[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion_item title=”Calendário” color=”” background_color=”” close_icon=”” open_icon=”” status=”open”]
Segunda-feira, 10 de julho das 09h00 às 13h00 e das 14h00 às 18h00
[/ms_accordion_item] [/ms_accordion]
[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion_item title=”Objetivos” color=”” background_color=”” close_icon=”” open_icon=”” status=”open”]
1. Mostrar a importância de modelos de AI interpretáveis e explicáveis
2. Dar a conhecer os conceitos de explanable AI (XAI) e como esta pode ser aplicada na área da saúde.
3. Conhecer os principais métodos para conseguir aproximar os modelos de uma XAI
4. Aplicações de alguns métodos (código)
[/ms_accordion_item] [/ms_accordion]
[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion_item title=”Equipa docente” color=”” background_color=”” close_icon=”” open_icon=”” status=”open”]
[/ms_accordion_item] [/ms_accordion]
[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion_item title=”Destinatários” color=”” background_color=”” close_icon=”” open_icon=”” status=”open”]
Profissionais de Saúde e estudantes do ensino superior da área da Saúde e informática médica
– All students, staff and colleagues interested in writing case reports or using them for their own clinical teaching and learning.
[/ms_accordion_item] [/ms_accordion]
[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion_item title=”Regime de frequência” color=”” background_color=”” close_icon=”” open_icon=”” status=”open”]
Formato presencial.
[/ms_accordion_item] [/ms_accordion]
[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion_item title=”Candidaturas” color=”” background_color=”” close_icon=”” open_icon=”” status=”open”]
Condições específicas de acesso:
Profissionais de Saúde e estudantes do ensino superior da área da Saúde (licenciatura, mestrado ou doutoramento).
Critérios de seleção:
Os candidatos que cumpram as condições específicas de acesso serão ordenados pela ordem de submissão de candidatura.
Propinas:
Gerais: 100 €
Descontos:
- Desconto de 15% para formandos que se inscrevam em mais do que uma unidade de formação não gratuita da Escola de Verão da Faculdade de Medicina da Universidade do Porto;
- Desconto de 25% para estudantes inscritos em cursos de doutoramento, mestrado, especialização ou estudos avançados do MEDCIDS (não acumulável com desconto anterior);
- Isenção de pagamento de propina para docentes, investigadores, bolseiros e colaboradores do MEDCIDS – Departamento de Medicina da Comunidade, Informação e Decisão em Saúde – até ao limite de 7 formandos, sujeita a aprovação do Diretor do Departamento.
Vagas: máximo 30 | mínimo 5
Prazos de candidatura: até 3 julho de 2023
[/ms_accordion_item] [/ms_accordion]
[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion_item title=”Estrutura curricular” color=”” background_color=”” close_icon=”” open_icon=”” status=”open”]
Creditação: Curso não creditado
Duração: 8h
[/ms_accordion_item] [/ms_accordion]
[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion style=”simple” type=”1″ class=”” id=””]
[ms_accordion_item title=”Conteúdos programáticos” color=”” background_color=”” close_icon=”” open_icon=”” status=”open”]
– Fairness, bias, and transparency in medical AI
– Evaluation and limitations of current XAI methods
– Trade-off between model-agnostic and model-specific explainability
– Inherently interpretable models in supervised, unsupervised and semi-supervised learning for biology and medicine
– Ethical considerations in industrial deployment of AI
– Clinical cases, evaluation, and software of XAI for medicine
– Emerging challenges in explainable AI towards XAI 2.0
[/ms_accordion_item] [/ms_accordion]
[ms_accordion style=”simple” type=”1″ class=”” id=””]