3) MINI-CURSOS
MINI-CURSO 1: Dominando o Shiny: como construir seu primeiro dashboard interativo
Ministrado por:
Profa. Paula Maçaira, D.Sc.
Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
Resumo:
O Shiny é um framework para criar aplicativos web de maneira fácil usando código R, sem precisar de qualquer conhecimento de HTML, CSS ou JavaScript. Por outro lado, o Shiny possui componentes de interface de usuário que podem ser facilmente personalizadas ou estendidas, e seu servidor usa programação reativa para permitir que você crie qualquer tipo de lógica de back-end que desejar. Atualmente, o Shiny é usado em quase tantos nichos e indústrias quanto o próprio R. Na academia é usado como um meio chamativo para exibir novos resultados, métodos ou modelos estatísticos e em empresas para configurar painéis de métricas em tempo real que incorporam análises avançadas. Este curso foi projetado para levá-lo de não saber nada sobre Shiny para ser capaz de construir dashboards, onde você será capaz de expor seus resultados de maneira interativa que ainda são fáceis de manter e de alto desempenho.
MINI-CURSO 2: Tomada de Decisões em Cenários Complexos e suas Aplicações
Ministrado por:
Prof. Petr Ekel, D.Sc. (habil.), Ph.D.
Full Professor at PUC Minas
Resumo:
Os resultados de nossas pesquisas permitem falar sobre a criação da teoria de tomada de decisão multicritério sob condições de incerteza, baseada na abordagem possibilística e implementada usando a teoria dos conjuntos fuzzy e sua combinação com outros ramos da matemática de incerteza.
A melhor evidência da importância de aplicação da abordagem possibilística (baseada na construção e análise de cenários) é a crise financeiro global de 2008. A crise mostrou que não é possível planejar “futuro” somente com base nas tendências de “passado” e nas estimativas probabilísticas.
Sob condições de incerteza, não há soluções ótimas (a solução ótima para um cenário não é ótima para outro). Então, o que é uma solução? As chamadas soluções robustas servem como soluções que nos permitem atender melhor qualquer cenário.
Todas as estratégias e ferramentas da Pesquisa Operacional são baseadas na concepção da “existência da solução ótima”. Considerando que sob incerteza, as soluções ótimas não existem, são propostos procedimentos para identificar soluções “piores” (dominadas), aplicando informações quantitativas e qualitativas. Cortando essas soluções, é possível reduzir intervalos de incerteza das soluções e chegar às soluções robustas.
São propostos esquemas para tomar decisões multiatributo e multiobjetivo que permitem agregar informações quantitativas e qualitativas para obter soluções robustas.
Os resultados obtidos permitem responder às diversas questões que surgem em qualquer tipo de planejamento e, em primeiro lugar, “o que fazer?” e “como fazer?”. As respostas podem ser geradas, analisando os modelos de alocação multicritério de recursos ou seus déficits.
Os resultados obtidos permitem:
processar informações quantitativas (incluindo dados georreferenciados) com diferentes níveis de incerteza;
processar informações qualitativas, baseadas em conhecimento, experiência e intuição dos especialistas envolvidos;
converter diferentes formatos de preferência em informações homogêneas para tomada de decisões;
produzir decisões com a regulação dos níveis de compensação mútua entre atributos ou objetivos, refletindo níveis de tolerância do tomador de decisões ao risco;
construir cenários com a aplicação direta de informações qualitativas em conjunto com informações quantitativas, realizando um processo de fusão de informações dentro de modelos multicritério;
avaliar as consequências das decisões tomadas, incluindo os seus riscos, e produzir soluções robustas (não dominadas) multicritério;
construir e aplicar esquemas de decisão multicritério sob condições de incerteza, permitindo múltiplas sessões de utilização de informação de caráter qualitativo.
Os resultados das pesquisas são ativamente utilizados em diversas aplicações, desde problemas em tempo real até planejamento estratégico. Em particular, os primeiros resultados foram usados para resolver um conjunto de problemas de alocação de déficit de potência e energia gerados pelos impactos do desastre de Chernobyl. Projetos recentes estão relacionados ao planejamento estratégico, planejamento de novos negócios, planejamento energético, construção de portfólios, modernização de distritos industriais, alocação de recursos, planejamento de promoções, planejamento de manutenção, controle em tempo real em sistemas de energia, etc. Esses projetos são financiados pelas organizações governamentais e companhias nacionais e internacionais.
MINI-CURSO 3: Machine Teaching com Microsoft BONSAI – A nova fronteira do Machine Learning
Ministrado por:
Afonso Medina
GENOA – www.genoads.com.br
RESUMO:
O MACHINE TEACHING É A NOVA VERTENTE DO MACHINE LEARNING QUE TRAZ RESULTADOS MAIS BEM SUCEDIDOS EM COMPARAÇÃO A TECNOLOGIAS TRADICIONAIS. ACOMPANHE, NA PRÁTICA, O DESENVOLVIMENTO DE UM BRAIN CONTROLADOR USANDO O MACHINE TEACHING E SUA COMPARAÇÃO COM OUTRAS TECNOLOGIAS.
