II Workshop em Bioestatística II Workshop em Bioestatística





× Avatar
Esqueci minha senha.

×
Acesso Restrito
Esqueci minha senha.

II Workshop em Bioestatística


O II Workshop em Bioestatística tem por objetivo atualizar e divulgar metodologias estatísticas com ênfase nos grandes desafios que envolvem as ciências da Saúde e Biológicas. Além disso, o evento proporcionará aos participantes um espaço importante para a integração e discussão de diversos assuntos que estão em evidência, como é o caso da CIÊNCIAS DE DADOS, que legitima a importância da interdisciplinaridade.

Além disso, é uma oportunidade para os alunos da graduação e mestrandos do Programa em Bioestatística e de outros programas, apresentarem e divulgarem suas pesquisas, e assim, legitimar a importância da interdisciplinaridade da Bioestatística e das diversas áreas do conhecimento. Como consequência destas práticas, pode-se viabilizar contatos e estabelecer parcerias entre pesquisadores da UEM e de outras instituições do país e do exterior, para futuras pesquisas, proporcionando a consolidação do programa de mestrado em Bioestatística na formação dos alunos, bem como, avançando e inovando o conhecimento.

 

CONHEÇA MARINGÁ












Programação

    • 05/12/2018 - Local: Universidade Estadual de Maringá - Departamento de Estatística (Bloco E90) - Anfiteatro Professor Yoshiaki Fukushigue

      Conferência - Profº. Drº. Hedibert Freitas Lopes
      Insper - Instituto de Ensino e Pesquisa

      http://hedibert.org/

      Apresentação: http://hedibert.org/wp-content/uploads/2018/12/statistics-datascience.pdf

      TítuloEstatística ou ciência de dados ou aprendizagem de máquina?  Capacidade preditiva ou modelos embasados cientificamente?  O que define um problema com Big data?

      ResumoNessa palestra vou tentar responder a algumas dessas perguntas baseando-me em relatórios técnicos, discussões de sociedades de estatística e também combinando com minha própria experiência no mundo da estatística Bayesiana que é naturalmente aplicada, computacionalmente cara, mas que combina de forma simples dados dos mais diversos formatos.  Meu objetivo principal é trazer para a audiência as fontes para discussão e questões ainda não respondidas e que consomem muitos neurônios das mentes dos estatísticos, cientistas da computação e cientistas de dados.

       




    • 05/12/2018 - Local: Universidade Estadual de Maringá - Departamento de Estatística (Bloco E90) - Anfiteatro Professor Yoshiaki Fukushigue

      Conferência - Profª. Drª. Suely Ruiz Giolo
      Departamento de Estatística da Universidade Federal do Paraná (UFPR)
      https://docs.ufpr.br/~giolo/

      Título: Modelos Multiestados em Análise de Sobrevivência

      Resumo: Dados com múltiplos desfechos e/ou eventos intermediários são cada vez mais comuns em pesquisas clínicas. Para modelar esse tipo de dados, são necessários modelos estatísticos que vão além da análise clássica de sobrevivência. Nesse contexto, modelos multiestados serão apresentados tendo como base um ensaio clínico conduzido com pacientes diagnosticados com doença coronariana multiarterial.





    • 05/12/2018 - Local: Universidade Estadual de Maringá - Departamento de Estatística (Bloco E90) - Anfiteatro Professor Yoshiaki Fukushigue

      Minicurso - Profª. Drª. Maria Durbán
      Departamento de Estadistica - Universidad Carlos III de Madrid (UC3M)
      https://sites.google.com/site/durbanuc3m/home


      Material: http://halweb.uc3m.es/esp/Personal/personas/durban/esp/web/cursos/Maringa/gam-markdown/index.html 

      Título: Modelos aditivos generalizados con P-splines

      ResumoLos modelos de suavizado, y en particular los modelos aditivos generalizados (GAM) son una colección de técnicas de regresión no-paramétrica que permiten explorar la relación entre la variable respuesta y las predictoras. La peculiaridad de los GAM es que no han de asumir a priori un forma definida para la relación entre las variables, son los datos los que determinan dicha forma. Esto hace de los GAM una herramienta fundamental en cualquier área de conocimiento. El objetivo de este curso es dar a conocer estas técnicas y mostrar su utilidad en en el ámbito de la investigación aplicada. Se impartirán unos conocimientos teóricos básicos, pero el aprendizaje será fundamentalmente a traves del análisis de datos llevado a cabo por los asistentes, los cuales tendrán a su disposición, tanto apuntes como los datos y el código de R utilizado en los ejemplos.





    • 06/12/2018 - Local: Universidade Estadual de Maringá - Departamento de Estatística (Bloco E90) - Anfiteatro Professor Yoshiaki Fukushigue

      Minicurso - Profº. Drº. Rafael Izbicki
      Departamento de Estatística - Universidade Federal de São Carlos (DES/UFSCar)
      http://www.rizbicki.ufscar.br/

      Título: Machine learning 

      ResumoEstatística e aprendizado de máquina (machine learning) são duas áreas que tratam de problemas similares: ambas envolvem a tomada de decisões com base em dados. Contudo, as soluções propostas por elas têm muitas vezes natureza distinta; por exemplo, o foco de estatística em geral é a inferência, enquanto que no aprendizado de máquina grande destaque é dado a predições. Neste minicurso, veremos os principais conceitos de aprendizado de máquina (machine learning), com ênfase no problema de aprendizado supervisionado. Os conceitos serão abordados sob a ótica estatística.





    • 05/12/2018 - Local: Universidade Estadual de Maringá - Bloco B33Universidade Estadual de Maringá - Departamento de Estatística (Bloco E90) - Anfiteatro Professor Yoshiaki Fukushigue

      Conferência - Profº. Drº. Fabyano Fonseca e Silva
      Departamento de Zootecnia da Universidade Federal de Viçosa (UFV)
      http://www.dzo.ufv.br/index.php/fabyano-fonseca-e-silva/

      Título: Big Data em genética e melhoramento: aplicações na agropecuária
      ResumoA grande área de ômicas tornou-se uma realidade na agropecuária, e tem produzido resultados que justificam todos os investimentos realizados. Embora altamente atraentes sob o ponto de vista prático e científico, o acesso de tais resultados demanda o envolvimento com grandes conjuntos de dados, os quais são atualmente denominados de “big data”. Em termos gerais, estes dados se destacam sob o enfoque de seleção e associação genômica (utilização de grande número de marcadores da classe SNP – polimorfismos de base única) e de expressão gênica (informações de um grande número de transcritos – RNAseq - que caracterizam a expressão de genes de interesse). Independentemente da natureza de aplicação, métodos estatísticos sofisticados relacionados com a seleção de variáveis e avaliação da redundância entre as mesmas se caracterizam como a essência da análise de big data. Neste contexto, os métodos Bayesianos se apresentam como uma alternativa prática e eficiente dada sua flexibilidade inserida nas distribuições a priori. Também se destacam os modelos mistos, que independentemente da metodologia abordada (frequentista ou Bayesiana), naturalmente acomodam grande número de informações e as condensam em poucos parâmetros de grande interpretação biológica (herdabilidades e correlações genéticas). Diante do exposto, objetiva-se mostrar de forma intuitiva como as recentes pesquisas na área agropecuária abordam as análises de big data sob o ponto de vista da teoria estatística e da prática do melhoramento genético.

       




    • 06/12/2018 - Local: Universidade Estadual de Maringá - Departamento de Estatística (Bloco E90) - Anfiteatro Professor Yoshiaki Fukushigue

      Conferência -  MSc Felipe Emanoel Barletta Mendes (Cientista de dados)
      Laura Networks
      http://lattes.cnpq.br/1809695276402742

      TítuloMonitoramento de doenças por meio de inteligência artificial 

      ResumoHoje em dia muito se fala sobre Big Data , Machine Learning e Data Science na comunidade estatística e em outros segmentos da ciência que de certa forma utilizam de análise de dados. Data Science ou Ciência de dados é a maneira de gerar conhecimento, de fazer ciência a partir dos dados. Há uma estreita relação com a estatística, área do conhecimento cujos métodos permitem descrever, explorar, inferir e predizer a partir dos dados. Uma das formas de realizar esta ciência é por meio da inteligência artificial. A inteligência artificial (IA) possibilita que máquinas aprendam com experiências, se ajustem a novos conjuntos de dados e simulem tarefas como seres humanos. Com essa tecnologia, os computadores podem ser treinados para cumprir tarefas específicas ao processar grandes quantidades de dados e reconhecer padrões nesses dados. Portanto, esta apresentação tem como principal proposta introduzir o conceito de inteligência artificial para o monitoramento de doenças. Serão discutidas estratégias computacionais inteligentes, como modelos de redes neurais e random forrest, que oferecem um excelente apoio ao monitoramento de doenças. Será visto como o cientista de dados pode treinar um modelo para gerenciar o risco e identificar possíveis erros nos processos de acompanhamento médico de uma doença e notificar em tempo real o que e aonde estão ocorrendo. A evolução deste tipo de prática não somente contribui para o desenvolvimento do conhecimento científico mas também ajuda diretamente a salvar vidas.









Período de inscrição

Fique atento aos prazos para inscrições!


  • Data Inicial 19/09/2018
  • Data Final 05/12/2018
  • A submissão de trabalhos só poderá ser feita após a inscrição no evento *
  • Inscrições fechadas.

Valores

CategoriaAtéValor
Profissional05/12/2018200.00
Professor05/12/2018150.00
Discente de Pós-graduação05/12/2018100.00
Discente de graduação05/12/201850.00


inscrição

Inscrever

Hoje é 10/12/2018


×

Inscrição

Selecione o tipo de inscrição
CategoriaValor
Profissional200.00
Professor150.00
Discente de Pós-graduação100.00
Discente de graduação50.00

Precisa de ajuda?





PRAZO DE SUBMISSÃO PRORROGADO
ENVIO ATÉ O DIA 23/11 (23:59)
RESULTADOS NO DIA 27/11

 



Comissão Científica.

Josmar Mazucheli - DES/UEM (Coordenador)
Brian Alvarez Ribeiro de Melo - DES/UEM
Diogo Francisco Rossoni - DES/UEM
Fabyano Fonseca e Silva - DZO/UFV
Isolde Previdelli - DES/UEM

Luciane Flores Jacobi - UFSM
Suely Ruiz Giolo -  DEST/UFPR
Terezinha Aparecida Guedes - DES/UEM
Willian Luís de Oliveira - DES/UEM

Normas para Apresentação de Trabalhos

1 AUTORES DOS TRABALHOS

Pode se inscrever por trabalho até seis autores, incluindo orientador e co-orientador;

2 NORMAS DOS RESUMOS (Apresentação em poster ou oral)

Título;

Nome dos autores com filiação.

Conter entre 200 e 250 palavras;

Palavras-chave: no máximo 5.

3 NORMAS DO PÔSTER

a)Os trabalhos serão apresentados em sessões temáticas e pelo menos um autor deverá permanecer durante toda a sessão para apresentar e discutir o trabalho;

b)Os autores serão responsáveis pela colocação e retirada de seus painéis na área de exposição do evento, a qual será divulgada com antecedência;

c)Formato (sugestão): 90 cm X 120 cm.

 

Período de submissão de trabalhos: de 19/09/2018 a 01/12/2018

Áreas

  • Modelos de Regressão
  • Estatística Espacial e Temporal
  • Análise de sobrevivência
  • Ciência de dados
  • Estatística Experimental
  • Bioestatística
  • Análise Bayesiana
  • Modelos Conjuntos
  • Outras

Formatos

  • Oral
  • Pôster



Organização
Isolde T. S. Previdelli (Coordenadora)DES/UEM
Brian A. Ribeiro de MeloDES/UEM
Diogo Francisco RossoniDES/UEM
Josmar MazucheliDES/UEM
Márcia Lorena Alves dos SantosDES/UEM
Willian Luís de OliveiraDES/UEM
Breno Gabriel da Silva (DISCENTE)DES/UEM
Dário Sodré dos Santos (DISCENTE) DES/UEM
Lucas Ferrari Pereira (DISCENTE) DES/UEM
Patrícia Stülp (DISCENTE)DES/UEM
Rafaela Galo (DISCENTE) DES/UEM
Yana Miranda Borges (DISCENTE)DES/UEM

LOCAL

Universidade Estadual de Maringá - Departamento de Estatística (Bloco E90) - Anfiteatro Professor Yoshiaki Fukushigue

CONTATO

Sugestões/críticas

Programa de Pós-Graduação em Bioestatística
Telefone: (44) 3011-5450 /