Tutorial de Redes Neurais, do zero até redes convolucionais
Horário e local: 11/05 (14:30 - 16:00) — Laboratório 409
Resumo: Nesse tutorial você vai conhecer a base do funcionamento das redes neurais profundas que vem revolucionando a área de aprendizado de máquina. Você vai aprender sobre o funcionamento de um único Perceptron, do Perceptron Multicamadas e Redes Neurais Convolucionais com aplicações em visão computacional. Você vai aprender a colocar esses conceitos em prática usando pytorch. Para acompanhar esse tutorial é necessário ter conhecimentos básicos de programação em python, álgebra linear e cálculo.
Autores
Lucas Silveira Kupssinskü
Doutor em Computação Aplicada pela Unisinos com mais de nove anos de experiência em desenvolvimento de sistemas utilizando metodologias ágeis, desempenhando papéis de Desenvolvedor, Analista de Sistemas e Scrum Master. Lucas tem experiência como professor em cursos de extensão, técnico, graduação (UFRGS e PUCRS) e Pós-Graduação Lato Sensu em disciplinas de Computação e Aprendizado de Máquina. Seus principais interesses de pesquisa são Mineração de Dados e Aprendizado de Máquina.
Adilson Medronha
Graduando em Ciência da Computação e um entusiasta de deep learning, atuando em diversos projetos da área, com destaque para a criação de conjuntos de dados para treinamento de modelos de reconhecimento de sinais, implementação de métodos para redução de vieses em redes neurais para processamento de linguagem natural e tarefas multimodais. Atualmente, desenvolve suas habilidades como desenvolvedor de Visão Computacional na Pix Force.
Painel sobre Processamento de Linguagem Natural
Horário e local: 12/05 (17:30 - 18:30) — Auditório do Prédio 32
Resumo: Com o desenvolvimento de modelos como ChatGPT, o Processamento de Linguagem Natural (PLN) vem sendo discutido cada vez mais como um caminho para a obtenção de uma Inteligência Artificial Geral (AGI - Artificial General Intelligence). O processamento de texto por parte de computadores passou por diversas fases ao longo dos anos, partindo de simples representações estatísticas das palavras até os atuais, e complexos, modelos baseados em redes neurais profundas. Neste painel, primeiro apresentaremos uma introdução da área através dos fundamentos gerais de PLN, considerando as tarefas mais utilizadas e as diferentes maneiras de representação de texto. Na segunda parte, discutiremos as novas arquiteturas neurais responsáveis pelas recentes inovações da área, explorando seu funcionamento e suas capacidades.
Autores
Otavio Parraga
Cientista de dados na Unimed Porto Alegre, Otávio é bacharel em Sistemas de Informação e Mestre em Ciência da Computação, ambos pela PUCRS. Com vasta experiência na área, já trabalhou em diversas empresas sempre atuando com sistemas de Aprendizado de Máquina, Processamento de Linguagem Natural, e recentemente Large Language Models.
João Paulo Aires
Doutor em Ciência da Computação pela PUCRS e Pesquisador em Processamento de Linguagem Natural e Aprendizado de Máquina. Realizou Pós-doutorado em Machine Translation pela Charles University (República Tcheca) e atualmente é pós-doutorando em Similaridade Semântica na PUCRS.
Dalvan Griebler
Doutor em Ciência da Computação pela PUCRS e UNIPI (2016). É Professor Adjunto da Escola Politécnica, do Programa de Pós-Graduação em Ciência da Computação (PPGCC) e da Pós-Graduação em Ecologia e Evolução da Biodiversidade (PG-EEB) na PUCRS, onde é Coordenador de Pesquisa no Grupo de Modelagem de Aplicações Paralelas (GMAP) e do Grupo de Inteligência Artificial (AIG). Atua também como Professor Associado da Faculdade Três de Maio e Coordenador do Laboratório de Pesquisas Avançadas para Computação em Nuvem (LARCC) na Setrem. Possui interesse de pesquisa nos seguintes tópicos: computação paralela; ciência de dados; engenharia de dados; big data; data stream; inteligência artificial; linguagens de programação; modelagem de aplicações paralelas; computação em nuvem; sistemas autonômicos e autoadaptativos; data center; redes de computadores; e internet das coisas.
Lucas Silveira Kupssinskü
Doutor em Computação Aplicada pela Unisinos com mais de nove anos de experiência em desenvolvimento de sistemas utilizando metodologias ágeis, desempenhando papéis de Desenvolvedor, Analista de Sistemas e Scrum Master. Lucas tem experiência como professor em cursos de extensão, técnico, graduação (UFRGS e PUCRS) e Pós-Graduação Lato Sensu em disciplinas de Computação e Aprendizado de Máquina. Seus principais interesses de pesquisa são Mineração de Dados e Aprendizado de Máquina.
