[ABE-L] Ciência de Dados

Qui Out 3 14:23:19 -03 2019

Prezados:

Interessante discussão e concordo com todas colocações. De fato precisamos
inserirmos de forma mais agressiva e arrojada em  Big data, Data mining,
Machine Learning, Statistical Learning, Crunch data,  Social Netwoks,
Signal Processing, Bussines intelligents, etc.

A pergunta que eu venho fazendo  é porque não fizemos isto antes, porque
perdemos o bonde do data mining, por exemplo? Nas minhas indagações com
diferentes cientistas, nacionais e internacionais a resposta comum é que
nossa comunidade ficou  um pouco acomodada tecnologicamente  acreditando
que as coisas não mudariam na velocidade que vemos hoje. Mas vejam, de
fato, muito mudou graças a tecnologia. Isso é somente um ponto das milhões
que poderiam ser trazidos nesta discussão.

Acredito que precisamos repensar e reformular nossos cursos de uma forma
mais profunda. Estamos numa fase onde até os próprios princípios
estatísticos bem sendo discutidos e reinventados em função de avanços
tecnológicos, políticos e sociais, etc. ( ver
https://www.warc.com/newsandopinion/opinion/the_end_of_statistics/2400) ou (
https://www.quora.com/Is-data-science-the-end-of-statistics).  A demanda da
sociedade também é outra e os perfis profissionais vem mudando nessa
direção.  Por outro lado como diz Kass, et al. (20116) (
https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1004961)
precisamos tratar a estatística e nosso dia a dia com seriedade, como
ciência.

Pessoalmente, vejo que um Departamento de Estatística, ou de Ciência de
Dados, etc  deve ser o suficientemente flexível para permitir novas
demandas e ao mesmo tempo deve contemplar a capacidade do capital humano.
Não podemos simplesmente pensar numa mudança ou agregar uma ênfase em
nossos cursos assumindo que continuaremos com os mesmos discursos, as
mesmas disciplinas e as mesmas práticas. Eu vejo um tremendo potencial de
nossa comunidade par gerar novos negócios, pesquisa e inovação. Contudo,
precisamos de mudanças  sérias para nossa inserção de uma forma mais
abrangente:

1. Precisamos mudanças serias em infraestrutura de forma geral
2. Atualização de conteúdos programáticos realísticos para demandas reais
da sociedade
3. Motivar e impulsionar de forma mais agressiva a pós-graduação para ter
feedback do melhor dos mundos
3. Criação de novas disciplinas (sempre levando em consideração o perfil
dos quadros docentes)
4. Parcerias com a empresas privada
5. Fomento de empresa
6. Formação contínua de nossos quadros docentes
7. Apoio a pesquisa e a inovação
8. Comunicação, colaboração e habilidades de liderança precisam e devem ser
estimuladas nos cursos de Bacharelado e  Pós-graduação.
9. Nossa inserção em áreas de Machine Learning, Big Data, Data Mining, Data
Science,
Inteligência Artificial, etc funciona melhor quando trabalhamos em equipes:
estatísticos + cientistas da computação + matemáticos + economistas,
sociólogos, políticos, etc. Precisamos urgentemente entender que
multidisciplinaridade é a direção certa.
10. Precisamos falar sobre ética e moralidade em estatística, aprendizado
estatístico, I.A, etc  (Muito e de forma séria).
11. Precisamos de pesquisa reproduzível.

Precisamos estar preparados, atualizados e com a mente aberta. Vem muita
coisa interessante chegando e outras revigorando-se com muita força em
termos de tecnologia, produção de ciência, linguagem e novos e diferentes
tipos de dados

Novos sensores e tecnologias vem disparando a geração de informação,
internet satélite gratuita de alta velocidade (Google,
Tesla), WLAN, Tecnologias 6G..., Computadores quânticos, Nanotecnologia,
etc)

Teremos que lidar urgentemente  com augmented reality, manifolds
information, symbolic spatial data, Data fusion, topological data,
geometrical information, computing and quantic learning, group theory and
probability learning, algebraic statistics, remote sensing, convolutional
deep learning, Combinatorial optimization, algorithmic assisted survey
models, multivariate mixing processes, percolation processes, cellular
automata, syntethic control and causality, graphs models, manifold
regression models, block chain, dynamic resource allocation  e mais e mais
e mais

Toda mudança precisa de energia meus queridos. Se queremos ter nossos
departamentos funcionando competitivamente precisamos de compromisso e
apoio entre nossos pares, temos que pensar a nossa comunidade  de forma
integrada. A pergunta é? estamos a querer fazer estas mudanças?

Como foi colocado pelo professor Hedibert. O que vamos fazer?

No que eu puder colaborar nesta discussão contem comigo.

Att

On Thu, Oct 3, 2019 at 1:29 PM Hedibert Lopes <hedibert em gmail.com> wrote:

> Boa tarde pessoal,
>
> Gostei muito das colocacoes ate agora e concordo que devemos nos envolver
> de forma agressiva nessa discussao.  Mudar os curriculos de estatistica e'
> uma necessidade impar, nao somente pelas "ciencias de dados" mas tambem
> pela evolucao da estatistica em si nos ultimos 30 anos somente.
> Entretanto, essa e' outra discussao, talvez pra um outro momento.
>
> Acho que agora temos dois pontos importantes a atacar: 1) Melhor marketing
> da estatistica que ja' temos hoje, que ja' e' bem boa, para melhor colocar
> os estatisticos (nao so' os de carteirinha, todos os "estatisticos") dentro
> das empresas/industria e assim proliferar o pensamento metodologico e
> cientifico que as ciencias estatisticas desenvolveram nos ultimos 150
> anos.  Essa transferencia de conhecimento tornara' as empressas/industrias
> ainda mais cientes da importancia do estatistico completo, nao somente
> daquele que sabe rodar e mais ou menos ler a proc ABC, a rotina CDE ou os
> pacotes bayeslm e stochvol no R (propaganda descarada!). No maximo, o
> cientista de dados tipico de hoje conseguira usar as tecnicas ja' bem
> estabelecidas para problemas ja' bem conhecidos.  O problema e' que
> problemas novos aparecem todos os dias e novas formas de abordar esses
> problemas tambem!  Enfim, 2) Abracarmos de uma ver por todas a analise
> exploratoria de dados (e de sumarizacao e visualizacao de
> resultados/modelos tambem) como um dos pilares da estatistica como
> ciencia.  Sem ela somos apenas matematicos estatisticos (sem prejuizo aos
> que se dedicam sua vida a isso).  Esse protagonismo envolve mais
> treinamento em manipulacao/manutencao de bases diversas de dados nos mais
> variados meios, em mais capacidade computacional e grafica, bem como mais
> treinamento na modelagem de alta dimensionalidade e/ou alta complexidade.
> Enfim, temos a faca e o queijo (e o pao, indispensavel!) nas maos.  O que
> vamos fazer?
>
> Abracos,
> Hedibert
>
>
> _______________________________________________
> abe mailing list
> abe em lists.ime.usp.br
> https://lists.ime.usp.br/listinfo/abe
>

-- 
*Raydonal Ospina Martínez*
Associate professor
Head of the Graduate Program in Statistics
*Federal University of Pernambuco, Department of Statistics*
*CAST - Computational Agriculture Statistics Laboratory*
*Faculty member, Graduate Program in Statistics and*
*Graduate Program in Economics at UFPE  *
www.de.ufpe.br/~raydonal
http://www.researcherid.com/rid/I-8878-2012
Linux user # 535215
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <https://lists.ime.usp.br/archives/abe/attachments/20191003/272b5181/attachment.html>