Gabriela Maria Rodrigues.

Este projeto desenvolveu um framework web utilizando a linguagem de programação Javascript, relacionado a um banco de dados Postgre e hospedado no servidor Heroku. Com o objetivo de controlar e otimizar o fornecimento dos produtos de uma clínica de estética, o framework web fornece uma estimativa do consumo de tais produtos, bem como possíveis datas para que um novo seja ofertado ao cliente, possibilitando um controle adequado das vendas, de modo que o tratamento não seja interrompido e alcance resultados eficientes e satisfatórios.

Este projeto desenvolveu um framework web utilizando a linguagem de programação Python e gerenciador de banco de dados MySQL. O objetivo deste projeto foi desenvolver um sistema de automação de propostas comerciais para uma empresa de informática, de modo que, o consumidor possa realizar um orçamento que melhor se ajuste ao seu tipo de utilização, com mais agilidade e facilidade, agregando os aspectos de segurança e confiabilidade da empresa.

Os avanços da Inteligência Artificial (IA) oferecem oportunidades inéditas para diversos setores, fornecendo benefícios sociais e ambientais. Embora seu grande potencial benéfico, também traz desafios em termos de ética, privacidade e segurança, podendo ser utilizada de forma prejudicial, como a violação da privacidade ou a discriminação algorítmica. Neste contexto, este projeto busca complementar a formação dos alunos com o conhecimento a respeito da regulação da IA e as regras de proteção de dados no âmbito nacional e internacional, contribuindo com sua formação profissional pautada em julgamentos e decisões no rigor científico, em referenciais éticos e legais e em compromissos com a cidadania.

O aprendizado de máquina (AM) (ou machine learning em inglês), uma subárea da inteligência artificial (IA), apresentou um progresso e crescimento incrível nos últimos anos, desempenhando um papel fundamental no desenvolvimento de modelos para uma agricultura sustentável, para aumentar a produtividade e para minimizar os impactos ambientais. Este projeto tem como um dos seus objetivos aplicar técnicas de aprendizado de máquina interpretável, que consistem em métodos e modelos que tornam o comportamento e as previsões dos sistemas de AM compreensíveis para os humanos. Além disso, tem como objetivo garantir termos de ética, privacidade e segurança, por meio da utilização responsável de seus algoritmos, envolvendo a conformidade com padrões externos definidos por associações do setor, agências governamentais e outras partes interessadas.

Atualmente, grandes volumes de dados são gerados provenientes de diferentes áreas de conhecimento, possuindo uma variedade de características. Neste sentido, metodologias alternativas são necessárias para acomodar de forma adequada e eficiente tais particularidades, de modo a obter-se o maior número de informações possíveis a respeito dos dados de interesse. Este projeto propõe novos modelos de regressão para dados censurados e não censurados, baseados na família de distribuições exponentiated odd log-logistic (EOLL-G). Esta família possui a flexibilidade de modelar dados bimodais, simétricos ou assimétricos. Os modelos de regressão buscarão acomodar características como heterogeneidade de variâncias, relações não lineares e diferentes funções de risco. A proposta tem o objetivo de comparar o desempenho preditivo dos modelos com algoritmos de aprendizado de máquinas: árvores de decisão, florestas aleatórias, florestas aleatórias de sobrevivência e XGBoost. Propriedades estruturais das novas distribuições serão fornecidas. O método de máxima verossimilhança será utilizado para estimação dos parâmetros e estudos de simulações serão realizados para verificar a consistência das estimativas. Aplicações serão realizadas ilustrando a utilidade dos novos modelos. Quanto à capacidade preditiva, seu desempenho será comparado aos algoritmos de aprendizado de máquina, por meio de estudos de simulações e aplicações a dados reais.

Este projeto é baseado em modelos de regressão quantílica a partir de distribuições de probabilidade flexíveis. A regressão quantílica pode caracterizar toda a distribuição condicional da variável resposta por meio do ajuste de diferentes quantis, fornecendo mais informações sobre os efeitos das covariáveis. Utiliza-se neste estudo, geradores de distribuições que permitem modelar dados bimodais e/o assimétricos.

Este projeto aborda um termo que está em grande ascensão atualmente, decorrente do crescente volume de dados gerados, o Machine Learning (Aprendizado de Máquina). Neste projeto, buscamos capturar de forma adequada as particularidades de dados provenientes de diferentes campos de conhecimento, utilizando o aprendizado supervisionado e não supervisionado. Também nos preocupamos em fornecer interpretabilidade prática de seus resultados sob uma perspectiva estatística, e buscamos mostrar que a união entre estas duas áreas, estatística e algorítmica, é mutuamente benéfica, uma vez que, pode-se aproveitar do melhor de cada uma delas.

O objetivo do presente projeto é desenvolver modelos de regressão para análise de dados censurados e não censurados, que apresentem diferentes particularidades, como heterogeneidade de variâncias, relações não lineares e diferentes funções de risco. São utilizadas novas distribuições de probabilidade flexíveis, para dados univariados ou bivariados, que acomodam diferentes formas, como bimodalidade e/ou assimetria. Os modelos para dados censurados consideram especialmente a análise de sobrevivência, com aplicações em importantes áreas da saúde como a epidemiologia, considerando pacientes com COVID-19 e a oncologia. Os modelos para dados não censurados analisam especialmente dados provenientes de experimentos agronômicos.

Este projeto realiza aplicações de modelos lineares e não lineares de regressão quantílica (RQ) baseados na minimização dos erros absolutos. A RQ pode ser uma alternativa para lidar com problemas como assimetria e heterogeneidade de variâncias da variável resposta, também sendo robusta à presença de pontos atípicos (outliers). Seus modelos podem caracterizar toda a distribuição da variável resposta por meio da análise de diferentes quantis, fornecendo uma avaliação mais completa sobre os efeitos das covariáveis. Neste projeto, as aplicações estão concentradas, principalmente, na análise de curvas de crescimento animal.

Neste projeto, buscamos compreender o papel da liderança nas mudanças organizacionais de uma autarquia no interior de São Paulo. A mudança organizacional funciona como uma alteração planejada, estruturada e articulada, que exige operacionalidade por parte de pessoal interno ou externo. As autarquias vivenciam mudanças o tempo todo, demandando de uma liderança que estimule em cada colaborador seu sentimento e conhecimento da real necessidade de mudança, bem como suas ações para atingir objetivos e metas de interesse comum do grupo ao qual pertence.