Palestrante: Thales de Oliveira Gonçalves (Turing)

Nível: Doutor em Matemática Aplicada

Data: 05 de fevereiro às 15 horas.

Resumo: Esta palestra será uma introdução acessível à área de Machine Learning, especialmente desenhada para matemáticos curiosos mesmo que ainda não tenham tido contato com esse campo do conhecimento. Focaremos em explicar os conceitos fundamentais de maneira clara e direta, utilizando exemplos do mundo real que são simples de entender e que demonstram como a matemática pode ser aplicada para resolver problemas práticos. O objetivo é desmistificar o Aprendizado de Máquina e mostrar como ele pode ser uma extensão natural do conhecimento matemático, abrindo portas para novas possibilidades de aplicação e pesquisa.

Palestrante: Alancardek Pereira Araujo (UFES)

Nível: Doutor em Matemática

Data: 05 de fevereiro às 16:30 horas.

Resumo: O algoritmo Backpropagation, ou algoritmo baseado na retropropagação de erros, é o principal algoritmo que impulsiona o processo de aprendizado em redes neurais artificiais. É um método de aprendizado supervisionado, o que significa que ele aprende com dados rotulados (pares de entrada e saída). O objetivo do backpropagation é ajustar os pesos e as bias da rede para minimizar a diferença entre as previsões da rede e as saídas reais. Na presente palestra será apresentada a história e também noções do funcionamento do algoritmo.

Palestrante: Adriana Laurindo Monteiro (IMPA).

Nível: Doutoranda em matemática

Data: 07 de fevereiro às 14 horas.

Resumo: O crescente uso de Machine Learning no dia a dia é acompanhado de problemas cruciais, como a falta de intepretabilidade, alguns gaps na teoria e o uso de algoritmos como caixas-preta. Estudos recentes ressaltam o potencial impacto em particular na perpetuação de vieses sociais. Nessa palestra discutiremos um framework teórico que interpreta os outputs gerados por certos algoritmos e estuda o impacto de cada variável numa previsão ou classificação. Usando a teoria de Transporte Ótimo, encontraremos a distribuição mais próxima no sentido de Wasserstein de um dataset e investigaremos como se comporta um algoritmo com respeito a algumas restrições. Estabelecemos resultados de convergência e ilustramos a ideia com experimentos em datasets reais.

Palestrante: Fidelis Zanetti de Castro (IFES)

Nível: Doutor em Matemática

Data: 07 de fevereiro às 15 horas.

Resumo: A rede neural de Hopfield é uma das mais importantes redes neurais recorrentes, criada, inicialmente, para o armazenamento e recuperação de padrões bipolares. Nesta palestra, analisaremos a estabilidade de algumas de suas generalizações em domínios complexos e quaterniônicos. Especificamente, introduziremos dois modelos complexos e um modelo quaterniônico que sempre convergem para um estado estacionário admitindo-se modo de atualização neuronal assíncrona e as condições usuais sobre a matriz de pesos sinápticos, isto é, matriz hermitiana com elementos da diagonal não negativos. No tocante aos modelos quaterniônicos, implementamos memórias associativas visando o armazenamento e a recordação de padrões sintéticos bem como de imagens coloridas reais.

Palestrante: Klaus Fabian Côco (DEE/UFES)

Nível: Doutor em Engenharia Elétrica

Data: 07 de fevereiro às 16:30 horas.

Resumo: A palestra propõe apresentar soluções empregando o uso de Machine Learning em alguns processos siderúrgicos na Arcelormittal Tubarão (AMT), e nas previsões de falhas de energia elétrica na EDP e na distribuição e consumo de gás natural na Comgás (SP) e na BR Distribuidora (atual ESGás).