Seminário de Ciência de Dados
Dias 08, 15, 28 e 29 de junho na Escola Fiocruz de Governo em parceria com a UnB
Esta previsto para as 4 próximas semanas do mês de junho seminários sobre a Ciência de Dados e suas aplicações. Os seminários fazem parte da disciplina Ciência de Dados para todos e Ciência de Dados Aplicada que são oferecidas nos departamentos de Ciência da Computação e Ciência da Informação da Universidade de Brasília (UnB) e no Mestrado em Políticas Públicas em Saúde da Escola Fiocruz de Governo (EFG). Os professores da disciplina, Ricardo B. Sampaio e Jorge H. C. Fernandes, convidam os alunos inscritos na disciplina, os alunos que têm interesse em cursar nos próximos semestres, além do público em geral, a participar dos seminários que têm como objetivo apresentar um pouco do que se tem discutido sobre o tema à luz de modelos de análise bastante utilizados no momento. (link para o formulário de inscrição)
Os seminários terão como tema o Aprendizado de Máquina (08/06), Aprendizado Estatístico (15/06), Mineração de Texto (22/06 mudou para 28/06 por conta do jogo da copa) e Análise de Redes (29/06) que serão apresentados com professores e pesquisadores com reconhecido conhecimento prático e teórico sobre os respectivos assuntos. A seleção dos profissionais para apresentar os tópicos levou em consideração a multidisciplinaridade do tema e seus diversos interesses e aplicações.
Os interessados em participar do seminário devem se inscrever no formulário abaixo e participar de pelo 3 dos 4 encontros para obter o certificado do evento. O horário de realização das atividades é das 10:00 as 12:00 para o público externo e das 08:30 as 12:00 para os alunos da disciplina. Em havendo interesse do publico externo em participar das discussões com os alunos, o espaço estará aberto a partir das 08:30.
Os Professores do Seminário
Nilton Correia da Silva
Aprendizado de Máquina na Teoria e na Prática: Experiência do GPAM
Aprendizagem de Máquina (AM) é uma área de estudo que visa a construção de sistemas que possam aprender a partir de dados. Uma abordagem de resolução de problemas orientada a dados cujo objetivo é extrair padrões e tendências presentes em um conjunto de dados e utilizá-los de forma útil na resolução de problemas. Este processo de descoberta é alcançado por meio do uso de técnicas de modelagens que têm sido desenvolvidas ao longo de 30 anos nas áreas da Estatística, Ciência da Computação e da Matemática Aplicada. Assim como numa abordagem estatística, uma base de conhecimento deve ser construída na fase de desenvolvimento, todavia, seu uso final deve acontecer sem a intervenção humana.
O objetivo desta apresentação é explicar as fases componentes de uma modelagem de solução por AM, descrever áreas importantes de aplicações e detalhar projetos e técnicas exploradas no Grupo de Pesquisa em Aprendizado de Máquina (GPAM) bem como a base tecnológica utilizada.
Espera-se, como isso, que os participantes possam ter uma compreensão das possibilidades que a AM traz, assim como, entender os fundamentos conceituais e tecnológicos necessários para a aplicação de AM na solução de problemas de seu interesse.
Nilton é Graduado em computação pela Universidade Estadual de Goiás (1994). Mestrado em Ciência da Computação pelo Departamento de Ciência da Computação da Universidade de Brasília (1999). Doutorado em Processamento de Dados e Análise Ambiental pelo Instituto de Geociências da Universidade de Brasília (2003). Dois estágios de Pós-doutorado em Técnicas Computacionais para Análises Temporais em Imagens de Sensores Remotos pelas Universidades de Brasília (UnB) e de Washington (UW-Seatlle) (2011). Um estágio de pós-doutorado em reconhecimento de padrões em séries temporais de dados ambientais (2012). É professor/pesquisador Faculdade de Engenharias da Universidade de Brasília (UnB), faz parte do corpo editorial do The International Journal of Forensic Computer Science e é revisor do International Journal of Remote Sensing. Tem experiência na área de Ciência da Computação, com ênfase em Computação Numérica, Processamento Digital de Imagens, Geoprocessamento, Aprendizado de Máquina e Aplicação de Agentes Inteligentes para Reconhecimento de Padrões, atuando principalmente em pesquisa e desenvolvimento de sistemas especialistas para tratamento de imagens de sensores remotos e Big Data.
Bernardo Borba Andrade
Aprendizado Estatístico: Estatística, Aprendizado de Máquinas e Ciência de Dados
Resumo: As áreas de Estatística, Aprendizado de Máquinas e Ciência de Dados (e muitos outros outros termos como Mineração de Dados e Analytics) se confundem e acabam por assumir diferentes interpretações a depender dos interlocutores. Até 20 ou 30 anos atrás a Estatística era sinônimo de praticamente tudo que se referia à Análise de Dados; o que mudou e como esses campos podem ser definidos ou delimitados? Nessa palestra, apresento a visão de um estatístico para essa pergunta.
Professor Associado da Universidade de Brasília. Atua na área de Probabilidade e Estatística com linhas de pesquisa em Modelos de Regressão e Probabilidade Aplicada.
Felipe Ferré
Mineração de Texto — engenharia, processamento e análise — e aplicação na predição de interações medicamentosas
Dados científicos e administrativos organizados na forma de texto constituem uma fonte inesgotável para achados científicos. O Processo de Descoberta de Conhecimento em Banco de Dados — KDD Knowledge Discovery in Data apresenta imenso ferramental para transposição de conhecimento expresso em linguagem humana para Aprendizado de Máquina — Machine Learning.
A modelagem é crucial para que correlações com sentido biológico, epidemiológico ou estratégico norteiem tomadas de decisão.
A apresentação visa motivar a criatividade com um panorama geral de mineração de texto e, adicionalmente, trazer casos concretos de álgebra linear, vetores e matrizes e métodos supervisionados para descoberta de interações medicamentosas — quando a combinação de medicamentos resulta em efeitos diferentes do uso isolado. Com a abordagem abrangente e a aplicação espera-se que a audiência possa transpor tais ferramentas para o próprio contexto.
Felipe tem Doutorado em Saúde Pública pela Faculdade de Medicina, Universidade Federal de Minas Gerais, UFMG (2015). Residência pós-doutoral em Medicamentos e Assistência Farmacêutica pelo Departamento de Farmácia Social, UFMG (2013–2015). Doutorado em bioinformática, Departamento de Ciências da Computação, UFMG (2009–2013). Graduado em farmácia com habilitação em fármacos e medicamentos pela Universidade Federal de Alfenas, Unifal-MG (2003–2008). Técnico em informática com ênfase em programação pelo CEFET-SP Uned Cubatão (2000–2002). Experiência profissional em P&D de medicamentos e como gerente de controle e garantia da qualidade em indústria farmacêutica (2008–2012), consultoria de ciência de dados junto ao Ministério da Saúde. Atua em saúde pública nas áreas assistência farmacêutica, políticas de saúde, judicialização da saúde, pareamento determinístico-probabilístico e mineração de interações medicamentosas.
Ricardo Barros Sampaio
Análise de Redes na Ciência e no Direito: Exemplos de atividades práticas recentes na Universidade de Brasília
O tema de Análise de Redes é multidisciplinar e tem sido aplicado de forma extensiva na análise e visualização de dados relacionais. A proposta do seminário é apresentar conceitos da Análise de Redes aplicados ao ambiente R de programação e sua utilização em diferentes bases de dados que foram utilizadas por alunos da UnB nos dois últimos semestres. O primeiro universo a ser apresentado diz respeito ao mapeamento da produção científica, foco dos estudos realizados durante o primeiro semestre de 2018. O segundo universo a ser explorado é do direito onde serão apresentadas as possibilidades de pesquisa e alguns casos e aplicativos já desenvolvidos para análises de processos jurídicos do STF. A área do direito quanto ao uso da Ciência de Dados, mais especificamente da Inteligência Artificial, tem sido objeto de grande discussão na mídia e no setor. A apresentação busca trazer uma visão de aplicação das novas tecnologias nessa área que tem crescido bastante.
Ricardo é Cientista de Dados com foco em Estudos da Ciência & Tecnologia e o uso da Análise de Redes Complexas como instrumento de apoio a tomada de decisão; Doutor pela Universidade de Brasília na Ciência da Informação com estágio de pesquisa na Universidade Paul Sabatier na França e pós doutorado em Políticas Públicas pela Fiocruz. Projetos de pesquisa com foco na aplicação dos métodos de Análise de Redes Complexas e validação de metodologia para obtenção e tratamento de informações estratégicas na área de Ciência, Tecnologia e Sociedade. Recuperação e tratamento de dados com aplicação de análise estatística, análise de redes e análise semântica. Tratamento de grandes bases de dados e utilização de ferramenta estatística de linguagem de programação descritiva R. Professor e Pesquisador do Programa de Pós-Graduação em Ciência da Informação da Universidade de Brasília Professor e Pesquisador no Mestrado Profissional de Políticas Públicas em Saúde e na especialização em Saúde Coletiva pela Escola Fiocruz de Governo.
Ricardo Fernandes
Inteligência Artificial aplicada ao Direito
Para trazer algumas informações sobre as possibilidades de pesquisa na área de Inteligência Artificial aplicada ao Direito o professor e advogado Ricardo Fernandes apresentará, no dia 29/06 alguns casos de sucesso que ele tem se envolvido e quais as tendências para o futuro.
Ricardo tem Pos-Doutorado em Direito e Tecnologia no CODEX-The Stanford Center for Legal Informatics. Doutor em Direito pela UnB e Mestre pela UFU. Professor da Faculdade de Direito da UnB, mestrado e doutorado. Coordenador do Grupo de Pesquisa & Desenvolvimento em Direito e Tecnologia da UnB (DireitoTec.UnB). Advogado e consultor em Brasília. Procurador do Distrito Federal. Sócio-fundador da Legal Labs.
A inscrição nos seminários é obrigatória havendo controle de presença para a certificação
Para Fazer a inscrição preencha o formulário abaixo
O evento será realizado nas dependências da Escola Fiocruz de Governo Auditório Externo
