Home
Informações do Evento

Informações do Evento



 

PERÍODO E HORÁRIO: 11 a 15 de fevereiro de 2019, das às 8 às 12h e das 14 às 18h

 

LOCAL:  Departamento de Genética, da ESALQ/USP, na Av.Pádua Dias, 11, em Piracicaba, SP

 

COORDENADOR: Prof. Dr. Roberto Fritsche Neto (Depto.de Genética/ESALQ/USP)

 

COMISSÃO ORGANIZADORA
- Júlia Silva Morosini
- Fernando Garcia Espolador

 

PÚBLICO-ALVO: Estudantes e profissionais com interesse em análise de imagens voltadas para fenotipagem de alto rendimento.

 

PROGRAMA

MÓDULO I - INTRODUÇÃO

1.1 O que é a mineração de dados?

  • Conceito da mineração de dados com exemplos
  • Tipos de dados
  • Tipos de modelos
  • A mineração de dados e o processo de descobrimento de conhecimento com base nos dados
  • Relação com outras disciplinas
  • Aplicações

 

1.2 Processo de extração do conhecimento

  • As fases do processo de extração de conhecimento
  • Fase de integração e recopilação
  • Fase de seleção, limpeza e transformação
  • Fase de mineração de dados
  • Fase de avaliação e interpretação
  • Fase de difusão, uso e monitoramento

 

MÓDULO II – PREPARAÇÃO DE DADOS

2.1 Limpeza e transformação

  • Introdução
  • Integração e limpeza dos dados
  • Transformação de atributos e criação de características
  • Discretização e digitalização
  • Normalização de intervalo: escalado e centrado
  • Outras transformações

 

2.2 Exploração e seleção

  • O contexto da visão de mineração
  • Exploração mediante visualização
  • Sumarização, descrição, generalização e pivotamento
  • Seleção de dados
  • Linguagens primitivas e interfaces de mineração de dados

 

MÓDULO III – TÉCNICAS DE MINERAÇÃO DE DADOS

3.1 O problema da extração de padrões

  • Introdução
  • Tarefas e métodos
  • Mineração de dados e aprendizagem indutiva
  • A linguagem dos padrões e expressividade
  • Breve comparação de métodos

 

3.2 Modelagem estatística paramétrica

  • Conceito de modelagem estatística
  • Modelo de regressão
  • Modelos de regressão sobre componentes não-correlacionados
  • Modelos de regressão com variáveis categóricas
  • Análise de resíduos
  • Exemplo: aplicação aos dados hiperespectrais
  • Modelos lineares generalizados
  • Análise discriminante
  • Sistemas, aplicabilidade e recomendações de uso

 

3.3 Modelagem estatística não paramétrica

  • Introdução
  • Regressão não paramétrica
  • Discriminação não paramétrica
  • Conclusões, aplicabilidade e sistemas

 

3.4 Regras de associação e dependência

  • Introdução
  • Regras de associação
  • Regras de dependências
  • Regras de associação multiníveis
  • Regras de associação sequenciais
  • Aprendizagem de regras de associação com sistemas de mineração de dados

 

3.5 Métodos Bayesianos

  • Teorema de Bayes
  • Naïve Bayes
  • Redes Bayesianas
  • Aprendizagem de redes bayesianas
  • Classificadores baseados em redes bayesianos
  • Tratamento de dados desconhecidos
  • Sistemas

 

3.6 Árvores de decisão e sistemas de regras

  • Sistemas por partição: árvores de decisão para classificação
  • Sistemas de aprendizagem de regras por cobertura
  • Poda e reestruturação
  • Árvores de decisão para regressão, agrupamento ou estimação de probabilidades
  • Aprendizagem de árvores de decisão híbridas
  • Adaptação para grandes volumes de dados
  • Sistemas, aplicabilidade e recomendações de uso

 

3.7 Redes neurais artificiais

  • A aprendizagem nas redes neurais artificiais (RNA)
  • Aprendizagem supervisionada em RNA
  • Aprendizagem não supervisionada em RNA
  • Sistemas, aplicabilidade e recomendações de uso

 

CONTEÚDO PRÁTICO

 

Laboratório 1: Introdução WEKA

  • Preparação dos dados
  • Mostra de dados
  • Objetivos da análise
  • Execução de WEKA

 

Laboratório 2: Pré-processamento dos dados e Visualização

  • Característica dos atributos
  • Trabalho com filtros: preparação de arquivos de amostra
  • Filtros de atributos
  • Filtros de instâncias
  • Representação 2D dos dados
  • Filtragem “gráfica” dos dados

 

Laboratório 3: Agrupamento e Classificação

  • Agrupamento numérico
  • Agrupamento simbólico
  • Modos de avaliação do classificador
  • Seleção e configuração de classificadores
  • Predição numérica
  • Aprendizagem do modelo e aplicação a novos dados
  •  

IMPORTANTE: É necessário trazer computador pessoal para as aulas.

 

NÚMERO DE VAGAS: 85

 

TAXA DE INSCRIÇÃO

- Profissional – R$ 400,00

- Estudante – R$ 200,00 (anexar comprovante, no ato da inscrição)

 

ATENÇÃO: 

1. A VAGA FICARÁ GARANTIDA POR 5 DIAS, CONTADOS A PARTIR DA DATA DA INSCRIÇÃO, APÓS ESTE PERÍODO SERÁ CANCELADA. No caso de pagamento via depósito, enviar o comprovante para o e-mail: cdt@fealq.com.br, o mais breve possível, dentro do prazo de 5 dias.

 

2. A inscrição, depois de paga, poderá ser cancelada, mas a taxa de inscrição será devolvida somente se o cancelamento for solicitado, por escrito, através do e-mail: cdt@fealq.com.br, até um dia antes do início do evento, depois não devolvemos mais o valor pago.