A Big Data, no desempenho de suas atrib

Edital 2014
Processo Seletivo de Projetos de Pesquisa
Programa de Bolsas Big Data (PBBD)
A Big Data, no desempenho de suas atribuições, vem pelo presente Edital estabelecer as
normas que regerão o Processo Seletivo de Projetos de Pesquisa do Programa de Bolsas
Big Data (PBBD).
Cláusula 1ª – Poderão participar do processo seletivo do PBBD os candidatos com os
seguintes perfis:
• Alunos de mestrado e doutorado, devidamente matriculados em instituições de ensino no
Brasil ou exterior, cujos professores-orientadores possuam a titulação de doutor;
• Pesquisadores recém-doutores (e.g., pós-doutorandos), vinculados a institutos de pesquisa
ou universidades brasileiras/estrangeiras.
Cláusula 2ª – Para os projetos selecionados serão oferecidas bolsas de pesquisa com os
seguintes valores:
• Bolsa de mestrado, no valor mensal de R$2.000,00, por um período de 12 meses.
• Bolsa de doutorado, no valor mensal de R$3.300,00, por um período de 12 meses.
• Bolsa de pesquisador, no valor mensal de R$5.000,00, por um período de 6 meses.
• Bolsa para professor-orientador, no valor mensal de R$1.300,00 por um período de 12
meses para orientações de mestrado/ doutorado.
• Bolsa para professor-orientador, no valor mensal de R$1.300,00 por um período de 6
meses para supervisão de pós-doutorado.
A concessão de bolsas para os projetos agraciados seguirão os parâmetros acima e o
benefício poderá ser renovado caso seja submetida a extensão do projeto no processo
seletivo seguinte e seja novamente agraciado pelo PBBD.
I. A legislação do Imposto de Renda (Decreto 3000/99) não prevê tratamentos tributários
diferenciados para concessão de bolsas. Os valores das bolsas no perfil “Pesquisador”
caracterizam-se como “Rendimento Tributável” conforme abaixo:
Art. 43. São tributáveis os rendimentos provenientes do trabalho assalariado, as remunerações por trabalho
prestado no exercício de empregos, cargos e funções, e quaisquer proventos ou vantagens percebidos, tais como:
salários, ordenados, vencimentos, soldos, soldadas, vantagens, subsídios, honorários, diárias de comparecimento,
bolsas de estudo e de pesquisa, remuneração de estagiários.
II. Não há um número pré-determinado de projetos a serem selecionados.
Cláusula 3ª – O processo de seleção dos projetos e o início das pesquisas ocorrerão de
acordo com o seguinte calendário:
• Período de envio de propostas: 15/05/2014 - 10/06/2014.
• Divulgação dos projetos pré-selecionados através de e-mail: 10/07/2014.
• Início dos projetos: 20/07/2014.
Notas:
(i)
Autores de projetos pré-selecionados poderão ser convidados a apresentá-lo na
sede da Big Data, em São Paulo - SP. Nestes casos, a aprovação definitiva fica
condicionada à avaliação da apresentação.
(ii)
Autores (alunos, pesquisadores e professores) de projetos aprovados deverão
assinar um termo de concessão de bolsa com a Fundação de Desenvolvimento
da Pesquisa (FUNDEP).
Cláusula 4ª – Temas de Pesquisa:
Tema
#1
Saturação de
Descrição
Algumas Referências
Modelos para prever - Holmes, The Diffusion of Wal-Mart and
impacto de novos Economies of Density, Econometrica, 79 (1), 253–
produtos e/ou pontos
Mercado
de venda (PDV) 302, 2011.
(Canibalização) sobre a performance
- Pancras, Sriram, Kumar. Empirical Investigation
comercial de outros
of Retail Expansion and Cannibalization in a
produtos/PDV.
Dynamic Environment, Management Science, 58
(11), 2001-2018, 2012.
#2
Análise e
Exploração de
Dados Públicos
#3
Modelos de
Regressão
Ferramentas
para
extrair e transformar
dados públicos para
análise
e
visualização.
- Paulheim, Fümkranz. Unsupervised generation of
data mining features from linked open data, Proc.
of the 2nd International Conference on Web
Intelligence, Mining and Semantics, 2012.
Desenvolver,
implementar
e
analisar modelos de
regressão,
aplicando-os
em
problemas
de
relevância prática.
- Berk, Asymetric Loss Functions for Forecasting
in Criminal Justice Settings, Journal of
Quantitative Criminology, 27 (1), 107-123, 2011.
- Wang, Neal. Gaussian Process Regression with
Heteroscedastic or Non-Gaussian Residuals
(working paper), 2012.
- Duvenaudy, Lloydy, Grossez, Tenenbaum,
Ghahramani.
Structure
Discovery
in
Nonparametric Regression through Compositional
Kernel Search, ICML, 2013.
- Alquier, Wintenberger. Model selection and
randomization for weakly dependent time series
forecasting, Bernoulli 18, 883--913, 2012.
- Shalizi, Kontorovich. Almost None of the Theory
of
Stochastic
Processes.
(http://www.stat.cmu.edu/~cshalizi/almost-none/)
- Audrino, Bühlmann. Splines for Financial
Volatility, Journal of the Royal Statistical Society
B 71, 2009.
- Chu and Glymour. Search for Additive Nonlinear
Time Series Causal Models, Journal of Machine
Learning Research 9, 967-991, 2008.
#4
Desenvolver
- Liu, Sentiment Analysis and Opinion Mining.
algoritmos
e Synthesis Lectures on Human Language,
Análise de
ferramentas
para Technologies. Morgan & Claypool, 2012.
Dados de Redes
análise de dados de
Sociais
- Russell. Mining the Social Web: Analyzing Data
redes sociais que
from Facebook, Twitter, LinkedIn, and Other
tenham impacto para
Social Media Sites. O’Reilly Media, 2011.
o
mundo
corporativo.
#5
Visão
Desenvolvimento de - Simonyan, Vedaldi, Zisserman, Learning Local
técnicas de visão Feature Descriptors Using Convex Optimisation.
Computacional
computacional para
aplicações
em
identificação
de
produtos
em
prateleiras,
identificação
de
áreas
e
características
de
locais a partir de
fotos aéreas (e.g.,
quadras esportivas)
e reconhecimento de
caracteres
(OCR)
em imagens com
ruído.
IEEE Trans. Pattern Anal. Mach. Intell., 2014.
- Tang, Joulin, Li, Fei, Co-localization in RealWorld Images, CVPR 2014.
- Malisiewicz, Gupta, Efros, Ensemble of
exemplar-SVMs for object detection and beyond,
2011 International Conference on Computer
Vision.
- Li, Su, Lim, Fei, Object Bank: An Object-Level
Image Representation for High-Level Visual
Recognition, IJCV 2013.
- Bengio, Learning Deep Architectures for AI,
Foundations and Trends in Machine Learning,
2009.
- Bengio, Courville, Vincent. Representation
Learning: A Review and New Perspectives. IEEE
Trans. Pattern Anal. Mach. Intell. 35(8): 17981828, 2013.
- Le, Ranzato, Monga, Devin, Chen, Corrado,
Dean, Ng. Building High-level Features Using
Large Scale Unsupervised Learning, ICML 2012.
- Krizhevsky, Sutskever, Hinton, ImageNet
Classification with Deep Convolutional Neural
Networks, NIPS 2012.
#6
Desenvolver
- Farquad, Ravi, Raju. Churn prediction using
Previsão de
modelos
que comprehensible support vector machine: An
abandono de
permitam identificar analytical CRM application. Applied Soft
clientes/serviços e prever churn em Computing, 2014.
(churn)
aplicações
- Xiao et al. "Feature-selection-based dynamic
relacionadas
a
transfer ensemble model for customer churn
clientes
de
prediction." Knowledge and Information Systems
instituições
(2014): 1-23.
financeiras,
assinaturas
de - Verbraken, Verbeke, Baesens. "A novel profit
revistas, pacotes de maximizing metric for measuring classification
TV a cabo, telefonia performance of customer churn prediction
celular, etc.
models." IEEE Transactions on Knowledge and
Data Engineering, 25.5 (2013): 961-973.
- Verbraken, Verbeke, Baesens. Profit optimizing
customer churn prediction with Bayesian network
classifiers. Intelligent Data Analysis 18.1 (2014):
3-24.
Cláusula 5ª – As propostas de projeto deverão seguir as seguintes especificações:
• Somente serão avaliadas propostas submetidas por 1 (um) aluno/pesquisador
acompanhado de 1 (um) orientador/supervisor;
• Cada aluno/pesquisador poderá submeter apenas 1 (um) projeto de pesquisa;
• O corpo do projeto não poderá exceder o total de 4 (quatro) páginas, com fonte Arial
tamanho 12 e espaçamento simples.
• A capa da proposta deve conter a tabela abaixo preenchida:
Título do projeto:
Tema do Projeto (de 1 a 6, cfe cláusula 4ª):
Nome do Proponente:
Nome do Orientador:
Instituição de Origem:
Ano de Matrícula no Programa:
E-mail do Proponente:
E-mail do Orientador:
CV-Lattes do Proponente:
CV-Lattes do Orientador:
Cláusula 6ª – Se nenhuma das propostas de projeto atender aos critérios do Conselho de
Pesquisa da Big Data, não haverá concessão de bolsas neste processo de seleção.
Cláusula 7ª - As propostas devem conter as seguintes seções:
1. Resumo
2. Introdução ao tema/problema escolhido (de acordo com opções da Cláusula 4ª),
incluindo trabalhos correlatos;
3. Metodologia de Pesquisa
4. Relevância da pesquisa para uma empresa de big data analytics brasileira, com
sugestões de aplicações práticas.
Cláusula 8ª – A proposta de projeto de pesquisa deverá ser enviada, na forma de um
arquivo PDF, para o e-mail [email protected]. A partir do momento em que a proposta
for submetida à avaliação, presume-se que os candidatos estão cientes de todas as regras
estabelecidas neste Edital e que estão de acordo com o seu conteúdo.
Cláusula 9ª – Os critérios para a seleção das propostas são:
I. Relevância da proposta para os objetivos do programa e da empresa.
II. Viabilidade de execução da proposta apresentada.
Cláusula 10ª – Os proponentes cujas propostas forem selecionadas terão deveres a serem
cumpridos para com o programa, conforme especificações a seguir:
I. Desenvolver integralmente o projeto dentro do prazo de duração da bolsa de pesquisa,
executando todas as etapas estabelecidas em cronograma a ser acertado entre as partes.
II. Entregar, mensalmente, um relatório de uma página descrevendo as atividades
executadas, observando-se o cronograma de atividades proposto, com considerações do
professor orientador/supervisor sobre o andamento do projeto.
III. Aluno/pesquisador e professor orientador/supervisor deverão realizar ao menos uma
reunião mensal (não necessariamente presencial) de acompanhamento com o grupo de
especialistas da Big Data que acompanham a pesquisa.
IV. Os pagamentos das bolsas de pesquisa dependerão da entrega do relatório mensal e da
adequada realização do cronograma de atividades. Se não houver o cumprimento desses
itens, os pagamentos não serão liberados. Caso o relatório aponte atrasos relevantes por 2
(dois) meses consecutivos, o repasse de valores aos proponentes poderá ser suspenso.
V. O resultado final da pesquisa deverá ser entregue no formato de um artigo científico.
VI. Os participantes do programa apresentarão os resultados da pesquisa nas dependências
da Big Data, em data a ser estabelecida no momento oportuno. Os custos de transporte e de
hospedagem para a participação na apresentação da pesquisa serão de responsabilidade da
Big Data.
VII. A Big Data terá direito à exploração comercial dos resultados obtidos, em forma de
publicação, incluindo, mas não se limitando a artigo, pôster, livro, página de site, entre
outros do gênero:
• A propriedade intelectual dos resultados obtidos na pesquisa e o direito à comercialização
de documentação de protótipo, programa de computador, processos de tratamento de dados
e/ou similares pertencerão à Big Data.
• Haverá incentivos para se publicar os resultados obtidos mas, em se tratando do uso de
dados proprietários da Big Data, os autores deverão, obrigatoriamente, contar com a
anuência da empresa, por escrito.
VIII. Em toda e qualquer publicação, incluindo, mas não se limitando a artigo, pôster,
livro, página de site e documentação de protótipo, deverá constar uma referência à Big
Data com a seguinte expressão: “Este trabalho foi realizado com o apoio da Big Data
(www.bigdata.inf.br), por meio do Programa de Bolsas Big Data (PBBD)” (ou expressão
equivalente em Língua Inglesa).
Nota1: Esses deveres serão relacionados em um termo de compromisso / confidencialidade
que será encaminhado aos alunos/ pesquisadores/ professores/ supervisores selecionados
no
início
do
programa.
O
termo
deverá
ser
assinado
pelos
alunos/pesquisadores/professores/supervisores em duas vias e enviado para a Big Data.
Nota2: Caso alguma regra estabelecida neste edital não seja cumprida, o repasse da bolsa
será suspenso.
Cláusula 11ª – Os casos omissos serão resolvidos pela Big Data.
São Paulo, 01/05/2014.
BIG DATA ASSESSORIA EMPRESARIAL EIRELI - CNPJ 17.373.944/0001-07
Rua Haddock Lobo, 846 – Torre Alfa, Conjunto 404/405, CEP 01414-000, São Paulo, SP