MORGAN KAUFMANN, 2005
• CASELI, HELENA DE MEDEIROS; NUNES, MARIA DAS GRAÇAS VOLPE. PROCESSAMENTO DE LINGUAGEM NATURAL: CONCEITOS, TÉCNICAS E APLICAÇÕES EM PORTUGUÊS. 2023.
• HAYKIN, SIMON. REDES NEURAIS: PRINCÍPIOS E PRÁTICA, 2A EDIÇÃO, 2007. PRENTICE HALL.
• GOODFELLOW, IAN; BENGIO, YOSHUA; COURVILLE, AARON. DEEP LEARNING, 2016. MIT PRESS.