Programação

Machine learning aplicado à saúde

Por Alexandre Chiavegatto Filho

Resumo

O rápido aumento na quantidade de dados em saúde tem aberto novas oportunidades para a saúde brasileira. Entre as várias novidades proporcionadas por esse crescimento, destaca-se o uso de modelos preditivos de inteligência artificial, conhecidos como machine learning. A palestra tem como objetivo apresentar essa área cada vez mais utilizada na saúde e nas empresas, com foco em aplicações práticas e estudos científicos desenvolvidos pelo LABDAPS da Faculdade de Saúde Pública da USP.

Uso de funcionais em R: evitando loops e seus benefícios

Por Pedro Rafael Diniz Marinho

Resumo

Programação Funcional - PF refere-se ao paradigma de programação em que muitos programadores ou pessoas que necessitam de programação como uma ferramenta em suas análises podem não estar familiarizados. A linguagem R, por ser uma linguagem de programação multiparadigma herda características de linguagens com paradigma de PF, em que essas características facilitam a programação de simulações estatísticas, além de fornecer, em alguns casos, um melhor desempenho computacional. A palestra intitulada "Uso de Funcionais em R: evitando loops e seus benefícios" tem como objetivo apresentar alguns aspectos herdados por R de linguagens com paradigma de PF.

Por meio de funcionais será resolvido um problema que envolve simulações de Monte-Carlo - MC, em que veremos os benefícios de considerar o uso de funcionais em simulações estatísticas, tornando o código mais simples de entender e mais fácil de ser otimizado, paralelizado e mantido. Aspectos de tratamento de erros serão mencionados na implementação do código e referências de estudos futuros serão apresentadas.

A class of residuals for outlier identification in zero adjusted regression models

Por Manoel Santos-Neto

Resumo

Zero adjusted regression models are used to fit variables that are discrete at zero and continuous at some interval of the positive real numbers. Diagnostic analysis in these models is usually performed using the randomized quantile residual, which is useful for checking the overall adequacy of a zero adjusted regression model. However, it may fail to identify some outliers. In this work, we introduce a class of residuals for outlier identification in zero adjusted regression models. Monte Carlo simulation studies and two applications suggest that one of the residuals of the class introduced here has good properties and detects outliers that are not identified by the randomized quantile residual.