Mestrado Integrado em Engenharia Biomédica http://www.fe.up.pt/ rcamacho/cadeiras/eda FEUP Universidade do Porto rcamacho@fe.up.pt 14 de Setembro de 2009
Objectivos da disciplina A disciplina tem por objectivos dotar os alunos da capacidade de: 1. desenvolver pequenos programas em C; 2. utilizar estruturas de dados de modo adequado aos problemas; 3. utilizar de modo adequado técnicas de concepção de algoritmos; e 4. utilizar algoritmos de Análise Automática de Dados (Data Mining) em aplicações das Ciências da Vida.
Conteúdo da disciplina 1. Programação em C: tipos e instruções do C; funções; Entrada/Saída; estruturas; vectores; ficheiros; apontadores; biblioteca padrão 2. Estruturas de dados: estruturas lineares; árvores; e grafos. 3. Conceitos fundamentais de algoritmia. Técnicas concepção de algoritmos: divisão e conquista; algoritmos gananciosos ( greedy ); programação dinâmica; algoritmos de retrocesso ( backtracking ); algoritmos probabiĺısticos. 4. Algoritmos eficientes em grafos: visita em largura e em profundidade; ordenação topológica; caminho mais curto; árvore de expansão mínima; fluxo máximo; circuito de Euler. 5. Algoritmos de Análise Automática de Dados Classificação Clustering
Metodologia da disciplina exposição formal da matéria (aulas teórico-práticas) apresentação de exemplos e sua discussão (aulas teórico-práticas) trabalhos de pequena dimensão (aulas teórico-práticas e Laboratórios)
Bibliografia Bibliografia principal: Problem Solving & Program Design in C, Jeri R. Hanly e Elliot B. Koffman, Addison Wesley, 2002 Data structures & algorithm analysis in C, Mark Alalen Weiss, Addison Wesley, 1997 Machine Learning Tom Mitchell, McGraw-Hill, 1997 Bibliografia complementar: An Introduction to Bioinformatics Algorithms, Neil C. Jones e Pavel A. Pevzner, MIT Press, 2004 Data Mining: Practical Machine Learning Tools and Techniques (2nd Edition), Ian H. Witten e Eibe Frank, Morgan Kaufmann, 2005
Ferramentas recomendadas Eclipse http://www.eclipse.org Weka http://www.cs.waikato.ac.nz/ml/weka/ RapidMiner http://rapid-i.com/ CN2 http://www.cs.utexas.edu/users/pclark/software/
Avaliação Classificação de frequência Exame final 10 valores (50% da nota final) trabalhos práticos 90% trabalhos práticos (9 valores na nota final) participação nas aulas, atribuída pelo professor das práticas 10% da avaliação de frequência (1 valor na nota final) 10 valores (50% da nota final) prova com consulta e duração máxima de 2 horas Nota mínima de 50% na classificação de frequência Nota mínima de 6 valores no exame final
Informações adicionais Melhoria de Classificação A classificação distribuída só pode ser melhorada frequentando de novo a disciplina num ano lectivo posterior. Avaliação Especial (TE, DA,...) Os alunos que frequentam ao abrigo de estatutos especiais têm os mesmos requisitos de avaliação de frequência dos alunos regulares, devendo realizar os trabalhos práticos propostos e fazer a sua demonstração nas épocas estabelecidas.
Lembretes Os acetatos NÃO são OS elementos de estudo é fundamental ler livros Começar desde o início a trabalhar para os trabalhos práticos qd estiverem estabelecidos Distribuir tarefas entre os elementos do grupo de trabalho