Objetivo O curso tem como foco introduzir as aplicações práticas de Machine Learning para o desenvolvimento e a avaliação de modelos preditivos na área da saúde. A capacitação une teoria e prática para lidar com dados reais, desde o pré-processamento até a implementação e interpretação dos algoritmos.

Conteúdo Programático

• Introdução: Perspectivas atuais e futuras do uso de Inteligência Artificial em saúde.

• Preparação de Dados: Pré-processamento, seleção de variáveis, padronização, one-hot encoding, tratamento de dados faltantes (missing), rebalanceamento de classes e prevenção de vazamento de informação (data leakage).

• Validação de Modelos: Sobreajuste (overfitting) e estratégias de divisão da amostra (treino, validação e teste).

• Avaliação de Performance: Mensuração de algoritmos preditivos utilizando Área Sob a Curva ROC (AUC), Precisão, Recall, Especificidade, Valor Preditivo Negativo (VPN) e Raiz Quadrada do Erro Quadrático Médio (RMSE).

• Algoritmos Preditivos: Modelagem para variáveis dependentes contínuas e categóricas utilizando regressões penalizadas (Lasso e Ridge), Redes Neurais, Random Forests, XGBoost, LightGBM, CatBoost e TabPFN.

• Otimização e Seleção: Técnicas de otimização de hiperparâmetros e estratégias para a seleção de variáveis preditoras (Boruta).

• Interpretabilidade: Identificação da importância das variáveis preditoras através de Shapley values (SHAP).

• Tópicos Avançados: Aprendizado federado (Federated Learning), aprendizado por transferência (Transfer Learning) e aprendizado contínuo (Online Learning).

• Ética: Principais desafios e implicações éticas do uso de Machine Learning no ecossistema de saúde.

Informações Gerais

• Corpo Docente: Prof. Dr. Alexandre Dias Porto Chiavegatto Filho e Prof. Dra. Keisyanne de Araujo Moura.

• Público-Alvo e Requisitos: Graduandos e graduados. É fundamental possuir conhecimento introdutório em estatística e programação.