Minicursos
Preencha o formulário abaixo e escolha um ou mais minicursos.
Prazo para inscrição: 10/09/2019
https://forms.gle/AwnZV1dHN6T3tket6
Título | Ministrante | Local | |
---|---|---|---|
MC1 - Dados, histórias e computadores fumegantes | Dr. Ricardo Sovek Oyarzabal | ||
MC2 - Tecnologias Web para dashboards dinâmicos - explorando APIs TerraBrasilis para dados de desmatamento | André Fernando Araújo de Carvalho |
Título | Ministrante | Local | |
---|---|---|---|
MC3 - Processamento de Imagens de Sensoriamento Remoto para Resposta à Desastres: Uso de Imagens CBERS-4 e Sentinel com ferramentas do INPE e da ESA | Dr. Laercio Massaru Namikawa | ||
MC4 - Introdução ao modelamento e previsão de séries temporais multivariadas com Keras | Dr. Reinaldo Roberto Rosa |
MC1 - Dados, histórias e computadores fumegantes
Data: 17/09/2019
Local:
Dr. Ricardo Sovek Oyarzabal
Lattes: http://lattes.cnpq.br/5342210125729085
Link para Material do Curso
Resumo: Neste minicurso faremos uma introdução sobre jornalismo de dados e suas técnicas. Apresentaremos o contexto geral e as principais ferramentas empregadas em cada etapa do fluxo de trabalho com dados. Para quem já lida com dados, ou tem interesse em trabalhar, além de obter resultados científicos é possível também divulgá-los de forma acessível, ou seja, construir narrativas de impacto e desta forma produzir informação. Os participantes irão se familiarizar com conceitos básicos, tais como: obtenção de dados, limpeza, preparação e a transformação de dados em informação. Quando apresentados de forma clara e atrativa, os dados têm o potencial de convencer e gerar impacto. Jornalismo de dados não é só gerar gráficos e visualizá-los, é também contar uma história da melhor maneira possível.
MC2 - Tecnologias Web para dashboards dinâmicos - explorando APIs TerraBrasilis para dados de desmatamento
Data: 17/09/2019
Local:
André Fernando Araújo de Carvalho
Lattes: http://lattes.cnpq.br/4764945347240452
Link para Material do Curso
Resumo: O objetivo deste minicurso é explorar as técnicas utilizadas na construção dos dashboards do TerraBrasilis, conhecidas na literatura como gramática dos gráficos. Além de apresentar as APIs TerraBrasilis e WFS/GeoServer para consulta de dados de desmatamento, iremos exercitar seu uso prático na construção de painéis gráficos interativos para análise de dados fornecidos por estas APIs usando bibliotecas JavaScript open source como D3, DC e CrossFilter. Aos participantes que desejarem reproduzir a atividade, recomenda-se o uso de equipamento próprio. O material será disponibilizado no github.
MC3 - Processamento de Imagens de Sensoriamento Remoto para Resposta à Desastres: Uso de Imagens CBERS-4 e Sentinel com ferramentas do INPE e da ESA
Data: 18/09/2019
Local:
Dr. Laercio Massaru Namikawa
Lattes: http://lattes.cnpq.br/0983590211329242
Link para Material do Curso
Resumo: O curso apresentará técnicas de processamento de imagens para identificação de danos e produção de mapas em apoio à resposta à desastres. As imagens utilizadas serão as gratuitas disponibilizadas pela ESA e pelo INPE. As ferramentas para processar as imagens serão o TerraView e SPRING do INPE e o SNAP (Sentinel Application Platform) da ESA.
MC4 - Introdução ao modelamento e previsão de séries temporais multivariadas com Keras
Data: 18/09/2019
Local:
Dr. Reinaldo Roberto Rosa
Lattes: http://lattes.cnpq.br/2840176439889517
Parte Teórica e Conceitual (PDF da apresentação):
https://drive.google.com/drive/folders/1pPscSQoha-Jpu9L5wZBO3-358XBBGJ1X
Parte Prática:
Previsão (visto no curso com participação de Rubens Sautter)
https://github.com/rsautter/Worcap2019/blob/master/MinicursoKeras.ipynb
DRIVE/COLAB
e-mail: LSTM.worcapminicurso
senha: worcaplstm
Resumo: Redes neurais recorrentes do tipo Long Short-Term Memory (LSTM) apresentam bom desempenho para tratar problemas envolvendo a previsão de séries temporais multivariadas. Trata-se, portanto, de uma metodologia alternativa para a previsão de séries temporais quando métodos lineares clássicos apresentam dificuldades de se adaptar a problemas de previsão multivariada ou de múltipla entrada. Neste minicurso, abordaremos a metodologia para desenvolver um modelo LSTM para previsão de séries temporais multivariada no módulo de aprendizado profundo Keras.