<p>16, 17 e 18 de novembro de 2026.</p>
<p>Mais informa&ccedil;&otilde;es em breve!</p>

<p data-path-to-node="5,0"><strong data-path-to-node="5,0" data-index-in-node="0">Objetivo</strong> O curso tem como foco introduzir as aplica&ccedil;&otilde;es pr&aacute;ticas de <em data-path-to-node="5,0" data-index-in-node="68">Machine Learning</em> para o desenvolvimento e a avalia&ccedil;&atilde;o de modelos preditivos na &aacute;rea da sa&uacute;de. A capacita&ccedil;&atilde;o une teoria e pr&aacute;tica para lidar com dados reais, desde o pr&eacute;-processamento at&eacute; a implementa&ccedil;&atilde;o e interpreta&ccedil;&atilde;o dos algoritmos.</p>
<p data-path-to-node="5,1"><strong data-path-to-node="5,1" data-index-in-node="0">Conte&uacute;do Program&aacute;tico</strong></p>
<ul data-path-to-node="5,2">
<li>
<p data-path-to-node="5,2,0,0"><strong data-path-to-node="5,2,0,0" data-index-in-node="0">Introdu&ccedil;&atilde;o:</strong> Perspectivas atuais e futuras do uso de Intelig&ecirc;ncia Artificial em sa&uacute;de.</p>
</li>
<li>
<p data-path-to-node="5,2,1,0"><strong data-path-to-node="5,2,1,0" data-index-in-node="0">Prepara&ccedil;&atilde;o de Dados:</strong> Pr&eacute;-processamento, sele&ccedil;&atilde;o de vari&aacute;veis, padroniza&ccedil;&atilde;o, <em data-path-to-node="5,2,1,0" data-index-in-node="76">one-hot encoding</em>, tratamento de dados faltantes (<em data-path-to-node="5,2,1,0" data-index-in-node="125">missing</em>), rebalanceamento de classes e preven&ccedil;&atilde;o de vazamento de informa&ccedil;&atilde;o (<em data-path-to-node="5,2,1,0" data-index-in-node="202">data leakage</em>).</p>
</li>
<li>
<p data-path-to-node="5,2,2,0"><strong data-path-to-node="5,2,2,0" data-index-in-node="0">Valida&ccedil;&atilde;o de Modelos:</strong> Sobreajuste (<em data-path-to-node="5,2,2,0" data-index-in-node="35">overfitting</em>) e estrat&eacute;gias de divis&atilde;o da amostra (treino, valida&ccedil;&atilde;o e teste).</p>
</li>
<li>
<p data-path-to-node="5,2,3,0"><strong data-path-to-node="5,2,3,0" data-index-in-node="0">Avalia&ccedil;&atilde;o de Performance:</strong> Mensura&ccedil;&atilde;o de algoritmos preditivos utilizando &Aacute;rea Sob a Curva ROC (AUC), Precis&atilde;o, <em data-path-to-node="5,2,3,0" data-index-in-node="111">Recall</em>, Especificidade, Valor Preditivo Negativo (VPN) e Raiz Quadrada do Erro Quadr&aacute;tico M&eacute;dio (RMSE).</p>
</li>
<li>
<p data-path-to-node="5,2,4,0"><strong data-path-to-node="5,2,4,0" data-index-in-node="0">Algoritmos Preditivos:</strong> Modelagem para vari&aacute;veis dependentes cont&iacute;nuas e categ&oacute;ricas utilizando regress&otilde;es penalizadas (Lasso e Ridge), Redes Neurais, <em data-path-to-node="5,2,4,0" data-index-in-node="150">Random Forests</em>, XGBoost, LightGBM, CatBoost e TabPFN.</p>
</li>
<li>
<p data-path-to-node="5,2,5,0"><strong data-path-to-node="5,2,5,0" data-index-in-node="0">Otimiza&ccedil;&atilde;o e Sele&ccedil;&atilde;o:</strong> T&eacute;cnicas de otimiza&ccedil;&atilde;o de hiperpar&acirc;metros e estrat&eacute;gias para a sele&ccedil;&atilde;o de vari&aacute;veis preditoras (Boruta).</p>
</li>
<li>
<p data-path-to-node="5,2,6,0"><strong data-path-to-node="5,2,6,0" data-index-in-node="0">Interpretabilidade:</strong> Identifica&ccedil;&atilde;o da import&acirc;ncia das vari&aacute;veis preditoras atrav&eacute;s de <em data-path-to-node="5,2,6,0" data-index-in-node="85">Shapley values</em> (SHAP).</p>
</li>
<li>
<p data-path-to-node="5,2,7,0"><strong data-path-to-node="5,2,7,0" data-index-in-node="0">T&oacute;picos Avan&ccedil;ados:</strong> Aprendizado federado (<em data-path-to-node="5,2,7,0" data-index-in-node="41">Federated Learning</em>), aprendizado por transfer&ecirc;ncia (<em data-path-to-node="5,2,7,0" data-index-in-node="93">Transfer Learning</em>) e aprendizado cont&iacute;nuo (<em data-path-to-node="5,2,7,0" data-index-in-node="136">Online Learning</em>).</p>
</li>
<li>
<p data-path-to-node="5,2,8,0"><strong data-path-to-node="5,2,8,0" data-index-in-node="0">&Eacute;tica:</strong> Principais desafios e implica&ccedil;&otilde;es &eacute;ticas do uso de <em data-path-to-node="5,2,8,0" data-index-in-node="58">Machine Learning</em> no ecossistema de sa&uacute;de.</p>
</li>
</ul>
<p data-path-to-node="5,3"><strong data-path-to-node="5,3" data-index-in-node="0">Informa&ccedil;&otilde;es Gerais</strong></p>
<ul data-path-to-node="5,4">
<li>
<p data-path-to-node="5,4,0,0"><strong data-path-to-node="5,4,0,0" data-index-in-node="0">Corpo Docente:</strong> Prof. Dr. Alexandre Dias Porto Chiavegatto Filho e Prof. Dra. Keisyanne de Araujo Moura.</p>
</li>
<li>
<p data-path-to-node="5,4,1,0"><strong data-path-to-node="5,4,1,0" data-index-in-node="0">P&uacute;blico-Alvo e Requisitos:</strong> Graduandos e graduados. &Eacute; fundamental possuir conhecimento introdut&oacute;rio em estat&iacute;stica e programa&ccedil;&atilde;o.</p>
</li>
</ul>

<p data-path-to-node="9">Com o aumento exponencial da disponibilidade de dados na &aacute;rea da sa&uacute;de, o uso de modelos preditivos tornou-se uma ferramenta essencial para a pesquisa acad&ecirc;mica e para o suporte &agrave; decis&atilde;o cl&iacute;nica. A disciplina <strong data-path-to-node="9" data-index-in-node="210">Machine Learning para Predi&ccedil;&otilde;es em Sa&uacute;de (EPI5717)</strong> tem como objetivo capacitar alunos de p&oacute;s-gradua&ccedil;&atilde;o a desenvolverem e validarem esses modelos com rigor metodol&oacute;gico.</p>
<p data-path-to-node="10">Ministrada pelo <strong data-path-to-node="10" data-index-in-node="16">Prof. Dr. Alexandre Chiavegatto Filho</strong>, a disciplina prioriza a pr&aacute;tica. O curso foca no tipo de dado mais frequente na realidade hospitalar e epidemiol&oacute;gica: os <strong data-path-to-node="10" data-index-in-node="177">dados estruturados (tabulares)</strong>, utilizando a linguagem de programa&ccedil;&atilde;o <strong data-path-to-node="10" data-index-in-node="247">Python</strong>.</p>