Programação

Empreendedorismo e Aprendizado de Máquina

Nivio Ziviani, CEO Zunnit Technologies, Professor Emérito do DCC/UFMG
O objetivo desta palestra é discutir a experiência na criação de startups no DCC/UFMG, onde podemos citar três exemplos: Miner Technology Group, Akwan Information Technologies e Kunumi Technologies. Na UFMG desenvolvemos modelo inédito no país que permite a transferência dos direitos de comercialização de produtos relacionados a um conhecimento gerado na Universidade para uma empresa startup. A Kunumi, criada recentemente, é uma empresa que faz a ponte entre o mundo dos negócios e os avanços mais recentes de inteligência artificial.

Estatística para Programadores

Flavio Vinicius Diniz de Figueiredo
Nesta palestra vou discutir como é possível compreender alguns conceitos chave da estatística usando um linguajar do mundo de programação. Em particular, vamos revisitar conceitos como teste de hipóteses, p-valores e intervalos de confianças através de pequenos trechos de código. A ideia é que no fim da palestra a plateia tenha um melhor conhecimento de alguns jargões chave da estatística. Com tal conhecimento, espero que alguns erros comuns do uso de métodos estatísticos sejam evitados no futuro. Inspirado na palestra "Statistics for Hackers" do Jake Vanderplas (University of Washington).

Futebol e política não se discute, se analisa!

Pedro Olmo Stancioli Vaz De Melo
O crescente avanço dos sistemas de informação permite que cada vez mais dados sejam gerados e armazenados. A Internet, por exemplo, possui bilhões de dispositivos computacionais, em que cada um deles é responsável por gerar, armazenar e transmitir uma quantidade incontável de dados. Isso ocorre porque praticamente todas as atividades realizadas por seres humanos hoje são registradas em algum banco de dados. O conhecimento de como processar esse banco de dados de valor inestimável e em evolução pode levar, consequentemente, a uma melhor compreensão dos interesses e da dinâmica de cada entidade em um determinado sistema, comunidade ou na sociedade. Assim, nesta palestra serão descritos métodos computacionais que fazem usos de dados públicos a fim de descobrir conhecimento em sistemas políticos e no futebol. Mostro que esses métodos são capazes de desvendar características e padrões surpreendentes, a um custo menor e a uma velocidade maior que os métodos tradicionais.

Uma abordagem Bayesiana sobre o método científico e a navalha de Occam.

Mário Sérgio Alvim
A busca pelo conhecimento passa necessariamente por testar e escolher entre hipóteses alternativas que podem explicar o universo em que vivemos. Por exemplo, algumas pessoas dizem que vacinas podem causar autismo, outras dizem que não. Algumas pessoas acreditam que tudo no universo é físico, outras acreditas em um deus. Algumas dizem que aumentar os impostos sobre os ricos é necessário para fomentar a economia, outras dizem que não. Estes problemas são exemplos de testes de hipóteses: dado um conjunto de dados (ou evidências) observados e um conjunto de hipóteses que tentam explicar a ocorrência destes dados, como escolher qual(is) hipótese(s) melhor explica(m) os dados? A resposta para este problema não é trivial, e buscar a verdade é uma tarefa árdua! O método científico propõe uma abordagem para este problema que, sem hipérboles, consiste em um dos maiores avanços da civilização humana. Com o método científico nos tornamos capazes de sistematicamente testar hipóteses de acordo com as evidências disponíveis, descartando aquelas incompatíveis com os dados observados e escolhendo entre as remanescentes a que melhor estes dados. Um princípio filosófico fundamental do método científico é "a navalha de Occam", que diz que se duas hipóteses explicam igualmente bem um conjunto de dados, devemos optar pela "mais simples" em detrimento da "mais complicada". Nesta palestra vamos discutir como o Teorema de Bayes consegue quantificar precisamente o problema de teste de hipóteses e a navalha de Occam. Em particular, vamos responder a perguntas como: (1) O que difere uma boa hipótese de uma má hipótese? (2) Qual a diferença entre uma "hipótese verossímel" e uma "hipótese provável"? (3) Como quantificar o "nível de simplicidade" de uma hipótese? O objetivo é prover uma abordagem quantitativa para o método científico, com insights em especial à sua aplicação em ciência da computação.