Descubra como a líder no setor de calçados para mulheres está usando Data Science para melhorar a sua operação e ganhar agilidade. Conheça o case de aplicação de Deep Learning para a classificação de sapatos e entenda como, a partir das fotos, obtemos suas características, bem como o ferramental, a arquitetura de algoritmos utilizada e a vantagem competitiva que isso está gerando.

Muito se fala do excelente desempenho de redes neurais e Deep Learning nas mais variadas tarefas, mas quando se trata de dados tabulares os métodos que hoje apresentam o melhor desempenho e estão ganhando competições cmo o Kaggle são métodos de boosting que utilizam árvores de decisão.

Nessa palestra, vamos explorar todos os conceitos necessários para entender esses métodos, iniciando por ensembling, seguido de boosting (um tipo específico de ensembling) e finalizando com as implementações mais utilizadas (XGBoost, LightGBM e CatBoost).

As doenças respiratórias atingem grande parte da população brasileira e podem limitar as funcionalidades dos portadores. O "Projeto de Extensão Reabilitação Pulmonar" da Universidade Feevale visa melhorar a qualidade de vida de portadores dessas doenças. Diante desse contexto, foi desenvolvida uma ferramenta para identificar tendências de abandono dos pacientes e extrair conhecimento sobre os dados do projeto com a utilização de machine learning. As técnicas Support Vector Machine, Decision Tree e Random Forest foram comparadas, onde Random Forest demonstrou melhor acurácia na predição de abandono. A partir disso, é possível traçar estratégias para a redução de abandonos.

A proposta deste trabalho é aplicar a técnica de Análise de Classes Latentes para identificar similaridades entre inconsistências em propostas de concessão de crédito e assim diminuir o custo operacional em se analisar todos os possíveis casos num contexto de detecção de fraude. A abordagem adotada foi estimar a probabilidade de pertencimento a classes construídas e, dessa forma, ordenar as propostas similares à proposta em que se detectou inconsistência. O critério de similaridade entre as propostas foi a distância euclidiana, baseada nas probabilidades de pertencimento de cada classe.

Atender o cliente com qualidade é fundamental, e como a evolução tecnológica e o uso de inteligência artificial é possível criar ferramentas capazes de ajudar a melhorar cada vez mais o atendimento, apesar de cada dia mais as pessoas utilizarem meios como chatbots , chats para entra em contato com as empresas, o meio telefônico ainda é um dos principais e mais importantes, através do uso de inteligencia artificial e analise de dados é possível se converter um áudio em texto e através de processamento de linguagem natural se extrair varias informações, assim como dados dos áudio e com isso criar indicadores de qualidade.

Apresentação de técnicas de engenharia de features, e como as mesmas foram utilizadas para resolver um problema real de detecção de fraudes.

Serão discutidas questões como z-scores, "bucketizações" de valores contínuos, transformações logarítmicas e outras técnicas.

Concluiremos falando sobre como técnicas de ensemble-learning foram utilizadas na construção da versão final do modelo.

É possível observar um crescimento significativo no uso de dispositivos móveis, bem como na utilização de aplicativos nestes dispositivos ao longo dos último anos, o que gera, em tempo real, uma grande quantidade de eventos. Diante disso, é importante entender como as pessoas utilizam aplicativos em seus dispositivos, visando contribuir para a tomada de decisões das partes interessadas. Para alcançar este objetivo foi desenvolvido um framework utilizando, técnicas de Mineração de dados como, Transformação e Discretização, tarefas de Aprendizado de Máquina como, Regras de Associação e Agrupamento, e técnicas de Detecção de Novidade como, Mudança e Evolução de Conceito.

Customer churn é uma métrica de negócio que mede a taxa de cancelamento ou evasão dos Clientes. Um alto índice de churn impacta em perda de receita e aumento de custos para a aquisição de novos usuários. Conseguir identificar quais usuários são mais propensos a "churnar" (preditor de churn) e poder tomar medidas preventivas é o sonho de muitas empresas e pode conferir uma importante vantagem competitiva para a organização. Nesta apresentação será mostrado como o Machine Learning foi usado na criação de um preditor de churn. Serão abordados também quais foram os principais desafios do projeto, quais a técnicas de feature engineering utilizadas e os principais algoritmos testados.

Geometric Deep Learning é um subcampo de Deep Learning, focado em técnicas para o desenvolvimento de modelos de redes neurais em domínios não-euclidianos, como grafos e objetos 3D. Embora modelos de Deep Learning tenham alcançado sucesso em problemas relacionados a visão computacional, linguagem natural e processamento de áudio, seguindo as regras da geometria euclidiana, essas técnicas não podem ser aplicadas diretamente em domínios 3D. Nosso objetivo é apresentar uma visão geral sobre Geometric Deep Learning, seus conceitos fundamentais, e demonstrar como Redes Neurais Convolucionais podem ser modificadas par ser aplicada em grafos e manifolds.