Você está aqui: INPE / Workshop de Computação Aplicada / Minicursos

Minicursos

Preencha o formulário abaixo e escolha um ou mais minicursos.

Prazo para inscrição: 15/09/2019

https://forms.gle/AwnZV1dHN6T3tket6

Terça-feira - 17/09/2019
Título Ministrante Local
MC1 - Dados, histórias e computadores fumegantes Dr. Ricardo Sovek Oyarzabal Auditório Roger Honiat
MC2 - Tecnologias Web para dashboards dinâmicos - explorando APIs TerraBrasilis para dados de desmatamento André Fernando Araújo de Carvalho Auditório Fernando de Mendonça
Quarta-feira - 18/09/2019
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 Auditório Fernando de Mendonça
MC4 - Introdução ao modelamento e previsão de séries temporais multivariadas com Keras Dr. Reinaldo Roberto Rosa Auditório Roger Honiat
MC1 - Dados, histórias e computadores fumegantes [+]
Data: 17/09/2019
Local: Auditório Roger Honiat

Dr. Ricardo Sovek Oyarzabal
Lattes: http://lattes.cnpq.br/5342210125729085

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: Auditório Fernando de Mendonça

André Fernando Araújo de Carvalho
Lattes: http://lattes.cnpq.br/4764945347240452

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: Auditório Fernando de Mendonça

Dr. Laercio Massaru Namikawa
Lattes: http://lattes.cnpq.br/0983590211329242

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: Auditório Roger Honiat

Dr. Reinaldo Roberto Rosa
Lattes: http://lattes.cnpq.br/2840176439889517

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.



Publicado Por: INPE
Última Modificação: Set 16, 2019 10h33