---
tags: hacking-health
---

# HHBRES: Hands-on #18 2019-06-29

## Tópicos

- Auto ML
- Machine Learning na saúde: Muitos dados ou pouco dados?
- Qual melhor metodo de medir um modelo? Acuracia? Curva ROC?
- Como selecionar as melhores features de ML?
- Algebra Linear para Machine Learning
- Quais algoritmos se baseiam em matrizes?
- Proposta de valor para gestores de saúde: Como o machine learning pode auxiliar no processo de decisão?
- Qual a importancia da interpretabilidade em Machine Learning?

## Links
- [Papers with Code](https://paperswithcode.com/)
- [Simplifying the ROC and AUC metrics.](https://towardsdatascience.com/understanding-the-roc-and-auc-curves-a05b68550b69)
- [Metodos estatisticos: R squared](https://blog.minitab.com/blog/adventures-in-statistics-2/regression-analysis-how-do-i-interpret-r-squared-and-assess-the-goodness-of-fit)
- [Selecionar as melhores features ML](https://medium.com/data-hackers/como-selecionar-as-melhores-features-para-seu-modelo-de-machine-learning-faf74e357913)
- [Matrizes e Machine Learning](http://www.cienciaedados.com/por-que-voce-deve-aprender-algebra-linear-para-trabalhar-com-machine-learning/)
- [Livro Interpretable Machine Learning](https://christophm.github.io/interpretable-ml-book/interpretability-importance.html)
- Como formular problemas de _machine learning_
- https://machinelearningmastery.com/how-to-define-your-machine-learning-problem/
- https://www.kdnuggets.com/2018/10/define-machine-learning-problem-detective.html
- https://medium.com/thelaunchpad/a-step-by-step-guide-to-machine-learning-problem-framing-6fc17126b981