Através deste programa 100% online, irá dominar as principais ferramentas da Inteligência Artificial e utilizá-las para otimizar a qualidade das suas análises clínicas”

Um relatório recente da Organização Mundial de Saúde prevê que o peso global das doenças crónicas irá aumentar nos próximos anos. Perante esta situação, a organização insta os médicos a utilizarem os instrumentos mais exactos e eficazes para um diagnóstico precoce. Neste contexto, a Inteligência Artificial é uma ferramenta útil para a identificação precoce de patologias como o cancro do pulmão, a insuficiência cardíaca e até a doença de Alzheimer. Daí a importância de os profissionais incorporarem técnicas avançadas como a aprendizagem profunda na sua prática clínica diária, Deep Learning ou Computação bio-inspirada com o objetivo de reduzir os erros de diagnóstico e personalizar o tratamento dos utilizadores.

Neste contexto, a TECH está a desenvolver um programa pioneiro em Inteligência Artificial no Diagnóstico por Imagem. Concebido por referências no domínio, o programa de estudos abordará os fundamentos das redes neuronais e dos algoritmos genéticos. Neste sentido, os materiais de formação fornecerão as chaves para a aplicação das técnicas mais sofisticadas de Data Mining. Desta forma, os especialistas adquirirão competências avançadas para melhorar a precisão na deteção de doenças e condições médicas, permitindo-lhes fazer diagnósticos mais exactos. Além disso, o programa abordará também em profundidade a utilização de modelos de computação bio-inspirados para que os médicos possam aplicá-los na resolução de problemas clínicos complexos e na otimização de tratamentos clínicos.

A TECH oferece um ambiente académicos 100% online que se ajuste às necessidades dos médicos que procuram progredir nas suas carreiras. Utiliza também a sua metodologia disruptiva do Relearning, baseado na repetição de conceitos-chave para fixar o conhecimento com eficácia e rapidez. Além disso, os especialistas só precisam de um dispositivo com acesso à Internet (telemóvel, computador ou tablet) para acederem ao Campus Virtual e viverem uma experiência que lhes permitirá aumentar significativamente os seus horizontes profissionais.

Um plano de estudo dá-lhe a oportunidade de atualizar os seus conhecimentos num cenário real, com o máximo rigor científico de uma instituição na vanguarda tecnológica"

Este Master em Inteligência Artificial em Diagnóstico por Imagem conta com o conteúdo educativo mais completo e atualizado do mercado. As suas principais características são:

• O desenvolvimento de casos práticos apresentados por especialistas em Inteligência Artificial
• Os conteúdos gráficos, esquemáticos e predominantemente práticos com que está concebido fornecem informações científicas e práticas sobre as disciplinas que são essenciais para a prática profissional
• Os exercícios práticos em que o processo de autoavaliação pode ser utilizado para melhorar a aprendizagem
• O seu foco especial em metodologias inovadoras
• As aulas teóricas, perguntas ao especialista, fóruns de discussão sobre questões controversas e atividades de reflexão individual
• A disponibilidade de acesso aos conteúdos a partir de qualquer dispositivo fixo ou portátil com ligação à Internet

Utilizará as Redes Neuronais Convolucionais para adaptar os tratamentos às necessidades específicas dos doentes e melhorar significativamente o seu prognóstico”

O corpo docente do programa inclui profissionais do sector que trazem a experiência do seu trabalho para esta formação, bem como especialistas reconhecidos das principais sociedades e universidades de prestígio.

Os seus conteúdos multimédia, desenvolvidos com a mais recente tecnologia educativa, permitirão ao profissional uma aprendizagem situada e contextual, ou seja, um ambiente simulado que proporcionará uma formação imersiva programada para treinar em situações reais.

O design deste programa foca-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 curso. Para tal, contará com a ajuda de um sistema inovador de vídeo interativo desenvolvido por especialistas reconhecidos.

Adquirirá competências avançadas para avaliar a exatidão, a validade e a aplicabilidade clínica dos modelos de Inteligência Artificial no domínio da medicina"

Os resumos interactivos de cada módulo permitirão consolidar os conceitos de Processamento da Linguagem Natural de uma forma mais dinâmica"

Os materiais didácticos que compõem este programa universitário foram concebidos por especialistas na utilização da Inteligência Artificial em contextos clínicos. Graças a isto, o itinerário académico aprofundará o manejo de várias ferramentas emergentes, como o  Deep Learning, as redes neurais profundas ou o processamento de linguagem natural. Os alunos desenvolverão assim competências avançadas para integrar estes instrumentos na sua prática de rotina e para analisar exaustivamente os resultados dos exames imagiológicos. Além disso, isto permitirá aos médicos otimizar a precisão dos seus diagnósticos e personalizar os tratamentos para contribuir para o bem-estar geral dos pacientes.

Utilizará as técnicas mais sofisticadas de Big Data para detetar precocemente patologias graves, como o cancro, e conceber planos terapêuticos individualizados para otimizar a recuperação de utilizadores”

Módulo 1. Fundamentos da Inteligência Artificial

1.1. História da Inteligência Artificial

1.1.1. Quando se começa a falar de inteligência artificial?
1.1.2. Referências no cinema
1.1.3. Importância da inteligência artificial
1.1.4. Tecnologias que viabilizam 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. Tesaurus
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 assistentes virtuais

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

1.9. Estratégia de implementação 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, amostra indivíduo
2.1.3. Variáveis: Definição de medição

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. Qualitativo: 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. Extração 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 desequilíbrio
3.7.3. Equilíbrio de um Dataset

3.8. Modelos não supervisionados

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 desenho do 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 (Quicksort)

5.4. Algoritmos com árvores

5.4.1. Conceito de árvore
5.4.2. Árvores binários
5.4.3. Caminhos de árvore
5.4.4. Representar expressões
5.4.5. Árvores binários 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. Caminho de largura
5.6.3. Caminho de 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 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. Comparativo

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 dados
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. Características 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 representação do conhecimento

6.8.1. Vocabulários
6.8.2. Visão global
6.8.3. Taxonomias
6.8.4. Tesaurus
6.8.5. Folksonomias
6.8.6. Comparativo
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. Características dos bons modelos de aprendizagem automática
7.1.6. Tipos de informação sobre 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 neurais

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. As 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. Transferência

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 características
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 características
9.7.3. Aprendizagem profunda

9.8. Data Augmentation

9.8.1. Transformações de imagem
9.8.2. Geração 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 características
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. Carga de conjuntos 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. Carregar 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 de 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 implementação de camadas de agrupamento

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. Características 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. Geração de texto utilizando RNN

12.1.1. Treino de uma RNN para geração de texto
12.1.2. Geração de linguagem natural com RNN
12.1.3. Aplicações de geração 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 a 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. Implementação 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 modelos 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. Comparativo

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 PLN com RNN e Atenção. Aplicação Prática

12.10.1. Desenvolvimento de uma aplicação de processamento de linguagem natural com RNN e 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. Implementação 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. Geração de imagens
13.8.3. Treino de redes neuronais profundas

13.9. Redes generativas antagónicas e modelos de difusão

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

13.10. Implementação dos Modelos

13.10.1. Aplicação Prática
13.10.2. Implementação 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. Indústrias

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 Indústria 4.0 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. Inovações de Inteligência Artificial em Diagnóstico por Imagem

16.1. Tecnologias e ferramentas de Inteligência Artificial no Diagnóstico por Imagem com o IBM Watson Imaging Clinical Review

16.1.1. Plataformas de software líderes para análise de imagens médicas
16.1.2. Ferramentas de Deep Learning específicas para radiologia
16.1.3. Inovações de hardware para acelerar o processamento de imagens
16.1.4. Integração de sistemas de Inteligência Artificial nas infra-estruturas hospitalares existentes 

16.2. Métodos estatísticos e algoritmos para interpretação de imagens médicas com DeepMind AI for Breast Cancer Analysis

16.2.1. Algoritmos de segmentação de imagens
16.2.2. Técnicas de classificação e deteção em imagiologia médica
16.2.3. Utilização de Redes Neuronais Convolucionais em Radiologia
16.2.4.  Métodos de redução do ruído e de melhoria da qualidade da imagem

16.3. Conceção de experiências e análise de resultados no domínio do diagnóstico por imagem com a API Google Cloud Healthcare

16.3.1. Conceção de protocolos de validação de algoritmos de Inteligência Artificial.
16.3.2. Métodos estatísticos para comparar o desempenho da Inteligência Artificial e radiologistas
16.3.3. Criação de estudos multicêntricos para ensaios de Inteligência Artificial
16.3.4. Interpretação e apresentação dos resultados dos testes de eficácia

16.4. Deteção de padrões subtis em imagens de baixa resolução

16.4.1. Inteligência artificial para o diagnóstico precoce de doenças neurodegenerativas
16.4.2. Aplicações de Inteligência Artificial em Cardiologia Intervencionista
16.4.3. Utilização de Inteligência Artificial para otimização de protocolos de imagiologia

16.5. Análise e processamento de imagens biomédicas

16.5.1. Técnicas de pré-processamento para melhorar a interpretação automática
16.5.2. Análise de texturas e padrões em imagens histológicas
16.5.3. Extração de caraterísticas clínicas a partir de imagens de ultra-sons
16.5.4. Métodos de análise de imagens longitudinais em estudos clínicos

16.6. Visualização avançada de dados em diagnóstico por imagem com o OsiriX MD

16.6.1. Desenvolvimento de interfaces gráficas para a exploração de imagens 3D
16.6.2. Ferramentas para visualizar alterações temporais em imagens médicas
16.6.3. Técnicas de realidade aumentada para o ensino da anatomia
16.6.4. Sistemas de visualização em tempo real para procedimentos cirúrgicos

16.7. Processamento de linguagem natural em relatórios e documentação de imagens médicas com o Nuance PowerScribe 360

16.7.1. Geração automática de relatórios radiológicos
16.7.2. Extração de informações relevantes de registos médicos electrónicos
16.7.3. Análise semântica para correlacionar achados imagiológicos e clínicos
16.7.4. Ferramentas de pesquisa e recuperação de imagens baseadas em descrições textuais

16.8. Integração e processamento de dados heterogéneos na imagiologia médica

16.8.1. Fusões de modalidades de imagem para diagnósticos abrangentes
16.8.2. Integração de dados laboratoriais e genéticos na análise de imagens
16.8.3. Sistemas para o tratamento de grandes volumes de dados de imagem
16.8.4. Estratégias para a normalização de datasets de várias fontes

16.9. Aplicações de redes neurais na interpretação de imagens médicas com Zebra Medical Vision

16.9.1. Utilização de redes generativas para imagiologia médica sintética
16.9.2. Redes Neuronais para Classificação Automática de Tumores
16.9.3. Deep Learning para análise de séries temporais em imagens funcionais
16.9.4. Adaptação de modelos pré-treinados em datasets específicos da imagiologia médica

16.10. Modelação preditiva e o seu impacto no diagnóstico por imagem com o IBM Watson Oncology

16.10.1. Modelos preditivos para avaliação do risco em doentes oncológicos
16.10.2. Ferramentas preditivas para a monitorização de doenças crónicas
16.10.3. Análise de sobrevivência utilizando dados de imagiologia médica
16.10.4. Previsão da progressão da doença por meio de Machine Learning

Módulo 17. Aplicações Avançadas de IA em Estudos  e Análise de Imagens Médicas

17.1. Conceção e execução de estudos observacionais utilizando Inteligência Artificial em imagiologia médica com a Flatiron Health

17.1.1. Critérios de seleção de populações em estudos observacionais de Inteligência Artificial
17.1.2. Métodos de controlo de variáveis de confusão em estudos de imagiologia
17.1.3. Estratégias de acompanhamento a longo prazo em estudos observacionais
17.1.4. Análise de resultados e validação de modelos de Inteligência Artificial em contextos clínicos reais

17.2. Validação e calibração de modelos de IA na interpretação de imagens com Arterys Cardio AI

17.2.1. Técnicas de validação cruzada aplicadas a modelos de Diagnóstico por Imagem
17.2.2. Métodos de calibração de probabilidades em previsões de Inteligência Artificial
17.2.3. Normas de desempenho e métricas de exatidão para a avaliação da IA de Inteligência Artificial
17.2.4. Aplicação de testes de robustez em diferentes populações e condições.

17.3. Métodos de integração de dados de imagiologia com outras fontes biomédicas

17.3.1. Técnicas de fusão de dados para melhorar a interpretação de imagens
17.3.2. Análise conjunta de imagens e dados genómicos para diagnósticos precisos
17.3.3. Integração da informação clínica e laboratorial na Inteligência Artificial 
17.3.4. Desenvolvimento de interfaces de utilizador para a visualização integrada de dados multidisciplinares

17.4. Utilização de dados de imagiologia médica na investigação multidisciplinar com o Enlitic Curie

17.4.1. Colaboração interdisciplinar para análise avançada de imagens
17.4.2. Aplicação de técnicas de inteligência artificial de outros domínios no diagnóstico por imagem
17.4.3. Desafios e soluções na gestão de dados grandes e heterogéneos
17.4.4. Estudos de casos de aplicações multidisciplinares bem sucedidas

17.5. Algoritmos de aprendizagem profunda específicos para imagiologia médica com AIDOC

17.5.1. Desenvolvimento de arquitecturas de redes neuronais para imagens específicas
17.5.2. Otimização de hiperparâmetros para modelos de imagiologia médica
17.5.3. Transferência de Aprendizagem e sua aplicabilidade em Radiologia

17.6. Desafios na interpretação e visualização de caraterísticas aprendidas por modelação profunda

17.6.1. Otimizar a interpretação de imagens médicas através da automatização com Viz.ai
17.6.2. Automatização de rotinas de diagnóstico para eficiência operacional
17.6.3. Sistemas de alerta precoce na deteção de anomalias
17.6.4. Reduzir a carga de trabalho dos radiologistas utilizando ferramentas de Inteligência Artificial 
17.6.5. O impacto da automatização na precisão e rapidez dos diagnósticos

17.7. Simulação e modelação computacional em diagnóstico por imagem

17.7.1. Simulações para treino e validação de algoritmos de IA 
17.7.2. Modelação de doenças e sua representação em imagens sintéticas
17.7.3. Utilização de simulações para o planeamento de tratamentos e cirurgias
17.7.4. Avanços em técnicas computacionais para o processamento de imagens em tempo real 

17.8. Realidade virtual e aumentada na visualização e análise de imagens médicas

17.8.1. Aplicações de realidade virtual para o ensino de diagnóstico por imagem
17.8.2. Utilização de Realidade Aumentada em procedimentos cirúrgicos guiados por imagem
17.8.3. Ferramentas de visualização avançadas para o planeamento terapêutico
17.8.4. Desenvolvimento de interfaces imersivas para a revisão de estudos radiológicos

17.9. Ferramentas de extração de dados aplicadas ao diagnóstico por imagem com radiómica

17.9.1. Técnicas de extração de dados de grandes repositórios de imagens médicas
17.9.2. Aplicações de análise de padrões em colecções de dados de imagem
17.9.3. Identificação de biomarcadores através da extração de dados de imagens
17.9.4. Integrar a extração de dados e a aprendizagem automática para descobertas clínicas 

17.10. Desenvolvimento e validação de biomarcadores utilizando a análise de imagens com Oncimmune

17.10.1. Estratégias para identificar biomarcadores imagiológicos em várias doenças
17.10.2. Validação clínica de biomarcadores imagiológicos para utilização diagnóstica
17.10.3. Impacto dos biomarcadores de imagem na personalização do tratamento
17.10.4. Tecnologias emergentes na deteção e análise de biomarcadores através da Inteligência Artificial.

Módulo 18. Personalização e automatização do diagnóstico médico através da inteligência artificial

18.1. Aplicação de Inteligência Artificial na sequenciação genómica e correlação com achados imagiológicos com Fabric Genomics

18.1.1. Técnicas de inteligência artificial para a integração de dados genómicos e de imagiologia 
18.1.2. Modelos preditivos para correlacionar variantes genéticas com patologias visíveis por imagem
18.1.3. Desenvolvimento de algoritmos para a análise automática de sequências e sua representação em imagens 
18.1.4. Estudos de casos sobre o impacto clínico da genómica e da fusão de imagens

18.2. Avanços em Inteligência Artificial para análise detalhada de imagens biomédicas com PathAI

18.2.1. Inovações nas técnicas de processamento e análise de imagens a nível celular
18.2.2. Aplicação de Inteligência Artificial para melhorar a resolução em imagens de microscopia
18.2.3. Algoritmos de Deep Learning especializada na deteção de padrões submicroscópicos
18.2.4. Impacto dos avanços da Inteligência Artificial na investigação biomédica e no diagnóstico clínico

18.3. Automação na aquisição e processamento de imagens médicas com a Butterfly Network

18.3.1. Sistemas automatizados para a otimização dos parâmetros de aquisição de imagem 
18.3.2. Inteligência artificial na gestão e manutenção de equipamentos de imagiologia
18.3.3. Algoritmos para processamento de imagens em tempo real durante procedimentos médicos
18.3.4. Histórias de sucesso na implementação de sistemas automatizados em hospitais e clínicas 

18.4. Personalização do diagnóstico através da Inteligência Artificial e da medicina de precisão com Tempus AI

18.4.1. Modelos de Inteligência Artificial para diagnósticos personalizados baseados em perfis genéticos e de imagem
18.4.2. Estratégias para a integração de dados clínicos e de imagiologia no planeamento terapêutico
18.4.3. Impacto da medicina de precisão nos resultados clínicos através da IA
18.4.4. Desafios éticos e práticos na implementação da medicina personalizada

18.5. Inovações no diagnóstico assistido por IA com a Caption Health

18.5.1. Desenvolvimento de novas ferramentas de Inteligência Artificial para a deteção precoce de doenças
18.5.2. Avanços nos algoritmos de Inteligência Artificial para a interpretação de patologias complexas 
18.5.3. Integração do diagnóstico assistido por IA Integração do diagnóstico assistido por IA na prática clínica de rotina
18.5.4. Avaliação da eficácia e da aceitação da Inteligência Artificial de diagnóstico pelos profissionais de saúde

18.6. Aplicações de Inteligência Artificial na análise de imagens do microbioma com DayTwo AI

18.6.1. Técnicas de Inteligência Artificial para análise de imagens em estudos de microbioma
18.6.2. Correlação dos dados de imagiologia do microbioma com indicadores de saúde
18.6.3. Impacto dos resultados do microbioma nas decisões terapêuticas
18.6.4. Desafios na normalização e validação de imagens do microbioma

18.7. Uso de wearables para melhorar a interpretação das imagens de diagnóstico com o AliveCor

18.7.1. Integração de dados wearables com imagiologia médica para um diagnóstico completo
18.7.2. Algoritmos de IA para análise de dados contínuos e representação de imagens
18.7.3. Inovações tecnológicas em wearables para monitorização da saúde
18.7.4. Estudos de casos sobre a melhoria da qualidade de vida através de wearables e diagnósticos por imagem

18.8. Inteligência artificial para gerir dados de diagnóstico por imagem em ensaios clínicos

18.8.1. Ferramentas de IA para uma gestão eficiente de grandes volumes de dados de imagem
18.8.2. Estratégias para garantir a qualidade e integridade dos dados em estudos multicêntricos
18.8.3. Aplicações de Inteligência Artificial para análise preditiva em ensaios clínicos
18.8.4. Desafios e oportunidades na normalização dos protocolos de imagiologia em ensaios globais

18.9. Desenvolvimento de tratamentos e vacinas com a ajuda da Inteligência Artificial avançada

18.9.1. Utilização da Inteligência Artificial para conceber tratamentos personalizados com base em dados clínicos e de imagiologia
18.9.2. Modelos de Inteligência Artificial no Desenvolvimento Acelerado de Vacinas com Apoio ao Diagnóstico por Imagem
18.9.3. Avaliação da eficácia dos tratamentos através da monitorização de imagens
18.9.4. Impacto da Inteligência Artificial na redução do tempo e dos custos no desenvolvimento de novas terapias 

18.10. Aplicações de IA em imunologia e estudos de resposta imunitária com ImmunoMind

18.10.1. Modelos de IA para a interpretação de imagens relacionadas com a resposta imunitária 
18.10.2. Integração de dados de imagiologia e análise imunológica para diagnósticos exactos
18.10.3. Desenvolvimento de biomarcadores de imagiologia para doenças auto-imunes
18.10.4. Avanços na personalização dos tratamentos imunológicos através da utilização da Inteligência Artificial 

Módulo 19. Big Data e Análise Preditiva em Imagiologia Médica

19.1. Big Data em Diagnóstico por imagem: conceitos e ferramentas com GE Healthcare Edison

19.1.1. Fundamentos de Big Data aplicado à imagiologia
19.1.2. Ferramentas e plataformas para o tratamento de grandes volumes de dados de imagem
19.1.3. Desafios na integração e análise de Big Data em Imagiologia
19.1.4. Casos de utilização de Big Data em diagnóstico por imagem

19.2. Extração de dados de registos de imagiologia biomédica com o IBM Watson Imaging

19.2.1. Técnicas avançadas de extração de dados para identificar padrões em imagens médicas
19.2.2. Estratégias para extrair caraterísticas relevantes de grandes bases de dados de imagens 
19.2.3. Aplicações de clustering e classificação em registos de imagem
19.2.4. Impacto da extração de dados na melhoria dos diagnósticos e tratamentos

19.3. Algoritmos de aprendizagem automática na análise de imagens com o Google DeepMind Health

19.3.1. Desenvolvimento de algoritmos supervisionados e não supervisionados para imagiologia médica
19.3.2. Inovações em técnicas de aprendizagem automática para o reconhecimento de padrões de doenças
19.3.3. Aplicações de aprendizagem profunda na segmentação e classificação de imagens
19.3.4. Avaliação da eficácia e da precisão dos algoritmos de aprendizagem automática em estudos clínicos

19.4. Técnicas de análise preditiva aplicadas ao diagnóstico por imagem com a Predictive Oncology

19.4.1. Modelos preditivos para a identificação precoce de doenças a partir de imagens
19.4.2. Utilização de análises preditivas para monitorização e avaliação do tratamento
19.4.3. Integração de dados clínicos e de imagiologia para enriquecer os modelos de previsão
19.4.4. Desafios na implementação de técnicas preditivas na prática clínica

19.5. Modelos de Inteligência Artificial baseados em imagens para Epidemiologia com BlueDot

19.5.1. Aplicação da Inteligência Artificial na análise de surtos epidémicos utilizando imagens
19.5.2. Modelos de propagação de doenças visualizados por técnicas de imagiologia
19.5.3. Correlação entre dados epidemiológicos e achados imagiológicos
19.5.4. Contribuição da Inteligência Artificial para o estudo e controlo das pandemias

19.6. Análise de redes biológicas e padrões de doenças a partir de imagens

19.6.1. Aplicação da teoria das redes na análise de imagens para a compreensão das patologias
19.6.2. Modelos computacionais para simular redes biológicas visíveis em imagens
19.6.3. Integração da análise de imagens e de dados moleculares para mapear doenças
19.6.4. Impacto destas análises no desenvolvimento de terapias personalizadas

19.7. Desenvolvimento de ferramentas de prognóstico clínico baseadas em imagens

19.7.1. Ferramentas de Inteligência Artificial para a previsão da evolução clínica a partir de imagens de diagnóstico 
19.7.2. Avanços na elaboração de relatórios de previsão automatizados
19.7.3. Integração de modelos de prognóstico em sistemas clínicos
19.7.4. Validação e aceitação clínica de ferramentas de prognóstico baseadas em IA

19.8. Visualização e comunicação avançadas de dados complexos com o Tableau

19.8.1. Técnicas de visualização para representação multidimensional de dados de imagem
19.8.2. Ferramentas interactivas para navegar em grandes conjuntos de dados de imagens
19.8.3. Estratégias para a comunicação eficaz de resultados complexos através de visualizações
19.8.4. Impacto da visualização avançada na educação médica e na tomada de decisões

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

19.9.1. Medidas de segurança para proteger grandes volumes de dados de imagiologia médica 
19.9.2. Desafios em matéria de privacidade e ética na gestão de dados de imagem em grande escala
19.9.3. Soluções tecnológicas para a gestão segura de Big Data da saúde
19.9.4. Estudos de caso sobre violações de segurança e como foram resolvidas

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

19.10.1. Exemplos de aplicações bem sucedidas de Big Data no diagnóstico e tratamento de doenças
19.10.2. Estudos de caso sobre a integração de Big Data nos sistemas de saúde
19.10.3. Lições aprendidas de projetos de Big Data no sector biomédico
19.10.4. Direcções futuras e potencialidades de Big Data na medicina

Módulo 20. Aspectos éticos e jurídicos da inteligência artificial no diagnóstico por imagem

20.1. Ética na aplicação da inteligência artificial no diagnóstico por imagem com Ethics and Algorithms Toolkit

20.1.1. Princípios éticos fundamentais na utilização da Inteligência Artificial no diagnóstico
20.1.2. Gestão dos enviesamentos algorítmicos e do seu impacto na equidade do diagnóstico
20.1.3. Consentimento informado na era da Inteligência Artificial de diagnóstico
20.1.4. Desafios éticos na implantação internacional de tecnologias de Inteligência Artificial 

20.2. Considerações legais e regulamentares sobre a Inteligência Artificial aplicada à imagiologia médica com Compliance.ai

20.2.1. Quadro regulamentar atual para a Inteligência Artificial no diagnóstico por imagem
20.2.2. Conformidade com os regulamentos de privacidade e proteção de dados
20.2.3. Requisitos de validação e certificação para algoritmos de Inteligência Artificial nos cuidados de saúde
20.2.4. Responsabilidade jurídica em caso de diagnóstico incorreto por parte da Inteligência Artificial

20.3. Consentimento informado e aspectos éticos na utilização de dados clínicos

20.3.1. Revisão dos processos de consentimento informado adaptados à Inteligência Artificial
20.3.2. Educação dos doentes sobre a utilização da Inteligência Artificial nos cuidadosde saúde
20.3.3. Transparência na utilização de dados clínicos para formação em Inteligência Artificial
20.3.4. Respeito pela autonomia dos doentes nas decisões baseadas na IA

20.4. Inteligência artificial e responsabilidade na investigação clínica

20.4.1. Atribuição de responsabilidades na utilização da Inteligência Artificial para o diagnóstico
20.4.2. Implicações dos bugs de Inteligência Artificial na prática clínica
20.4.3. Seguros e cobertura dos riscos associados à utilização da Inteligência Artificial
20.4.4. Estratégias para a gestão de incidentes relacionados com a IA

20.5. O impacto da inteligência artificial na equidade e no acesso aos cuidados de saúde com a AI for Good

20.5.1. Avaliar o impacto da Inteligência Artificial na distribuição de serviços médicos
20.5.2. Estratégias para garantir um acesso equitativo à tecnologia de IA 
20.5.3. A inteligência artificial como ferramenta para reduzir as disparidades no domínio da saúde
20.5.4. Estudos de caso sobre a implementação da Inteligência Artificial em ambientes com recursos limitados 

20.6. Privacidade e proteção de dados em projectos de investigação com Duality SecurePlus

20.6.1. Estratégias para garantir a confidencialidade dos dados em projectos de Inteligência Artificial 
20.6.2. Técnicas avançadas para a anonimização dos dados dos doentes
20.6.3. Desafios jurídicos e éticos na proteção de dados pessoais
20.6.4. Impacto das violações de segurança na confiança do público

20.7. Inteligência Artificial e sustentabilidade na investigação biomédica com o Algoritmo Verde

20.7.1. Utilizar a Inteligência Artificial para melhorar a eficiência e a sustentabilidade na investigação
20.7.2. Avaliação do ciclo de vida das tecnologias de Inteligência Artificial nos cuidados de saúde
20.7.3. Impacto ambiental da infraestrutura tecnológica da Inteligência Artificial
20.7.4. Práticas sustentáveis no desenvolvimento e implantação da Inteligência Artificial

20.8. Auditoria e explicabilidade dos modelos de Inteligência Artificial no contexto clínico com o IBM AI Fairness 360

20.8.1. Importância da auditoria regular dos algoritmos de IA
20.8.2. Técnicas para melhorar a explicabilidade dos modelos de Inteligência Artificial
20.8.3. Desafios na comunicação das decisões baseadas em IA aos doentes e aos médicos
20.8.4. Regulamentos sobre a transparência dos algoritmos de Inteligência Artificial 

20.9. Inovação e empreendedorismo no domínio da Inteligência Artificial clínica com a Hindsait

20.9.1. Oportunidades para startups em tecnologias de inteligência artificial para a saúde
20.9.2. Colaboração público-privada no desenvolvimento da Inteligência Artificial
20.9.3. Desafios para os empresários no quadro regulamentar da saúde
20.9.4. Histórias de sucesso e lições aprendidas no empreendedorismo da IA clínica

20.10. Considerações éticas na colaboração internacional em investigação clínica com a Aliança Global para a Genómica e a Saúde (GA4GH)

20.10.1. Coordenação ética em projectos internacionais de IA
20.10.2. Gerir as diferenças culturais e regulamentares nas parcerias internacionais
20.10.3. Estratégias para uma inclusão equitativa nos estudos globais
20.10.4. Desafios e soluções no intercâmbio de dados

Pretende aumentar a sua segurança na tomada de decisões clínicas através da utilização da Inteligência Artificial? Com este programa universitário, em menos de um ano será possível”