CURSO BIG DATA

Aplicações de técnicas e análises “Big Data” para manutenção ferroviária.

Os avanços tecnológicos permitem uma coleta de dados cada vez maior. O desafio técnico está na melhor forma de aproveitar os benefícios e capitalizar as oportunidades apresentadas pelo “Big Data”. A aplicação de técnicas emergentes de dados na manutenção de ferrovias, um curso de desenvolvimento profissional de dois dias, está focado em técnicas de análise de dados e estudos práticos de casos que são diretamente aplicáveis aos profissionais que trabalham na Engenharia Ferroviária.

Instrutor: Nii Attoh-Okine

Investimento por pessoa: R$1.800,00

Forma de pagamento: Via Cartão de Credito online.

 

Caso prefira pagar via transferência bancária, favor enviar e-mail para antoniomerheb@usp.br

 

Data: 17 e 18 de Outubro

Local: Av. Paulista, 2001 -  1°Andar  - Próximo ao metrô Consoloção

Horários:

17 de Outubro   8:30 - 17:00

18 de Outubro   8:30 - 15:00

Recomenda-se participante trazer computador próprio.

Os tópicos abordados incluem:

CONCEITOS BÁSICOS DA ANÁLISE DE DADOS:

Introdução aos dados

Box Plots

Q-Q Plots

Análise univariada e multivariada

Correlação e Covariância

Gráficos de dispersão

Análise de regressão

TÉCNICAS DE ANÁLISE DE DADOS "BIG DATA" (I):

Machine Learning

Machine Learning

Supervised/Unsupervised Learning

Learning Processes

Support Vector Machines (SVM)

 

TÉCNICAS DE ANÁLISE DE DADOS "BIG DATA" (II):

Métodos Kernel

Multivariate Adaptive Regression Splines (MARS)

 

TÉCNICAS DE ANÁLISE DE DADOS "BIG DATA" (III):

Deep Learning and Neural Networks

Feedforward Neural Networks

Deep Belief Networks (DBN)

Convolutional Neural Networks (CNN)

 

TÉCNICAS DE ANÁLISE DE DADOS "BIG DATA"(IV):

Análise Bayesiana

Redes Bayesianas

Naïve Bayes

Gibbs Sampling

Metropolis Hastings Algorithm

Markov Chain Monte Carlo Application (MCMC)

 

ESTUDOS DE CASO APLICADOS À FERROVIA

Informação e monitoramento das condições de geometria e do lastro

Informação de condição de dormentes

Implementações de Software - Exemplos Usando o R-Software e o Ipython

Defeitos vs. Relações de defeitos de geometria

Previsão de Degradação de Geometria

Análise de falha de dormentes

Nii Attoh-Okine é professor titular no departamento de Meio Ambiente e Engenharia Civil da Universidade de Delaware. Recebeu seu Diploma de Mestrado em Mecânica Aplicada pelo Instituto de Engenharia Civil de Rostov-on-Don, Russia. Ele também recebeu o título de PhD em Engenharia Civil e Minor em Estatística pela Universidade de Kansas, Estados Unidos em 1992. Sua linha de pesquisa está voltada a área de inteligência computacional e Big Data em infraestrutura de sistemas. Tem aplicações de várias técnicas de inteligência computacional ao setor Ferroviário mundial incluindo Bayesian Networks, Belief Functions and Rough Sets. Dr. Okine possúi publicações em gestão de incerteza, redes neurais e análise tensorial. Possúi publicações em periódicos como: Institute of Electrical and Electronics Engineers (IEEE), American Society of Civil Engineers (ASCE), American Railway Engineering and Maintenance of Way Association, and Canadian Journal of Civil Engineering. Realizou pesquisas com a Federal Highway Administration (FHWA), Federal Railway Administration (FRA), National Science Foundation (NSF) and ASCE. É membro do corpo editor da ASCE/American Society of Mechanical Engineers (ASME) Journal of Risk and Uncertainty, ASCE Journal of Computing in Civil Engineering and Journal of Civil Engineering and Building Materials. Atualmente ministra aulas de graduação e pós-graduação em probabilidade e estatística, análise de dados avançada e previsão. Participou de diversas bancas de avaliação e orienta diversos alunos.

DR. NII ATTOH-OKINE