Identificação pessoal

Nome completo

José Pedro Pereira Amorim

Nomes de citação

• Amorim, José Pereira

Identificadores de autor

Ciência ID

0813-E00E-1F0C

ORCID iD

0000-0002-9477-0078

Idiomas

Idioma	Conversação	Leitura	Escrita	Compreensão	Peer-review
Português (Idioma materno)
Inglês	Utilizador proficiente (C1)	Utilizador proficiente (C1)	Utilizador proficiente (C1)	Utilizador proficiente (C1)	Utilizador proficiente (C1)

	Grau	Classificação
2017/09/01 - 2022/12/01 Em curso	Doutoramento em Engenharia Informática (Doutoramento) Universidade de Coimbra Faculdade de Ciencias e Tecnologia, Portugal
2012/09/01 - 2017/01/07 Concluído	Engenharia Informática e Computação (Mestrado integrado) Universidade do Porto Faculdade de Engenharia, Portugal

Docência no Ensino Superior

	Categoria Profissional Instituição de acolhimento	Empregador
2020/09/01 - Atual	Assistente Convidado (Docente Universitário)	Universidade de Coimbra, Portugal
	Universidade de Coimbra Faculdade de Ciencias e Tecnologia, Portugal

Bolsa

	Designação	Financiadores
2018/09/01 - 2022/12/01	Research Grant SFRH/BD/136786/2018 SFRH/BD/136786/2018 Bolseiro de Doutoramento	Fundação para a Ciência e a Tecnologia
2017/09/01 - 2018/09/01	Early-stage cancer treatment, driven by context of molecular imaging (ESTIMA) NORTE-01-0145-FEDER-000027 Bolseiro de Doutoramento Instituto Português de Oncologia do Porto Francisco Gentil Centro de Investigação, Portugal	Fundação para a Ciência e a Tecnologia
2015/04/01 - 2015/07/01	Projeto SIBILA NORTE-07-0124-FEDER-000059 Bolseiro de Iniciação Científica	Fundação para a Ciência e a Tecnologia

Publicações

Artigo em conferência	Amorim, José Pereira; Abreu, Pedro H.; Reyes, Mauricio; Santos, Joao. Autor correspondente: Amorim, José Pereira. "Interpretability vs. Complexity: The Friction in Deep Neural Networks". 2020. 10.1109/ijcnn48605.2020.9206800 Ricardo Cardoso Pereira; Joana Cristo Santos; Amorim, José; Pedro Pereira Rodrigues; Henriques Abreu, Pedro. Autor correspondente: Ricardo Cardoso Pereira. "Missing Image Data Imputation using Variational Autoencoders with Weighted Loss". Trabalho apresentado em European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, 2020. Marques, Francisco; Duarte, Hugo; Santos, João; Domingues, Inês; Amorim, José P.; Abreu, Pedro H.. "An iterative oversampling approach for ordinal classification". 2019. 10.1145/3297280.3297560 Domingues, Ines; Amorim, Jose P.; Abreu, Pedro H.; Duarte, Hugo; Santos, Joao. "Evaluation of Oversampling Data Balancing Techniques in the Context of Ordinal Classification". 2018. 10.1109/ijcnn.2018.8489599 Amorim, José Pereira; Domingues, Inês; Henriques Abreu, Pedro. "Interpreting Deep Learning Models for Ordinal Problems". Trabalho apresentado em European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, 2018. Publicado
Artigo em revista	Amorim, José Pereira; Henriques Abreu, Pedro; Santos, João A. M; Müller, Henning. Autor correspondente: Amorim, José Pereira. "Evaluating Post-hoc Interpretability with Intrinsic Interpretability". Decision Support Systems (2023): https://arxiv.org/abs/2305.03002. Submetido Amorim, José Pereira; Abreu, Pedro H.; Santos, João; Cortes, Marc; Vila, Victor. Autor correspondente: Amorim, José Pereira. "Evaluating the faithfulness of saliency maps in explaining deep learning models using realistic perturbations". Information Processing & Management 60 2 (2023): 103225. http://dx.doi.org/10.1016/j.ipm.2022.103225. 10.1016/j.ipm.2022.103225 Graziani, Mara; Dutkiewicz, Lidia; Calvaresi, Davide; Amorim, José Pereira; Yordanova, Katerina; Vered, Mor; Nair, Rahul; et al. "A global taxonomy of interpretable AI: unifying the terminology for the technical and social sciences". Artificial Intelligence Review (2022): http://dx.doi.org/10.1007/s10462-022-10256-8. 10.1007/s10462-022-10256-8 Amorim, José Pereira; Henriques Abreu, Pedro; Fernandéz, Alberto; Reyes, Mauricio; Santos, João A. M.; Henriques Abreu, Miguel. Autor correspondente: Amorim, José Pereira. "Interpreting Deep Machine Learning Models: An Easy Guide for Oncologists". IEEE Reviews in Biomedical Engineering 16 1 (2021): 192-207. http://dx.doi.org/10.1109/rbme.2021.3131358. Publicado • 10.1109/rbme.2021.3131358
Capítulo de livro	Cardoso, Jaime; Van Nguyen, Hien; Heller, Nicholas; Henriques Abreu, Pedro; Isgum, Ivana; Silva, Wilson; Cruz, Ricardo; et al. "Interpretable and Annotation-Efficient Learning for Medical Image Computing". In Interpretable and Annotation-Efficient Learning for Medical Image Computing, C1-C1. Springer International Publishing, 2020. 10.1007/978-3-030-61166-8_30 • Editor