Track: Machine Learning e Inteligência Artificial

Sala: Sala 02

Dia da semana: Terça-feira

Aprendizado de Máquina é uma nova forma de escrever software que permite a criação de sistemas que aprendem a resolver problemas sem ser explicitamente programados. Inteligência Artificial é o nome comercial dado à aplicação desta tecnologia (e de outras tecnologias correlatas) à criação de sistemas de software que se comportam de forma preditiva ou que realizam tarefas associadas à cognição humana.

Esta trilha vai mostrar os principais conceitos e avanços nesta área que tem tido um enorme impacto na vida das pessoas e empresas ao redor do mundo.

Track Host: Juliano Viana

CTO da Kunumi

Juliano tem longa experiência na arquitetura e implementação de sistemas para resolver problemas desafiadores. Bacharel em Ciência da Computação pela UFMG foi por quase três anos CTO da Zunnit Technologies, onde liderou um time que aplica Machine Learning para criar sistemas de recomendação sofisticados. Hoje é CTO da Kunumi, empresa focada em transformar organizações através da aplicação de Inteligência Artificial.

10:50am - 11:35am

Automating Software Development with Deep Learning

Emil Wallner, Screenshot-to-code Creator

2:05pm - 2:50pm

Chatbot generativo com tensorflow

Nesta palestra vou apresentar como criar um chatbot generativo utilizando Deep Learning e NLP, com Tensorflow.
Vou utilizar um dataset de falas de filmes e veremos como fazer o pré processamento textual para utilizar uma rede LSTM Dual Encoder. Diferente de um chatbot de recuperação (retrieval), os chatbots generativos não possuem um dataset de respostas prontas e quando recebem uma pergunta, geram a resposta palavra por palavra.
Ao final da palestra veremos adaptações que podem ser feitas para utilizar essa arquitetura com um dataset em português.

Barbara Barbosa, Data Science Team Leader at Creditas

3:05pm - 3:50pm

Por que usar Julia em projetos de Data-Science?

Em 2012, um grupo do MIT divulgou a primeira versão da linguagem Julia, motivados por eliminar o trade-off entre produtividade e performance existente nas linguagens voltadas para computação técnica/científica.
Como resultado, a linguagem Julia possui as seguintes características:

  • Projeto open-source com licença liberal (MIT License).
  • Tipagem dinâmica e de uso interativo como uma linguagem de script.
  • Performance comparável à linguagem C.
  • Sintaxe simples.
  • Seleção de código com base em multiple-dispatch.
  • Geração dinâmica de código de máquina com base em compilação Just-In-Time (JIT) e uso de funções genéricas.
  • Suporte para metaprogramação com macros similares à linguagem Lisp.
  • Suporte para computação distribuída (multi-core/cluster).

Em 2018 a linguagem atingiu a versão 1.0, o que significa que este é o melhor momento para conhecer e começar a aplicar a linguagem em projetos sérios.
O objetivo da palestra é explorar as principais características da linguagem Julia, analisando suas vantagens e desvantagens, de forma a motivar sua utilização em projetos de Data-Science e Big Data.

Felipe Noronha Tavares, Gerente no Departamento de Gestão de Risco de Mercado no BNDES

4:05pm - 4:50pm

Advanced Data Visualizations In Jupyter Notebooks

Chakri Cherukuri, Senior Quantitative Researcher at Bloomberg LP

Tracks

Segunda-feira, 6 de maio

Terça-feira, 7 de maio

Quarta-feira, 8 de maio