III ERAD|ERAMIA-NO2 2023
Programação Geral da III ERAD|ERAMIA-NO2 2023
III Escola Regional de Alto Desempenho Norte 2
III Escola Regional de Aprendizado de Máquina e Inteligência Artificial Norte 2
Palestras e Minicursos a acontecer!*
Todos os Minicursos serão no horário da manhã. Cada dia acontecerão 2 minicursos de forma paralela um de cada Escola regional. Cada participante escolhe o minicurso que quiser assistir, os minicursos serão realizados nos laboratórios de Computação da UNAMA da Alcindo Cacela. Os minicursos da III ERAMIA-NO2 serão no laboratório 101 e da III ERAD-NO2 serão no laboratório 106.
O Resto das atividades são pelas tardes no auditório David Mufarrej da UNAMA da Alcindo Cacela. No primeiro dia 30 de outubro de 14h a 16h de foma paralela serão as apresentações dos trabalhos aceitos na III ERAD|ERAMIA-NO2. Todas as atividades são de forma PRESENCIAL.
| Hora | Dia 1 - 30 de Outubro | Dia 2 - 31 de Outubro | Dia 3 - 1 de Novembro | |||
|---|---|---|---|---|---|---|
| 08:30-09:00 | Registro e Inscrições | Registro e Inscrições | Minicurso 3 ERAD-NO2 |
Minicurso 3 ERAMIA-NO2 |
||
| 09:00-12:00 | Minicurso 1 ERAD-NO2 |
Minicurso 1 ERAMIA-NO2 |
Minicurso 2 ERAD-NO2 |
Minicurso 2 ERAMIA-NO2 |
||
| Coffee-break | ||||||
| Minicurso 3 ERAD-NO2 |
Minicurso 3 ERAMIA-NO2 |
|||||
| 11:30-12:00 | Palestra 3 ERAMIA-NO2 | |||||
| 12:00-12:30 | Break - Almoço | Break - Almoço | ||||
| 12:30-13:00 | Encerramento/Premiações | |||||
| FIM | ||||||
| 14:00-15:00 | Fórum de IC e PG ERAD-NO2 | Fórum de IC e PG ERAMIA-NO2 |
Palestra 1 ERAMIA-NO2 | |||
| 15:00-16:00 | Palestra 2 ERAD-NO2 | |||||
| 16:00-16:15 | Coffee-break | Inicio Desafio Programação Paralela | Coffee-break | |||
| 16:15-17:15 | Palestra Empresarial LexisNexis |
Palestra 2 ERAMIA-NO2 | ||||
| 17:15-18:15 | Palestra 1 ERAD-NO2 | Palestra 3 ERAD-NO2 | ||||
| 18:15-18h45 | Abertura | Sorteios | ||||
*Programação sujeita a Mudanças.
Palestras e Keynotes da III ERAD|ERAMIA Norte 2 2023
| Minicurso 1 - ERAD-NO2 Dr. Prof. Emílio Francesquini CMCC - UFABC |
 |
Título: Começando a usar o modelo de programação de cluster OpenMP Resumo: Neste tutorial apresentaremos o novo modelo de programação distribuída OpenMP Cluster (OMPC). O runtime do OMPC permite ao programador anotar seu código usando as diretivas de target offloading do OpenMP e executar a aplicação em um ambiente distribuído sem problemas usando um modelo de ... Título: Começando a usar o modelo de programação de cluster OpenMP Resumo: Neste tutorial apresentaremos o novo modelo de programação distribuída OpenMP Cluster (OMPC). O runtime do OMPC permite ao programador anotar seu código usando as diretivas de target offloading do OpenMP e executar a aplicação em um ambiente distribuído sem problemas usando um modelo de programação baseado em tarefas. O OMPC é responsável por agendar tarefas para nós disponíveis, transferindo dados de entrada/saída entre nós e acionando a execução remota, tudo isso enquanto lida com a tolerância a falhas. O runtime aproveita a infraestrutura LLVM e é implementado usando a conhecida biblioteca MPI. show more |
| Minicurso 1 - ERAMIA-NO2 Prof. Dr. Ricardo Cerri BioMal - UFSCAR |
 |
Título: Introdução às Redes Neurais Artificiais com Implementações em R e Python. Resumo: Redes Neurais Artificiais são sistemas computacionais inspirados no cérebro humano. Elas são formadas por neurônios artificiais conectados que compartilham informações para a solução de problemas em diversas aplicações, como o reconhecimento de padrões, sistemas de segurança e medicina ... Título: Introdução às Redes Neurais Artificiais com Implementações em R e Python. Resumo: Redes Neurais Artificiais são sistemas computacionais inspirados no cérebro humano. Elas são formadas por neurônios artificiais conectados que compartilham informações para a solução de problemas em diversas aplicações, como o reconhecimento de padrões, sistemas de segurança e medicina. Suas variantes vão desde arquiteturas simples até modelos complexos com várias camadas de neurônios artificiais interconectados. Este minicurso apresenta fundamentações sobre Redes Neurais Artificiais, partindo do Perceptron até o Multi-Layer Perceptron, e também Redes Neurais Convolucionais. show more |
| Palestra Empresarial 1 Mauro Marques e Alysson Oliveira LexisNexis Risk Solutions |
 |
Título: Introdução ao aprendizado de máquina com Sistemas HPCC Resumo: A plataforma HPCC Systems de código aberto utiliza arquitetura de dados distribuída e uma metodologia de processamento paralelo para trabalhar com grandes conjuntos de dados. O "pipeline" de dados na plataforma acompanha os dados desde a origem até a sua ingestão no cluster Thor, onde eles são refinados através de limpeza e padronização dos dados e, em seguida, enriquecidos, para depois, serem disponibilizados para aplicações de consulta em tempo real ... Título: Introdução ao aprendizado de máquina com Sistemas HPCC Resumo: A plataforma HPCC Systems de código aberto utiliza arquitetura de dados distribuída e uma metodologia de processamento paralelo para trabalhar com grandes conjuntos de dados. O "pipeline" de dados na plataforma acompanha os dados desde a origem até a sua ingestão no cluster Thor, onde eles são refinados através de limpeza e padronização dos dados e, em seguida, enriquecidos, para depois, serem disponibilizados para aplicações de consulta em tempo real hospedadas no cluster Roxie. Em conjunto com essas duas arquiteturas de clusters e, compondo o chamado "Power Trio", se faz presente a linguagem ECL, sendo a única linguagem necessária para expressar algoritmos de dados em toda a plataforma HPCC Systems. No cluster Thor, a linguagem ECL expressa “workflows” de dados que consistem em carregamento dados, transformação, vinculação, indexação etc. No cluster Roxie, a linguagem ECL define serviços de consultas de dados. A linguagem ECL é implicitamente paralela, portanto, o mesmo código ECL desenvolvido para ser executado em um cluster de nó único pode ser executado com a mesma facilidade em um cluster com centenas de nós. O programador não precisa se preocupar em implementar a paralelização, e a linguagem ECL possui uma função otimizadora que garante o melhor desempenho para uma arquitetura específica. Integrado à linguagem ECL encontram-se disponíveis diversas bibliotecas de Machine Learning aplicáveis às várias categorias de aprendizado de máquina, onde cada algoritmo tem suas próprias peculiaridades, as quais devem ser levadas em consideração para maximizar a precisão preditiva, tendo em conta que todos os "bundles" operam de maneira muito semelhante, com algumas variações menores. Por esses motivos, é muito importante que não seja utilizada a exploração de Machine Learning para produzir produtos ou reivindicar habilidades sem antes consultar a documentação que acompanha cada "bundle", a fim de usá-lo de forma efetiva. Finalmente, objetivando demonstrar o uso de algoritmos de Aprendizado de Máquina na plataforma HPCC Systems, será apresentado um estudo de caso durante a realização do “Minicurso 2” dentro da programação do ERAMIA-NO2. show more |
| Palestra 1 - ERAD-NO2 Dr. Prof. Denis Lima do Rosário ICEN - UFPA |
 |
Título: Aprendizagem Federado - Desafios e Perspetivas Resumo: Está se tornando cada vez mais atraente armazenar e processar dados localmente, movendo a computação para a borda da rede, reduzindo a latência e a saturação na largura de banda. No contexto de uma rede 5G/6G em cidades inteligentes, isso é possível pelo aumento da capacidade computacional do dos nós de borda da rede, bem como pelas preocupações com a transferência de informações privadas e confidenciais para a nuvem pela rede... Título: Aprendizagem Federado - Desafios e Perspetivas Resumo: Está se tornando cada vez mais atraente armazenar e processar dados localmente, movendo a computação para a borda da rede, reduzindo a latência e a saturação na largura de banda. No contexto de uma rede 5G/6G em cidades inteligentes, isso é possível pelo aumento da capacidade computacional do dos nós de borda da rede, bem como pelas preocupações com a transferência de informações privadas e confidenciais para a nuvem pela rede. Nesse contexto, o aprendizado distribuído, por exemplo, o aprendizado federado (do inglês, Federeted Learning -FL), permite realizar um aprendizado contínuo, seguro e escalável, com menor troca de dados, em menos tempo e com maior acurácia, pois acredita-se que o futuro do ML é distribuído. O FL é uma técnica de aprendizado de máquina emergente para sistemas distribuídos para tarefas classificação, previsão ou regressão, em que o processamento dos dados ocorre em diversas máquinas separadas geograficamente, onde tem-se apenas o compartilhamento de modelos e não dos dados. Esta palestra discute várias questões relacionadas com FL, apresentando os principais desafios e perspectivas do ponto de vista da tecnologia da informação e comunicação. show more |
| Minicurso 2 - ERAD-NO2 Dr. Prof. Calebe de Paula Bianchini Mackenzie - SP |
 |
Título: Introdução à Programação com OpenMP em máquinas multi-core Resumo: Este minicurso tem como objetivo apresentar um modelo de programação chamado OpenMP, que oferece, basicamente, diretivas de compilação, bibliotecas e variáveis de ambiente. Mas, o que pode ser feito com tudo isso? Durante o minicurso vamos explorar alguns dos recursos existentes no OpenMP e resolver problemas simples e clássicos da computação... Título: Introdução à Programação com OpenMP em máquinas multi-core Resumo: Este minicurso tem como objetivo apresentar um modelo de programação chamado OpenMP, que oferece, basicamente, diretivas de compilação, bibliotecas e variáveis de ambiente. Mas, o que pode ser feito com tudo isso? Durante o minicurso vamos explorar alguns dos recursos existentes no OpenMP e resolver problemas simples e clássicos da computação. Utilizaremos um modelo de paralelismo chamado de fork/join e, juntamente com outros recursos disponíveis, teremos um alto grau de abstração para compartilhamento, sincronização, divisão de tarefas; e portabilidade, desenvolvendo soluções independente de arquiteturas e plataformas de execução show more |
| Minicurso 2 - ERAMIA-NO2 Mauro Marques e Alysson Oliveira LexisNexis Risk Solutions |
 |
Título: Processamento e Análise de Big Data e aplicação de algoritmos de Machine Learning através da utilização da plataforma HPCC Systems Resumo: Ao longo do minicurso, os participantes terão a oportunidade de conhecer os conceitos essenciais de processamento e análise de volumes massivos de dados (Big Data) e o processo de desenvolvimento de um serviço de consulta fazendo uso da plataforma opensource composta por um Cluster Computacional de Alto Desempenho (HPCC Systems), ... Título: Processamento e Análise de Big Data e aplicação de algoritmos de Machine Learning através da utilização da plataforma HPCC Systems Resumo: Ao longo do minicurso, os participantes terão a oportunidade de conhecer os conceitos essenciais de processamento e análise de volumes massivos de dados (Big Data) e o processo de desenvolvimento de um serviço de consulta fazendo uso da plataforma open-source composta por um Cluster Computacional de Alto Desempenho (HPCC Systems) e, também, a utilização de algoritmos de Aprendizado de Máquina, bem como terão a possibilidade de aplicar os conhecimentos adquiridos em um ambiente de treinamento disponibilizado em sala de aula. Informações Técnicas: O curso requer apenas um computador com acesso à Internet e uma conta no GitHub show more |
| Palestra 1 - ERAMIA-NO2 Prof. Dr. Ricardo Cerri BioMal - UFSCAR |
|
Título: Aprendizado Multi-Alvo: Algoritmos e Aplicações Resumo: O Aprendizado Multi-Alvo trata problemas de Aprendizado de Máquina nos quais os exemplos dos conjuntos de dados podem ser associados a mais de uma variável alvo ao mesmo tempo, sendo essas variáveis numéricas ou categóricas. Existem diversas aplicações envolvendo cenários estáticos e dinâmicos. Como exemplos de problemas de classificação pode-se citar... Título: Aprendizado Multi-Alvo: Algoritmos e Aplicações Resumo: O Aprendizado Multi-Alvo trata problemas de Aprendizado de Máquina nos quais os exemplos dos conjuntos de dados podem ser associados a mais de uma variável alvo ao mesmo tempo, sendo essas variáveis numéricas ou categóricas. Existem diversas aplicações envolvendo cenários estáticos e dinâmicos. Como exemplos de problemas de classificação pode-se citar: i) a predição de funções de proteínas (uma única proteína pode estar associada a mais de uma função); ii) a classificação de documentos (um documento pode tratar de mais de um tópico); e iii) a associação de RNAs não-codificantes a doenças (um RNA pode estar associado a mais de uma doença). Como exemplos de problemas de regressão pode-se citar: i) a predição de diferentes concentrações de poluentes em um rio; ii) a predição da quantidade de diferentes contaminantes em materiais, e iii) estimar o desempenho energético de diferentes equipamentos. Em cenários dinâmicos, pode-se citar exemplos de classificação e regressão em fluxos contínuos de dados, em que os dados são gerados em alta velocidade e infinitamente. A predição de diferentes perfis de consumo de energia é um exemplo. Nesta palestra, apresentarei os diferentes tipos de problemas multi-alvo, suas características, alguns algoritmos para tratá-los, e também maneiras de avaliar seus desempenhos. show more |
| Palestra 2 - ERAD-NO2 Dr. Prof. Calebe de Paula Bianchini Mackenzie - SP |
|
Título: O que será que podemos fazer com HPC? Resumo: A computação de alto desempenho (HPC) é uma tecnologia fascinante que tem o poder de transformar inúmeras áreas. Ela se baseia na utilização de supercomputadores e clusters de alto desempenho para tarefas que requerem grande capacidade de processamento. O impacto da HPC é notável na ciência, permitindo simulações detalhadas em campos como a física, a biologia e a meteorologia, dentre tantas outras ciências, melhorando previsões e avançando na compreensão do universo... Título: O que será que podemos fazer com HPC? Resumo: A computação de alto desempenho (HPC) é uma tecnologia fascinante que tem o poder de transformar inúmeras áreas. Ela se baseia na utilização de supercomputadores e clusters de alto desempenho para tarefas que requerem grande capacidade de processamento. O impacto da HPC é notável na ciência, permitindo simulações detalhadas em campos como a física, a biologia e a meteorologia, dentre tantas outras ciências, melhorando previsões e avançando na compreensão do universo. Na indústria, a HPC otimiza processos e impulsiona a inovação, possibilitando simulações que aprimoram a segurança automotiva e a eficiência da manufatura. Na medicina, desempenha um papel crucial na pesquisa de medicamentos e tratamentos personalizados, além de analisar grandes volumes de dados genéticos para identificar riscos de doenças. Mas, será que conseguimos trabalhar nesta área tão atraente e fascinante? Onde podemos nos envolver para colaborar com a ciência de nosso país? Será que novas arquiteturas, como os computadores quânticos, prometem impulsionar ainda mais o desempenho? Em resumo, a computação de alto desempenho revoluciona a pesquisa, a inovação e a indústria, expandindo nossos horizontes tecnológicos. Eu posso colaborar para que HPC continue a abrir novas fronteiras, ampliando nossas possibilidades de progresso e inovação. show more |
| Palestra 2 - ERAMIA-NO2 Ph.D. Víctor Martínez Recod.ai - UNICAMP |
 |
Título: The Golem: A General Data-Driven Model for Oil & Gas Forecasting Based on Recurrent Neural Networks Resumo: Oil & gas forecasting is one of the most critical issues in reservoir management. Physics-based simulations are the most common models used for production forecasts in oilfields. Previous works based on Machine Learning (ML) developed models focused on the oil rate as the unique target variable, forecasting by one-day output, and just one class of reservoir ... Título: The Golem: A General Data-Driven Model for Oil & Gas Forecasting Based on Recurrent Neural Networks Resumo: Oil & gas forecasting is one of the most critical issues in reservoir management. Physics-based simulations are the most common models used for production forecasts in oilfields. Previous works based on Machine Learning (ML) developed models focused on the oil rate as the unique target variable, forecasting by one-day output, and just one class of reservoir (synthetic or actual). This work introduces a general data-driven model based on Recurrent Neural Networks to forecast an adaptive sequence of timestamps for the complete production rates (oil, gas, and water), and we also included the well-bore pressure as a target variable, for both classes of reservoirs as actual as synthetic. The first dataset was obtained from the synthetic benchmark UNISIM-II-H, which simulates a carbonate reservoir in the Brazilian pre-salt; the second dataset is from an actual reservoir, the Volve oilfield, a decommissioned reservoir in the Norwegian North Sea. The forecasting is calculated using an input sequence of daily values from the historical record of the production rates and the pressure; the output is also a set of the values to the next sequence of days for one selected production variable (oil, gas, water, or pressure). The size of both input and output sets is adaptive and its adjustment depends on the dataset size and the production time. We built the model and compared it between the Long Short-Term Memory (LSTM) and the Gated Recurrent Unit (GRU) implementations. We tuned the architectural parameters of the model, the input size of historical records, and the output forecasting days. We performed the training/testing procedures with several sizes for the training dataset from the target well-bore and tested with the remaining data to evaluate the model stability. We adopted the Symmetric Mean Absolute Percentage Error (SMAPE) and the coefficient of determination r-square (R2) metrics to compare our forecasting values to the production rates and the pressure, most of the results for both synthetic and actual oilfields exhibited that the model can follow an accurate trend of the production rates and the pressure, and the output values are approximated. Forecasting values from the designed model exhibited closer values when compared to the expected data from the well-bores in most of the experiments, some cases exhibited a SMAPE lower than 2 and R2 up to 0.99. The model can learn the behavior of each production variable in the training stage and the forecasting output can be adapted for a set of several timestamps. show more |
| Palestra 3 - ERAD-NO2 Dr. Prof. Cassia Kahwage Instituto Evandro Chagas |
 |
Título: Mercado de Trabalho, TICs e Sistemas Distribuídos: onde estão as mulheres na computação? Resumo: O mercado de trabalho em Tecnologia da Informação e Comunicação (TIC) no Brasil para mulheres tem passado por diversas transformações e apresenta um panorama interessante. Nos últimos anos, houve um pequeno avanço da participação de mulheres no mercado de TIC no Brasil, mas ainda existe uma desigualdade de gênero significativa. As mulheres têm conquistado posições em empresas de tecnologia, desde startups até grandes corporações... Título: Mercado de Trabalho, TICs e Sistemas Distribuídos: onde estão as mulheres na computação? Resumo: O mercado de trabalho em Tecnologia da Informação e Comunicação (TIC) no Brasil para mulheres tem passado por diversas transformações e apresenta um panorama interessante. Nos últimos anos, houve um pequeno avanço da participação de mulheres no mercado de TIC no Brasil, mas ainda existe uma desigualdade de gênero significativa. As mulheres têm conquistado posições em empresas de tecnologia, desde startups até grandes corporações, ocupando cargos em áreas como programação, gerenciamento de projetos, análise de dados, segurança cibernética e design de UX/UI. O mercado de TIC no Brasil continua a crescer, com uma demanda constante por profissionais qualificados. A busca por profissionais de TIC com habilidades específicas, como programação em várias linguagens, análise de dados e segurança cibernética, continua alta. A Palestra também fará ênfase no mercado Computação de Alto Desempenho. A arquitetura de alto desempenho é uma área crucial da TIC que envolve o projeto e a otimização de sistemas para garantir o melhor desempenho possível. As mulheres têm oportunidades significativas nesse campo, embora ainda sejam sub-representadas. show more |
| Minicurso 3 - ERAD-NO2 Dr. Prof. Emílio Francesquini CMCC - UFABC |
|
Título: Introdução à Programação com Memória Persistente Resumo: Este minicurso é uma introdução à programação com memória persistente (PM). Nele apresentaremos a motivação para uso dessa nova tecnologia; o suporte atual disponibilizado por processadores e sistemas operacionais; os problemas de consistências de dados que podem acontecer ... Título: Introdução à Programação com Memória Persistente Resumo: Este minicurso é uma introdução à programação com memória persistente (PM). Nele apresentaremos a motivação para uso dessa nova tecnologia; o suporte atual disponibilizado por processadores e sistemas operacionais; os problemas de consistências de dados que podem acontecer; e como utilizar abstrações de mais alto nível (como transações) para resolvê-los. O minicurso também apresenta uma série de exemplos práticos utilizando o Intel PMDK para programação de estruturas de dados persistentes. show more |
| Minicurso 3 - ERAMIA-NO2 Ph.D(c) Marcos Paulo Gôlo ICMC - USP |
 |
Título: Introdução a Mineração de Textos Resumo: Dados textuais, como relatórios, e-mails, boletins informativos e notícias, têm sido acumulados pelas organizações. Embora contenham informação valiosa, os textos são não estruturados o que inviabiliza a extração de conhecimento de bases textuais de forma automática ... Título: Introdução a Mineração de Textos Resumo: Dados textuais, como relatórios, e-mails, boletins informativos e notícias, têm sido acumulados pelas organizações. Embora contenham informação valiosa, os textos são não estruturados o que inviabiliza a extração de conhecimento de bases textuais de forma automática. Portanto, o objetivo desse curso é o estudo e disseminação de métodos automáticos para pré-processamento e organização de textos para que textos similares possam ser alocados em mesmos grupos. show more |
| Palestra 3 - ERAMIA-NO2 Ph.D(c) Marcos Paulo Gôlo ICMC - USP |
|
Título: Como aplicar redes neurais para grafos em problemas de uma única classe? Resumo: O One-Class Learning (OCL) é um paradigma de aprendizado aplicado a problemas do mundo real que têm uma única classe de interesse. Vários algoritmos OCL para grafos foram propostos visto que os grafos podem modelar problemas com uma estrutura poderosa e o aprendizado de representação para grafos foi bem-sucedido em várias áreas... Título: Como aplicar redes neurais para grafos em problemas de uma única classe? Resumo: O One-Class Learning (OCL) é um paradigma de aprendizado aplicado a problemas do mundo real que têm uma única classe de interesse. Vários algoritmos OCL para grafos foram propostos visto que os grafos podem modelar problemas com uma estrutura poderosa e o aprendizado de representação para grafos foi bem-sucedido em várias áreas. A classificação de nós é explorada e uma estratégia de duas etapas pode ser utilizada, inicialmente, aprendendo representações para os nós do grafo e, em uma segunda etapa, classificando nós. Outra alternativa são os métodos end-to-end que aprendem as representações dos nós enquanto classificam os nós em um único processo de aprendizado. Portanto, esta palestra tem como objetivo apresentar ambas estratégias, bem como suas lacunas, desafios e vantagens. show more |
Programação Fórum de IC e PG da III ERAD-NO2
Iniciação Científica
- 14:00 - 14:15 Estudo e Simulação de uma Rede de Distribuição de Chaves Quânticas de Alto Desempenho para o Campus da UFPA. Diego de Abreu, David Tavares, Arthur Pimentel, Antônio Abelém (Universidade Federal do Pará - Belém).
- 14:15 - 14:30 Predição de Consumo de Energia de Aplicações OpenMP Multithreads. Fellipe Queiroz, Erick Vinicius Silva, Marcos Amaris (Universidade Federal do Pará, Tucuruí).
Pós-graduação
- 14:30 - 14:45 Proposta Sustentável Para Data Center: Revisão Sistemática de Literatura. Josiany Guimarães, Marcos Amaris (Universidade Federal do Pará - Tucuruí).
Programação Fórum de IC e PG da III ERAMIA-NO2
Iniciação Científica
- 14:00 - 14:15 Interface Cérebro-Máquina baseada em SSVEP: Análise de Extração de Época. Fablena Dias, Sávio Sousa, Cleison Silva (Universidade Federal do Pará, Tucuruí).
- 14:15 - 14:30 Aplicação da Análise de Correlação Canônica em Sistemas ICM Baseados em SSVEP. Sávio Sousa, Fablena Dias, Cleison Silva (Universidade Federal do Pará, Tucuruí).
- 14:30 - 14:45 Comparativo de Modelagem de Tópicos: um estudo de caso de relatos de publicações predatórias. Fernando Almeida do Carmo (Universidade Federal do Oeste Pará, Santarém), Marcelino Silva (Universidade Federal do Pará - Belém), Antonio Fernando Lavareda Jacob Junior (Universidade Estadual de Maranhão, UEMA), Fabio Lobato (Universidade Federal do Oeste Pará, Santarém).
- 14:45 - 15:00 Panorama do mercado no Social CRM: uma análise dos anúncios de emprego. Pedro Costa Menezes (Universidade Federal do Oeste do Pará, Santarém), Adrielson Ferreira (Universidade Federal do Oeste do Pará, Santarém), Barbara Adriana P. Barata (Universidade Federal do Pará, Belém), Marcelino Silva (Universidade Federal do Oeste do Pará, Santarém), Antonio Fernando Lavareda Jacob Junior (Universidade Estadual de Maranhão, UEMA), Fabio Lobato (Universidade Federal do Oeste Pará, Santarém).
Pós-graduação
- 15:00 - 15:15 Análise de Dados dos Crimes Contra a Mulher no Estado do Pará. Samara Souza, Fantiny Santos, Maria Silva, Reginaldo Santos, João Crisostomo Weyl Albuquerque Costa, Renato Torres (Universidade Federal do Pará, Belém).
- 15:15 - 15:30 Native Bee Scan: App Inteligente para Identificação de Abelhas Nativas Utilizando Técnicas de IA. Manoel Campos Neto (Universidade Federal do Pará, Belém) André Ramos (Universidade Federal do Pará, Belém), Joao Cardoso (Universidade Federal do Pará, Belém), William Direito (Universidade Federal do Pará, Belém), Vivian Albuquerque (Universidade Federal Rural da Amazônia, Belém), Marcos Oliveira (Embrapa Amazônia Oriental), Daniel Pereira (Embrapa Amazônia Oriental), Roberto Célio Limão de Oliveira (Universidade Federal do Pará, Belém).
- 15:30 - 15:45 Detecção e Identificação de Pólen em Imagens de Apis mellifera por Meio de Redes Neurais Convolucionais. Joao Cardoso (Universidade Federal do Pará, Belém) Manoel Campos Neto (Universidade Federal do Pará, Belém), Roberto Célio Limão de Oliveira (Universidade Federal do Pará, Belém), Marcos Oliveira (Embrapa Amazônia Oriental), Daniel Pereira (Embrapa Amazônia Oriental).
- 15:45 - 16:00 Detecção de Placas de Veículos Roubados com YOLOv5s em Cidades Inteligentes. Joao Cardoso, Isa Andrade, Roberto Célio Limão de Oliveira, Carlos Renato Lisboa Francês (Universidade Federal do Pará, Belém).
Programação Desafio de Programação Paralela
- Início da competição às 16:00 do dia 30 de outubro de 2023
- Final da competição às 23:59 de 31 de outubro de 2023
- A divulgação dos Resultados será durante a cerimônia de encerramento, veja a programação.
- O registro das equipes pode ser feito ao longo de toda competição, diretamente no seguinte formulário https://forms.gle/xEMWKA46yF1tFks19. Seja rápido e garanta sua participação. Haverão Prêmios! Consulte as regras do desafio no website: Desafio de Programação
Mesa de Abertura - 17h15 Auditório UNAMA
- Prof. Dr. Marcos Amaris - Coordenador Geral III ERAD-NO2
- Prof. Dr. Denis Rosário - Coordenador Eventos da SBC
- Prof. Ms. Rodrigo Marques - Coordenador Local
Mesa de Encerramento - 12h00 Auditório UNAMA
- Prof. Dr. Marcos Amaris - Coordenador Geral III ERAD-NO2
- Prof. Dr. Marcelle Mota - Representante Institucional na SBC
- Prof. Ms. Rodrigo Marques - Coordenador Local
Sorteios Auditório UNAMA
Pelas tardes no final das diferentes sessões haverá diferentes atividades de sorteios aleatórios na plateia inscrita ao evento, recomendamos usar sempre os crachás de inscritos.