Análisis bayesiano para datos de salud
VolverInformación General
| Programa | XXI Escuela Internacional de Verano 2020 |
|---|---|
| Año | 2020 |
| Semestre | Primero |
| Nombre | Análisis bayesiano para datos de salud |
| Nombre Convenio Marco | Análisis bayesiano para datos de salud |
| Equipo coordinador | Encargado: Andrés Iturriaga Jofré Coordinador: Andrés Iturriaga Jofré Administrativo: Janet Recabarren Valdés |
| Equipo docente |
|
| Unidad académica | Programa de Bioestadística |
| Versión | 1 |
| Modalidad | Presencial |
| Tipo de Curso | |
| Créditos 30 | 0 |
| Horas del Programa |
Horas directas (sincrónicas y asincrónicas): 20 Horas indirectas: 10 |
| Codigo SENCE | 1640784 |
| Días y Horarios | 9:00 a 13:00 horas |
| Lugar | |
| Cupo alumnos mínimo | 6 |
| Cupo alumnos máximo | 20 |
| Competencias y Habilidades necesarias para la Asignatura (Pre-requisitos) |
Conocimientos básicos de bioestadística. |
| Arancel | $ |
| Duración (semanas) | 1 |
| Fecha Inicio | 13/01/2020 |
| Fecha Término | 17/01/2020 |
Características del Curso
Área Temática
Fundamentos
En los últimos años se ha generado una verdadera “explosión” de nuevos métodos para el análisis de datos provenientes de áreas como el aprendizaje automático (machine learning). Lo anterior es una respuesta natural a la necesidad de analizar datos con estructura compleja y a integrar en su análisis el conocimiento previo. Ya sea para el monitoreo epidemiológico, o el descubriento de asociaciones entre potenciales factores de riesgo y enfermedades, el paradigma Bayesiano ofrece una serie de ventajas a ser aprovechadas en el análisis de datos de salud. El objetivo de esto es mejorar el modelamiento de la incertidumbre asociada a la toma de decisiones en salud pública.
Objetivo General
Introducir al alumno a los conceptos básicos del aprendizaje Bayesiano y dar a conocer algunas metodologías actuales del área, y su potencial uso en datos de salud.
Objetivos Específicos
- Aplicar metodologías básicas de análisis Bayesiano a datos de salud, utilizando software libre R.
- Conocer algunas aplicaciones del paradigma Bayesiano para resolver problemas con datos en salud.
- Conocer los fundamentos del paradigma de aprendizaje Bayesiano.
Contenidos/Temas
listo
Destinatarios
Profesionales, investigadores y académicos en áreas afines o que utilizan herramientas de análisis de datos, con intereses en aprender sobre aplicaciones del paradigma Bayesiano para datos de salud.
Metodología
Clases expositivas.
Talleres aplicados mediante uso del software R.
Formas de Evaluación
- Este curso es evaluado
- Otra forma de evaluación: Evaluación escrita no presencial para quienes lo requieran.
Calendario
| Sesión | Fecha | Hora | Docentes | Contenidos | Modalidad | Actividad |
|---|---|---|---|---|---|---|
| 13 enero 2020 | 9:00 - 13:00 | Felipe Andrés Medina Marín Sandra Andrea Flores Alvarado Andrés Iturriaga Jofré |
Repaso de inferencia estadística. Conceptos de inferencia Bayesiana. Comparación entre inferencia clásica y Bayesiana. | Clase Presencial | ||
| 14 enero 2020 | 9:00 - 13:00 | Felipe Andrés Medina Marín Sandra Andrea Flores Alvarado Andrés Iturriaga Jofré |
Repaso de regresión logística clásica. Enfoque Bayesiano para la regresión logística. Aplicaciones con R. | Clase Presencial | ||
| 14 enero 2020 | 9:00 - 13:00 | Felipe Andrés Medina Marín Sandra Andrea Flores Alvarado Andrés Iturriaga Jofré |
Extensiones espacio-temporales del modelo de regresión logística Bayesiana. | Clase Presencial | ||
| 15 enero 2020 | 9:00 - 13:00 | Felipe Andrés Medina Marín Sandra Andrea Flores Alvarado Andrés Iturriaga Jofré |
Repaso de regresión de Poisson clásica. Enfoque Bayesiano para la regresión de Poisson. Aplicaciones con R. | Clase Presencial | ||
| 15 enero 2020 | 9:00 - 13:00 | Felipe Andrés Medina Marín Sandra Andrea Flores Alvarado Andrés Iturriaga Jofré |
Extensiones espacio-temporales del modelo de regresión de Poisson Bayesiano. | Clase Presencial | ||
| 16 enero 2020 | 9:00 - 13:00 | Felipe Andrés Medina Marín Sandra Andrea Flores Alvarado Andrés Iturriaga Jofré |
Introducción a los modelos de mezclas. Conexión con métodos de aprendizaje no supervisado. | Clase Presencial | ||
| 16 enero 2020 | 9:00 - 13:00 | Felipe Andrés Medina Marín Sandra Andrea Flores Alvarado Andrés Iturriaga Jofré |
Aplicaciones para datos de salud. Introducción a los métodos Bayesianos no paramétricos. | Clase Presencial | ||
| 17 enero 2020 | 9:00 - 13:00 | Felipe Andrés Medina Marín Sandra Andrea Flores Alvarado Andrés Iturriaga Jofré |
Introducción al aprendizaje de máquinas desde una perspectiva Bayesiana (Bayesian machine learning). | Clase Presencial |
Bibliografía
| Tipo lectura | Tipo contenido | Referencia | Archivos |
|---|---|---|---|
| Básica/Obligatoria | Libro | Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian data analysis. Chapman and Hall/CRC. | |
| Recomendada/Complementaria | Libro | Barber, D. (2012). Bayesian reasoning and machine learning. Cambridge University Press. | |
| Recomendada/Complementaria | Libro | Marin, J. M., & Robert, C. P. (2014). Bayesian essentials with R (Vol. 48). New York: Springer. |
Recursos de Plataforma
Tutores/Dinamizadores
|