@MASTERSTHESIS{ 2021:1611296231,
 	title = {Utilização de técnicas de machine learning e de deep learning para a predição de casos de dengue nos municípios da Paraíba},
 	year = {2021},
 	url = "http://tede.bc.uepb.edu.br/jspui/handle/tede/3990",
 	abstract = "Dengue é uma doença causada pelo vírus DENV e transmitida para o homem através do mosquito Aedes aegypti. Embora não seja uma doença nova, ainda não existe uma vacina regulamentada no Brasil que possa ser usada sem restrição na população. Logo, o combate contra a doença é feito através de ações para eliminação do mosquito transmissor. Os números da dengue voltaram a crescer no Brasil e na Paraíba. De acordo com o sétimo boletim epidemiológico de arbovirose da Paraíba, houve um acréscimo de 53% dos casos de dengue em relação aos casos do ano anterior. O objetivo deste trabalho foi criar um sistema capaz de realizar previsões de notificações e de internações causadas por dengue nos municípios da Paraíba. Por meio de técnicas de Machine Learning  (Random Forest  e Support Vector Regression) e de Deep Learning (Multilayer Perceptron, Long Short-Term Memory e Convolutional Neural Network) e utilizando dados epidemiológicos, climáticos e sanitários, entre os anos de 2010 e 2019, o sistema foi capaz de encontrar a melhor combinação de atributos previsores, os melhores parâmetros para as técnicas, realizar previsões de casos de internações e de notificações causadas por dengue para os municípios paraibanos Bayeux, Cabedelo, Cajazeiras, Campina Grande, Catolé do Rocha, João Pessoa, Monteiro, Patos e Santa Rita, determinar quais técnicas produzem melhores resultados por cidade e, finalmente, foi demonstrada a diferença estatística entre as abordagens. Os resultados produzidos demonstram a superioridade das técnicas de Deep Learning em comparação as técnicas de Machine learing. Durante a previsão de casos de notificações, a técnica Long Short-Term Memory (LSTM) obteve melhores resultados em 66,67% das cidades, Convolutional Neural Network (CNN) em 22,22% e Multilayer Perceptron (MLP) em 11,11%. Em relação às internações, LSTM obteve menor taxa de erro em 33,34% dos munícipios, CNN, MLP e Random Forest (RF) obtiveram, cada uma delas, melhores resultados em 22,22% das cidades.",
 	publisher = {Universidade Estadual da Paraíba},
 	scholl = {Programa de Pós-Graduação Profissional em Ciência e Tecnologia em Saúde - PPGCTS},
 	note = {Pró-Reitoria de Pós-Graduação e Pesquisa - PRPGP}
}