Pós-Graduação

Análise exploratória de dados com o R

  • Professor(a): Sergio Miranda Freire
  • Programa: PGCM
  • Nível: Mestrado/Doutorado
  • Carga Horária: 45 horas
  • Créditos: 3
  • Ementa: Classificação de variáveis. Instalação do R. R Studio. R Commander. Comandos Básicos no R. Tipos de dados no R.  Acesso aos dados no R.  R Markdown. Medidas de tendência central e dispersão. Gerenciamento de dados. Visualização de dados. Medidas de associação.  Tabulação de dados no R. Gerenciando uma sessão. Estruturas de controle. Funções.

Bioestatística Básica

  • Professor(a): Sergio Miranda Freire
  • Programa: PGCM
  • Nível: Mestrado/Doutorado
  • Carga Horária: 45 horas
  • Créditos: 3
  • Ementa: Capacitar o aluno para realizar análise de dados básicas, abordando os seguintes tópicos: Conceitos básicos; Tipos de variáveis; Resumo de dados; Representação gráfica; Noções de inferência estatística; Estimação de parâmetros; Estimação por intervalos de confiança; Testes de hipóteses paramétricos e não paramétricos; Testes de associações em tabelas de contingência; Análise de Variância (ANOVA); Regressão Linear; Regressão Logística.

Estatística Aplicada à Projetos de Pesquisa

  • Professores: Carlos Augusto Moreira de Sousa e Lincoln Faria da Silva
  • Programa: TELESSAÚDE E SAÚDE DIGITAL UERJ
  • Nível: Mestrado
  • Carga Horária: 60 horas
  • Créditos: 4
  • Ementa: introdução à estatística descritiva; Introdução à probabilidade; Introdução à inferência estatística; Noções de amostragem; Introdução ao conceito de Intervalo de confiança, Introdução ao conceito de teste de hipóteses, Introdução aos estudos de comparações em saúde, avaliação de testes diagnósticos.

Gerenciamento de pesquisas clínicas com o software REDCap

  • Professor(a): Sergio Miranda Freire
  • Programa: PGCM
  • Nível: Mestrado/Doutorado
  • Carga Horária: 45 horas
  • Créditos: 3
  • Ementa: Tipos de projetos do REDCap, Elaboração de formulários, Controle de acesso, Criação de eventos, Relatório e exportação de dados, Templates, Dicionário de dados, Realização de enquete, Randomização.

Informação em Saúde

  • Professores: Rômulo Cristóvão de Souza, Carlos Eduardo Raymundo, Carlos Augusto Moreira de Sousa e Lincoln Faria da Silva
  • Programa: TELESSAÚDE E SAÚDE DIGITAL UERJ
  • Nível: Mestrado
  • Carga Horária: 60 horas
  • Créditos: 4
  • Ementa: Conceitos de Dado, Informação e Sistemas de Informação em Saúde; Banco de Dados; Big Data; Data Warehouse; Business Intelligence; Internet das Coisas; Computação Cognitiva; Visualização de Dados; Mineração de Dados; Inteligência Artificial e suas Aplicações em Saúde.

Introdução à Análise Preditiva em Saúde com Machine Learning

  • Professores: Lincoln Faria da Silva e Carlos Augusto Moreira de Sousa
  • Programa: TELESSAÚDE E SAÚDE DIGITAL UERJ
  • Nível: Mestrado
  • Carga Horária: 60 horas
  • Créditos: 4
  • Ementa: o que é machine learning e seus tipos de aprendizados; os fundamentos em machine learning; a tarefa de classificação; a tarefa de regressão; os conceitos estatísticos em machine learning; os fundamentos de redes neurais artificiais; deep learning.

Introdução à Revisão Sistemática e Metanálise

  • Professores: Carlos Augusto Moreira de Sousa e Lincoln Faria da Silva
  • Programa: TELESSAÚDE E SAÚDE DIGITAL UERJ
  • Nível: Mestrado
  • Carga Horária: 60 horas
  • Créditos: 4
  • Ementa: Introdução à busca bibliográfica; descritores, expressões de busca, métricas em busca bibliográficas, Revisão sobre tipos de desenhos de estudos epidemiológicos, Introdução à metanálise; metanálise para dados contínuos, metanálise para dados categóricos, viés de publicação em metanálise.

Introdução ao Aprendizado de Máquina (Machine Learning) e Inteligência Artificial (AI) Aplicados à Saúde

  • Professores: Carlos Augusto Moreira de Sousa e Lincoln Faria da Silva
  • Programa: PGCM
  • Nível: Mestrado/Doutorado
  • Carga Horária: 30 horas
  • Créditos: 2
  • Pré-requisitos: Não há pré-requisitos
  • Ementa: O que é machine learning (ML), seus tipos de aprendizados (Computer-Aided Diagnosis – CAD); Statistical learning – conceitos estatísticos em ML; Tarefas de classificação em saúde (teoria e aplicações); Tarefas de regressão em saúde (teoria e aplicações); Introdução a redes neurais – teoria; Introdução a redes neurais multi camadas – teoria; Tipos de usos de redes neurais em saúde e suas interpretações (imagens, exames)