A capacidade da IA de integrar dados de várias fontes, bem como de prever resultados, contribui para uma medicina mais precisa e personalizada”

Através da aplicação da Inteligência Artificial (IA) na Investigação Clínica, é possível simplificar o processo de análise de grandes conjuntos de dados médicos, permitindo aos investigadores identificar padrões, correlações e tendências de forma mais eficiente. Para além disso, a IA contribui para a personalização da medicina, ao adaptar os tratamentos às caraterísticas individuais de cada paciente. De facto, as novas tecnologias não só otimizam os processos, como também apresentam novas perspetivas para enfrentar os desafios médicos e melhorar a qualidade da assistência.

Por esta razão, a TECHcriou este Masterem que a IA e a biomedicina se fundem, proporcionando aos profissionais um conhecimento profundo e prático das aplicações específicas desta tecnologia no domínio da Investigação Clínica. Por esta razão, a TECHcriou este Master em que a IA e a biomedicina se fundem, proporcionando aos profissionais um conhecimento profundo e prático das aplicações específicas desta tecnologia no domínio da Investigação Clínica. Adicionalmente, será abordada a questão da ética, da regulamentação e das considerações legais na utilização da IA no contexto clínico.

A certificação também integra tecnologias revolucionárias, como a sequenciação genómica e a análise de imagens biomédicas, abordando questões emergentes como a sustentabilidade na investigação biomédica e a gestão de grandes volumes de dados. Neste contexto, os alunos serão dotados das aptidões necessárias para liderar na interseção da IA e da Investigação Clínica.

A TECHconcebeu um Master abrangente, baseado na inovadora metodologia Relearning , com o objetivo de qualificar especialistas em IA altamente competentes. Esta modalidade de aprendizagem centra-se na reiteração de conceitos-chave para consolidar uma compreensão ideal. Para aceder aos conteúdos a qualquer momento, basta um dispositivo eletrónico ligado à Internet, eliminando a necessidade presencial ou o cumprimento de horários fixos.

Este Master em Inteligência Artificial na Investigação Clínica é altamente relevante no panorama atual da saúde e da tecnologia”

Este Master emInteligência Artificial na Investigação Clínica conta com o conteúdo científico mais completo e atualizado do mercado. As suas principais caraterísticas são:

• O desenvolvimento de casos práticos apresentados por especialistas em Inteligência Artificial na Investigação Clínica
• Os conteúdos gráficos, esquemáticos e eminentemente práticos com os quais foi concebido fornecem informação científica e prática sobre as disciplinas que são essenciais para a prática profissional
• Exercícios práticos onde o processo de autoavaliação pode ser levado a cabo a fim de melhorar a aprendizagem
• A sua ênfase especial em metodologias inovadoras
• Lições teóricas, perguntas ao especialista, fóruns de discussão sobre questões controversas e atividades de reflexão individual
• A disponibilidade de acesso ao conteúdo a partir de qualquer dispositivo fixo ou portátil com ligação à Internet

IIrá investigar as últimas tecnologias e as aplicações mais inovadoras da Inteligência Artificial na Investigação Clínica, através dos melhores recursos multimédia"

O corpo docente do curso é composto por profissionais do setor que trazem para esta capacitação a experiência do seu trabalho, bem como especialistas reconhecidos de empresas de referência e de universidades de prestígio.

O seu conteúdo multimédia, desenvolvido com a mais recente tecnologia educativa, permitirá ao profissional uma aprendizagem situada e contextual, ou seja, um ambiente simulado que proporcionará uma preparação imersiva programada para praticar em situações reais.

A conceção deste Master baseia-se na Aprendizagem Baseada em Problemas, através da qual o profissional deverá tentar resolver as diferentes situações da atividade profissional que surgem ao longo do percurso académico. Para tal, contará com a ajuda de um sistema inovador de vídeo interativo desenvolvido por especialistas reconhecidos.

Graças a este programa 100% online, analisará de forma exaustiva os princípios essenciais da aprendizagem automática e a sua aplicação na análise de dados clínicos e biomédicos"

PIrá aprofundar a aplicação das técnicas do Big Data e da aprendizagem automática na Investigação Clínica. Inscreva-se já"

Este Master foi meticulosamente concebido para fundir o rigor científico da Investigação Clínica com as inovações disruptivas da Inteligência Artificial. 
A sua estrutura baseia-se em módulos especializados, desde a interpretação de dados médicos ao desenvolvimento de algoritmos preditivos e à implementação de soluções tecnológicas em contextos clínicos. Os conteúdos são uma amálgama de teoria e prática, abrangendo os fundamentos da IA e a sua aplicação específica no domínio médico. Assim, os alunos estarão aptos para liderar os avanços na personalização dos tratamentos e na otimização dos cuidados de saúde.

Beneficie de um plano de estudos realizado por especialistas e com conteúdos da mais alta qualidade. Atualize a sua práxis clínica com a TECH!”

Módulo 1. Fundamentos da Inteligência Artificial

1.1. História da Inteligência Artificial

1.1.1. Quando é que começámos a falar de Inteligência Artificial?
1.1.2. Referências no cinema
1.1.3. Importância da inteligência artificial
1.1.4. Tecnologias que permitem e apoiam a  Inteligência Artificial

1.2. Inteligência Artificial em jogos

1.2.1. Teoria dos jogos
1.2.2. Minimax e poda Alfa-Beta
1.2.3. Simulação: Monte Carlo

1.3. Redes neuronais

1.3.1. Fundamentos teológicos
1.3.2. Modelo computacional
1.3.3. Redes neuronais supervisionadas e não supervisionadas
1.3.4. Perceptron simples
1.3.5. Perceptron multicamadas

1.4. Algoritmos genéticos

1.4.1. História
1.4.2. Base biológica
1.4.3. Codificação de problemas
1.4.4. Criação da população inicial
1.4.5. Algoritmo principal e operadores genéticos
1.4.6. Avaliação dos indivíduos: Fitness

1.5. Tesauros, vocabulários, taxonomias

1.5.1. Vocabulários
1.5.2. Taxonomias
1.5.3. Tesauros
1.5.4. Ontologias
1.5.5. Representação do conhecimento: Web semântica

1.6. Web semântica

1.6.1. Especificações: RDF, RDFS e OWL
1.6.2. Inferência/razoabilidade
1.6.3. Linked Data

1.7. Sistemas periciais e DSS

1.7.1. Sistemas periciais
1.7.2. Sistema de apoio à decisão

1.8. Chatbots e agentes virtuais

1.8.1. Tipos de agentes: Agentes por voz e por texto
1.8.2. Partes fundamentais para o desenvolvimento de um agente: Intents, entidades e fluxo de diálogo
1.8.3. Integração: Web, Slack, Whatsapp, Facebook
1.8.4. Ferramentas para o desenvolvimento dos agentes: Dialog Flow, Watson Assistant

1.9. Estratégia e implantação de IA
1.10. Futuro da inteligência artificial

1.10.1. Compreendemos como detetar as emoções através de algoritmos
1.10.2. Criação de uma personalidade: Linguagem, expressões e conteúdo
1.10.3. Tendências da Inteligência Artificial
1.10.4. Reflexão

Módulo 2. Tipos e ciclo de vida do dado

2.1. A estatística

2.1.1. Estatística: Estatística descritiva, inferências estatísticas
2.1.2. População, mostra indivíduo
2.1.3. Variáveis Definição, escalas de medida

2.2. Tipos de dados estatísticos

2.2.1. De acordo com o tipo

2.2.1.1. Quantitativos: Dados contínuos e dados discretos
2.2.1.2. Qualitativos: Dados binomiais, dados nominais, dados ordinais

2.2.2. De acordo com a sua forma

2.2.2.1. Numérico
2.2.2.2. Texto
2.2.2.3. Lógico

2.2.3. De acordo com a sua fonte

2.2.3.1. Primários
2.2.3.2. Secundários

2.3. Ciclo de vida dos dados

2.3.1. Etapas do ciclo
2.3.2. Marcos do ciclo
2.3.3. Princípios FAIR

2.4. Etapas iniciais do ciclo

2.4.1. Definição de metas
2.4.2. Determinação de recursos necessários
2.4.3. Diagrama de Gantt
2.4.4. Estrutura de dados

2.5. Recolha de dados

2.5.1. Metodologia de recolha
2.5.2. Ferramentas de recolha
2.5.3. Canais de recolha

2.6. Limpeza de dados

2.6.1. Fases de limpeza de dados
2.6.2. Qualidade dos dados
2.6.3. Manipulação de dados (com R)

2.7. Análise de dados, interpretação e avaliação dos resultados

2.7.1. Medidas estatísticas
2.7.2. Indicadores de relação
2.7.3. Mineração de dados

2.8. Armazém de dados (Datawarehouse)

2.8.1. Elementos incluídos
2.8.2. Design
2.8.3. Aspetos a considerar

2.9. Disponibilidade dos dados

2.9.1. Acesso
2.9.2. Utilidade
2.9.3. Segurança

2.10. Aspetos regulamentares

2.10.1. Lei da Proteção de Dados
2.10.2. Boas práticas
2.10.3. Outros aspetos regulamentares

Módulo 3. O dado na Inteligência Artificial

3.1. Ciência de dados

3.1.1. A ciência de dados
3.1.2. Ferramentas avançadas para o cientista de dados

3.2. Dados, informação e conhecimento

3.2.1. Dados, informação e conhecimento
3.2.2. Tipos de dados
3.2.3. Fontes de dados

3.3. Dos dados à informação

3.3.1. Análise de Dados
3.3.2. Tipos de análise
3.3.3. Extração de informação de um Dataset

3.4. Extração de informação através da visualização

3.4.1. A visualização como ferramenta de análise
3.4.2. Métodos de visualização
3.4.3. Visualização de um conjunto de dados

3.5. Qualidade dos dados

3.5.1. Dados de qualidade
3.5.2. Limpeza de dados
3.5.3. Pré-processamento básico de dados

3.6. Dataset

3.6.1. Enriquecimento do Dataset
3.6.2. A maldição da dimensionalidade
3.6.3. Modificação do nosso conjunto de dados

3.7. Desequilíbrio

3.7.1. Desequilíbrio de classes
3.7.2. Técnicas de mitigação do desiquilíbrio
3.7.3. Equilíbrio de um Dataset

3.8. Modelos sem supervisão

3.8.1. Modelo não supervisionado
3.8.2. Métodos
3.8.3. Classificação com modelos não supervisionados

3.9. Modelos supervisionados

3.9.1. Modelo supervisionado
3.9.2. Métodos
3.9.3. Classificação com modelos supervisionados

3.10. Ferramentas e boas práticas

3.10.1. Boas práticas para um cientista de dados
3.10.2. O melhor modelo
3.10.3. Ferramentas úteis

Módulo 4. Exploração de dados. Seleção, pré-processamento e transformação

4.1. A Inferência estatística

4.1.1. Estatística descritiva vs Inferência estatística
4.1.2. Procedimentos paramétricos
4.1.3. Procedimentos não paramétricos

4.2. Análise exploratória

4.2.1. Análise descritiva
4.2.2. Visualização
4.2.3. Preparação de dados

4.3. Preparação de dados

4.3.1. Integração e limpeza de dados
4.3.2. Normalização de dados
4.3.3. Transformando atributos

4.4. Os valores perdidos

4.4.1. Tratamento de valores perdidos
4.4.2. Métodos de imputação de máxima verosimilhança
4.4.3. Imputação de valores perdidos utilizando a aprendizagem automática

4.5. O ruído dos dados

4.5.1. Classes de ruído e atributos
4.5.2. Filtragem de ruído
4.5.3. O efeito do ruído

4.6. A maldição da dimensionalidade

4.6.1. Oversampling
4.6.2. Undersampling
4.6.3. Redução de dados multidimensionais

4.7. De atributos contínuos a discretos

4.7.1. Dados contínuos versus dados discretos
4.7.2. Processo de discretização

4.8. Os dados

4.8.1. Seleção de dados
4.8.2. Perspetivas e critérios de seleção
4.8.3. Métodos de seleção

4.9. Seleção de instâncias

4.9.1. Métodos para a seleção de instâncias
4.9.2. Seleção de protótipos
4.9.3. Métodos avançados para a seleção de instâncias

4.10. Pré-processamento de dados em ambientes Big Data

Módulo 5. Algoritmo e complexidade na Inteligência Artificial

5.1. Introdução às estratégias de design de algoritmos

5.1.1. Recursividade
5.1.2. Divide e conquista
5.1.3. Outras estratégias

5.2. Eficiência e análise dos algoritmos

5.2.1. Medidas de eficiência
5.2.2. Medir o tamanho da entrada
5.2.3. Medir o tempo de execução
5.2.4. Caso pior, melhor e médio
5.2.5. Notação assintótica
5.2.6. Critérios de análise matemática de algoritmos não recursivos
5.2.7. Análise matemática de algoritmos recursivos
5.2.8. Análise empírica de algoritmos

5.3. Algoritmos de ordenação

5.3.1. Conceito de ordenação
5.3.2. Ordenação da bolha
5.3.3. Ordenação por seleção
5.3.4. Ordenação por inserção
5.3.5. Ordenação por mistura (Merge_Sort)
5.3.6. Ordenação rápida (Quick_sort)

5.4. Algoritmos com árvores

5.4.1. Conceito de árvore
5.4.2. Árvores binárias
5.4.3. Caminhos de árvore
5.4.4. Representar expressões
5.4.5. Árvores binárias ordenadas
5.4.6. Árvores binárias equilibradas

5.5. Algoritmos com Heaps

5.5.1. Os Heaps
5.5.2. O algoritmo Heapsort
5.5.3. As filas de prioridade

5.6. Algoritmos com grafos

5.6.1. Representação
5.6.2. Busca em amplitude
5.6.3. Busca em profundidade
5.6.4. Ordenação topológica

5.7. Algoritmos Greedy

5.7.1. A estratégia Greedy
5.7.2. Elementos da estratégia Greedy
5.7.3. Câmbio de moedas
5.7.4. Problema do viajante
5.7.5. Problema da mochila

5.8. Pesquisa de caminhos mínimos

5.8.1. O problema do caminho mínimo
5.8.2. Arcos negativos e ciclos
5.8.3. Algoritmo de Dijkstra

5.9. Algoritmos Greedy sobre grafos

5.9.1. A árvore de extensão mínima
5.9.2. O algoritmo de Prim
5.9.3. O algoritmo de Kruskal
5.9.4. Análise de complexidade

5.10. Backtracking

5.10.1. O Backtracking
5.10.2. Técnicas alternativas

Módulo 6. Sistemas inteligentes

6.1. Teoria dos agentes

6.1.1. História do conceito
6.1.2. Definição de agente
6.1.3. Agentes na Inteligência Artificial
6.1.4. Agentes em engenharia de software

6.2. Arquiteturas de agentes

6.2.1. O processo de argumentação de um agente
6.2.2. Agentes reativos
6.2.3. Agentes dedutivos
6.2.4. Agentes híbridos
6.2.5. Comparativa

6.3. Informação e conhecimento

6.3.1. Distinção entre dados, informação e conhecimento
6.3.2. Avaliação qualidade dos dados
6.3.3. Métodos de recolha de dados
6.3.4. Métodos de aquisição de informação
6.3.5. Métodos de aquisição de conhecimento

6.4. Representação do conhecimento

6.4.1. A importância da representação do conhecimento
6.4.2. Definição da representação do conhecimento através das suas funções
6.4.3. Caraterísticas de uma representação do conhecimento

6.5. Ontologias

6.5.1. Introdução aos metadados
6.5.2. Conceito filosófico de ontologia
6.5.3. Conceito informático de ontologia
6.5.4. Ontologias de domínio e ontologias de nível superior
6.5.5. Como construir uma ontologia?

6.6. Linguagens para ontologias e software para a criação de ontologias

6.6.1. Triples RDF, Turtle e N
6.6.2. RDF Schema
6.6.3. OWL
6.6.4. SPARQL
6.6.5. Introdução às diferentes ferramentas de criação de ontologias
6.6.6. Instalação e utilização do Protégé

6.7. A web semântica

6.7.1. O estado atual e futuro da web semântica
6.7.2. Aplicações da web semântica

6.8. Outros modelos de representação do conhecimento

6.8.1. Vocabulários
6.8.2. Visão global
6.8.3. Taxonomias
6.8.4. Tesauros
6.8.5. Folksonomias
6.8.6. Comparativa
6.8.7. Mapas mentais

6.9. Avaliação e integração das representações do conhecimento

6.9.1. Lógica de ordem zero
6.9.2. Lógica de primeira ordem
6.9.3. Lógica descritiva
6.9.4. Relação entre diferentes tipos de lógica
6.9.5. Prolog: Programação baseada na lógica de primeira ordem

6.10. Raciocinadores semânticos, sistemas baseados no conhecimento e Sistemas Periciais

6.10.1. Conceito de raciocinador
6.10.2. Aplicações de um raciocinador
6.10.3. Sistemas baseados no conhecimento
6.10.4. MYCIN, história dos Sistemas Periciais
6.10.5. Elementos e Arquitetura dos Sistemas Periciais
6.10.6. Criação de Sistemas Periciais

Módulo 7. Aprendizagem automática e mineração de dados

7.1. Introdução aos processos de descoberta de conhecimentos e aos conceitos básicos da aprendizagem automática

7.1.1. Conceitos-chave dos processos de descoberta do conhecimento
7.1.2. Perspetiva histórica dos processos de descoberta do conhecimento
7.1.3. Etapas dos processos de descoberta do conhecimento
7.1.4. Técnicas utilizadas nos processos de descoberta do conhecimento
7.1.5. Caraterísticas dos bons modelos de aprendizagem automática
7.1.6. Tipos de informação de aprendizagem automática
7.1.7. Conceitos básicos de aprendizagem
7.1.8. Conceitos básicos de aprendizagem não supervisionado

7.2. Exploração e pré-processamento de dados

7.2.1. Tratamento de dados
7.2.2. Tratamento de dados no fluxo de análise de dados
7.2.3. Tipos de dados
7.2.4. Transformação de dados
7.2.5. Visualização e exploração de variáveis contínuas
7.2.6. Visualização e exploração de variáveis categóricas
7.2.7. Medidas de correlação
7.2.8. Representações gráficas mais comuns
7.2.9. Introdução à análise multivariada e à redução da dimensionalidade

7.3. Árvore de decisão

7.3.1. Algoritmo ID
7.3.2. Algoritmo C
7.3.3. Excesso de treino e poda
7.3.4. Análise dos resultados

7.4. Avaliação dos classificadores

7.4.1. Matrizes de confusão
7.4.2. Matrizes de avaliação numérica
7.4.3. Estatística Kappa
7.4.4. A curva ROC

7.5. Regras de classificação

7.5.1. Medidas de avaliação das regras
7.5.2. Introdução à representação gráfica
7.5.3. Algoritmo de sobreposição sequencial

7.6. Redes neuronais

7.6.1. Conceitos básicos
7.6.2. Redes neuronais simples
7.6.3. Algoritmo de Backpropagation
7.6.4. Introdução às redes neuronais recorrentes

7.7. Métodos bayesianos

7.7.1. Conceitos básicos de probabilidade
7.7.2. Teorema de Bayes
7.7.3. Naive Bayes
7.7.4. Introdução às redes bayesianas

7.8. Modelos de regressão e modelos de resposta contínua

7.8.1. Regressão linear simples
7.8.2. Regressão linear múltipla
7.8.3. Regressão logística
7.8.4. Árvores de regressão
7.8.5. Introdução às máquinas de suporte vetorial (SVM)
7.8.6. Medidas de adequação

7.9. Clustering

7.9.1. Conceitos básicos
7.9.2. Clustering hierárquico
7.9.3. Métodos probabilísticos
7.9.4. Algoritmo EM
7.9.5. Método B-Cubed
7.9.6. Métodos implícitos

7.10. Mineração de texto e processamento linguagem natural(PLN)

7.10.1. Conceitos básicos
7.10.2. Criação do corpus
7.10.3. Análise descritiva
7.10.4. Introdução à análise de sentimentos

Módulo 8. Redes neuronais, a base da Deep Learning

8.1. Aprendizagem profunda

8.1.1. Tipos de aprendizagem profunda
8.1.2. Aplicações da aprendizagem profunda
8.1.3. Vantagens e desvantagens da aprendizagem profunda

8.2. Operações

8.2.1. Adição
8.2.2. Produto
8.2.3. Deslocalização

8.3. Camadas

8.3.1. Camada de entrada
8.3.2. Camada oculta
8.3.3. Camada de saída

8.4. Ligação de camadas e operações

8.4.1. Design de arquiteturas
8.4.2. Conexão entre camadas
8.4.3. Propagação para a frente

8.5. Construção da primeira rede neuronal

8.5.1. Design da rede
8.5.2. Estabelecer os pesos
8.5.3. Treino da rede

8.6. Treinador e Otimizador

8.6.1. Seleção do otimizador
8.6.2. Estabelecimento de uma função de perda
8.6.3. Estabelecimento de uma métrica

8.7. Aplicação dos Princípios das Redes Neuronais

8.7.1. Funções de ativação
8.7.2. Propagação para trás
8.7.3. Ajuste dos parâmetros

8.8. Dos neurónios biológicos aos neurónios artificiais

8.8.1. Funcionamento de um neurónio biológico
8.8.2. Transferência de conhecimentos para os neurónios artificiais
8.8.3. Estabelecer de relações entre os dois

8.9. Implementação do MLP (Perceptron Multicamadas) com o Keras

8.9.1. Definição da estrutura da rede
8.9.2. Compilação do modelo
8.9.3. Treino do modelo

8.10. Hiperparâmetros de Fine tuning de Redes Neuronais

8.10.1. Seleção da função de ativação
8.10.2. Estabelecer a Learning rate
8.10.3.Ajuste dos pesos

Módulo 9. Treino de redes neuronais profundas

9.1. Problemas de Gradientes

9.1.1. Técnicas de otimização de gradiente
9.1.2. Gradientes Estocásticos
9.1.3. Técnicas de inicialização de pesos

9.2. Reutilização de camadas pré-treinadas

9.2.1. Treino de transferência de aprendizagem
9.2.2. Extração de caraterísticas
9.2.3. Aprendizagem profunda

9.3. Otimizadores

9.3.1. Otimizadores estocásticos de gradiente descendente
9.3.2. Otimizadores Adam e RMSprop
9.3.3. Otimizadores de momento

9.4. Programação da taxa de aprendizagem

9.4.1. Controlo de taxa sobre aprendizagem automática
9.4.2. Ciclos de aprendizagem
9.4.3. Termos de suavização

9.5. Sobreajuste

9.5.1. Validação cruzada
9.5.2. Regularização
9.5.3. Métricas de avaliação

9.6. Orientações práticas

9.6.1. Design do modelo
9.6.2. Seleção de métricas e parâmetros de avaliação
9.6.3. Teste de hipóteses

9.7. Transfer Learning

9.7.1. Treino de transferência de aprendizagem
9.7.2. Extração de caraterísticas
9.7.3. Aprendizagem profunda

9.8. Data Augmentation

9.8.1. Transformações de imagem
9.8.2. Criação de dados sintéticos
9.8.3. Transformação de texto

9.9. Aplicação Prática de Transfer Learning

9.9.1. Treino de transferência de aprendizagem
9.9.2. Extração de caraterísticas
9.9.3. Aprendizagem profunda

9.10. Regularização

9.10.1. L e L
9.10.2. Regularização por entropia máxima
9.10.3. Dropout

Módulo 10. Personalização de Modelos e treino com TensorFlow

10.1. TensorFlow

10.1.1. Uso da biblioteca TensorFlow
10.1.2. Treino de modelos com o TensorFlow
10.1.3. Operações de gráfico no TensorFlow

10.2. TensorFlow e NumPy

10.2.1. Ambiente computacional NumPy para TensorFlow
10.2.2. Utilização das arrays NumPy com o TensorFlow
10.2.3. Operações NumPy para o TensorFlow gráficos do TensorFlow

10.3. Personalização de modelos e algoritmos de treino

10.3.1. Construir modelos personalizados com o TensorFlow
10.3.2. Gestão dos parâmetros de treino
10.3.3. Utilização de técnicas de otimização para o treino

10.4. Funções e gráficos do TensorFlow

10.4.1. Funções com o TensorFlow
10.4.2. Utilização de gráficos para treino de modelos
10.4.3. Otimização de gráficos com operações do TensorFlow

10.5. Carregamento e pré-processamento de dados com o TensorFlow

10.5.1. Carga de conjuntos de dados com o TensorFlow
10.5.2. Pré-processamento de dados com o TensorFlow
10.5.3. Utilizar de ferramentas do TensorFlow para a manipulação de dados

10.6. A API tfdata

10.6.1. Utilização da API tfdata para o processamento de dados
10.6.2. Construção de fluxo de dados com tfdata
10.6.3. Utilização da API tfdata para o treino de modelos

10.7. O formato TFRecord

10.7.1. Utilização da API TFRecord para a serialização de dados
10.7.2. Carregamento de arquivos TFRecord com TensorFlow
10.7.3. Utilização de arquivos TFRecord para o treino de modelos

10.8. Camadas de pré-processamento do Keras

10.8.1. Utilização da API de pré-processamento do Keras
10.8.2. Construção de pipelined de pré-processamento com o Keras
10.8.3. Utilização da API de pré-processamento do Keras para o treino de modelos

10.9. O projeto TensorFlow Datasets

10.9.1. Utilização de TensorFlow Datasets para o carregamento de dados
10.9.2. Pré-processamento de dados com o TensorFlow Datasets
10.9.3. Utilização TensorFlow Datasets para o treino de modelos

10.10. Construção de uma Aplicação de Deep Learning com TensorFlow

10.10.1. Aplicação prática
10.10.2. Construção de uma aplicação de Deep Learning com TensorFlow
10.10.3. Treino de um modelo com o TensorFlow
10.10.4. Utilizar a aplicação para previsão de resultados

Módulo 11. Deep Computer Vision com Redes Neuronais Convolucionais

11.1. A Arquitetura Visual Cortex

11.1.1. Funções do córtex visual
11.1.2. Teoria da visão computacional
11.1.3. Modelos de processamento de imagens

11.2. Camadas convolucionais

11.2.1. Reutilização de pesos na convolução
11.2.2. Convolução D
11.2.3. Funções de ativação

11.3. Camadas de agrupamento e implantação de camadas de agrupamento com o Keras

11.3.1. Pooling e Striding
11.3.2. Flattening
11.3.3. Tipos de Pooling

11.4. Arquitetura CNN

11.4.1. Arquitetura VGG
11.4.2. Arquitetura AlexNet
11.4.3. Arquitetura ResNet

11.5. Implementação de uma CNN ResNet usando Keras

11.5.1. Inicialização de pesos
11.5.2. Definição da camada de entrada
11.5.3. Definição da saída

11.6. Utilização de modelos pré-treinados do Keras

11.6.1. Caraterísticas dos modelos pré-treinados
11.6.2. Usos dos modelos pré-treinados
11.6.3. Vantagens dos modelos pré-treinados

11.7. Modelos pré-treinados para a aprendizagem por transferência

11.7.1. A aprendizagem por transferência
11.7.2. Processo de aprendizagem por transferência
11.7.3. Vantagens do aprendizagem por transferência

11.8. Classificação e localização em Deep Computer Vision

11.8.1. Classificação de imagens
11.8.2. Localização de objetos em imagens
11.8.3. Detenção de objetos

11.9. Deteção e seguimento de objetos

11.9.1. Métodos de deteção de objetos
11.9.2. Algoritmos de seguimento de objetos
11.9.3. Técnicas de seguimento e localização

11.10. Segmentação semântica

11.10.1. Aprendizagem profunda para a segmentação semântica
11.10.2. Deteção de bordas
11.10.3. Métodos de segmentação baseado sem regras

Módulo 12. Processamento de linguagem natural (PLN) com Redes Neurais Recorrentes (RNN) e atenção

12.1. Criação de texto utilizando RNN

12.1.1. Treino de uma RNN para criação de texto
12.1.2. Criação de linguagem natural com RNN
12.1.3. Aplicações de criação de texto com RNN

12.2. Criação de conjuntos de dados de treino

12.2.1. Preparação dos dados para o treino de uma RNN
12.2.2. Armazenamento do conjunto de dados de treino
12.2.3. Limpeza e transformação dos dados
12.2.4. Análise de Sentimento

12.3. Classificação da opiniões com RNN

12.3.1. Deteção de temas nos comentários
12.3.2. Análise de sentimento com algoritmos de aprendizagem profunda

12.4. Rede codificadora-descodificadora para tradução automática neural

12.4.1. Treino de uma RNN para a  tradução automática
12.4.2. Utilização de uma rede encoder-decoder para a tradução automática
12.4.3. Melhoria da precisão da tradução automática com RNNs

12.5. Mecanismos de atenção

12.5.1. Implantação de mecanismos de atenção em RNN
12.5.2. Utilização de mecanismos de atenção para melhorar a precisão dos modelos
12.5.3. Vantagens dos mecanismos de atenção nas redes neuronais

12.6. Modelos Transformers

12.6.1. Uso de modelos Transformers no processamento de linguagem natural
12.6.2. Aplicação de modelos Transformers na visão
12.6.3. Vantagens dos modelos Transformers

12.7. Transformers para a visão

12.7.1. Utilização de modelos Transformers para a visão
12.7.2. Pré-processamento de dados de imagem
12.7.3. Treino de um modelo Transformers para visão

12.8. Biblioteca de Transformers de Hugging Face

12.8.1. Utilização da biblioteca Transformers de Hugging Face
12.8.2. Aplicação da biblioteca de Transformers de Hugging Face
12.8.3. Vantagens da biblioteca Transformers de Hugging Face

12.9. Outras Bibliotecas de Transformers. Comparativa

12.9.1. Comparação entre as diferentes bibliotecas de Transformers
12.9.2. Uso das outras bibliotecas de Transformers
12.9.3. Vantagens das outras bibliotecas de Transformers

12.10. Desenvolvimento de uma aplicação de PNL com RNN e Atenção. Aplicação prática

12.10.1. Desenvolvimento de uma aplicação de processamento de linguagem natural com RNN e atenção
12.10.2. Utilização de RNN, mecanismos de atenção e modelos Transformers na aplicação
12.10.3. Avaliação da aplicação prática

Módulo 13. Autoencoders, GANs e modelos de difusão

13.1. Representação de dados eficientes

13.1.1. Redução da dimensionalidade
13.1.2. Aprendizagem profunda
13.1.3. Representações compactas

13.2. Realização da PCA com um codificador automático linear incompleto

13.2.1. Processo de treino
13.2.2. Implantação em Python
13.2.3. Utilização de dados de teste

13.3. Codificadores automáticos empilhados

13.3.1. Redes neuronais profundas
13.3.2. Construção de arquiteturas de codificação
13.3.3. Utilização da regularização

13.4. Autoencodificadores convolucionais

13.4.1. Design do modelo convolucionais
13.4.2. Treino do modelo convolucionais
13.4.3. Avaliação dos resultados

13.5. Redução do ruído dos codificadores automáticos

13.5.1. Aplicação de filtros
13.5.2. Design de modelos de codificação
13.5.3. Utilização de técnicas de regularização

13.6. Codificadores automáticos dispersos

13.6.1. Aumento da eficiência da codificação
13.6.2. Minimizar o número de parâmetros
13.6.3. Utilização de técnicas de regularização

13.7. Codificadores automáticos variacionais

13.7.1. Utilização da otimização variacional
13.7.2. Aprendizagem profunda não supervisionada
13.7.3. Representações latentes profundas

13.8. Geração de imagens MNIST de moda

13.8.1. Reconhecimento de padrões
13.8.2. Criação de imagens
13.8.3. Treino de redes neuronais profundas

13.9. Redes generativas antagónicas e modelos de difusão

13.9.1. Criação de conteúdos a partir de imagens
13.9.2. Modelação de distribuições de dados
13.9.3. Utilização de redes contraditórias

13.10. Implantação dos Modelos

13.10.1. Aplicação Prática
13.10.2. Implantação dos modelos
13.10.3. Utilização de dados reais
13.10.4. Avaliação dos resultados

Módulo 14. Computação bioinspirada

14.1. Introdução à computação bioinspirada

14.1.1. Introdução à computação bioinspirada

14.2. Algoritmos de inspiração social

14.2.1. Computação bioinspirada baseada em colónias de formigas
14.2.2. Variantes dos algoritmos de colónias de formigas
14.2.3. Computação baseada em nuvens de partículas

14.3. Algoritmos genéticos

14.3.1. Estrutura geral
14.3.2. Implementações dos principais operadores

14.4. Estratégias de exploração do espaço para algoritmos genéticos

14.4.1. Algoritmo CHC
14.4.2. Problemas multimodais

14.5. Modelos de computação evolutiva

14.5.1. Estratégias evolutivas
14.5.2. Programação evolutiva
14.5.3. Algoritmos baseados em evolução diferencial

14.6. Modelos de computação evolutiva (II)

14.6.1. Modelos de evolução baseados na estimativa das distribuições (EDA)
14.6.2. Programação genética

14.7. Programação evolutiva aplicada a problemas de aprendizagem

14.7.1. A aprendizagem baseada em regras
14.7.2. Métodos evolutivos em problemas de seleção de exemplos

14.8. Problemas multiobjetivo

14.8.1. Conceito de dominância
14.8.2. Aplicação de algoritmos evolutivos a problemas multiobjetivos

14.9. Redes neuronais (I)

14.9.1. Introdução às redes neuronais
14.9.2. Exemplo prático com redes neuronais

14.10. Redes neuronais (II)

14.10.1. Casos de utilização de redes neuronais na investigação médica
14.10.2. Casos de utilização de redes neuronais na economia
14.10.3. Casos de utilização de redes neuronais na visão artificial

Módulo 15. Inteligência Artificial: Estratégias e aplicações

15.1. Serviços financeiros

15.1.1. As implicações da Inteligência Artificial (IA) nos serviços financeiros  Oportunidades e desafios
15.1.2. Casos de utilização
15.1.3. Potenciais riscos relacionados com a utilização de IA
15.1.4. Potenciais desenvolvimentos/utilizações futuras da IA

15.2. Implicações da inteligência artificial no serviço de saúde

15.2.1. Implicações da IA no setor da saúde Oportunidades e desafios
15.2.2. Casos de utilização

15.3. Riscos relacionados com a utilização de IA no serviço de saúde

15.3.1. Potenciais riscos relacionados com a utilização de IA
15.3.2. Potenciais desenvolvimentos/utilizações futuras da IA

15.4. Retail

15.4.1. Implicações da IA no Retail Oportunidades e desafios
15.4.2. Casos de utilização
15.4.3. Potenciais riscos relacionados com a utilização de IA
15.4.4. Potenciais desenvolvimentos/utilizações futuras da IA

15.5. Indústria

15.5.1. Implicações da IA na Indústria. Oportunidades e desafios
15.5.2. Casos de utilização

15.6. Potenciais riscos relacionados com a utilização de IA na Indústria

15.6.1. Casos de utilização
15.6.2. Potenciais riscos relacionados com a utilização de IA
15.6.3. Potenciais desenvolvimentos/utilizações futuras da IA

15.7. Administração pública

15.7.1. Implicações da IA na Administração pública. Oportunidades e desafios
15.7.2. Casos de utilização
15.7.3. Potenciais riscos relacionados com a utilização de IA
15.7.4. Potenciais desenvolvimentos/utilizações futuras da IA

15.8. Educação

15.8.1. Implicações da IA na educação. Oportunidades e desafios
15.8.2. Casos de utilização
15.8.3. Potenciais riscos relacionados com a utilização de IA
15.8.4. Potenciais desenvolvimentos/utilizações futuras da IA

15.9. Silvicultura e agricultura

15.9.1. Implicações da IA na silvicultura e na agricultura. Oportunidades e desafios
15.9.2. Casos de utilização
15.9.3. Potenciais riscos relacionados com a utilização de IA
15.9.4. Potenciais desenvolvimentos/utilizações futuras da IA

15.10. Recursos Humanos

15.10.1. Implicações da IA nos Recursos Humanos. Oportunidades e desafios
15.10.2. Casos de utilização
15.10.3. Potenciais riscos relacionados com a utilização de IA
15.10.4. Potenciais desenvolvimentos/utilizações futuras da IA

Módulo 16. Métodos e Ferramentas de IA utilizadas na Investigação Clínica 

16.1. Tecnologias e Ferramentas de IA na investigação clínica

16.1.1. Utilização da aprendizagem automática para identificar padrões em dados clínicos 
16.1.2. Desenvolvimento de algoritmos preditivos para ensaios clínicos 
16.1.3. Implementação de sistemas de IA para melhorar o recrutamento de pacientes 
16.1.4. Ferramentas de IA para a análise de dados de investigação em tempo real

16.2. Métodos estatísticos e algoritmos em estudos clínicos 

16.2.1. Aplicação de técnicas estatísticas avançadas para a análise de dados clínicos 
16.2.2. Utilização de algoritmos para a validação e verificação dos resultados dos ensaios 
16.2.3. Aplicação de modelos de regressão e de classificação em estudos clínicos 
16.2.4. Análise de grandes conjuntos de dados através de métodos estatísticos computacionais

16.3. Conceção de experiências e análise de resultados 

16.3.1. Estratégias para a conceção eficiente de ensaios clínicos utilizando IA 
16.3.2. Técnicas de IA para análise e interpretação de dados experimentais 
16.3.3. Otimização de protocolos de investigação através de simulações de IA 
16.3.4. Avaliação da eficácia e segurança dos tratamentos utilizando modelos de IA

16.4. Interpretação de imagens médicas com recurso à IA na investigação

16.4.1. Desenvolvimento de sistemas de IA para deteção automática de patologias em imagens 
16.4.2. Utilização da aprendizagem profunda para a classificação e segmentação de imagens médicas 
16.4.3. Ferramentas de IA para melhorar a precisão em diagnóstico por imagem 
16.4.4. Análise de imagens radiológicas e de ressonância magnética através da IA

16.5. Análise de dados clínicos e biomédicos

16.5.1. IA no tratamento e análise de dados genómicos e proteómicos 
16.5.2. Ferramentas para análise integrada de dados clínicos e biomédicos 
16.5.3. Utilização da IA para identificar biomarcadores na investigação clínica 
16.5.4. Análise preditiva de resultados clínicos com base em dados biomédico

16.6. Visualização avançada de dados na Investigação Clínica

16.6.1. Desenvolvimento de ferramentas de visualização interativa para dados clínicos 
16.6.2. Utilização de IA na criação de representações gráficas de dados complexos 
16.6.3. Técnicas de visualização para facilitar a interpretação dos resultados da investigação 
16.6.4. Ferramentas de realidade aumentada e virtual para a visualização de dados biomédicos

16.7. Processamento de linguagem natural em documentação científica e clínica

16.7.1. Aplicação de PNL para análise de literatura científica e registos clínicos 
16.7.2. Ferramentas de IA para a extração de informação relevante de textos médicos 
16.7.3. Sistemas de IA para resumir e categorizar publicações científicas 
16.7.4. Utilização de PNL na identificação de tendências e padrões em documentação clínica

16.8. Processamento de dados heterogéneos na Investigação Clínica

16.8.1. Técnicas de IA para integração e análise de dados provenientes de diversas fontes clínicas 
16.8.2. Ferramentas para a gestão de dados clínicos não estruturados 
16.8.3. Sistemas de IA para a correlação de dados clínicos e demográficos 
16.8.4. Análise de dados multidimensionais para obter insights clínicos

16.9. Aplicações de redes neuronais em investigações biomédicas

16.9.1. Utilização de redes neuronais para modelização de doenças e previsão de tratamento 
16.9.2. Implementação de redes neuronais na classificação de doenças genéticas 
16.9.3. Desenvolvimento de sistemas de diagnóstico baseados em redes neuronais 
16.9.4. Aplicação das redes neuronais na personalização de tratamentos médicos

16.10. Modelação preditiva e o seu impacto na Investigação Clínica

16.10.1. Desenvolvimento de modelos preditivos para a antecipação de resultados clínicos 
16.10.2. Utilização da IA na previsão de efeitos secundários e reações adversas 
16.10.3. Implementação de modelos preditivos na otimização de ensaios clínicos 
16.10.4. Análise de riscos em tratamentos médicos utilizando a modelação preditiva

Módulo 17. Investigação biomédica com IA 

17.1. Projeto e execução de estudos observacionais de IA

17.1.1. Implementação da IA para seleção e segmentação das populações dos estudos 
17.1.2. Utilização de algoritmos para a monitorização em tempo real dos dados de estudos observacionais 
17.1.3. Ferramentas de IA para a identificação de padrões e correlações em estudos observacionais  
17.1.4. Automatização do processo de recolha e análise de dados em estudos observacionais

17.2. Validação e calibração de modelos em investigação clínica

17.2.1. Técnicas de IA para garantir a precisão e a fiabilidade dos modelos clínicos 
17.2.2. Utilização da IA na calibração de modelos preditivos em investigação clínica 
17.2.3. Métodos de validação cruzada aplicados a modelos clínicos que utilizam IA 
17.2.4. Ferramentas de IA para a avaliação da generalização dos modelos clínicos

17.3. Métodos de integração de dados heterogéneos na investigação clínica

17.3.1. Técnicas de IA para a combinação de dados clínicos, genómicos e ambientais 
17.3.2. Utilização de algoritmos para tratar e analisar dados clínicos não estruturados 
17.3.3. Ferramentas de IA para normalização e padronização de dados clínicos 
17.3.4. Sistemas de IA para a correlação de diferentes tipos de dados em investigação

17.4. Integração multidisciplinar de dados biomédicos

17.4.1. Sistemas de IA para a combinação de dados de diferentes disciplinas biomédicas 
17.4.2. Algoritmos para análise integrada de dados clínicos e laboratoriais 
17.4.3. Ferramentas de IA para a visualização de dados biomédicos complexos 
17.4.4. Utilização da IA na criação de modelos de saúde holísticos a partir de dados multidisciplinares

17.5. Algoritmos de aprendizagem profunda na análise de dados biomédicos

17.5.1. Implementação de redes neuronais na análise de dados genéticos e proteómicos 
17.5.2. Utilização da aprendizagem profunda para a identificação de padrões em dados biomédicos 
17.5.3. Desenvolvimento de modelos preditivos em medicina de precisão utilizando a aprendizagem profunda 
17.5.4. Aplicação da IA na análise avançada de imagens biomédicas

17.6. Otimização dos processos de investigação através da automatização

17.6.1. Automatização de rotinas laboratoriais utilizando sistemas de IA 
17.6.2. Utilização da IA para uma gestão eficiente dos recursos e do tempo de investigação 
17.6.3. Ferramentas de IA para a otimização dos fluxos de trabalho em investigação clínica 
17.6.4. Sistemas automatizados para acompanhar e comunicar os progressos da investigação

17.7. Simulação e modelação computacional em medicina com IA

17.7.1. Desenvolvimento de modelos computacionais para simular cenários clínicos 
17.7.2. Utilização da IA para a simulação de interações moleculares e celulares 
17.7.3. Ferramentas de IA na criação de modelos preditivos de doenças 
17.7.4. Aplicação da IA na simulação dos efeitos de medicamentos e tratamentos

17.8. Utilização de realidade virtual e aumentada em estudos clínicos

17.8.1. Implementação da realidade virtual para formação e simulação em medicina 
17.8.2. Utilização da realidade aumentada em procedimentos cirúrgicos e diagnósticos 
17.8.3. Ferramentas de realidade virtual para estudos comportamentais e psicológicos 
17.8.4. Aplicação de tecnologias imersivas na reabilitação e na terapia

17.9. Ferramentas de mineração de dados aplicadas à investigação biomédica

17.9.1. Utilização de técnicas de mineração de dados para extrair conhecimentos de bases de dados biomédicas 
17.9.2. Aplicação de algoritmos de IA para descobrir padrões em dados clínicos 
17.9.3. Ferramentas de IA para identificação de tendências em grandes conjuntos de dados 
17.9.4. Aplicação da mineração de dados na geração de hipóteses de investigação  

17.10. Desenvolvimento e validação de biomarcadores com inteligência artificial

17.10.1. Utilização da IA para a identificação e caraterização de novos biomarcadores 
17.10.2. Aplicação de modelos de IA para a validação em estudos clínicos 
17.10.3. Ferramentas de IA para correlacionar biomarcadores com resultados clínicos 
17.10.4. Aplicação da IA na análise de biomarcadores para a medicina personalizada

Módulo 18. Aplicação Prática da IA na Investigação Clínica 

18.1. Tecnologias de sequenciação genómica e análise de dados com IA

18.1.1. Utilização da IA para uma análise rápida e precisa das sequências genéticas 
18.1.2. Implementação de algoritmos de aprendizagem automática na interpretação de dados genómicos 
18.1.3. Ferramentas de IA para identificar variantes e mutações genéticas 
18.1.4. Aplicação da IA na correlação genómica com doenças e características

18.2. IA na análise de imagens biomédicas

18.2.1. Desenvolvimento de sistemas de IA para a deteção de anomalías em imagens médicas 
18.2.2. Utilização de aprendizagem profunda na interpretação de radiografias, ressonâncias e tomografias computorizadas 
18.2.3. Ferramentas de IA para melhorar a precisão do diagnóstico por imagens 
18.2.4. Implementação da IA na  classificação e segmentação de imagens biomédicas

18.3. Robótica e automatização em laboratórios clínicos

18.3.1. Utilização de robots para automatização de ensaios e processos em laboratórios 
18.3.2. Implementação de sistemas automatizados para a gestão de amostras biológicas 
18.3.3. Desenvolvimento de tecnologias robóticas para melhorar a eficiência e a precisão das análises clínicas 
18.3.4. Aplicação de IA na otimização dos fluxos de trabalho em laboratórios

18.4. IA na personalização de terapias e na medicina de precisão

18.4.1. Desenvolvimento de modelos de IA para a personalização de tratamentos médicos 
18.4.2. Utilização de algoritmos preditivos na seleção de terapias com base no perfil genético 
18.4.3. Ferramentas de IA na adaptação de doses e combinações de medicamentos 
18.4.4. Aplicação da IA na identificação de tratamentos eficazes para grupos específicos  

18.5. Inovações no diagnóstico assistido por IA

18.5.1. Implementação de sistemas de IA para diagnósticos rápidos e precisos 
18.5.2. Utilização da IA na identificação precoce de doenças através de análise de dados 
18.5.3. Desenvolvimento de ferramentas de IA para a interpretação de exames clínicos 
18.5.4. Aplicação da IA na combinação de dados clínicos e biomédicos para diagnósticos abrangentes

18.6. Aplicações de IA em microbioma e estudos de microbiologia

18.6.1. Utilização da IA na análise e mapeamento do microbioma humano 
18.6.2. Implementação de algoritmos para estudar a relação entre o microbioma e as doenças 
18.6.3. Ferramentas de IA na identificação de padrões em estudos microbiológicos 
18.6.4. Aplicação da IA na investigação de terapêuticas baseadas no microbioma

18.7. Wearables e monitorização remota em estudos clínicos

18.7.1. Desenvolvimento de dispositivos wearables com IA para monitorização contínua de saúde 
18.7.2. Utilização da IA na interpretação dos dados recolhidos pelos wearables 
18.7.3. Implementação de sistemas de monitorização à distância em ensaios clínicos 
18.7.4. Aplicação da IA na previsão de eventos clínicos através de dados de wearables

18.8. IA na gestão de ensaios clínicos

18.8.1. Utilização de sistemas de IA para a otimização da gestão de ensaios clínicos 
18.8.2. Implementação da IA na seleção e acompanhamento dos participantes 
18.8.3. Ferramentas de IA para a análise de dados e resultados de ensaios clínicos 
18.8.4. Aplicação da IA para melhorar a eficiência e reduzir os custos dos ensaios

18.9. Desenvolvimento de vacinas e tratamentos assistidos por IA

18.9.1. Utilização da IA para acelerar o desenvolvimento de vacinas 
18.9.2. Implementação de modelos preditivos na Identificação de potenciais tratamentos 
18.9.3. Ferramentas de IA para simular a resposta a vacinas e medicamentos 
18.9.4. Aplicação da IA na personalização de vacinas e terapias

18.10. Aplicações de IA em imunologia e estudos de resposta imune

18.10.1. Desenvolvimento de modelos de IA para compreender os mecanismos imunológicos 
18.10.2. Utilização de IA na identificação de padrões em respostas imunes 
18.10.3. Implementação da IA na investigação de doenças autoimunes 
18.10.4. Aplicação da IA na conceção de imunoterapias personalizadas 

Módulo 19. Análise de Big Data e aprendizagem automática na Investigação Clínica 

19.1. Big Data na Investigação Clínica: Conceitos e Ferramentas

19.1.1. A explosão do dado na área da Investigação clínica 
19.1.2. Conceito de Big Data e ferramentas principais 
19.1.3. Aplicações do Big Data na Investigação clínica

19.2. Mineração de dados em registos clínicos e biomédicos

19.2.1. Principais metodologias para a mineração de dados 
19.2.2. Integração de dados de registos clínicos e biomédicos 
19.2.3. Deteção de padrões e anomalias em registos clínicos e biomédicos

19.3. Algoritmos de aprendizagem automática em investigação biomédica

19.3.1. Técnicas de classificação na investigação biomédica 
19.3.2. Técnicas de regressão na investigação biomédica 
19.3.4. Técnicas não supervisionadas na investigação biomédica

19.4. Técnicas de análise preditiva na investigação clínica

19.4.1. Técnicas de classificação na investigação clínica 
19.4.2. Técnicas de regressão na investigação clínica 
19.4.3. Deep Learning na investigação clínica

19.5. Modelos de IA em epidemiologia e saúde pública

19.5.1. Técnicas de classificação para epidemiologia e saúde pública 
19.5.2. Técnicas de regressão para epidemiologia e saúde pública 
19.5.3. Técnicas não supervisionadas para epidemiologia e saúde pública

19.6. Análise de redes biológicas e padrões de doença

19.6.1. Exploração das interações em redes biológicas para a identificação de padrões de doença 
19.6.2. Integração de dados ómicos na análise de redes para caraterizar as complexidades biológicas 
19.6.3. Aplicação de algoritmos de machine learning para a descoberta de padrões de doença

19.7. Desenvolvimento de ferramentas para o prognóstico clínico

19.7.1. Criação de ferramentas inovadoras para o prognóstico clínico com base em dados multidimensionais 
19.7.2. Integração de variáveis clínicas e moleculares no desenvolvimento de ferramentas de prognóstico 
19.7.3. Avaliação da eficácia das ferramentas de prognóstico em diferentes contextos clínicos

19.8. Visualização e comunicação avançadas de dados complexos

19.8.1. Utilização de técnicas avançadas de visualização para representar dados biomédicos complexos 
19.8.2. Desenvolvimento de estratégias de comunicação eficazes para apresentar resultados de análises complexas 
19.8.3. Implementação de ferramentas de interatividade em visualizações para melhorar a compreensão

19.9. Segurança dos dados e desafios na gestão de Big Data

19.9.1. Abordagem dos desafios relativos à segurança dos dados no contexto do Big Data biomédico  
19.9.1. Estratégias de proteção da privacidade na gestão de grandes conjuntos de dados biomédicos 
19.9.3. Implementação de medidas de segurança para atenuar os riscos no tratamento de dados sensíveis

19.10. Aplicações práticas e estudos de casos em Big Data biomédico

19.10.1. Exploração de casos de sucesso na implementação de Big Data biomédico na investigação clínica 
19.10.2. Desenvolvimento de estratégias práticas para a aplicação de Big Data na tomada de decisões clínicas 
19.10.3. Avaliação do impacto e das lições aprendidas através de estudos de casos no domínio biomédico

Módulo 20. Aspetos éticos, jurídicos e futuro da IA na Investigação Clínica 

20.1. Ética na aplicação de IA na Investigação Clínica

20.1.1. Análise ética da tomada de decisões assistida por IA em contextos de investigação clínica 
20.1.2. Ética na utilização de algoritmos de IA para a seleção de participantes em ensaios clínicos 
20.1.3. Considerações éticas na interpretação dos resultados gerados pelos sistemas de IA na investigação clínica

20.2. Considerações legais e regulamentares na IA biomédica

20.2.1. Análise da regulamentação jurídica no desenvolvimento e aplicação de tecnologias de IA no domínio biomédico 
20.2.2. Avaliação da conformidade com a regulamentação específica para garantir a segurança e a eficácia das soluções baseadas na IA 
20.2.3. Abordagem dos desafios regulamentares emergentes associados à utilização da IA na investigação biomédica

20.3. Consentimento informado e aspetos éticos da utilização de dados clínicos

20.3.1. Desenvolvimento de estratégias para garantir um consentimento informado eficaz em projetos que envolvam IA 
20.3.2. Ética na recolha e utilização de dados clínicos sensíveis no contexto de investigações impulsionadas por IA 
20.3.3. Abordagem de questões éticas relacionadas com a propriedade e o acesso a dados clínicos em projetos de investigação

20.4. IA e responsabilidade na Investigação Clínica

20.4.1. Avaliação da responsabilidade ética e jurídica na implementação de sistemas de IA em protocolos de investigação clínica 
20.4.2. Desenvolvimento de estratégias para abordar as eventuais consequências adversas da implementação da IA na investigação biomédica 
20.4.3. Considerações éticas sobre a participação ativa da IA na tomada de decisões na investigação clínica

20.5. Impacto da IA na equidade e acesso aos cuidados de saúde

20.5.1. Avaliação do impacto das soluções de IA na equidade da participação em ensaios clínicos 
20.5.2. Desenvolvimento de estratégias para melhorar o acesso às tecnologias de IA em diversos contextos clínicos 
20.5.3. Ética na distribuição dos benefícios e riscos associados à aplicação da IA nos cuidados de saúde

20.6. Privacidade e proteção de dados em projetos de investigação

20.6.1. Garantia da privacidade dos participantes em projetos de investigação que envolvam a utilização de IA 
20.6.2. Desenvolvimento de políticas e práticas de proteção de dados na investigação biomédica 
20.6.3. Abordagem de desafios específicos de privacidade e segurança no tratamento de dados sensíveis no ambiente clínico

20.7. IA e sustentabilidade em investigações biomédicas

20.7.1. Avaliação do impacto ambiental e dos recursos associados à implementação da IA na investigação biomédica 
20.7.2. Desenvolvimento de práticas sustentáveis na integração de tecnologias de IA em projetos de investigação clínica 
20.7.3. Ética na gestão de recursos e sustentabilidade na adoção da IA na investigação biomédica

20.8. Auditoria e explicabilidade dos modelos de IA no contexto clínico

20.8.1. Desenvolvimento de protocolos de auditoria para avaliar a fiabilidade e precisão dos modelos de IA na investigação clínica 
20.8.2. Ética na explicabilidade dos algoritmos para garantir a compreensão das decisões tomadas pelos sistemas de IA em contextos clínicos 
20.8.3. Abordagem dos desafios éticos na interpretação dos resultados dos modelos de IA na investigação biomédica

20.9. Identificar oportunidades de inovação e empreendedorismo âmbito da IA clínica

20.9.1. Ética na inovação responsável aquando do desenvolvimento de soluções de IA para aplicações clínicas 
20.9.2. Desenvolvimento de estratégias empresariais éticas no domínio da IA clínica 
20.9.3. Considerações éticas na comercialização e adoção de soluções de IA no sector clínico

20.10. Considerações éticas na colaboração internacional na investigação clínica 

20.10.1. Desenvolvimento de acordos éticos e jurídicos para a colaboração internacional em projetos de investigação impulsionados por IA 
20.10.2. Ética da participação de várias instituições e países na investigação clínica com tecnologias de IA 
20.10.3. Abordagem dos desafios éticos emergentes associados à colaboração global em investigação biomédica