O IX GETMeeting é um evento organizado pelo Grupo de Educação Tutorial do curso de Ciência da Computação (GETComp) voltado para os alunos do Departamento de Ciência da Computação e áreas afins da UFJF e é aberto para a participação de pessoas interessadas em tecnologia. O evento é constituído de minicursos a serem ministrados por alunos ou profissionais ligados à área de Ciência da Computação além da apresentação de trabalhos no Workshop de Trabalhos de Graduação, palestras e maratonas de programação.
Atividades previstas no evento:
SEXTA-FEIRA (17/05/2019) |
||
|
Horário |
Local |
Evento |
|
8:30 às 9:00 |
S210 |
Credenciamento |
|
9:00 às 12:00 |
S210 |
XI Workshop do DCC – Programação |
|
13:00 às 14:30 |
S210 |
Networking |
|
14:30 às 16:00 |
S210 |
XI Workshop do DCC – Programação |
|
16:00 às 17:30 |
S210 |
Reconhecimento de Ações Humanas usando métodos de Aprendizagem Profunda André Brito e Hemerson Tacon |
|
17:30 às 18:00 |
S210 |
Coffee break |
|
18:00 às 19:30 |
S210 |
Extração dos Custos das Características em um Mapa Qualquer Utilizando Predição Estruturada Baseada no Modelo Perceptron Maurício Archanjo Nunes Coelho |
|
19:30 às 21:00 |
S210 |
Computação em ambientes interdisciplinares: Desafios e oportunidades Eduardo Krempser |
Minicursos
Introdução ao OpenCL
Resumo
Caracterizados pelo alto grau e densidade de paralelismo, os aceleradores são coprocessadores paralelos que se destacam pela enorme capacidade e eficiência computacional, tornando-os atrativos para a computação de alto desempenho. Exemplos populares destes incluem as tradicionais GPUs (“Graphics Processing Units”) de propósito geral e os recentes MICs (“Many Integrated Core”). Embora tenham princípios em comum, os aceleradores compreendem diferentes arquiteturas computacionais, exigindo-se para o fim de portabilidade de código a programação heterogênea. É nesse contexto que surge a linguagem de programação massivamente paralela denominada OpenCL, contração de Open Computing Language. A OpenCL é uma linguagem de padrão aberto baseada em C/C++, orientada à eficiência e flexibilidade, para programação uniforme e portável de sistemas heterogêneos, isto é, compostos por qualquer combinação de processadores convencionais e dispositivos aceleradores.
Objetivos
Este curso contemplará a programação paralela heterogênea para dispositivos aceleradores usando a linguagem OpenCL, com enfoque na área de computação científica. Serão abordados tópicos como conceitos fundamentais de paralelismo, técnicas de otimização e estudo de casos. É também objetivo do curso a aplicação prática em laboratório dos conhecimentos de programação paralela adquiridos pelos alunos.
Ministrante
Amanda Sabatini Dufek é bolsista do Programa de Capacitação Institucional do Laboratório Nacional de Computação Científica (PCI/LNCC). Possui graduação em Bacharelado em Meteorologia pelo Instituto de Astronomia, Geofísica e Ciências Atmosféricas da Universidade de São Paulo (IAG/USP-2005), mestrado em Meteorologia pela mesma instituição (IAG/USP-2008) e doutorado em Modelagem Computacional pelo LNCC (2015). Foi Professora Assistente MS-2 do Departamento de Ciências Atmosféricas do IAG/USP. Membro colaboradora do Grupo de Estudos Climáticos (GrEC/USP). Áreas de atuação e interesse: meteorologia, computação evolutiva, aprendizagem de máquina, computação massivamente paralela e distribuída.
Introdução à aprendizagem de máquina
Resumo
A Aprendizagem de Máquina (AM) tornou-se inerente ao nosso dia, presente em inúmeros processos que nos cercam. Partindo-se da ideia de que programas poderiam aprender a resolver problemas sem que fossem explicitamente programados para tal e alavancado por uma crescente disponibilidade de dados e recursos computacionais, a AM ganha cada vez mais destaque no ambiente científico e comercial, agregando-se nos mais diversos contextos. De forma geral, a AM vale-se de métodos que buscam identificar padrões em conjuntos de observações, sendo importante entender os conceitos e restrições -especialmente quanto sua estreita relação com a qualidade dos dados tratados- que regem esses métodos.
Objetivos
O minicurso pretende introduzir os principais conceitos da área, indicando pontos essenciais de estudo tanto para os interessados em desenvolvimento e pesquisa na área quanto para os usuários de resultados providos por ela. Além disso, será possível discutir sobre exemplos de aplicação, bem como possíveis caminhos a serem explorados. A ferramenta Weka será utilizada para exemplificar os conceitos discutidos.
Ministrante
Eduardo Krempser da Silva é pesquisador em Saúde Pública na Fundação Oswaldo Cruz (Fiocruz), possui graduação em Ciência da Computação pela Universidade Federal de Juiz de Fora (2007), mestrado (2009) e doutorado em Modelagem Computacional no Laboratório Nacional de Computação Científica (2014). Coordena o Laboratório de Sistemas Inteligentes e Robótica da Faculdade de Educação Tecnológica do Estado do Rio de Janeiro (FAETERJ-Petrópolis). Entre os principais interesses estão: inteligência computacional, metamodelos, modelagem a partir de dados, aprendizagem de máquina, otimização e modelagem de oportunidades ecológicas para ocorrência de doenças.
Palestras
Reconhecimento de Ações Humanas usando métodos de Aprendizagem Profunda
Resumo
Aprendizagem profunda (Deep Learning – DL) é um subcampo de aprendizado de máquina (Machine Learning – ML) que surgiu com o objetivo de extrair conhecimento de grandes volumes de dados. Este campo tem se expandido nos últimos anos em virtude de uma série de avanços técnicos e tecnológicos como, por exemplo, o aparecimento de placas de vídeos (GPU’s) mais potentes. O impacto de DL em algumas áreas foi tão significativo que certos modelos ultrapassaram a capacidade humana de realizar certas tarefas, como é o caso da classificação de imagens. Nessa conversa iremos discutir a aplicação de métodos de aprendizado profundo à um problema específico de Visão Computacional denominado reconhecimento de ações humanas em vídeos.
Palestrantes
André de Souza Brito possui graduação em Ciência da Computação (2018) e Ciências Exatas pela Universidade Federal de Juiz de Fora (2016). Atualmente é bolsista CAPES em Inteligencia Computacional do programa de Mestrado em Ciência da Computação da UFJF.
Hemerson Aparecido da Costa Tacon possui ensino médio e curso técnico profissionalizante em Informática Industrial e Automação pelo Centro Federal de Educação Tecnológica de Minas Gerais (2012). Possui graduação em Ciências Exatas pela Universidade Federal de Juiz de Fora (2016). Possui graduação em Ciência da Computação pela Universidade Federal de Juiz de Fora (2017). Atualmente, é aluno de Mestrado do Programa de Pós-Graduação em Ciência da Computação na Universidade Federal de Juiz de Fora, no qual desenvolve pesquisas na área Visão Computacional com ênfase em Aprendizado Profundo.
Computação em ambientes interdisciplinares: Desafios e oportunidades
Resumo
Não é novidade que a computação está presente em quase todos os contextos, tornando-se suporte indispensável para as mais diversas áreas de pesquisa e mercado. Mas essa interação nem sempre é direta e demanda esforços de todos os envolvidos. Em especial, ao especialista em computação, gera a demanda de interagir com as mais diversas disciplinas, apresentando-se como ponto de conversão de necessidades e novas perspectivas.
Nesta palestra a importância da atuação interdisciplinar será discutida ao passo que projetos dessa natureza serão apresentados, sendo destacados seus maiores desafios e principais avanços.
Palestrante
Eduardo Krempser da Silva é pesquisador em Saúde Pública na Fundação Oswaldo Cruz (Fiocruz), possui graduação em Ciência da Computação pela Universidade Federal de Juiz de Fora (2007), mestrado (2009) e doutorado em Modelagem Computacional no Laboratório Nacional de Computação Científica (2014). Coordena o Laboratório de Sistemas Inteligentes e Robótica da Faculdade de Educação Tecnológica do Estado do Rio de Janeiro (FAETERJ-Petrópolis). Entre os principais interesses estão: inteligência computacional, metamodelos, modelagem a partir de dados, aprendizagem de máquina, otimização e modelagem de oportunidades ecológicas para ocorrência de doenças.
Extração dos Custos das Características em um Mapa Qualquer Utilizando Predição Estruturada Baseada no Modelo Perceptron
Resumo
Serão discutidas estratégias on-line eficientes para predição estruturada baseadas no princípio de separação de classes derivados do modelo Perceptron e definidos um conjunto de algoritmos de aprendizado supervisionado eficientes quando comparados com outras abordagens. Alguns exemplos de aplicação em mapas artificiais e reais serão apresentados, de modo a estimar qual o custo de transpor cada característica detectada no mapa.
Palestrante
Maurício Archanjo Nunes Coelho possui graduação em Ciência da Computação pela Universidade Federal de Juiz de Fora (2007), mestrado em Modelagem Computacional pela Universidade Federal de Juiz de Fora (2010) e doutorado em Modelagem Computacional pela Universidade Federal de Juiz de Fora (2015). Tem experiência na área de Ciência da Computação, com ênfase em Inteligência Artificial, atuando principalmente nos seguintes temas: perceptron multiclasse, planejamento de caminhos, predição de dados estruturados, aprendizado de máquina e planejamento com máxima margem.
Apoio:
