Em sua 16ª edição, a Escola de Modelos de Regressão (EMR) de 2019 vai acontecer de 27 a 29 de março, em Pirenópolis, Goiás.
A programação científica será composta por Comunicações Orais, Conferências, Minicursos, Sessões Temáticas, Sessões Pôsteres e Sessão Jovem Doutor.
O CONRE-3 será representado pelo presidente Julio Trecenti e pelas conselheiras Dóris Fontes e Ines Nishimoto. Os profissionais devem apresentar a Tenda Estatística, projeto que oferece diversas atividades interativas, fáceis de serem realizadas em sala de aula, de forma a introduzir de modo natural vários conceitos de probabilidade e estatística. A Tenda estará na área dos estandes 2a e 3a, das 9h às 17h.
No dia 24, das 16h às 18h, no auditório 2, ao lado de Bruna Davies Wundervald, Julio Trecenti ministrará o minicurso: De Modelos Lineares Generalizados ao Deep Learning.
Já no dia 27, das 8h30 às 10h, Trecenti participa da comunicação oral com o tema: Modelos Lineares Generalizados usando Tensorflow
O evento deve reunir em torno de 350 pessoas ao longo suas intensas atividades. Participam professores e pesquisadores nacionais e internacionais, profissionais do mercado, alunos de graduação e pós-graduação de diversas áreas do conhecimento, entre elas tecnologia, educação, saúde, finanças, economia e marketing.
Organizado pela Associação Brasileira de Estatística (ABE), o evento é um importante espaço para a difusão dos avanços da estatística. A cada biênio, a EMR é realizada em um Estado brasileiro.
Para saber mais: www.emr2019.com.br
Sobre as apresentações:
Tutorial: De Modelos Lineares Generalizados ao Deep Learning
Conferencistas: Julio Adolfo Zucon Trecenti e Bruna Davies Wundervald
Data: 24/03/2019
Horário: 16h às 18h
Local: Auditório 2
Resumo: Modelos lineares generalizados (GLMs) são os modelos de regressão mais importantes da estatística. Os GLMs são usualmente ajustados através de um algoritmo de mínimos quadrados ponderados iterados (IWLS), derivado da função escore e da informação de Fisher. Neste tutorial, mostraremos que o redes neurais são uma generalização natural dos GLMs, modificando apenas dois aspectos do modelo: i) os componentes sistemático e função de ligação são aplicados iterativamente e ii) substituímos o IWLS pelo algoritmo da descida de gradiente.
——-
Comunicação Oral
Data: 27/03/2019
Horário: 08h30 às 10h
Modelos Lineares usando o Tensorflow
Resumo: Modelos lineares generalizados (GLMs) são os modelos de regressão mais importantes da estatística. Os GLMs são usualmente ajustados através de um algoritmo de mínimos quadrados ponderados iterados (IWLS), derivado da função escore e da informação de Fisher. No entanto, a implementação padrão do R atual não utiliza adequadamente os recursos disponíveis na máquina. Neste trabalho, atacamos este problema com o pacote `tensorglm`, que ajusta GLMs usando o TensorFlow, uma biblioteca computacional que realiza cálculos em paralelo e tira proveito das Graphic Processing Units (GPUs), aumentando significativamente a capacidade de computação. Mostramos análises de desempenho do tensorglm, comparando-o com a solução base do R e com o pacote `parglm`. Os resultados preliminares apontam que a nova implementação é melhor suas alternativas à medida quando o número de variáveis preditoras é grande em relação ao número de observações.