Minicursos

Como se inscrever

A inscrição deverá ser realizada pela Área do Inscrito da Plataforma Plateia.

Após realizar a inscrição no VII ENGOPE, acesse sua área do inscrito e siga o caminho:

Inscrições abertas → VII ENGOPE → Modalidades disponíveis

Em seguida, escolha o(s) Minicurso(s):

• Minicurso: IA - Você vai dominar o mundo!;
• Minicurso: Do Pré-processamento à API: Um Guia Prático do Uso do tidymodels em Aprendizagem de Máquina.
  
  

Clique em Inscrever.

Prazo para inscrição: 20/10/2026.

Minicursos

Minicurso 2: Pedro Rafael Marinho Diniz (UFPB)

Título: Do Pré-processamento à API: Um Guia Prático do Uso do tidymodels em Aprendizagem de Máquina

O tutorial "Do Pré-processamento à API: Um Guia Prático do Uso do tidymodels em Aprendizagem de Máquina" percorre o ciclo completo de modelagem preditiva em R, da preparação dos dados até a disponibilização do modelo treinado como serviço. O foco recai sobre a ferramenta, e não sobre a teoria dos algoritmos: os modelos são comentados na medida necessária para sustentar a prática. A parte conceitual revisa aprendizagem supervisionada, função de perda, risco preditivo e as condições sob as quais o erro quadrático médio é um estimador legítimo desse risco, justificando por que dados de treino não servem para avaliação. Em seguida, são tratadas as estratégias de divisão amostral, validação cruzada e tunagem de hiperparâmetros, com uso do pacote future para paralelizar as etapas independentes. A demonstração prática articula os pacotes do framework, incluindo rsample para reamostragem, recipes para pré-processamento, parsnip e workflows para especificação e ajuste, tune para otimização e yardstick para as métricas de regressão e classificação. Exemplos completos mostram como comparar modelos sob uma sintaxe unificada e selecionar a configuração final. A etapa de implantação fecha o percurso, com a construção de uma API a partir do workflow ajustado, empacotamento com vetiver e plumber e containerização via Docker. O público-alvo são discentes de graduação em Estatística e demais interessados em levar um modelo do script ao ambiente de produção. Ao final, espera-se que o participante consiga treinar, avaliar e servir um modelo de forma reprodutível e escalável.