Devido a grande quantidade de dados disponíveis em fontes não estruturadas (textos e imagens), as áreas de machine learning e deep learning se aproximaram do desenvolvimento de software em geral. Através da aplicação do deep learning em imagens, esta palestra irá abordar de forma prática os conceitos fundamentais envolvidos no reconhecimento de caracteres manuscritos com o TensorFlow. A palestra terá um caráter evolutivo, partindo de regressão logística até as redes neurais convolucionais, mostrando quais são os componentes de uma rede neural e como usá-los para obter melhores resultados. Ao final da palestra será possível observar a melhoria dos resultados com a aplicação de deep learning.

Com o aumento de dados públicos acessíveis pela internet, muitas empresas estão focando seus negócios em capturar dados públicos através de Web Crawlers. Com o intuito de impedir que sejam feitas consultas por programas de computador, as instituições que mantêm dados públicos investem em ferramentas do tipo CAPTCHA. Essas ferramentas geralmente se tratam de imagens contendo um texto qualquer e o usuário deve digitar o que vê na imagem. A proposta da apresentação é mostrar como foi realizado o reconhecimento de texto em imagens de CAPTCHA através da aplicacão de Deep Convolutional Neural Networks. Serão apresentados conceitos chave para o entendimento de Deep Learning e Convolutional Networks

Todos os dias, mesmo sem perceber, geramos dados de movimento através de nossos smartphones. Além disso, compartilhamos informações sobre as atividades do nosso cotidiano nas redes sociais. O conhecimento sobre quais atividades as pessoas fazem em certos locais é de grande valor para várias áreas, como planejamento urbano, publicidade e propaganda, segurança, entre outros. Como extrair essas informações de dados de movimento e redes sociais? Os objetivos desta palestra são aprender mais sobre reconhecimento de atividades, possíveis aplicações e como foi desenvolvido um método para inferência de atividades utilizando as linguagens Python e R.

Vivemos hoje na era da informação, onde a todo momento estão sendo coletadas informações de tudo e todos, desde transações bancarias e até sensores de movimento. Essas informações são utilizadas para tentar entender o comportamento das pessoas e das empresas para auxiliar nas vendas, prever inadimplência, fraudes, entre outros. Contudo, dentre essa enorme quantidade de features, muitas são consideradas não informativas prejudicando a performance do modelo, causando um overfitting e perdendo a interpretabilidade. Por conta disso, nessa apresentação vamos mostrar algumas técnicas de seleção de variáveis e alguns exemplos práticos de como podemos melhorar a performance desses modelos.

Com o uso do inbound marketing e o começo da geração de leads de modo escalável, é cada vez mais difícil que o time de vendas aborde todos os leads. Dessa forma, é necessário um meio para escalar o processo de qualificação de Leads e entregar melhores oportunidades de negócio para o time de vendas. O Predictive Lead Scoring observa quais informações os leads que foram qualificados pela área de vendas têm em comum e a partir dessas observações, o algoritmo decide se um novo lead deverá ser abordado por um vendedor ou não. Além de apresentar os resultados gerados, serão abordados os desafios de limpeza de dados, modelagem de classes desbalanceadas e como avaliar esses modelos.

Você está em um cassino em Las Vegas. Leva muito dinheiro em fichas, nem todo é seu. Entra em uma sala escura, com 20 máquinas caça-níqueis. Sente um calafrio ao pensar que em algumas delas você multiplicará sua fortuna, enquanto em outras voltará arrasado para casa. Como escolher? Uma jovem sedutora sopra ao seu ouvido quais são suas máquinas favoritas, o que te acalma um pouco, mas ainda assim a angústia persiste. Se isso te lembrou de trabalho, é melhor você vir falar de Bandit com a gente!

A AWS oferece uma família de serviços inteligentes que fornecem aprendizagem de máquina na nuvem e tecnologias de deep learning para atender diversos casos de uso e necessidades. Para os desenvolvedores buscando adicionar serviços de I.A. gerenciados a seus aplicativos, a AWS traz reconhecimento de linguagem natural (NLU) e reconhecimento automático de fala (ASR) com o Amazon Lex, busca visual e reconhecimento de imagem com Amazon Rekognition, conversão de texto em fala (TTS) com o Polly, e sistemas de recomendação com o Amazon Machine Learning.

Se você está apenas começando com AI ou você é um especialista em aprendizagem profunda, esta sessão fornecerá uma visão geral significativa de com

Técnicas de aprendizado profundo (deep learning) ganharam destaque nos últimos anos. Gigantes como Google e Facebook utilizam essa tecnologia para fazer tradução de textos, reconhecimento de voz, classificação de imagens e até mesmo para jogar Go. Mesmo definindo o estado da arte em muitos campos, é possível empregar essa tecnlogia sem grandes esforços para aplicações específicas utilizando frameworks que facilitam o trabalho do desenvolvedor. Essa palestra mostra um estudo de caso de uma aplicação de segurança em ambientes industriais. Nessa abordagem utilizou-se um classificador baseado em redes neurais convolucionais para detectar a presença de pessoas.

Na fase de escrita de uma monografia a escolha do tema é sempre uma das etapas mais complicadas. Ao passo que para nós a escolha do tema é algo tão difícil, ao mesmo tempo vemos quase toda semana alguma manchete sobre "aluno do MIT desenvolve projeto x". Será que a escolha do tema tem a ver com sucesso ou não dessas pesquisas? Para investigar isso vamos analisar a produção acadêmica dos trabalhos de graduação da UFPE (utilizando NLP) e comparar com alguns trabalhos desenvolvidos em Universidades americanas. O que os trabalhos têm em comum? Em que eles diferem? O objetivo é dar um panorama da produção acadêmica e ajudar na escolha de temas de projetos, desde monografias até projetos paralelos