Objetivo: Introduzir o aluno ao uso prático dos modelos preditivos de inteligência artificial (machine

learning).

Facilitadores: Alexandre Chiavegatto (Professor, Faculdade de Saúde Pública/USP), Ruchelli Lima (doutoranda,
Faculdade de Saúde Pública – USP).

Local e data:
• 25 e 26 de Junho de 2018.
• Horário: 09h às 18h.
• Ministério da Saúde, sala 125, sobreloja (1º andar), Edifício sede – Brasília – DF.

Programação:
Horário Atividade

25 de Junho 2018

09:00 – 09:15 Abertura

• Possibilidades do uso de inteligência artificial com foco na área da saúde.
• Inteligência artificial e machine learning: definições e avanços recentes.
09:15 – 11:00 • Diferença entre estudos de inferência e estudos de predição.

11:00 – 11:15 Intervalo

• Introdução ao uso do R para limpeza, transformação e visualização de dados.
• Introdução ao uso do Python para limpeza, transformação e visualização de
dados.
11:15 – 12:30

12:30 – 13:30 Almoço

• Categorias de machine learning: aprendizado supervisionado, não supervisionado,
semi-supervisionado e por reforço.
• Problemas de classificação e de regressão.
• Seleção das variáveis preditoras.
13:30 – 15:30 • Vazamento de dados em estudos de predição.
• Padronização de variáveis preditoras contínuas.
• Redução de dimensão.

15:30 – 15:45 Intervalo

• Utilização de dados missing para realizar predições.
• Categorização de one-hot encoding para variáveis preditoras categóricas.
15:45 – 18:00 • Sobreajuste e divisão da amostra em treino, validação e teste.
• Utilização de validação cruzada para definição dos hiperparâmetros.

1|Page
 • Teorema do “não há almoço grátis” em machine learning.

Horário Atividade

26 de Junho 2018

• Mensuração da performance de modelos de regressão: root mean squared error,

R² e erro aboluto médio.
• Mensuração da performance de modelos de classificação: acurácia, sensibilidade,
especificidade e área abaixo da curva ROC.
09:00 – 11:00 • Definição sobre valor do threshold para problemas de classificação.
• Gráficos de calibração em problemas de classificação.
• Mensuração da importância de variáveis preditoras.
• Regressões lineares e logísticas para a realização de predições.

11:00 – 11:15 Intervalo

• Algoritmos de machine learning.
• Regressões penalizadas de lasso, ridge e redes elásticas.
11:15– 12:30 • Mínimos quadrados parciais.
• Support Vector Machines.
• Multivariate Adaptive Regression Splines (MARS).
12:30 – 13:30 Almoço
• Árvores de decisão.
• Random forests.
13:30 – 15:30
• Gradient boosted trees.
• Redes neurais.
15:30 – 15:45 Intervalo
• Deep learning.
15:45 – 18:00 • Limitações falsas e reais do uso de machine learning.
• Consequências sociais positivas e negativas do uso de machine learning.

Software:

É importante que todos os alunos levem seus próprios notebooks, com os softwares R, RStudio e Anaconda
instalados. Links para downloads:

• R (https://cran.r-project.org/).
• Rstudio Desktop (https://www.rstudio.com/).
• Anaconda – versão Python 3.6 (https://www.anaconda.com/download/).
• Tutorials:
o https://www.statmethods.net/r-tutorial/index.html
o http://www.r-tutor.com/r-introduction
o https://users.physics.unc.edu/~sheila/pythontutorial.html
o https://machinelearningmastery.com/setup-python-environment-machine-learning-deep-
learning-anaconda/

2|Page
Referências:

Kuhn M, Johnson Kjell. Applied predictive modelling. Springer; 2013

Goodfellow I, Bengio Y, Courville A. Deep learning. MIT Press; 2016.
Wickham G, Grolemund G. R for data Science. O’Reilly; 2017. (http://r4ds.had.co.nz/)

Lista de participantes:

Nome Instituição Contato

1. Aderson Lucas Guimarães Mendonça DEMAS/SE/MS aderson.medeiros@saude.gov.br
Medeiros
2. Adriana Christina Pinto Rodrigues DEMAS/SE/MS adriana.christina@saude.gov.br
3. Ana Cristina Wanzeler DESID/MS ana.wanzeler@saude.gov.br
4. Camila Bastos Pöttker DEMAS/SE/MS camila.pottker@saude.gov.br
5. Cristiano Lehrer DANTPS/SVS/MS cristiano@ybadoo.com.br
6. Daniel Alisson Feitosa Lopes IPEA daniel.lopes@ipea.gov.br
7. Daniel de Castro Simplicio Banco Mundial dsimplicio@worldbankgroup.org
8. Edson Correia Araujo Banco Mundial earaujo@worldbank.org
9. Elisete Rodrigues Pereira DRAC/SAS/MS elisete.pereira@saude.gov.br
10. Fabio Monteiro Vaz IPEA fabio.vaz@ipea.gov.br
11. Fabio Sola Bittar Banco Mundial fbittar@worldbank.org
12. Flávia Farias DESID/MS flavia.farias@saude.gov.br
13. Gilson Leite de Oliveira DEMAS/SE/MS gilson@saude.gov.br
14. Henrique de Barros Moreira Beltrão DEMAS/SE/MS henrique.beltrao@saude.gov.br
15. Isabella Vitral Pinto DANTPS/SVS/MS isabella.pinto@saude.gov.br
16. Ivan Ricardo Zimmermann DAF/SCTIE/MS ivan.zimmermann@saude.gov.br
17. Jesse da Nóbrega Batista DAF/SCTIE/MS jesse.azevedo@saude.gov.br
18. Leandro Costa Banco Mundial lcosta@worldbank.org
19. Luís Cláudio Ribeiro Neves DEMAS/SE/MS luis.cneves@saude.gov.br
20. Mariana Gonçalves Freitas DANTPS/SVS/MS mariana.freitas@saude.gov.br
21. Maurício Augusto Coelho DEMAS/SE/MS mauricio.coelho@saude.gov.br
22. Patrícia dos Santos Irigaray Rodrigues DEMAS/SE/MS patricia.irigaray@saude.gov.br
23. Roberta Maria Leita Costa DANTPS/SVS/MS roberta.costa@saude.gov.br
24. Roberta Wichmann Banco Mundial robertawichmann@worldbank.org

3|Page