Visão Geral

Curso Data Science for Healthcare. Como a ciência de dados se enquadra na análise de saúde de alto valor? Quais são as diferenças entre Aprendizado de Máquina (ML) e Inteligência Artificial (IA)? Este Curso Data Science for Healthcare, e uma  visão geral executiva on-line de ciência de dados para saúde é um briefing em estilo de workshop e discute como a ciência de dados se encaixa no cenário da saúde, desmistifica os jargões da ciência de dados, compara linguagens de programação de ciência de dados como R e Python e muito mais. Os participantes recebem uma visão geral completa dos conceitos de ciência de dados e, em seguida, realizam exercícios práticos com seu instrutor.

Objetivo

Após realizar este Curso Data Science for Healthcare você será capaz de:

• Entenda como a ciência de dados se encaixa no cenário existente de bioestatística, epidemiologia e informática tradicionais
• Coloque a frase “ciência de dados” no contexto mais amplo da implementação de análises de saúde de alto valor
• Descreva o ambiente de dados em mudança que motivou essa mudança
• Compreender as definições e a intuição dos principais elementos da ciência de dados, como aprendizado de máquina e computação distribuída
• Diferencie o aprendizado de máquina das técnicas de aprendizado profundo/IA
• Compare as diferenças e semelhanças de soluções analíticas de código aberto, como R e Python, com softwares comerciais, como SAS e SPSS
• Identifique as diferentes funções e conjuntos de habilidades relacionados necessários para implementar fluxos de trabalho de ciência de dados de alto valor a partir de uma perspectiva de gerenciamento de equipe

Materiais

Conteúdo Programatico

Using Data to Solve Healthcare Issues (What changed and how did we get here?)

1. New data sources and new demands on data insight
2. The democratization of data science tools
3. What changed in the past 10 years; why ‘data science’?
4. Coming up with definitions for data science: operational and conceptual
5. How does data science differ from ‘traditional’ biostatistics, informatics, or epidemiology?

Implementing High-value Data Science in the Organization

1. Is big data the right data?
2. Building the right data infrastructure
3. Data versus insights, interesting reports versus high-value products
4. Defining value in data science products
5. The cost of low-value data science
6. The typical data science team
7. Integrating human-centered design principles to increase the value of these products

Understanding Explanatory Models

1. P-values and hypothesis testing
2. Correlation versus causation, observational versus experimental data
3. Multivariable modeling approaches to explain the relationship between inputs and outputs
4. Assumptions for causal inference and associated interpretation
5. Bayesian modeling: turning the traditional paradigm around

Developing Predictive Modeling with Machine Learning

1. Clustering versus Supervised models
2. Classification versus Regression
3. Regression example in-depth with example code
4. Validation strategies for avoiding overfitting, understanding model capacity
5. Different families of algorithms: high-level overview
6. Classification example in-depth with example code
7. Understanding accuracy: what do these measures mean?
8. Clustering in-depth: use cases and explaining output
9. Clustering on treatment effects: does the exposure cause a different reaction in different people?

Deep Learning and AI

1. What is a neural network? How is it different from other ML?
2. Artificial feed-forward neural networks and applications
3. Neural networks for time series data (recurrent neural networks and convolutional neural networks)
4. Neural networks for natural language processing
5. Predictive modeling for image classification

Building and Maintaining a Highly Effective Data Science Team

1. Traits of high performing (and low performing) organizational analytic cultures
2. What cultural shifts are required for your department?
3. Roles on the data science team:
   1. Data architects and engineers (organize, move, and store data)
   2. Data managers (extract and transform data for use)
   3. Analysts/statisticians (answer questions using data for insight)
   4. Topical experts (subject matter experts)
4. Identify roles/skillsets for each of these workflows
5. Combining these skills and roles into a single team
6. Training trajectories for core members of these teams (who needs what)
7. Hiring strategies to build successful data science teams
8. Developing training opportunities for staff doing work in data science
9. Hardware/software infrastructure required