Relatório de estágio

No âmbito do Mestrado em Educação Pré-escolar e Ensino do 1.º Ciclo do Ensino Básico, o presente relatório de estágio, requisito parcial para obtenção do grau de mestre, espelha o processo de desenvolvimento profissional da mestranda, nas unidades curriculares de Prática Pedagógica Supervisionada na Educação Pré-Escolar e Prática Pedagógica Supervisionada no 1.º Ciclo do Ensino Básico. Assim, realça o desenvolvimento de competências profissionais e pessoais, relativas ao saber-agir ser e estar em contexto, fundamentadas num enquadramento teórico e legal conciso e exigente, sustentadas pela metodologia investigação-ação, recorrendo às estratégias de observação, planificação, ação, avaliação e reflexão no sentido da transformação da prática letiva, melhorandoas. Nesta linha de pensamento, a mestranda construiu o seu perfil profissional, desenvolveu atitudes indagadoras e um pensamento crítico na, para e sobre sua a ação, articulando a teoria com a prática. Realça, ainda, que a colaboração com o par pedagógico, educadora/professora cooperante e supervisores institucional constituiu um forte contributo para a construção de representações daquilo que é ser educadora/professora do 1º CEB na atualidade. O relatório é, por si mesmo, um espaço de aprendizagem e reflete o início da construção da identidade profissional da futura educadora/professora.

E-Learning as a shared service in shared services centers

Book Subtitle International Conference, CENTERIS 2010, Viana do Castelo, Portugal, October 20-22, 2010, Proceedings, Part II

Educational in a global environment: non-formal examples of learning practices at the international office

23rd SPACE AGM and Conference from 9 to 12 May 2012 Conference theme: The Role of Professional Higher Education: Responsibility and Reflection Venue: Mikkeli University of Applied Sciences, Mikkeli, Finland

High-Content Analysis of Breast Cancer Using Single-Cell Deep Transfer Learning

High-content analysis has revolutionized cancer drug discovery by identifying substances that alter the phenotype of a cell, which prevents tumor growth and metastasis. The high-resolution biofluorescence images from assays allow precise quantitative measures enabling the distinction of small molecules of a host cell from a tumor. In this work, we are particularly interested in the application of deep neural networks (DNNs), a cutting-edge machine learning method, to the classification of compounds in chemical mechanisms of action (MOAs). Compound classification has been performed using image-based profiling methods sometimes combined with feature reduction methods such as principal component analysis or factor analysis. In this article, we map the input features of each cell to a particular MOA class without using any treatment-level profiles or feature reduction methods. To the best of our knowledge, this is the first application of DNN in this domain, leveraging single-cell information. Furthermore, we use deep transfer learning (DTL) to alleviate the intensive and computational demanding effort of searching the huge parameter's space of a DNN. Results show that using this approach, we obtain a 30% speedup and a 2% accuracy improvement.