Home
Informações do Evento

Informações do Evento

 

PERÍODO E HORÁRIO: 01 a 03 de outubro de 2019, das 08 ás 18h

 

INSCRIÇÕES ENCERRADAS PELO SITE!

 

noVAS INSCRIÇÕES SOMENTE NO LOCAL DO EVENTO!

 

LOCAL: IMPB (1 Outubro): Anfiteatro do Pavilhão de Engenharia da  ESALQ/USP  (https://goo.gl/maps/4ScVQf8eiPLUQ2R48)

 Minicurso I and II:(2-3 Outubro): Anfiteatro do Departamento de Genética da ESALQ/USP (https://goo.gl/maps/A9jqH4UprfkbomWd6)
 

COORDENAÇÃO

- Prof.Dr.José Baldin Pinheiro (ESALQ/USP)

- GVENCK - Grupo Extensão em Genética e Melhoramento de Plantas "Roland Vencovsky"

 

APOIO

- Corteva Agriscience, Bayer, FAPESP, Departamento de Genética e Programa de Pós-Graduação em Genética e Melhoramento de Plantas – ESALQ/USP

 

OBJETIVO: Mediante ao crescente aumento da população mundial, diferentes estratégias devem ser tomadas pela sociedade em prol do aumento na produção de alimentos e de forma sustentável. O melhoramento genético de plantas pode ser considerado uma das estratégias fundamentais para o desenvolvimento de cultivares mais adaptadas e produtivas. Novas ferramentas que auxiliam o melhoramento genético são lançadas a cada dia, com o objetivo de aumentar a acurácia da seleção, diminuir o tempo do ciclo de melhoramento, aumentar o ganho genético e, consequentemente, aumentar a produtividade e a produção de alimentos. Desta forma, discussões dessas novas ferramentas são importantes para garantir a correta utilização e aplicação dentro dos projetos de pesquisa e melhoramento genético. Nos últimos anos, a inteligência artificial vem ganhando a atenção dos pesquisadores, pela sua aplicabilidade em praticamente todas as etapas do ciclo do melhoramento. É possível fazer uso de inteligência artificial para a análise dos dados genotípicos, fenotípicos, na predição genômica e na fenômica, principalmente no processamento de imagens. Considerando isso, o objetivo do III IMPB é fomentar a discussão da aplicação da inteligência artificial dentro do programa de melhoramento genético.

 

Program

October 1st (Tuesday)

07:30– 8:00 – Registration

08:00 – 08:30 – Opening Session – Tabare Abadie - Corteva Agriscience - USA

08:30 – 09:30 – Lecture 1: André Carlos Ponce de Leon Ferreira de Carvalho – “What is the relation between Big Data and Data Science? And how does Artificial Intelligence fits in this relation?”

09:30 - 09:50 – Coffee Break

9:50 – 10:50 – Lecture 2: Alencar Xavier – “Good learners, faster learning”

10:50 – 11:30 – Poster Session

11:30 – 13:30 – Break

13:30 – 14:30 – Lecture 3: Osval A. M. López – “Machine learning and deep learning methods for genomic prediction”

14:30 – 15:30 – Lecture 4: Katy Martin Rainey – “Phenomic Inference of Soybean Growth and Development”

15:30 - 16:00 - Coffee Break

16:00 – 17:00 – Lecture 5: Rodrigo G. Trevisan – “Deep learning for image-based high throughput plant phenotyping”

17:00 – 18:00 – Lecture 6: Vinícius Silva Junqueira – “How Data Science is changing the job experience in industry?”

18:00 – 18:30 – “Roland Vencovsky” Award and Closing Remarks

19:00 – Official Event Dinner

 

MINI-CURSO: MACHINE LEARNING FOR PLANT BREEDING

 

October 2nd (Wednesday): Mini-course I

8:00 – 18:00 - Osval A. M. López - “Machine learning methods for genomic prediction”

Content:

Topic 1. Basic concepts of machine learning

1.1. Basic definitions

1.2. Type of cross validation

1.3. Modeling basics

1.3.1. What is a model?

1.3.1. The two cultures of model building

1.4. Model tuning

1.4.1. Why is model tuning important?

1.4.2. Methods for hyper-parameter tuning

1.5. Metrics for the evaluation of prediction performance

1.5.1. Quantitative measures of performance

1.5.2. Binary and ordinal measures of performance

1.5.3. Count measures of performance

Topic 2. Support vector regression and Support vector machines

2.1. Fundamentals of support vector regression

2.2. Support vector regression for univariate continuous outcomes

2.3. Illustrative examples for continuous outcomes

2.4. Support vector machines for univariate binary and ordinal outcomes

2.5. Illustrative examples for binary data

2.6. Illustrative examples for ordinal data

 

Topic 3. Artificial neural networks and deep learning for continuous outcomes

3.1. The inspiration of the artificial neural network model

3.2. Timeline of artificial neural networks

3.3. Activation functions

3.4. The universal approximation theorem

3.5. Artificial neural networks vs Deep learning

3.6. Artificial neural networks topologies

3.7. Successful applications of artificial neural networks and deep learning

3.8. Loss functions

3.9. Regularized loss functions

3.10. Early-Stopping Method of Training

3.11. The backpropagation algorithm

3.12. Illustrative example-a hand computation

3.13. Examples in keras for continuous univariate outcomes

3.14. Examples in keras for binary univariate outcomes

3.15. Examples in keras for ordinal univariate outcomes

3.16. Examples in keras for continuous multivariate outcomes

3.17. Examples in keras for binary multivariate outcomes

3.18. Examples in keras for ordinal multivariate outcomes

3.19. Examples in keras for mixed (binary, ordinal and continuous) multivariate outcomes

 

October 3rd (Thursday): Mini-course II

8:00 – 18:00 - Rodrigo G. Trevisan - “A hands-on introduction to deep learning for image-based high throughput plant phenotyping”

 

Content:

Topic 1. Main types of problems in image analysis:

1.1 Classification, location, segmentation, regression, counting;

Topic 2. Convolutional neural networks:

2.1 Analogies, importance, computational efficiency, GPU;

Topic 3. Introduction to the computational environment:

3.1 Collaboratory Platform, Python, Pytorch;

Topic 4. Preparing the data:

4.1 Image annotation, masks, image augmentation;

Topic 5. Practical examples:

5.1 Classification: Differentiating plant species;

5.2 Regression: Calculating the percentage of vegetation cover;

5.3 Segmentation: Classifying each pixel of the image;

Topic 6. A practical challenge:

6.1 Overview of the Kaggle platform, submission template;

Topic 7. Integrating complex architectures:

7.1 Examples from the CVPPP, examples with the U-NET network, extracting coordinates from the segmentation;

Topic 8. Results of the competition and final considerations:

8.1 Troubleshooting, Hyperparameters, smoothing and over adjustment.

 
 
 

NÚMERO DE VAGAS:

III International Meeting (Evento Principal) - 200

Minicurso I - 80

Minicurso II - 80

 

Envio de resumos:


Os participantes são convidados a submeter o resumo da sua pesquisa na área de genética e melhoramento de plantas para apresentação na sessão de poster no dia do evento. Os melhores trabalhos irão concorrer ao prêmio "prof. Roland Vencovsky"
Prazo para o envio: 15 de  setembro de 2019

 

 

TAXA DE INSCRIÇÃO 

III MPB

Até 01/09

- Profissional - R$ 80,00

- Estudante de Pós Graduação - R$ 50,00

- Estudante de Graduação - R$ 40,00

Após 01/09

- Profissional - R$ 100,00

- Estudante de Pós Graduação - R$ 70,00

- Estudante de Graduação - R$ 50,00

 

MINICURSO: 

Somente Minicurso (cada minicurso) - R$ 70,00

Participante do III MPB - R$ 30,00

 

 

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.