IX Escola Avançada de Big Data Analysis

Curso de atualização – 100% EAD

Docentes

Daniel Lucrédio  

Daniel Ohata  

Fabiola Pereira  

Jean Roberto Ponciano  

Leandro Augusto Frata Fernandes  

Leo Sampaio Ferraz Ribeiros  

Lucas Pascotti Valem  

Mirela Teixeira Cazzolato  

Renato Moraes Silva  

Ricardo Cerri  

Tiago Agostinho de Almeida  

10 cursos

01/12/2025 a 05/12/2025

Inscrições: 17/11/2025 a 27/11/2025

Pedidos de bolsa: até 25/11/2025

Fale conosco no WhatsApp!

Pré-requisito: graduação completa na área da saúde

Inscreva-se

Descrição do curso:

Uma semana de imersão composta por 10 minicursos de 3 horas cada, conduzidos por especialistas e pesquisadores de referência. Ao longo do evento, os participantes terão a oportunidade de aprofundar tanto os fundamentos teóricos quanto as aplicações práticas das abordagens mais atuais e eficazes em Inteligência Artificial e Análise de Big Data.

Não perca a chance de se atualizar sobre as tendências que estão transformando o mercado, fortalecer sua base técnica e ampliar seu networking com profissionais da área.

Inscreva-se agora e garanta sua vaga!

Valores

  • Inscrição: R$300,00

  • Curso: R$1200,00

Formas de pagamento

  • Inscrição: Pix

  • Curso: Pix à vista ou boleto em até 2x

Forma de inscrição

  • Período de inscrição: 15/01/2026 a 22/02/2026

Público-alvo

  • O curso é indicado para graduados na área de saude e estudantes de pós-graduação que sejam graduados na área da saúde

Cursos

Serão oferecidos 10 cursos ministrados por especialistas e pesquisadores atuantes na área:

Introdução aos Sistemas de Recomendação

Tiago Agostinho de Almeida  

Sistemas de recomendação são tecnologias amplamente utilizadas para filtrar e sugerir itens relevantes aos usuários com base em seus interesses, histórico ou perfis semelhantes. Presentes em plataformas de e-commerce, streaming, redes sociais e diversos outros domínios, esses sistemas desempenham um papel central na personalização da experiência do usuário. Neste curso introdutório, abordaremos os principais paradigmas de recomendação (filtragem colaborativa, filtragem baseada em conteúdo e métodos híbridos) discutindo suas vantagens, limitações e aplicações práticas. Serão exploradas técnicas clássicas e modelos mais recentes, com foco na intuição por trás dos métodos e em exemplos ilustrativos. O curso é voltado a quem deseja compreender os fundamentos teóricos e práticos dos sistemas de recomendação, mesmo sem experiência prévia na área.

Apresentar de forma introdutória e acessível os principais paradigmas e técnicas utilizadas em sistemas de recomendação, destacando suas aplicações práticas e implicações no contexto de personalização de conteúdo.

Ao final do curso, o participante será capaz de:

  • Compreender os conceitos fundamentais e a importância dos sistemas de recomendação em diferentes domínios.
  • Diferenciar os principais paradigmas: filtragem colaborativa, filtragem baseada em conteúdo e métodos híbridos.
  • Implementar exemplos simples de recomendação utilizando bibliotecas e ferramentas populares.
  • Avaliar a qualidade de sistemas de recomendação por meio de métricas adequadas.
  • Reconhecer limitações e desafios relacionados a essas tecnologias.
  • Introdução aos Sistemas de Recomendação
  • Paradigmas de Recomendação
  • Técnicas e Modelos
  • Avaliação de Sistemas de Recomendação
  • Desafios
  • Prática e Exemplos
  1. Aggarwal, C. C. (2016). Recommender systems (Vol. 1). Cham: Springer International Publishing.
  2. Falk, Kim. Practical recommender systems. Simon and Schuster, 2019.
  3. Ricci, F., Rokach, L., Shapira, B., & Kantor, P. B. (2010). Recommender systems handbook.3a edição. Springer-Verlag. 2022.

Professor Associado do Departamento de Ciência da Computação da Universidade Federal de São Carlos (UFSCar), Bolsista de Produtividade em Pesquisa do CNPq e líder sênior de projetos em Ciência de Dados, Aprendizado de Máquina, Inteligência Artificial e Processamento de Língua Natural. Possui vasta experiência no ensino, coordenação e desenvolvimento de atividades de pesquisa e formação qualificada em Inteligência Computacional, Aprendizado de Máquina e Reconhecimento de Padrões. É Editor-convidado da Machine Learning (Springer) e da Data Mining and Knowledge Discovery (Springer). Também atua como Editor Associado da Machine Learning and Artificial Intelligence (seção especial dos periódicos Frontiers in Artificial Intelligence e Frontiers in Big Data). Atuou como chair em vários congressos renomados na área de Inteligência Artificial, incluindo o Journal Track do ECML-PKDD. É autor de um livro premiado de aprendizado de máquina e +100 artigos científicos.

Lattes  |  LinkedIn

Inteligência Artificial Criativa Aplicada ao Desenvolvimento de Jogos 2D

Daniel Ohata  

O objetivo geral do curso é apresentar de forma prática e conceitual o uso de técnicas de Inteligência Artificial aplicadas ao desenvolvimento de jogos 2D, promovendo uma abordagem criativa que combina teoria, programação e design de experiências interativas. Ao final do curso, o participante será capaz de: compreender os principais conceitos de IA usados em jogos digitais; implementar algoritmos básicos como Pathfinding (A*) e Máquinas de Estados Finitos (FSM); aplicar noções de geração procedural e narrativa adaptativa; relacionar técnicas de IA com jogos reais e suas aplicações práticas; e criar e testar pequenos protótipos interativos em Google Colab e C#.

Apresentar de forma prática e conceitual o uso de técnicas de Inteligência Artificial aplicadas ao desenvolvimento de jogos 2D, promovendo uma abordagem criativa que combina teoria, programação e design de experiências interativas.

Ao final do curso, o participante será capaz de:

  • Compreender os principais conceitos de IA usados em jogos digitais.
  • Implementar algoritmos básicos como Pathfinding (A*) e Máquinas de Estados Finitos (FSM).
  • Aplicar noções de geração procedural e narrativa adaptativa.
  • Relacionar técnicas de IA com jogos reais e suas aplicações práticas.
  • Criar e testar pequenos protótipos interativos em Google Colab e C#.
  1. Fundamentos de IA e Aplicações no Cotidiano e em Jogos
    1. IA simbólica, heurística, adaptativa e generativa
    2. IA como ferramenta de suporte e criação
  2. Pathfinding e Navegação
    1. Algoritmo A* em ambientes 2D
    2. Aplicações em labirintos e mapas
  3. FSM e Behavior Trees
    1. Lógica de estados reativos para NPCs
    2. Modelagem de comportamento adaptativo
  4. Geração Procedural de Conteúdo
    1. Geração de mapas, inimigos e desafios
    2. Aleatoriedade controlada e repetibilidade
  5. Narrativa Interativa e Adaptativa
    1. Árvores de decisão
    2. Escolhas com consequências
  6. Estudos de Caso em Jogos Comerciais
    1. Aplicações práticas de cada técnica em títulos reais
  1. Millington, Ian; Funge, John. Artificial Intelligence for Games. CRC Press, 2016.
  2. Rabin, Steve (Org.). Game AI Pro: Collected Wisdom of Game AI Professionals. CRC Press, 2013.
  3. Norvig, Peter; Russell, Stuart. Inteligência Artificial. 3ª ed. Pearson, 2013.
  4. Togelius, Julian; Yannakakis, Georgios. Artificial Intelligence and Games. Springer, 2019.
  5. Unity ML-Agents Toolkit (https://github.com/Unity-Technologies/ml-agents)
  6. Godot Docs – AI and Navigation (https://docs.godotengine.org)

Doutor em engenharia elétrica e computação (2024), mestre em engenharia elétrica e computação (2019) e bacharel em Sistemas de Informação (2017), todos os títulos obtidos pela Universidade Presbiteriana Mackenzie. Possui formação em game design pela HAL College of Technology Design no Japão (2014) e técnico em Informática Industrial pelo Colégio Radial (1998). Pesquisador do Laboratório JAS3 (Laboratório de Jogos, Aprendizagem, Simulação, Sistemas e Sinais), laboratório de TV digital, ambos da Universidade Presbiteriana Mackenzie e do Instituto de Pesquisa Facens. Exerce o cargo de professor universitário dos cursos de graduação e de pós-graduação da Universidade Facens, além de participar do núcleo docente estruturante do curso de Jogos Digitais da universidade e do comitê de ética da instituição. Exerce a função de consultor e analista de desenvolvimento em sistemas e jogos digitais.

Lattes  |  LinkedIn

Técnicas Avançadas de Customização de Modelos de Linguagem

Renato Moraes Silva  

Neste curso, exploraremos estratégias modernas para especializar grandes modelos de linguagem (LLMs) em tarefas específicas de Processamento de Linguagem Natural. Ao longo das atividades, os participantes serão apresentados aos conceitos fundamentais que permitem adaptar modelos pré-treinados de forma eficiente, mantendo bom desempenho sem necessidade de treinamento completo. Serão abordadas etapas como preparação de dados de instrução, configuração de ambientes de treinamento com recursos otimizados e execução de experimentos práticos de personalização de modelos. O conteúdo incluirá demonstrações orientadas e exemplos de aplicações reais, destacando como essas técnicas podem ser empregadas em diversos contextos acadêmicos e profissionais. Ao final do curso, os participantes estarão aptos a compreender e aplicar métodos contemporâneos de adaptação de LLMs em seus próprios projetos.

Apresentar conceitos e técnicas modernas para especialização de grandes modelos de linguagem (LLMs) em tarefas específicas de Processamento de Linguagem Natural (PLN), enfatizando métodos eficientes de adaptação sem a necessidade de treinamento completo.

Ao final do curso, o participante será capaz de:

  • Compreender os fundamentos da adaptação de LLMs para tarefas específicas.
  • Preparar conjuntos de dados de instrução para fine-tuning e aprendizado de preferência.
  • Configurar ambientes de treinamento otimizados para experimentos com LLMs.
  • Aplicar técnicas de personalização de modelos em projetos práticos.
    Avaliar e ajustar modelos especializados considerando desempenho, custo computacional e limitações de recursos.
  • Reconhecer aplicações reais e potenciais usos dessas técnicas em contextos acadêmicos e profissionais.
  • Introdução à Especialização de LLMs
  • Preparação de Dados de Instrução
  • Técnicas de Adaptação de Modelos
  • Configuração de Ambiente e Treinamento
  • Estudos de caso e aplicações em projetos reais
  1. Zhao, W. X., Zhou, K., Li, J., Tang, T., & Wen, J.-R. (2025). Large language models (1st ed.).
  2. Hugging Face. Transformers Documentation. https://huggingface.co/docs/transformers
  3. Touvron, H., Lavril, T., Izacard, G., Martinet, X., Lachaux, M. A., Lacroix, T., … & Lample, G. (2023). Llama: Open and efficient foundation language models. arXiv preprint arXiv:2302.13971.
  4. Hu, E. J., Shen, Y., Wallis, P., Allen-Zhu, Z., Li, Y., Wang, S., … & Chen, W. (2022). Lora: Low-rank adaptation of large language models. ICLR, 1(2), 3.
  5. Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C., Mishkin, P., … & Lowe, R. (2022). Training language models to follow instructions with human feedback. Advances in neural information processing systems, 35, 27730-27744.
  6. Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., … & Amodei, D. (2020). Language models are few-shot learners. Advances in neural information processing systems, 33, 1877-1901.

Graduado em Licenciatura Plena em Informática pela Universidade Federal de Mato Grosso (2010) e Mestre (2013) e Doutor (2017) em Engenharia Elétrica pela Universidade Estadual de Campinas (Unicamp). Foi pesquisador de pós-doutorado pelo Programa de Pós-graduação em Ciência da Computação (PPGCC-So) da Universidade Federal de São Carlos (UFSCar), Campus de Sorocaba (2017-2021). Atuou como professor e pesquisador no Centro Universitário Facens (2021-2024). Atualmente, é docente no Instituto de Matemática e Ciência da Computação (ICMC) da Universidade de São Paulo (USP). Sua pesquisa é voltada para o Processamento de Linguagem Natural, com ênfase em aplicações como análise de sentimentos, detecção de spam, classificação de mensagens instantâneas e identificação de fake news. Além disso, desenvolveu pesquisas que aplicam aprendizado de máquina a problemas de visão computacional e estudos que utilizam análise de dados no contexto do setor financeiro.

Lattes  |  LinkedIn

Manipulação de Espaços Latentes em Redes Neurais

Leandro Augusto Frata Fernandes  

Este curso aborda a manipulação de espaços latentes em redes neurais, com foco em aplicações como geração e controle de atributos em imagens. São introduzidos os conceitos fundamentais de representação latente e sua importância para compressão e generalização dos dados. O tutorial explora arquiteturas como Autoencoders, Variational Autoencoders (VAEs) e GANs, demonstrando como vetores latentes podem ser modificados para realizar tarefas como interpolação, troca de atributos e geração de novas amostras. O curso é voltado para estudantes e profissionais com conhecimentos básicos em redes neurais e aprendizado profundo, interessados em geração de conteúdo, modelagem generativa e análise de representações latentes.

O curso tem como objetivo introduzir conceitos e técnicas para manipulação de espaços latentes em redes neurais, abordando a geração e o controle de atributos em imagens. Ao final, os participantes deverão compreender a importância dos espaços latentes para representação e generalização de dados, diferenciar arquiteturas como Autoencoders, VAEs e GANs e suas aplicações em geração de imagens, além de saber manipular vetores latentes para criar novas amostras, modificar atributos e aplicar essas técnicas em projetos práticos.

  1. Mask-guided discovery of semantic manifolds in generative models Yang, M., Rokeby, D., and Snelgrove, X. 4th Workshop on Machine Learning for Creativity and Design at NeurIPS, 2020.
  2. Latent space factorisation and manipulation via matrix subspace projection Li, X., Lin, C., Wang, C., and Guerin, F. 37th International Conference on Machine Learning, v. 119, pp. 5916–5926, 2020.
  3. Semantic manipulation through the lens of Geometric Algebra Evangelista, R. S., Pereira, A. L. S., de Moraes, R. F., and Fernandes, L. A. F. Computer Vision and Image Understanding, 239, paper 103899, 2024.

Professor do Departamento de Ciência da Computação da Universidade Federal Fluminense (UFF) e membro permanente da Pós-Graduação em Computação da UFF (PGC/UFF), possui doutorado em Ciência da Computação pela UFRGS, com estágios pós-doutorais na UFRGS e na UNICAMP. Atua nas áreas de visão computacional e análise de imagens, com interesse em modelagem semântica, extração de características visuais, metrologia baseada em imagens e Álgebra Geométrica. É o representante brasileiro na International Commission on Illumination (CIE – Division 8) e lidera o Laboratório de Processamento Gráfico da UFF (Prograf/UFF). Foi bolsista PQ do CNPq e JCNE pela FAPERJ entre 2015 e 2021, além de ter sido premiado pelo Google Research Awards (2020), pelo Prêmio Elon Lages Lima (2020), pelo Prêmio Inventor Petrobras (2022 e 2024) e pelo Prêmio Eficiência e Inovação do PE da Petrobras (2024).

Lattes  |  LinkedIn

Redes Neurais de Grafos Aplicadas à Visão Computacional

Lucas Pascotti Valem  

Este curso oferece uma introdução prática às Redes Neurais de Grafos (GNNs) e suas aplicações em visão computacional. Diferentemente de modelos tradicionais como Redes Neurais Convolucionais (CNNs) e Vision Transformers (ViTs), que operam sobre dados com estrutura fixa (como imagens em grade 2D), as GNNs permitem generalizar convoluções para domínios não-Euclidianos, lidando com dados estruturados como grafos e explorando relações mais complexas entre as amostras. Isso é especialmente útil em cenários com poucos dados rotulados, como na aprendizagem semi-supervisionada. O curso introduz uma visão geral sobre fundamentos das GNNs, como os mecanismos de passagem de mensagens e o modelo de Redes Convolucionais de Grafos (GCN), e avança para a construção de grafos visuais a partir de vetores de características extraídos com aprendizado profundo, aplicando GNNs a tarefas como classificação, recuperação (retrieval) e segmentação de imagens.

O curso tem como objetivo fornecer uma introdução prática às Redes Neurais de Grafos (GNNs) e suas aplicações em visão computacional. Os participantes deverão compreender os fundamentos das GNNs, incluindo mecanismos de passagem de mensagens e modelos como Redes Convolucionais de Grafos (GCN), e entender como construir grafos visuais a partir de vetores de características extraídos com aprendizado profundo. Ao final, estarão aptos a aplicar GNNs em tarefas de classificação, recuperação (retrieval) e segmentação de imagens, reconhecendo as vantagens desse modelo em relação a abordagens tradicionais.

  1. C. Chen et al., “A Survey on Graph Neural Networks and Graph Transformers in Computer Vision: A Task-Oriented Perspective,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 46, no. 12, pp. 10297–10318, Dec. 2024, doi: 10.1109/TPAMI.2024.3445463.
  2. A. Aflalo, S. Bagon, T. Kashti, and Y. Eldar, “Deepcut: Unsupervised segmentation using graph neural networks clustering,” in 2023 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW), 2023, pp. 32–41.
  3. T. N. Kipf and M. Welling, “Variational graph auto-encoders,” NIPS Bayesian Deep Learning Workshop, 2016.
  4. T. N. Kipf and M. Welling, “Semi-supervised classification with graph convolutional networks,” in 5th International Conference on Learning Representations (ICLR 2017), Toulon, France, April 24–26, 2017, Conference Track Proceedings. OpenReview.net, 2017.
  5. L. P. Valem, D. C. G. Pedronette, and L. J. Latecki, “Graph convolutional networks based on manifold learning for semi-supervised image classification,” Computer Vision and Image Understanding, vol. 227, p. 103618, 2023.

Professor Doutor na Universidade de São Paulo (USP) – Instituto de Ciências Matemáticas e de Computação (ICMC). Doutor em Ciência da Computação pela Universidade Estadual Paulista – UNESP (2020-2024), realizou doutorado-sanduíche na Temple University (Filadélfia–PA, USA) pela Fulbright (Doctoral Dissertation Research Abroad Award, 2022-2023). Sua tese de doutorado foi selecionada entre as 10 melhores do país em 2025 pela Sociedade Brasileira de Computação (SBC). Possui experiência em diferentes áreas de Ciência da Computação, com ênfase em recuperação de informações, recuperação de imagens pelo conteúdo, aprendizado de máquina, visão computacional, deep learning, grafos, processamento de imagens, reconhecimento de padrões e computação paralela.

Lattes  |  LinkedIn

Uma introdução à Visualização de Dados (e como não ser enganado por ela)

Jean Roberto Ponciano  

A visualização de dados desempenha um papel fundamental em nosso dia-a-dia ao tornar mais rápida, confiável e acessível a comunicação de informações muitas vezes complexas ou em grande quantidade. Certo? Se repararmos bem, nem sempre. Na verdade, podemos dizer que a visualização de dados, quando criada apropriadamente, desempenha esse papel fundamental. Visualizações podem fortalecer uma mensagem, mas também podem enganar e levar a interpretações (e decisões) equivocadas. Este curso apresentará uma introdução teórica e prática ao mundo da Visualização de Dados, dando especial atenção às Visualizações Enganosas (misleading visualizations) — representações que, intencionalmente ou não, transmitem mensagens distorcidas em relação ao que os dados realmente mostram. Ao fim do curso, os participantes estarão aptos a criar visualizações fiéis aos dados e analisar criticamente aquelas que chegarem até eles.

O curso tem como objetivo introduzir os participantes ao mundo da Visualização de Dados, abordando aspectos teóricos e práticos, com ênfase na criação de representações fiéis e na identificação de visualizações enganosas. Ao final, os participantes deverão ser capazes de produzir visualizações que comuniquem informações de forma clara e precisa, além de analisar criticamente gráficos e representações visuais recebidas, evitando interpretações equivocadas.

  1. WILKE, Claus O. Fundamentals of data visualization: a primer on making informative and compelling figures. O’Reilly Media, 2019.

  2. MUNZNER, Tamara. Visualization analysis and design. CRC press, 2014.

  3. CAIRO, Alberto. How charts lie: Getting smarter about visual information. WW Norton & Company, 2019.

  4. LISNIC, Maxim et al. Misleading beyond visual tricks: How people actually lie with charts. In: Proceedings of the 2023 CHI conference on human factors in computing systems. 2023. p. 1-21.

É professor assistente no Instituto de Ciências Matemáticas e de Computação (ICMC) da Universidade de São Paulo (USP), Brasil. É também orientador e professor convidado no MBA em Inteligência Artificial e Big Data oferecido pelo ICMC/USP. Realizou dois pós-doutorados (ICMC/USP entre 2022 e 2024 e EMAp/FGV entre 2020 e 2022) e possui doutorado (2020), mestrado (2016) e graduação (2012) em Ciência da Computação pela Universidade Federal de Uberlândia, Brasil, onde também foi professor por quase três anos. Possui interesse e experiência em Analítica Visual e Visualização de Dados, especialmente visualização de redes complexas e temporais.

Lattes  |  LinkedIn

Inteligência em Redes Sociais: Análise, LLMs e Aprendizado com Grafos na Era dos Dados Conectados

Fabiola Pereira  

Em um mundo cada vez mais interligado por plataformas digitais, compreender como as informações circulam, como as conexões se formam e como a linguagem se manifesta nas redes é essencial para extrair conhecimento e tomar decisões estratégicas. O objetivo do curso é explorar a análise de dados de mídias sociais a partir de três abordagens complementares: a análise de redes sociais, os modelos de linguagem (LLMs) e o aprendizado com grafos. Primeiramente, uma introdução aos conceitos fundamentais das redes sociais, entendendo como interpretar conexões entre pessoas, perfis e interações será apresentada. Em seguida, serão discutidas aplicações de LLMs para redes sociais online, com foco na identificação de padrões de comunicação, enriquecimento de dados das redes e representação aprimorada de nós e arestas. Por fim, serão abordadas técnicas de aprendizado com grafos, como as redes neurais em grafos (GNNs), destacando como elas permitem construir modelos capazes de prever comportamentos, detectar comunidades e fazer recomendações. O curso inclui demonstrações práticas e aplicações reais, mostrando como essas abordagens podem ser usadas de forma integrada para extrair conhecimento de ambientes sociais digitais.

O curso tem como objetivo capacitar os participantes a analisar dados de mídias sociais utilizando abordagens complementares: análise de redes sociais, grandes modelos de linguagem (LLMs) e aprendizado com grafos. Ao final, os participantes deverão compreender conceitos fundamentais de redes sociais e interpretar conexões entre pessoas, perfis e interações; aplicar LLMs para identificar padrões de comunicação, enriquecer dados e representar nós e arestas de forma aprimorada; e utilizar técnicas de aprendizado com grafos, incluindo GNNs, para prever comportamentos, detectar comunidades e fazer recomendações, integrando essas abordagens em aplicações práticas e reais em ambientes digitais.

  1. Zafarani, Reza, Mohammad Ali Abbasi, and Huan Liu. Social media mining: an introduction. Cambridge University Press, 2014.

  2. Barabasi, AL., & Pósfai, M. (2016). Network Science. Cambridge University Press. http://networksciencebook.com/

  3. Hamilton, W. L. (2020). Graph representation learning. Morgan & Claypool Publishers.

  4. Thapa, S., Shiwakoti, S., Shah, S.B. et al. Large language models (LLM) in computational social science: prospects, current state, and challenges. Soc. Netw. Anal. Min. 15, 4 (2025). https://doi.org/10.1007/s13278-025-01428-9

Fabiola Pereira é doutora (2018) e mestre (2011) em Ciência da Computação pela Universidade Federal de Uberlândia (UFU), Brasil. Em 2016, atuou como pesquisadora visitante no Laboratório de Inteligência Artificial e Apoio à Decisão (LIAAD), INESC TEC, Portugal. Possui 8 anos de experiência na indústria, tendo atuado como cientista de dados sênior e prestando consultorias técnicas nas áreas de dados e inteligência artificial para grandes empresas. Atualmente, é professora adjunta na Universidade Federal de Uberlândia (UFU), onde atua como orientadora no Programa de Pós-Graduação em Ciência da Computação. Seus interesses de pesquisa envolvem o uso de técnicas de mineração de dados para compreender dinâmicas de comportamento de usuários. Principais áreas de atuação: Personalização de Usuários, Aprendizado de Máquina e Análise de Redes Sociais.

Lattes  |  LinkedIn

Mineração de Grafos Temporais: Engenharia de Características e Aplicação em Detecção de Fraudes

Mirela Teixeira Cazzolato  

Como detectar comportamentos suspeitos e fraudes em conjuntos de dados representados por interações temporais, como chamadas telefônicas, transações financeiras ou conexões em redes sociais? Neste minicurso, abordaremos técnicas e ferramentas para a mineração de grafos temporais, com ênfase na engenharia de características e na detecção de fraudes. Exploraremos métodos clássicos e modernos para extração de padrões anômalos, incluindo métricas estruturais e abordagens baseadas em aprendizado de máquina. O foco será em aplicações reais, com maior enfoque no domínio de telecomunicações. O minicurso discutirá ainda os principais desafios no tratamento de grafos temporais e apresentará estratégias eficazes para representação, visualização e análise desses dados complexos.

O curso tem como objetivo apresentar técnicas para detectar comportamentos suspeitos e fraudes em dados temporais representados por grafos. Ao final, os participantes deverão compreender a mineração de grafos temporais, aplicar métodos para identificar padrões anômalos e utilizar abordagens de aprendizado de máquina em aplicações reais, com foco em telecomunicações.

  1. CAZZOLATO, M.T.; VIJAYAKUMAR, S.; LEE, M-C.; VAJIAC, C.; PARK, N.; FIDALGO, P.; TRAINA, A.J.M.; FALOUTSOS, C.. CallMine: Fraud Detection and Visualization of Million-Scale Call Graphs. In ACM CIKM 2023. ACM, 4509–4515. 2023. DOI: 10.1145/3583780.3614662.

  2. FIDALGO, P.; LOPES, R. J.; FALOUTSOS, C. Star-bridge: a topological multidimensional subgraph analysis to detect fraudulent nodes and rings in telecom networks. IEEE Big Data 2022. IEEE. p. 2239–2242. 2022. DOI: 10.1109/BigData55660.2022.10020714.

  3. LEE, M.-C.; SHEKHAR, S., FALOUTSOS, C.; HUTSON, T. N.; IASEMIDIS, L.. Gen2Out: Detecting and Ranking Generalized Anomalies, IEEE Big Data 2021, Orlando, FL, USA, 2021, pp. 801-811, DOI: 10.1109/BigData52589.2021.9671550.

  4. CHAKRABARTI, D., PAPADIMITRIOU, S., MODHA, D. S., FALOUTSOS, C., Fully automatic Cross-associations, in Conference of the ACM Special Interest Group on Knowledge Discovery and Data Mining. New York, NY: ACM Press, 2004. DOI: 10.1145/1014052.1014064.

É Professora assistente no Instituto de Ciências Matemáticas e de Computação (ICMC) da Universidade de São Paulo (USP). É professora convidada no MBA em Inteligência Artificial e Big Data oferecido pelo ICMC. Foi Professora assistente do Departamento de Computação e Matemática (DCM) da Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto (FFCLRP) da USP. Realizou Pós-Doutorado pelo InCor, atuando no projeto temático MIVisBD FAPESP, atuando junto ao ICMC. Realizou estágio BEPE de Pós-Doutorado na Carnegie Mellon University (CMU), EUA. Doutora em Ciência da Computação e Matemática Computacional pelo ICMC, com estágio no Instituto de Tecnologia de Karlsruhe (KIT), Alemanha. Tem interesse de pesquisa em Mineração de Grafos, Detecção de Anomalias, Dados Complexos, Análise e Mineração de Imagens, Aprendizado de Máquina e Visualização.

Lattes  |  LinkedIn

Visão Computacional Fora do Laboratório: Aprendizado por Poucos Exemplos em Aplicações Reais

Ricardo Cerri  

Leo Sampaio Ferraz Ribeiros  

A área de aprendizado por poucos exemplos (few-shot learning, FSL) recebeu bastante atenção na literatura durante a última década. É natural que o próximo passo após a explosão de métodos de aprendizado de máquina em grandes bases de dados seja “mas e se não tivermos grandes bases?” e essa é a proposta da área de FSL. O curso tem como objetivo apresentar exemplos que aproximem os métodos de FSL de aplicações reais que apresentam de fato o padrão de poucos dados, já que muito do que se estuda em FSL apenas simula essa situação mesmo que ela seja muito comum no dia-a-dia da pessoa Cientista de Dados.

Introduzir os conceitos fundamentais de aprendizado por poucos exemplos (Few-Shot Learning – FSL).
Discutir o desafio de construir modelos quando não há grandes bases de dados disponíveis.
Apresentar métodos e técnicas de FSL aplicados a cenários reais onde o volume de dados é naturalmente reduzido.
Relacionar o estudo teórico de FSL com situações práticas enfrentadas no dia-a-dia da Ciência de Dados.

  1. Bibliografia:
    Bengio, Y., Goodfellow, I., & Courville, A. (2017). Deep learning (Vol. 1, pp. 23-24). Cambridge, MA, USA: MIT press.

Ricardo Cerri obteve seu doutorado em Ciência da Computação e Matemática Computacional pela Universidade de São Paulo (ICMC/USP/Brasil), trabalhando com Redes Neurais e Algoritmos Genéticos para Problemas Hierárquicos e Multirrótulo. Tem experiência trabalhando principalmente com os temas Bioinformática e Aprendizado de Máquina, com foco especial em métodos avançados para classificação e regressão de dados com múltiplas saídas e saídas estruturadas (multi-output learning / hierarchical / multi-label / multi-target). De 2015 a 2024 ocupou o cargo de Professor Adjunto no Departamento de Computação da Universidade Federal de São Carlos (UFSCar/Brasil), liderando o grupo de pesquisa em Bioinformática e Aprendizado de Máquina (BioMal – www.biomal.ufscar.br), supervisionando estudantes de graduação e pós-graduação. Também é Bolsista de Produtividade em Pesquisa do CNPq – Nível 2. Tem diversas colaborações internacionais em andamento, além de várias colaborações nacionais. Atua como revisor de periódicos e conferências nacionais e internacionais, além de atuar no comitê de programa de diferentes conferências e workshops no Brasil e exterior. Também faz parte do corpo editorial de periódicos internacionais. De 2019 a 2020, realizou pesquisa de pós-doutorado no Laboratório de Inteligência Artificial e Suporte à Decisão (LIAAD) da Universidade do Porto (Portugal), trabalhando com classificação multirrótulo em fluxos contínuos de dados. No mesmo tema, foi pesquisador visitante na Universidade do Texas em Dallas de janeiro a abril de 2025, com financiamento da Fulbright. Atualmente é Professor Associado no Instituto de Ciências Matemáticas e de Computação da Universidade de São Paulo.

Lattes  |  LinkedIn

Gerenciamento de ciclo de desenvolvimento de machine learning com MLflow

Daniel Lucrédio

Colocar modelos de machine learning em produção envolve mais do que simplesmente disponibilizá-los para consumo, seja em tarefas online ou batch, pois esses modelos, assimcomo qualquer software, evoluem ao longo do tempo devido a mudanças no contexto em que estão inseridos, como alterações em regras de negócio, legislação, ou novas tendênciasnos dados. A gestão dessa evolução é complexa e exige constante experimentação para otimizar métricas como acurácia, além de lidar com a qualidade dos dados e hiperparâmetros,a diversidade de tecnologias, e a necessidade de escalar o desenvolvimento para múltiplos modelos e grandes volumes de dados, o que levou à criação do MLflow, uma ferramentaopen source para gerenciar todo o ciclo de desenvolvimento de machine learning. Neste curso, veremos as principais características dessa ferramenta, diferentes formas de utilizaçãoe os benefícios que ela pode trazer para projetos de machine learning.

Apresentar o MLflow como ferramenta para gerenciar o ciclo de vida de modelos de machine learning, abordando desde o versionamento e experimentação até a implantação emonitoramento, demonstrando como otimizar métricas, manter a qualidade dos dados e escalar o desenvolvimento em cenários com múltiplos modelos e grandes volumes de dados.

  1. Auri Vincenzi, Daniel Lucrédio, Matheus Leite, Diogo Kato. Prática DevOps com Docker para Machine Learning. 2024. Disponível em: https://aurimrv.gitbook.io/pratica-devops-com-docker-para-machine-learning

  2. MLflow: A Tool for Managing the Machine Learning Lifecycle – documentação oficial. Disponível em: https://mlflow.org/docs/latest/index.html

É professor adjunto na Universidade Federal de São Carlos e membro sênior do grupo RiSE – Reuse in Software Engineering. Possui graduação em Engenharia de Computação pela Universidade Federal de São Carlos (2002), mestrado em Ciência da Computação pela Universidade Federal de São Carlos (2005) e doutorado em Ciências da Computação e Matemática Computacional pela Universidade de São Paulo (2009). Tem experiência na área de Ciência da Computação, com ênfase em Engenharia de Software, atuando principalmente nos seguintes temas: reutilização de software, desenvolvimento orientado a modelos e computação em nuvem.

Lattes  |  LinkedIn