Escola Avançada em Big Data Analysis
VISUALIZAÇÃO DE DADOS
Ministrantes: Profa. Dra. Rosane Minghim e Emílio Vital Brazil.
Resp.: Prof. Dra. Rosane Minghim e Profa. Dra. Maria Cristina Ferreira de Oliveira
Objetivos
A área de visualização computacional engloba o desenvolvimento e aplicação de técnicas gráficas para apresentação e entendimento dos mais variados conjuntos de dados. Domínios de aplicação variam desde diagramas explicativos e gráficos de barra até dados meteorológicos, médicos, científicos, coleções de registros, documentos, imagens, etc. Visualização também é essencial para a maioria dos processos de análise de dados e, em particular, em tomada de decisão baseada em dados. Pretende-se abordar o que é Visualização, suas principais técnicas, sua associação com a análise de dados, além de exemplos de algoritmos e aplicações. Além da exposição de conceitos e técnicas, indivíduos poderão testar abordagens de visualização através de exemplos práticos nos seus computadores.
Conteúdo
Introdução: O que é e o que não é Visualização de Dados. Exemplos práticos de visualização. Técnicas Básicas de Visualização: Dados numéricos, em rede, categóricos, estruturados e não estruturados. Integração de Visualização e Mineração de Dados. Analítica Visual. Exemplos de Aplicações: Textos, Imagens, Redes Sociais. Exemplos de apoio visual a tarefas de mineração de dados. Visualização em larga escala. Exemplos e exercícios práticos. Similarity Visualization.
Bibliografia
- Interactive data visualization: foundations, techniques, and applications
MO Ward, G Grinstein, D Keim - 2010 - Data visualization: principles and practice
AC Telea - 2014
FRONTEIRAS DA MINERAÇÃO DE DADOS
Ministrantes: Prof. Dr. Alípio M. Jorge – Universidade do Porto, Portugal; Prof. Dr. Bruno Gonçalves – University of New York
Resp.: Prof. Dra. Solange Oliveira Rezende e Prof. Dr.Thiago Alexandre Salgueiro Pardo
Objetivos
Apresentar ao aluno aplicações de mineração de dados na fronteira do conhecimento, abordando questões atuais, mais especificamente, sistemas de recomendação e mineração de dados sociais, com exemplos de aplicações, possibilitando o uso dessa tecnologia na solução de problemas e na tomada de decisão.
Justificativa
A área de mineração de dados, em suas mais variadas frentes, tem tido grande relevância frente aos desafios de se gerenciar e processar a grande quantidade de dados disponíveis, principalmente online, tanto estruturados quanto não estruturados. Dominar os conceitos e as técnicas envolvidos nessa área é essencial para o real proveito dos dados disponíveis, quer de uso geral, quer de domínios especializados.
Conteúdo
Introdução aos sistemas de recomendação. Recomendação baseada em dados de utilização. Algoritmos: Regras de associação, abordagens baseadas em distâncias, fatorização de matrizes. Questões de escalabilidade. Algoritmos incrementais. Avaliação de sistemas de recomendação. Ferramentas (R, Python). Conceitos básicos de redes complexas. Estruturas de redes. Métricas topológicas. Análise e mineração de redes sociais. Introdução à API do Twitter. Comportamento em microblogs e uso da linguagem. Visualização e análise de dados do Twitter.
Bibliografia básica
- Faceli, K.; Lorena, A.C.; Gama, J.; Carvalho, A.C.P.L.F. (2011). Inteligência Artificial. Uma Abordagem de Aprendizado de Máquina. Editora LTC.
- Jurafsky, D. and Martin, J.H. (2009). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics and Speech Recognition. Prentice Hall.
- Liu, B. (2012). Sentiment Analysis and Opinion Mining. Morgan & Claypool Publishers.
Rezende, S.O. (org.) (2003). Sistemas Inteligentes: Fundamentos e Aplicações. Editora Manole. - Witten, I.H.; Frank, E.; Hall, M.A. (2011). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann.
DEEP LEARNING
Ministrantes: Prof. Dr. Eduardo Valle – FEEC/UNICAMP; Prof. Dr. Matthieu Cord -UPMC Paris 6 - Sorbonne Universités -- LIP6
Resp.: Prof. Dra. Roseli Ap. Francelin Romero e Prof. Dr. João Luis Garcia Rosa
Objetivos
Deep Learning (DL) tem revolucionado muitos aspectos da área de reconhecimento de padrões nos últimos anos e tem sido extremamente bem sucedido em tarefas como reconhecimento e detecção de objetos, classificação de cenas, reconhecimento de movimentos. Neste curso, na primeira parte, serão apresentados alguns modelos de redes neurais, que servem de base para a compreensão de DL. Na segunda parte, arquiteturas para redes DL serão apresentadas, com respectivos de algoritmos de treinamento e exemplos de aplicações reais.
Justificativa
As pesquisas em Redes Neurais está em pleno desenvolvimento e os resultados obtidos na solução de problemas complexos (visão, voz, etc.), muitos deles ainda não resolvidos satisfatoriamente em computadores digitais, têm despertado o interesse de pesquisadores de diversas áreas, tais como, processamento de imagens, reconhecimento de padrões, robótica, controle, otimização, processamento paralelo, etc..
Conteúdo
1. Introdução: · Cognição e Modelos Biológico. · Aprendizado e Inteligência. · Processamento Simbólico versus Não-Simbólico. · Reconhecimento de padrões. 2. Primeiros Modelos: Perceptron, Adaline. 3. Rede MLP: Arquitetura, Algoritmo backpropagation,· Aplicações. 3. Redes RBF :Arquitetura,· Treinamento,· Aplicações. 4. Deep Learning: Introdução. Redes Convolucionárias, Pre-treinamento Não-supervisionado, Auto-encoders: SDA e RBM, Redes de Crença Profundas. Aplicações. Deep-learning for Vision, From LeNet to Imagenet, Tricks for Training, Transfer Learning, Fine Tuning, Extensions and Applications (Supervised Segmentation, Automatic Captioning, Metric Learning, Generative Models).
Bibliografia
- HAYKIN, S.; "Neural Networks: A Comprehensive Foundation", Macmillan Publishing Co:/ IEEE-Press,1994.
- Deep Learning Tutorial - Release 0.1, LISA lab, University of Montreal, (http://www.iro.umontreal.ca/~lisa/publications2/index.php/publications/show/239),set/ 2015.
- Y. LeCun, B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard and L. D. Jackel: Handwritten digit recognition with a back-propagation network, in Touretzky, David (Eds), Advances in Neural Information Processing Systems (NIPS 1989), 2, Morgan Kaufman, Denver, CO,1990.
- Rumelhart, D.; McClelland and THE PDP RESEARCH GROUP - Parallel Distributed Processing: Explorations in the Microstructure of Cognition, vol.1. Cambridge MA:MIT Press, 1986.
GERÊNCIA DE DADOS COMPLEXOS EM LARGA ESCALA
Ministrantes: Prof. Dr. Robson Leonardo Ferreira Cordeiro e Prof. Dr. José Fernando Rodrigues Junior
Resp.: Prof. Dr. Robson Leonardo Ferreira Cordeiro e Prof. Dr. José Fernando Rodrigues Junior
Objetivos
Introduzir os principais conceitos, técnicas e ferramentas de gerência de dados em larga escala, voltado principalmente a aplicações comerciais com necessidades não atendidas por sistemas de banco de dados relacionais disponíveis no mercado.
Justificativa
Diversas aplicações comerciais atuais necessitam gerenciar conjuntos de dados não compatíveis com os sistemas banco de dados relacionais disponíveis no mercado. Comumente, isso se deve à complexidade dos dados (e.g., grandes grafos, impressões digitais, imagens e áudio), ao intuito limitado de uso analítico, ou até mesmo à necessidade de processamento massivo dos dados em grandes “clusters” de computadores formados por computadores pessoais comuns. O curso visa apresentar brevemente conceitos, técnicas e ferramentas desenvolvidos com o intuito de suprir tais necessidades.
Conteúdo
NoSQL e Consistência de Dados; Dados em Larga Escala e Computação em Nuvem; O Modelo de Programação MapReduce; Conceitos de Análise de Dados utilizando OLAP.
Bibliografia
- Joe Celko. Complete Guide to NoSQL: What Every SQL Professional Needs to Know about Non-relational Databases, Elsevier, 2014.
- Eric Redmond and Jim R. Wilson. Seven Databases in Seven Weeks: A Guide to Modern Databases and the NoSQL Movement, Pragmatic Bookshelf, 2012.
- Pramod J. Sadalage and Martin Fowler. NoSQL Distilled: A Brief Guide to the Emerging World of Polyglot Persistence, Addison-Wesley Professional, 2012.
- Shashank Tiwari. Professional NoSQL, Wrox, 2011.
- Gaurav Vaish. Getting Started with NoSQL, Packt Publishing, 2013.
- John Sharp, Douglas McMurtry, Andrew Oakley, Mani Subramanian, Hanzhong Zhang. Data Access for Highly-Scalable Solutions: Using SQL, NoSQL, and Polyglot Persistence, Microsoft patterns & practices, 2013.