Conhecimentos de Base Recomendados
Não são necessários conhecimentos específicos.
Métodos de Ensino
Nas aulas será utilizado o método expositivo, com demonstração e discussão. Alguns dos problemas a abordar irão permitir a utilização de ferramentas computacionais como a linguagem Python, R ou folha de cálculo.
Resultados de Aprendizagem
Compreender os processos de gestão e governança dos dados em saúde
Compreender metodologias e processos de análise de dados
Compreender os diferentes tipos de dados, caraterísticas e ferramentas
Compreender os principais métodos de análise de dados, vantagens, limitações e riscos
Programa
1. Governação de dados. RGPD.
2. Profissões na gestão e análise de dados.
3. Processo de análise de dados e metodologia CRISP-DM.
4. Dados em saúde – imagens, códigos genéticos, dados administrativos e ferramentas de análise.
5. Análise e codificação de texto clínico.
6. Análise de imagem.
7. Análise e modelos de predição em séries temporais.
Docente(s) responsável(eis)
Mateus Daniel Almeida MendesMétodos de Avaliação
A avaliação consistirá em um ou mais trabalhos de investigação, que devem ser realizados de acordo com o interesse dos alunos, no âmbito das temáticas abordadas na unidade curricular. Os trabalhos estão sujeitos a apresentação e defesa obrigatórias.
Estágio(s)
NAO
Bibliografia
Sharona Hoffman (2016) Electronic Health Records and Medical Big Data: Law and Policy, Cambridge University Press.
John D. Kelleher and Brendan Tierney (2018) Data Science (The MIT Press Essential Knowledge series), MIT Press, ISBN-13: 978-0262535434.
John Kelleher, Brian Mac Namee, and Aoife D’Arcy (2015); Fundamentals of Machine Learning for Predictive Data Analytics; The MIT Press, ISBN: 9780262044691.
Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, Jonathan Taylor (2023) An Introduction to Statistical Learning with Applications in Python, Springer, ISBN 9783031387463.
Rob J Hyndman, George Athanasopoulos (2021) Forecasting: Principles and Practice, OTexts, ISBN: 9780987507136.