A Big Data, no desempenho de suas atrib
Transcrição
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