Previsão na área farmacológica: modelos estatísticos vs Deep Learning

Detalhes bibliográficos
Autor(a) principal: Ferreira, Raquel Marques
Data de Publicação: 2017
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/1822/62543
Resumo: Dissertação de mestrado integrado em Engenharia Biomédica (área de especialização Informática Médica)
id RCAP_f02df25542d952b17e73c3c21353c364
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/62543
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Previsão na área farmacológica: modelos estatísticos vs Deep LearningEngenharia e Tecnologia::Engenharia MédicaDissertação de mestrado integrado em Engenharia Biomédica (área de especialização Informática Médica)Hoje em dia, a tomada de decisões de forma rápida e eficaz é essencial nas organizações de saúde. Neste sentido, surgem os Sistemas de Apoio à Decisão, as plataformas de Business Intelligence e os Sistemas de Tratamento de Dados. De forma a apoiar a decisão no âmbito farmacêutico surgem plataformas de previsão, as quais pretendem auxiliar ao máximo a tomada de decisão por parte dos prestadores de saúde. No âmbito desta dissertação, foi realizado um projeto com o objetivo de extrair conhecimento de forma automatizada a partir de informações passadas e traduzi-las de forma a desenvolver um sistema de previsão de vendas para a área farmacêutica. Tradicionalmente, na área da previsão, é comum a utilização de modelos estatísticos, no entanto é interessante perceber se o Deep Learning consegue acompanhar os resultados obtidos através destes modelos. Para o efeito, foi elaborado um estudo comparativo entre modelos de previsibilidade, conseguidos através de modelos estatísticos e conexionistas. Para os primeiros fez-se uso de funções de modelação disponíveis em librarias da linguagem de programação R e no segundo foram aplicadas redes neuronais recorrentes, nomeadamente as Long Short Term Memory, através de bibliotecas disponíveis em Python para construção de um modelo deep learning. As metodologias desenvolvidas através dos diferentes modelos de previsibilidade foram aplicadas a três casos de estudo, cada um associado a um conjunto de dados diferente. Assim, tornou-se possível analisar o comportamento dos modelos desenvolvidos quando aplicados a conjuntos de dados distintos. Por último, foram apresentados os resultados obtidos para os três casos de estudo, referentes à aplicação de ambas as práticas, e feita uma comparação das mesmas. Foi verificado o sucesso da utilização de algoritmos de Deep Learning na área da previsão, obtendo melhores resultados que aqueles conseguidos através dos tradicionais modelos de previsão estatísticos. Este trabalho permitiu perceber o potencial que o deep learning apresenta, sendo no entanto necessário mais trabalho futuro para dar enfâse a esta afirmação.Nowadays, making decisions quickly and effectively is essential in health organizations. In this sense, Decision Support Systems, Business Intelligence platforms and Data Processing Systems begin to emerge. To support the decision in the pharmaceutical field, there are platforms for forecasting, which are intended to help health decision makers to the maximum extent possible. This dissertation has the objective of extracting knowledge in an automated way from past information, and translating it in order to develop a sales forecasting system for the pharmaceutical area. Traditionally, in the area of forecasting, it is common to use statistical models, however it is interesting to see if Deep Learning can follow the results obtained through these models. For this purpose, a comparative study was developed for predictability models, achieved through statistical and connectionist models. For the statistical models, it was used functions present in libraries of the programming language R and for the second models, it was applied recurrent neural networks, namely the Long Short Term Memory, through libraries available in Python to construct a Deep Learning model. The methodologies developed through the different predictability models were applied to three case studies, each associated to a different data set. Thus, it became possible to analyze the behavior of models developed when applied to different datasets. Finally, the results obtained for the three case studies using both practices were presented and it was verified the success of the Deep Learning algorithms in the area of forecasting. They achieved better results than those obtained through the traditional statistical prediction models. This work allowed to realize the potential that Deep Learning presents, being nevertheless necessary more future work to give emphasis to this affirmation.Alves, VictorUniversidade do MinhoFerreira, Raquel Marques20172017-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/1822/62543por202313034info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:40:33Zoai:repositorium.sdum.uminho.pt:1822/62543Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:37:22.206784Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Previsão na área farmacológica: modelos estatísticos vs Deep Learning
title Previsão na área farmacológica: modelos estatísticos vs Deep Learning
spellingShingle Previsão na área farmacológica: modelos estatísticos vs Deep Learning
Ferreira, Raquel Marques
Engenharia e Tecnologia::Engenharia Médica
title_short Previsão na área farmacológica: modelos estatísticos vs Deep Learning
title_full Previsão na área farmacológica: modelos estatísticos vs Deep Learning
title_fullStr Previsão na área farmacológica: modelos estatísticos vs Deep Learning
title_full_unstemmed Previsão na área farmacológica: modelos estatísticos vs Deep Learning
title_sort Previsão na área farmacológica: modelos estatísticos vs Deep Learning
author Ferreira, Raquel Marques
author_facet Ferreira, Raquel Marques
author_role author
dc.contributor.none.fl_str_mv Alves, Victor
Universidade do Minho
dc.contributor.author.fl_str_mv Ferreira, Raquel Marques
dc.subject.por.fl_str_mv Engenharia e Tecnologia::Engenharia Médica
topic Engenharia e Tecnologia::Engenharia Médica
description Dissertação de mestrado integrado em Engenharia Biomédica (área de especialização Informática Médica)
publishDate 2017
dc.date.none.fl_str_mv 2017
2017-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1822/62543
url http://hdl.handle.net/1822/62543
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv 202313034
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132907167547392

Registros relacionados