Please use this identifier to cite or link to this item:
http://repositorio.ufc.br/handle/riufc/76519| Type: | TCC |
| Title: | Análise e predição de mortalidade infantil utilizando modelos de aprendizado de máquina |
| Authors: | Freitas, Davi dos Santos |
| Advisor: | Vasconcelos, Davi Romero de |
| Keywords in Brazilian Portuguese : | Aprendizado do computador;Mortalidade Infantil;Análise lógica de dados |
| Knowledge Areas - CNPq: | CNPQ: CIENCIAS EXATAS E DA TERRA: CIENCIA DA COMPUTACAO: METODOLOGIA E TECNICAS DA COMPUTACAO: ENGENHARIA DE SOFTWARE |
| Issue Date: | 2023 |
| Citation: | FREITAS, Davi dos Santos. Análise e predição de mortalidade infantil utilizando modelos de aprendizado de máquina. 2023. 55 f. Trabalho de Conclusão de Curso (graduação) – Universidade Federal do Ceará, Campus de Quixadá, Curso de Engenharia de Software, Quixadá, 2023. |
| Abstract in Brazilian Portuguese: | A mortalidade infantil é um sério problema social que ainda é discutido globalmente. O seu índice é definido como número de crianças que morrem antes de completar 1 ano de vida para cada 1.000 nascimento. Dado a sua urgência, a OMS (Organização Mundial de Saúde) tem como meta até 2030 encerrar as mortes evitáveis de recém-nascidos até os 5 anos. Apesar da redução desse indicador, muitos países ainda sofrem com a sua ocorrência. Com o avanço da tecnologia, é possível utilizar o aprendizado de máquina para realizar predições dessa problemática. Este presente trabalho visa realizar um estudo dos conjuntos de dados do SIM e do SINASC disponibilizados pelo DATASUS, dessa forma realizando uma análise geral dos dados com métodos estatísticos para identificar as principais variáveis ligadas a mortalidade infantil. Além disso, é desenvolvido modelos de aprendizado de máquina para predizer a mortalidade infantil. Como os dados são desbalanceados, foram testadas duas técnicas de reamostragem: SMOTE e Random Undersampling. |
| Abstract: | Infant mortality is a serious social problem that is still being discussed globally. Its rate is defined as the number of children who die before their first birthday for every 1,000 births. Given its urgency, the WHO (World Health Organization) has set a goal of ending preventable deaths of newborns by the age of 5 by 2030. Despite the reduction in this indicator, many countries still suffer from its occurrence. With advances in technology, it is possible to use machine learning to make predictions about this problem. The aim of this work is to study the SIM and SINASC data sets made available by DATASUS, thus carrying out a general analysis of the data using statistical methods to identify the main variables linked to infant mortality. Machine learning models are also developed to predict infant mortality. As the data is unbalanced, two resampling techniques were tested: SMOTE and Random Undersampling. |
| URI: | http://repositorio.ufc.br/handle/riufc/76519 |
| Advisor's Lattes: | http://lattes.cnpq.br/4141708952523045 |
| Access Rights: | Acesso Aberto |
| Appears in Collections: | ENGENHARIA DE SOFTWARE - QUIXADÁ - TCC |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 2023_tcc_dsfreitas.pdf | 1,26 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.