Sumário
I Encontro de Data Science & Big Data UFPR
O I Encontro de Data Sciene & Big Data UFPR é um evento científico que busca congregar alunos, ex-alunos e professores do Programa de Especialização em Data Science & Big Data (DSBD – UFPR) acerca de temas contemporâneos que perfazem a temática multidisciplinar da Ciência de Dados. Em 2019 teremos a sua primeira edição que ocorrerá no dia 28 de Junho nas dependências do Setor de Exatas da UFPR.
O evento é aberto e gratuito a toda a comunidade de Curitiba e região e contará com sessões plenárias do Professor Dr. Francisco Louzada Neto (ICMC-USP) e do Pesquisador Dr. Artur Ziviani (LNCC). Além das conferências teremos miniconferências e estudos de casos apresentados por empresas e consultores da área. O fechamento do evento se dará com uma mesa redonda e apresentações de pôsters das monografias dos formandos da turma DSBD 2018-2019.
Informações
- Data
- 28 de Junho de 2019.
\
- Local
- Anfiteatro do Prédio de Administração · Centro Politécnico · Campus III · UFPR · Curitiba/PR.
\
- Formulário de inscrições
- Antes leia o código de conduta do evento.
\
- Vagas
- 160
\
ATENÇÃO: felizmente tivemos muitos interessados no 1ºE DSBD. Portanto, o formulário de inscrição foi reaberto para registro de mais inscrições que ficarão na fila de espera. Antes do evento será enviado email com instruções para todos os inscritos que deverão confirmar a presença no evento. Conforme forem feitas as confirmações, serão acomodados os inscritos da lista de espera, respeitando a ordem cronológica, para que possamos atender o maior público possível. Procederemos da seguinte forma:
Certo da compreensão de todos, a organização do evento agradece.
Programação
| # | Período | Atividade |
|---|---|---|
| 0 | 08:30 – 09:00 | Abertura |
| 1 | 09:00 – 10:00 | Artur Ziviani (LNCC) · Ciência de redes em Ciência de Dados: desafios e oportunidades |
| 10:00 – 10:30 | Coffee break | |
| 2 | 10:30 – 11:00 | Rafael Sbampato (O Boticário) · Ciência de dados no Boticário e previsão de demanda como estudo de caso |
| 3 | 11:00 – 11:30 | Thiago Cunha (Cognitivo AI) · As dificuldades de gerar valor em projetos de dados |
| 4 | 11:30 – 11:50 | Durval Dellê Neto (kie·tec) · Análise visual para mineração de dados |
| 5 | 11:50 – 12:10 | Juliano Grams (MAPI) · Ciência de dados vs Mercado imobiliário |
| 12:10 – 14:00 | Almoço | |
| 6 | 14:00 – 15:00 | Alexandre Junqueira (Itaú Unibanco) · Ciência de dados e aplicações |
| 7 | 15:00 – 15:20 | Leonardo Raduy Lemos (Madeira Madeira) · Desafios ao criar um time de Ciência de Dados |
| 8 | 15:20 – 15:40 | Felipe Barletta (Laura) · Robô Laura: uma solução de inteligência artificial para predição de óbito em hospitais |
| 15:40 – 16:00 | Coffee break | |
| 9 | 16:00 – 16:45 | Melhores monografias em DSBD |
| 10 | 16:45 – 17:45 | Francisco Louzada Neto (ICMC/USP-UFScar) · Ciência de dados na nova ordem mundial de consumo |
| 11 | 17:45 – 18:30 | Mesa Redonda |
| 12 | 18:30 – 19:15 | Sessão de posters · Monografias em DSBD |
| 19:30 | Encerramento |
Resumos das palestras
- Artur Ziviani · Ciência de redes em Ciência de Dados: desafios e oportunidades
Resumo: Esta palestra visa apresentar uma visão geral das minhas atividades envolvendo caracterização, análise e modelagem de redes complexas, uma área que vem internacionalmente se consolidando como ciência de redes. Em um contexto mais amplo, essas atividades relacionadas a redes complexas se inserem como uma linha de pesquisa nas iniciativas recentes no LNCC em torno de ciência de dados, que serão também contempladas na palestra. Em particular, serão apresentadas atividades recentes em diferentes áreas como modelagem e análise de redes complexas dinâmicas, interação entre redes complexas e aprendizado de máquina, bem como exemplos de aplicação de ciência de redes em contextos interdisciplinares.\- Rafael Sbampato · Ciência de dados no Boticário e previsão de demanda como estudo de caso
Resumo: Ainda não disponível.- Thiago Cunha · As dificuldades de gerar valor em projetos de dados
Resumo: Em projetos de modelagem é comum haver um gap enorme entre o resultado do modelo e a entrega do valor que o negócio espera. Nesta palestra apresentaremos os aprendizados dos nossos primeiros 50 projetos de dados.- Durval Dellê Neto · Análise visual para mineração de dados
Resumo: Essa palestra irá discorrer sobre a importância de utilizar as técnicas de análise visuais para minerar dados utilizando o Tableau Desktop e Tableau Prep.- Juliano Grams · Ciência de dados vs Mercado imobiliário
Resumo: As tecnologias modernas transformaram o mercado imobiliário de cabeça para baixo. Elas mudaram a forma de fazer negócios, gerenciar recursos humanos, otimizar tempo e muitos outros casos de uso. Muitas empresas imobiliárias já usam softwares Big Data para análise de dados. O principal objetivo do uso de Big Data no setor imobiliário é analisar grandes conjuntos de dados de várias fontes e extrair informações úteis delas. Os seres humanos não são capazes de analisar esses dados colossais, ao contrário dos algoritmos. E as empresas podem se beneficiar muito otimizando o tempo que gastam na conclusão de uma determinada tarefa.- Alexandre Junqueira · Ciência de dados e aplicações
Resumo: O objetivo da palestra é mostrar as aplicações de ciência de dados no Itaú-Unibanco. Exemplos de modelos: classificação, texto, imagens e áudio.- Leonardo Raduy Lemos · Desafios ao criar um time de Ciência de Dados
Resumo: Todos já sabem que os dados são o novo petróleo. O que quase ninguém sabe, é do percurso sinuoso e difícil que existe entre os dados brutos e os insights a partir dos quais realmente se gera valor. Nessa palestra vamos discutir como facilitar esse caminho, unindo os pontos de vista dos líderes de negócios e dos cientistas de dados.- Felipe Barletta · Robô Laura: uma solução de inteligência artificial para predição de óbito em hospitais
Resumo: A Laura é uma solução de inteligência artificial, que por meio de um modelo de Machine Learning, monitora pacientes internados em hospitais e gera alertas de deterioração clínica. Também chamado de robô Laura, este é um poderoso sistema cognitivo capaz de coletar e analisar um imenso volume de dados, que além de identifcar pacientes em risco, ajuda identificar erros nos processos de cuidados hospitalares e notifica em tempo real o que e onde estão ocorrendo. O sistema da Laura se mostra mais eficiente em relação ao tradicionais protocolos Early Warning Scores – pontuação de alerta. Estes são os mecanismos comumente utilizados pelos hospitais e se baseiam somente no estado atual da pessoa e ignoram as variações ao longo do tempo do estado do paciente. A Laura utiliza, além de sinais vitais, informações como a idade do paciente, comorbidade, gênero, setor de internamento e exames laboratoriais. É mais completo. Desta forma, por meio de modelos estatísticos que aprendem com os dados, a probabilidade calculada para o óbito é muito mais precisa. Portanto, o intuito é apresentar as principais características desta tecnologia, resultados de modelos de machine learning adotados e uma breve navegação no dashborad da Laura. Desta forma, teremos uma perspectiva de como a ciência de dados pode empoderar as pessoas para tomarem decisões assertivas e eficientes.- Melhores monografias em DSBD
- \
- Uso de Machine Learning e Estatística para detecção de indícios de cartel e rodízio em processos licitatórios · Paulo Jhonny Scheleder da Costa Rosa.
- Classificação de clientes inadimplentes utilizando métodos de Machine Learning · Thiago da Silva Alves.
- Modelo para reconhecimento de pragas em plantações utilizando hardware embarcado · Joice Pereira Costa.
- Francisco Louzada Neto · Ciência de dados na nova ordem mundial de consumo
Resumo: A frequente geração de dados tem promovido mudanças fundamentais em vários setores da economia e no consumo pessoal de bens e serviços. Estamos em uma nova era, cercados por dados de todos os lados. Enormes massas de dados resultantes de processos de coleta automática, instrumentação eletrônica, transações on-line e dados históricos coletados ao longo de muitos anos. O momento é do big data, e de um novo profissional que deve atuar eficazmente dentro deste novo mundo de dados, o Cientista de Dados. Neste contexto, novos mercados de consumo e varejo emergem sob novas tecnologias, induzindo a novos comportamentos. Nesta apresentação, considerando vários exemplos reais, discuto as oportunidades que esta nova ordem mundial de consumo nos oferece, à luz do contraste entre a ultramodernidade dos mecanísmos de captura de dados e as metodologias de aprendizado estatístico usuais.\
Código de conduta do Evento
Todos os participantes, palestrantes, apoiadores e voluntários do I Encontro de Data Science & Big Data UFPR (IE-DSBD) são obrigados a concordar com o seguinte código de conduta. Os organizadores deverão garantir os termos deste código ao longo do evento. Esperamos a cooperação dos participantes para ajudar a garantir um ambiente seguro para todos.
Versão rápida
Os organizadores do I Encontro de Data Science & Big Data UFPR (IE-DSBD) são dedicados a fornecer uma experiência de conferência sem assédio para todos, independentemente do sexo, identidade e expressão de gênero, idade, orientação sexual, deficiência, aparência física, tamanho corporal, raça, etnia ou religião (ou falta dela). Nós não toleramos o assédio aos participantes do IE-DSBD de qualquer forma. Linguagem sexual e imagens não são apropriadas para qualquer local do evento, incluindo conferências, tutoriais, apresentações, Twitter e outras mídias online. Os participantes do IE-DSBD que violarem essas regras podem ser sancionados ou expulsos da conferência.
Versão longa
O assédio inclui comentários verbais ofensivos relacionados ao gênero, identidade e expressão de gênero, idade, orientação sexual, deficiência, aparência física, tamanho corporal, raça, etnia, religião, imagens sexuais em espaços públicos, intimidação deliberada, perseguição, seguimento, assédio de fotografia ou gravação, interrupção sustentada de conversações ou outros eventos, contato físico inapropriado e atenção sexual indesejável.
Os participantes solicitados à interromper qualquer comportamento de assédio, deverão cumprir imediatamente.
Os apoiadores também estão sujeitos à política anti-assédio. Em particular, os apoiadores não devem usar imagens, atividades ou outros materiais sexualizados.
Se um participante apresentar comportamento de assédio, os organizadores do IE-DSBD podem tomar as medidas que considerem adequadas, incluindo alertar o infrator ou a expulsão do evento.
Se você está sendo assediado, observou que alguém está sendo assediado ou tem outras preocupações, entre em contato com um membro da comissão organizadora do IE-DSBD imediatamente.
Os organizadores do IE-DSBD estarão dispostos em ajudar os participantes a entrar em contato com a segurança do Campus ou com a aplicação da lei local, fornecer escoltadores ou, de outra forma, ajudar aqueles que sofrem de assédio para se sentirem seguros durante a vigência do evento.
Esperamos que os participantes sigam essas regras em todas as etapas do evento (incluindo todas as atividades e coffee break).