Em nossa apresentação pretendemos mostrar um pouco de um pensamento Bayesiano. Tentaremos comparar esse paradigma com o frequentista. Utilizaremos, quando possível, exemplos para que a audiência possa comprar, pela lógica e a coerência, o formato de atuação de estatísticos Bayesianos e/ou Frequentistas.. Não nos preocuparemos com os detalhes técnicos mas com a intuição neste apresentação. Estamos apontando para o iniciante, aquele aue ainda náo foi submetido - ou está sendo iniciado ou apresentado - ao método dedutivo frequentista.
Uma das áreas mais proeminentes hoje é a área de Visualização de Informações. O mundo está inundado com quantidades crescentes de dados e devemos nos manter em sintonia com nossas habilidades perceptivas e cognitivas relativamente constantes. A visualização fornece um meio de combater a sobrecarga de informação (information overload). A questão do Big Data e os 3 V's (Data Velocity, Data Volume, Data Variety) traz a necessidade do desenolvimento de visualizações de dados, sem falar na manipulação dos dados em nuvem, metadados em tempo real, etc. Uma codificação visual bem concebida pode suplantar cálculos cognitivos com inferências perceptivas mais simples e melhorar a compreensão, a memória ea tomada de decisões. Além disso, representações visuais podem ajudar a envolver públicos mais diversos no processo de pensamento analítico. Não se trata simplesmente de escolher um gráfico ou diagrama, mas sim pensar a forma mais intuitiva de visualização para a compreensão dos dados analisados. Na palestra, pretende-se demonstrar os conceitos de Visualização de Informações com exemplos e expor as possibilidades, principalmente, para os cientistas de dados com a aplicação da visualização de informações em várias áreas do conhecimento como: análises de dados eleitorais, análises de emails, visualização de livros, social networks, análise de notícias, motores de busca, exames de sangue, machine learning em analise automática de textos, detalhamento de dicionários para análise de sentimento e outras aplicações.
A Estats Consultoria é uma empresa Júnior, formada por graduandos do curso de Estatística da Universidade Estadual de Maringá (UEM). Fundada em 2013, a empresa atua na área de consultoria estatística, trabalhando com dedicação e transparência, oferecendo sempre uma solução inteligente e econômica para o cliente. Para esclarecer a organização e funcionamento da Estats Consultoria iremos apresentar o movimento empresa júnior (MEJ), organização composta por estudantes de graduação que buscam o desenvolvimento do empreendedorismo. Em seguida, será exposto a estrutura, o funcionamento e alguns projetos executados, bem como, cursos de capacitação realizados no âmbito externo e interno pela empresa. De maneira a estimular os acadêmicos que desejam ingressar no MEJ.
Estatística é a melhor profissão do mundo. A demanda por estatísticos é tão grande que é comum encontrar profissionais mudando de emprego anualmente. As áreas de atuação também são variadas e envolvem praticamente todos os ramos do conhecimento. O volume e a diversidade das oportunidades revelam o empreendedorismo como uma boa alternativa a formatos usuais de trabalho. Nessa apresentação, levantaremos os principais aspectos a serem considerados para os estatísticos com vontade de empreender. Mostraremos os formatos de negócio e as diferenças entre consultorias tradicionais e startups. No final, discutiremos sobre os maiores desafios colocados, levando em conta o ambiente de negócios atual e as tendências no mundo da ciência de dados.
Em dois grandes trabalhos, em 1922 e 1925, Fisher introduziu muitas das ideias (parâmetros, suficiência, eficiência, máxima verossimilhança) que, aliadas à teoria da decisão de Wald em 1950, sustentaram a estrutura da estatística até os anos 80. A partir daí, tivemos o início da introdução de computadores para armazenar e analisar "grandes dados". Os conceitos da era Fisheriana evoluíram em resposta à este novo ambiente. "Suficiência" evoluiu para "compressão de dados", o conceito de "eficiência" teve de incluir considerações computacionais e questões de escala, "parâmetros" e "máxima verossimilhança" foram atualizados para o contexto de modelos semi e não paramétricos, modelos maiores que os anteriores e com a preocupação de ter robustez. O aumento constante da capacidade computacional nos últimos 30-40 anos permitiu a implementação prática do ponto de vista Bayesiano. Tivermos o uso disseminado de métodos intensivos de computador como o "bootstrap" de Efron, bem como a introdução do aprendizado de máquina do ponto de vista e com métodos de ciência da computação. Após uma visão geral desse desenvolvimento histórico, vou apresentar alguns exemplos de meu trabalho recente.
Na comunidade Estatística, assim como nas demais áreas de tecnologia, não raramente nos deparamos com situações em que documentos precisam ser atualizados periodicamente ou esporadicamente (e.g relatórios gerenciais de uma empresa, cartas de controle de qualidade, trabalhos acadêmicos entre outros). Sob essa demanda diversos são os esforços para promover e facilitar a elaboração de documentos que sejam dinâmicos (atualizados automaticamente) e atualmente existem várias ferramentas para tal finalidade em diversos softwares. Nesse minicurso serão abordadas algumas das principais ferramentas disponíveis em R para geração de documentos dinâmicos, sejam eles blogs, sites, aplicativos web, livros e documentos em pdf. Além disso serão apresentados os principais serviços para disponibilização de documentos, tais como Github e Rpubs.
Teodoro Calvo É bacharel em estatística pela FCT-UNESP em 2017, estagiou na empresa YouFind Solutions, trabalhou como cientista de dados na Tapps Games e hoje, atua como consultor pré vendas na empresa de software SAS. Mistura as melhores soluções analíticas do mercado, visão de negócios e muito café para alcançar seus objetivos no mundo coorporativo. O mundo de analytics, machine learning e big data está cada vez mais em evidência. A apresentação resumirá a visão do SAS além de mostrar casos reais em empresas.
Durante os últimos anos, estamos presenciando um crescente avanço nas áreas da computação e tecnologia da informação. Novos problemas surgem, e com eles, novas ferramentas no campo da Estatística se desenvolvem, além de outras ganharem cada vez mais espaço, como Machine Learning e Data Mining, especialmente com o "Big Data". Um ensino do século passado não forma adequadamente os profissionais de hoje. E o desafio de se entender esse fenômeno, se preparando para o futuro se inicia na graduação (ou mesmo antes). Esse é a motivação dessa Mesa Redonda: quais os desafios acadêmicos na formação desses novo perfil de profissional? É o nosso futuro que está em jogo, e a preparação começa agora!