×
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
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
Título: Estatística ou ciência de dados ou aprendizagem de máquina? Capacidade preditiva ou modelos embasados cientificamente? O que define um problema com Big data?
Resumo: Nessa 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.
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.
Resumo: Los 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.
Material: http://www.rizbicki.ufscar.br/minicurso_sml/
Resumo: Estatística 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.
Resumo: Hoje 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.
Fique atento aos prazos para inscrições!
| Categoria | Até | Valor |
|---|---|---|
| Profissional | 05/12/2018 | 200.00 |
| Professor | 05/12/2018 | 150.00 |
| Discente de Pós-graduação | 05/12/2018 | 100.00 |
| Discente de graduação | 05/12/2018 | 50.00 |
Inscrever
Hoje é 21/12/2024
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.
| Isolde T. S. Previdelli (Coordenadora) | DES/UEM | |
| Brian A. Ribeiro de Melo | DES/UEM | |
| Diogo Francisco Rossoni | DES/UEM | |
| Josmar Mazucheli | DES/UEM | |
| Márcia Lorena Alves dos Santos | DES/UEM | |
| Willian Luís de Oliveira | DES/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 |
Sugestões/críticas
