Programação Detalhada XIX EMR

SESSÃO TEMÁTICA 1 (ST1): Jovens talentos

Renata Rojas Guerra (UFSM)

Rodney Vasconcelos Fonseca (UFBA)

Juliana Freitas de Mello e Silva (UFBA)

Thyago Celso Cavalcante Nepomuceno (UFPE)

SESSÃO TEMÁTICA 2 (ST2): Modelos de Regressão e Aprendizagem de Máquina em Saúde

Palestra: Aprendizado de Máquina em Análise de Sobrevivência: Aplicação a Dados Oncológicos – Agatha Sacramento Rodrigues (UFES)

Palestra: Modelos de Regressão com Reparametrização Geral e Unificada Aplicados a Dados de Saúde – Marcelo Bourguignon (UFRN)

Palestra: Bayesian Spatio-Temporal Modeling of Severe Acute Respiratory Syndrome in Brazil: A Comparative Analysis Across Pre-, During, and Post-COVID-19 Eras – Paulo Cañas Rodrigues (UFBA)

Palestra: Fairness Assessment and Bias Mitigation in Machine Learning: Assisting Experts in Identifying Families Need Early Help Support in Leicestershire – Eufrásio de Andrade Lima Neto (UFPB)

Agatha Sacramento Rodrigues (UFES)

Marcelo Bourguignon (UFRN)

Paulo Cañas Rodrigues (UFBA)

Eufrásio de Andrade Lima Neto (UFPB)

MINICURSO 1 (MC1): Modelagem estatística de imagens digitais

Autores: Bruna Gregory Palm (Blekinge Institute of Technology – BTH) e Fábio Mariano Bayer (UFSM)

Resumo: Neste minicurso, serão exploradas abordagens estatísticas para a modelagem de imagens digitais. Iniciaremos com a introdução a conceitos fundamentais da área de processamento de imagens, destacando possíveis aplicações. A seguir, serão apresentadas diferentes abordagens para a modelagem de imagens, que vão desde métodos que assumem pixels iid, passando por modelos de regressão, até modelos dinâmicos bidimensionais que exploram a autocorrelação espacial das imagens. Por fim, serão discutidas aplicações em linguagem R, considerando imagens de sensoriamento remoto.

Bruna Gregory Palm

Fábio Mariano Bayer

MINICURSO 2 (MC2): Introdução aos Modelos de Regressão Geograficamente Ponderados

Palestrantes: Alan Ricardo Da Silva (UNB)

Resumo: Título: Introdução aos Modelos de Regressão Geograficamente Ponderados
A tentativa de representar a realidade por meio de modelos, matemáticos ou não, continua sendo um grande desafio para a ciência que, década após década, procura sempre aprimorar tais ferramentas. Uma das técnicas de modelagem matemática mais utilizada é a análise de regressão, que vem sendo atualizada nos últimos anos devido à incorporação de fatores que ajudam a explicar e entender os fenômenos. Dentre essas atualizações destaca-se a Regressão Geograficamente Ponderada (RGP), ou do inglês Geographically Weighted Regression (GWR). Esta última se diferencia da primeira por analisar as relações entre as variáveis de forma específica para cada unidade de estudo, e não conjuntamente como é feito em um processo global. O minicurso abordará as principais características do modelo de regressão geograficamente ponderado, bem como suas vantagens e problemas, além do que vem sendo atualmente desenvolvido sobre o tema