Semana Acadêmica
Descrição e Justificativa
A Semana Acadêmica configura-se como uma atividade de extensão, conduzida majoritariamente por meio de palestras, minicursos e mesas redondas. Tais atividades estão centradas em criar uma atmosfera para a discussão sobre a formação profissional e científica, promovendo a integração dos alunos, trocas de experiências e atualização sobre novos temas e abordagens. Entende-se que o estímulo à reflexão e a compreensão do cenário atual, e de suas tendências, permitem a identificação de problemas e oportunidades, bem como o estabelecimento de estratégias que visem solucionar demandas atuais e futuras.
Objetivos
Um dos principais objetivos da semana acadêmica é complementar a formação profissional e científica com a exposição de temas contemporâneos e relevantes, contribuindo para a elevação da qualidade da formação acadêmica e profissional dos alunos de graduação. Além disso, visa compreender o atual cenário da profissão e traçar estratégias para o atendimento dos requisitos para os próximos anos da atividade. O evento também estimula a interação de profissionais e docentes de elevada qualificação técnica, científica, tecnológica e acadêmica com os alunos em formação. Ainda acarretará no aumento da visibilidade do Curso de Estatística, do Departamento de Estatística e da Universidade na sociedade acadêmica e no meio profissional.
Últimos eventos:
2026
Site: https://sites.google.com/view/semana-de-estatstica-e-ciencia/home
Apresentações dos palestrantes
Alguns palestrantes disponibilizaram suas apresentações
Métodos para identificação de tópicos em textos
Autor(a): Daiane Aparecida Zuanetti
Descrição: Um dos objetivos da análise de texto é a modelagem de tópicos, cujas metodologias visam compreender a estrutura de tópicos (assuntos) que compõem uma coleção de documentos e segmentá-los com base em seus tópicos dominantes. Um dos métodos pioneiros nesse contexto é o modelo de mistura (MM), que pressupõe que cada documento é composto por palavras provenientes de um único tópico. Diante dessa limitação, a metodologia de Alocação Latente de Dirichlet (LDA) ganhou considerável visibilidade devido à sua maior flexibilidade. Tanto para a estimação do MM quanto do LDA, o número de tópicos precisa ser predeterminado. Caso seja desconhecido, a quantidade ideal pode ser definida por meio de critérios de seleção. Uma alternativa para selecionar o número de tópicos e estimar o modelo simultaneamente é o uso de metodologias Bayesianas não paramétricas. Neste trabalho, apresentamos e comparamos diferentes modelos e critérios para a escolha do número de tópicos. Para tanto, aplicamos os modelos e os critérios de seleção a dois conjuntos de dados reais. Trabalho realizado em conjunto com Edvaldo Capobiango Coelho Filho.
IA Explicável: Por trás dos panos da Inteligência Artificial
Autor(a): Henrique Margotte
Descrição: IA Explicável, ou Explainable AI (XAI), é a área da Inteligência Artificial que busca entender como os modelos de IA aprendem e tomam decisões, de forma que seja compreensível para seres humanos. A XAI contribui para melhorarmos e corrigirmos modelos, identificarmos padrões e vieses nos dados, além de fornecer mais confiança para aplicações de IA!
2025
Site: https://sites.google.com/view/semana-de-estatstica-2025/home?authuser=0