Seminários do Programa de Pós-Graduação - DGO
Tiezzi DG
2024-10-22
Ir Para:
Programação:
DATA: 25/11/2024 Horário: 14:00 horas
O Programa de Pós-Graduação do Departamento de Ginecologia e Obstetrícia da FMRP USP tem a honra de receber os Professores Rafael Izbicki, Thiago R. Ramos e Luben M.C. Cabezas para um seminário que irá abordar aspectos atuais em aprendizado de máquina (Machine Learning).
Temas:
- Fundamentos de Machine Learning: Uma Breve Introdução (Rafael Izbicki, UFSCar)
- Quantificação de Incertezas em ML com Conformal Prediction (Luben M. C. Cabezas , UFSCar/USP)
- PersonalizedUS: Avaliação Personalizada do Risco de Câncer de Mama com Quantificação Interpretável de Incertezas Locais (Thiago R. Ramos, UFSCar)
Ir Para:
Sobre os palestrantes
Rafael Izbicki
Possui graduação e mestrado em estatística pelo IME-USP, e PhD pela Carnegie Mellon University (2014). Trabalha no desenvolvimento teórico, metodológico e de fundamentos da estatística, em especial na sua intersecção com machine learning. Possui experiência em aplicações na biologia, medicina, cosmologia e epidemiologia. É coordenador do Statistical Machine Learning Lab da UFSCar e bolsista de produtividade em pesquisa do CNPq.
Thiago R. Ramos
Professor Adjunto da Universidade Federal de São Carlos. Possui graduação e mestrado em matemática pelo ICMC/USP e doutorado pelo IMPA. Desenvolve pesquisa na área de Aprendizado de Máquinas tanto do ponto de vista teórico, quanto do ponto de vista prático, tendo colaborado com empresas como Stone Pagamentos, Dasa, Rede Globo e Samsung.
Luben M.C. Cabezas
Estudante de Doutorado Direto em Estatística no Programa Interinstitucional em Estatística UFSCar-USP (PIPGES). Possui graduação em Bacharelado em Estatística pela Universidade Federal de São Carlos (2022). Tem experiência na área de Estatística e Ciência de dados, com ênfase em Aprendizado de Máquinas. Possui conhecimento das linguagens R e Python.
Referências
- Alek Fröhlich, Thiago Ramos, Gustavo Cabello, Isabela Buzatto, Rafael Izbicki, Daniel Tiezzi. PersonalizedUS: Interpretable Breast Cancer Risk Assessment with Local Coverage Uncertainty Quantification.
- Cruz Cabezas, Luben and Otto, Mateus Piovezan and Izbicki, Rafael and Stern, Rafael, Regression Trees for Fast and Adaptive Prediction Intervals.