Super User
Sistema de análise de opinião pública (TSViz)
Notícias Relacionadas
Pesquisadores
Conhecer a opinião pública por intermédio de hashtags e assuntos de interesse social, saber qual sua influência e como analisá-la em relação aos sentimentos, novidades, palavras mais relevantes e geolocalização de mensagens publicadas em tempo real são alguns dos objetivos do projeto TSViz. Do termo Time Series Visualization, este trabalho visa a análise online de conteúdo textual publicado por usuários na Internet.
Desenvolvimento de projetos conjuntos Universidade - Empresas/Instituições Públicas ou Privadas
A USP tem modelos de contrato para parcerias envolvendo Empresas ou Instituições.
Confira abaixo algumas definições e modelo padrão da Universidade para cada tipo de
parceria:
Convênio
Convênio de pesquisa - É o documento que expressa as obrigações por todos os parceiros nele
envolvidos visando a objetivos comuns para pesquisa e desenvolvimento, com metas a serem
cumpridas pela Universidade e Empresa/Instituição envolvida de acordo com plano de
trabalho bem definido.
Trâmite: Docente e Empresa/Instituição definem objetivo do convênio, bem como as metas a
serem atingidas. É redigido um plano de trabalho.
Minuta e plano de trabalho são encaminhados para o jurídico da Empresa/Instituição e para a
USP para trâmite e aprovações.
Anexos:
Minuta de Convênio
Modelo para Plano de Trabalho
Termo de Confidencialidade
É utilizado quando os parceiros tem interesse na troca prévia de informações técnicas para
análise da viabilidade de parceria para pesquisa ou desenvolvimento.
Trâmite: Termo é encaminhado para o jurídico da Empresa/Instituição e para a USP para
trâmite e aprovações.
Anexo:
Prestação de Serviço: USP Contratada
Neste tipo de parceria a USP, através de um docente, presta determinado serviço à uma
Empresa ou Instituição. É utilizada a infra-estrutura da Universidade.
Trâmite: Empresa propõe metas a serem atingidas, plano de desembolso de recursos e
apresenta a proposta ao docente. É redigido um plano de trabalho. Contrato e plano de
trabalho são encaminhados para o jurídico da Empresa/Instituição e para a USP para trâmite e
aprovações.
Anexos:
Contrato de prestação de Serviços - USP contratada
Modelo para Plano de Trabalho
Consultoria: Docente / Empresa
Docentes autorizados pela Universidade podem prestar serviço para Empresas ou Instituições.
A consultoria é uma forma de contrato para a realização de serviços pontuais, sem a utilização
da infra-estrutura da Universidade.
Trâmite: Empresa propõe metas a serem atingidas, plano de desembolso de recursos e
apresenta a proposta ao docente.
Como se trata de uma parceria direta entre docente, não há modelo padrão da Universidade.
A definição do contrato é de responsabilidade dos partícipes.
Contrato segue para aprovação do departamento e da Diretoria da Unidade à qual o docente
está vinculado que verifica se o mesmo tem a autorização necessária para prestar este tipo de
serviço.
Observações:
A Habilitação Jurídica e a comprovação da Regularidade Fiscal são necessárias para celebração
de convênios e contratos.
Conforme normas da Universidade, apenas após aprovação dos contratos pela
Universidade/Empresa e assinaturas dos responsáveis o projeto pode ser iniciado.
Controle de plantas invasoras
Notícias Relacionadas
Pesquisadores
André C. P. L. F. de Carvalho, Luís Paulo Faina GarciaUm trabalho desenvolvido na USP em São Carlos busca, utilizando a computação, erradicar espécies de plantas consideradas invasoras por devastar a biodiversidade nativa.
O trabalho é orientado pelo professor André Carvalho, do Instituto de Ciências Matemáticas e de Computação (ICMC) da USP e pesquisador do Centro de Ciências Matemáticas Aplicadas à Indústria (CeMEAI).
Simulação da produção de petróleo no pré-sal
Notícias Relacionadas
 |
Pesquisadores
Fabrício Simeoni de SousaO convênio entre o Centro de Ciências Matemáticas Aplicadas à Indústria (CEPID-CeMEAI) e a Petrobras resultará no desenvolvimento de novos métodos computacionais para a simulação da produção de petróleo nos campos do pré-sal brasileiro.
Aplicações automáticas na bolsa de valores
Notícias Relacionadas
Pesquisadores
André Carvalho, Humberto BrandãoFazer aplicações na bolsa de valores é uma escolha arriscada. Vários fatores influenciam nas altas e quedas das ações, e, principalmente em momentos de instabilidade econômica, muito dinheiro pode ser perdido.
Um estudo desenvolvido por pesquisadores da Universidade Federal e Alfenas (Unifal) e do Centro de Ciências Matemáticas Aplicadas à Indústria (CeMEAI) criou uma ferramenta que leva todos esses fatores em consideração e faz aplicações automáticas na bolsa de valores.
O sistema desenvolvido analisa a situação da bolsa de valores em tempo real e é autônomo a ponto de decidir, sem interferência humana, se vale a pena ou não fazer uma oferta de compra ou venda de ações, quantas ações serão negociadas e por qual preço.
Outro ponto importante do simulador é que ele também leva em consideração as taxas que a bolsa de valores cobra por cada transação.
Ondas de choque
Notícias Relacionadas
Pesquisadores
Edson Basso, Maria Luísa Reis, João Luiz AzevedoNo Instituto de Aeronáutica e Espaço (IAE), uma das unidades do Departamento de Ciência e Tecnologia Aeroespacial, o DCTA, em São José dos Campos, pesquisadores estudam um fenômeno que causava muitos acidentes aéreos antes da segunda guerra mundial: as ondas de choque.
Os estudos relacionados às ondas de choque são computacionais. O trabalho dos pesquisadores na Divisão de Aerodinâmica (ALA) é tentar reproduzir, no computador, o fenômeno como vemos na natureza. Isso é possível através do processo de modelagem do escoamento, ou seja, da reprodução das forças que agem sobre a estrutura das aeronaves. Eles fazem a modelagem e o computador dá uma resposta para as equações, que têm relação com o fenômeno real que observamos.
Sistema de tomada de decisões em sistemas financeiros (Gescob)
Notícias Relacionadas
Pesquisadores
André C P L F de Carvalho, Luis OtteUm projeto de pesquisa desenvolvido pelo aluno Luis Otte, do Mestrado Profissional em Matemática, Estatística e Computação Aplicadas à Indústria (MECAI), com orientação do pesquisador do CEPID-CeMEAI André Ponce de Leon Carvalho, resultou em uma ferramenta que já está disponível para ser utilizada por empresas de cobrança.
O desafio era descobrir e apontar perfis de clientes com potencial de bons pagadores. O cadastro de apenas uma dessas empresas analisadas na pesquisa aponta que durante um semestre, foram feitas 39 mil ligações e recuperados somente 3% dos valores devidos pelos clientes. Utilizando algoritmos de aprendizado de máquinas, o analista de sistemas desenvolveu um software que indica para os gestores de cobrança quais os clientes que devem ser priorizados.
Sistema de Gestão de Resíduos Sólidos (SISGERES)
Notícias Relacionadas
Pesquisadores
Francisco Louzada Neto, Alexandre Maiorano, Anderson Ara SouzaSob a tutela do professor Francisco Louzada Neto, do Instituto de Ciências Matemáticas e de Computação (ICMC) da USP em São Carlos e coordenador de transferência tecnológica do Centro de Ciências Matemáticas Aplicadas à Indústria (CEPID-CeMEAI), pesquisadores desenvolveram um sistema de gerenciamento de resíduos sólidos que pode ajudar – e muito – no controle que os municípios têm sobre os materiais que são descartados.
O sistema recebeu o nome de SISGERES – sigla para Sistema de Gestão de Resíduos Sólidos. O funcionamento é bem simples. A cada despejo de resíduo, o usuário registra no programa a data do descarte, a quantidade e o tipo de material descartado e a origem e o destino dos resíduos. A partir disso, o SISGERES gera tabelas e gráficos que facilitam o entendimento do processo de descarte no prazo de tempo que o usuário quiser.
MATHEMATICAL MODELLING OF INFECTION DYNAMICS
Osvaldo Anacleto
Course outline
Day 1 (Monday):
• Introduction to infectious disease modelling. Deterministic and stochastic compartmental models (Lecture and R tutorial)
• Introduction to probability distributions and counting processes
• Introduction to R (optional))
Day 2 (Tuesday):
• Introduction to statistical Inference and maximum likelihood estimation (Lecture and R tutorial)
• Frequentist inference for the basic reproduction ratio and stochastic epidemic models
Day 3 (Wednesday):
• Frequentist inference for basic reproduction ratio and design of transmission experiments (R tutorial and discussion)
• Introduction to Bayesian inference
Day 4 (Thursday):
• Conjugate Bayesian analysis for the beta-binomial model (fish infection data) and for stochastic SIR models (Lecture and R tutorial)
• Introduction to MCMC, Gibbs sampling and Metropolis-Hastings algorithms (Lecture and interactive tutorial)
• Bayesian inference and MCMC for epidemics - example 1: basic reproduction ratio and stochastic epidemic models
Day 5 (Friday):
• Bayesian inference and MCMC for epidemics - example 2: the dynamic non-linear indirect genetic effects model
• Case study 1: a Bayesian non-linear hierarchical model for pig infection data (Lecture and R tutorial)
Day 6 (Saturday):
• Case study 2: Transmission experimental design and a Bayesian survival model for fish infection data
• Review of some course topics based on participants’ suggestions
AN INTRODUCTION TO DATA-DRIVEN MODELLING & GRAPH CLUSTERING
Dr. Dante Conti
9.3.1 Summary
Nowadays when society is immersed at the era of Information and Communication Technologies, the presence of massive data in different fields and real-world applications has encouraged the use of Data Mining, Machine Learning and Artificial Intelligence approaches aimed to discover and extract non-trivial information from databases. These novel approaches are the result of multidisciplinary researches and advances associated to Applied Mathematics, Statistics, Computer Sciences, Engineering and Physics. Someauthors mention the new era of Data Science and Data Scientists by referring to academic and professional profiles with skills focused on analytics, IT and multidisciplinary thinking to solve problems under the idea of knowledge discovery in databases.
Currently, the so-called data-driven models (DDM) are becoming more and more common.DDM is based on analysing the data about a system, in particular finding connections between the system state variables (input, internal and output variables) without explicit knowledge of the physical behaviour of the system. These methods represent large advances on conventional empirical modelling with many applications which include Finance, Marketing, Medicine, Management and Environmental Sciences and so on.
Job market is seeking for experts in Analytics. Most demanded profiles include mathematicians, statisticians and engineers. Some European and American universities already include data science and data modelling in their academic curricula for undergraduate and graduate programs in Applied Mathematics, Statistics and Systems Engineering and similar disciplines.
Data-driven modelling assumes the presence of a considerable and sufficient amount ofdata describing the underlying system. Data are used to perform basically tasks of classification, pattern recognition, associative & predictive analysis.
Under these premises, the objective of this course is to introduce students in data-driven modelling. A brief overview of the concepts and methodology will be presented. Also, the main methods will be described with the support of specialized software (in this case R: A language and environment for statistical computing). An emphasis on classification and clustering will be presented in order to solve two real problems where data-driven modelling has been implemented with successful results: (1) detecting consumption patterns in urban water networks and (2) graph analysis in flow networks – A case study in air transport.
The course is designed to interact directly with the participants. Two sessions of lectures arescheduled (about 6 hours). The rest of the time will be reserved to solve real-problems underthe basis of the Hydroinformatics application or/and the flow networks (graph theory) bysupporting and coaching the participants.
9.3.2 Prerequisites:
Participants should have attended some previous courses in Operations Research or Linear Programming, Basic Statistics and some knowledge in computer software (R) is advisable.
For those with no R knowledge, an introduction to this software is available at:
• https://cran.r-project.org/doc/contrib/Paradis-rdebuts_en.pdf
• http://ocw.mit.edu/courses/sloan-school-of-management/15-097-prediction-machinelearning-and-statistics-spring-2012/lecture-notes/MIT15_097S12_lec02.pdf
• https://cran.r-project.org/web/views/MachineLearning.html
9.3.3 Software:
R: A language and environment for statistical computing
Available at:
https://cran.r-project.org/
Main packages to be used: igraph, igraphdata, randomForest, rpart, tree, e1071, Nbclust.
9.3.4 Scheduling:
9.3.4.1 Monday July 03th:Lecture 1
An introduction to Data-driven Modelling and main algorithms (3-4 hours). Afternoon (from 2 p.m. or 3 p.m.). Homework: some R examples andpresentation of the first problem related to Water consumption patterns: (Milan – Italy &London U.K.)
9.3.4.2 Tuesday July 04th: Lecture 2
Graph Theory and Graph Clustering: emphasis on shortest path applications and max-flow min-cut (3-4 hours). Afternoon (from 2 p.m. or 3 p.m.).Presentation of the second problem related to Air transport in US airports. Homework: Practice of igraph:
http://kateto.net/networks-r-igraph
9.3.4.3 From July 05th to 07th
Coaching for participants and solving of the proposed problems.Participants will be divided in groups in order to facilitate the solution of the problems. Myavailability will be from 9.00 a.m. till 7 p.m.
9.3.4.4 Saturday July 08th
Final reports and oral presentations.
9.3.5 Languages:
Presentations and coaching activities will be in Portuguese. Bibliography is 100% English.
9.3.6 Bibliography:
It is necessary and advisable to read (or at least, a quick review) the following paperswhich will be used all the week long:
1) Survey: Graph clustering by Satu Elisa Schaeffer. Available at:
http://www.leonidzhukov.net/hse/2016/networks/papers/GraphClustering_Schaeffer07.pdf
2) Data-driven modelling: some past experiences and new approaches by Dimitri P. Solomatine and AviOstfeld. Available at:
http://jh.iwaponline.com/content/ppiwajhydro/10/1/3.full.pdf
3) Predictive models for forecasting hourly urban water demand. By Manuel Herrera etal. Available at:
https://www.researchgate.net/publication/223694461_Predictive_models_for_forecasting_hourly_urban_water_demand_J_Hydrol_3871-2141-150
For further information, do not hesitate to contact me at:
Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo. or Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo.