The Development of the R Community

R: 2 décadas

A Brief History of R Markdown. Slides da apresentação.

T1: Faça apresentações ninja em R: conhecendo o pacote xaringan

Beatriz Milz

O xaringan é um pacote que tem como objetivo possibilitar a criação de apresentações em com R. Sob o contexto de programação em R, a combinação entre os pacotes RMarkdown e xaringan nos oferece uma elegante forma de criar slides usando R e RStudio, permitindo adicionar códigos que são executados ao gerar a apresentação. Com isso, a proposta desta oficina consiste em apresentar uma introdução sobre como criar apresentações usando os pacotes mencionados. O público alvo deste minicurso são pessoas de todas as áreas, que tenham interesse em aprender como criar slides reprodutíveis usando R.

• Nível: intermediário
• Objetivo: Introduzir uma forma de criar apresentações usando o pacote xaringan
• Pré-requisitos: R e RStudio instalados e atualizados, instalação dos pacotes: knitr, rmarkdown, xaringan, xaringanthemer, pagedown

T2: Implementando modelos estatísticos de maneira eficiente com o TMB

Henrique Laureano, Ricardo Petterle e Wagner Bonat

O Template Model Builder (TMB) é um pacote R que possibilita o ajuste de complexos modelos estatísticos de efeito aleatório. Diferente da maioria dos pacotes R, aqui o modelo é formulado em C++. Tal característica fornece uma grande flexibilidade e eficiência computacional, tirando vantagem de diversas bibliotecas estado-da-arte e de implementações eficientes, extremamente uteis num mundo que demanda modelos estatísticos maiores e mais complexos. Neste tutorial os principais aspectos metodológicos do TMB serão explicados e exemplificados, seguido do passo-a-passo de como implementar e estimar uma diversa gama de modelos lineares mistos.

• Nível: intermediário
• Objetivo: Introduzir a metodologia implementada no pacote e fornecer diversos exemplos, desde diferenciação automática até a implementação e estimação de modelos lineares de efeito fixo e de efeito aleatório não-Gaussianos.
• Pré-requisitos: R básico

Henrique A Laureano é Estatístico do Instituto de Pesquisa Pelé Pequeno Príncipe (IPPPP) e membro do Laboratório de Estatística e Geoinformação (LEG) da UFPR. Bacharel em Estatística (2016) com mestrado em Métodos Numéricos em Engenharia (2021), ambos pela Universidade Federal do Paraná (UFPR).

Ricardo R Petterle é Estatístico do Departamento de Medicina Integrada e membro do Laboratório de Estatística e Geoinformação (LEG), ambos da Universidade Federal do Paraná (UFPR). Bacharel em Estatística (2013) com mestrado em Engenharia de Produção (2018), ambos pela UFPR. Doutorando em Métodos Numéricos em Engenharia, também na UFPR.

Wagner H Bonat é Professor do Departamento de Estatística da Universidade Federal do Paraná (UFPR). Coordenador do Curso de Especialização em Data Science & Big Data (DSBD) e membro do Laboratório de Estatística e Geoinformação (LEG), ambos da UFPR. Bacharel em Estatística (2008) com mestrado em Métodos Numéricos em Engenharia (2010), ambos pela UFPR. Ph.D. em Matemática e Ciência da Computação pela University of Southern Denmark (USD, 2016).

T3: Machine Learning: como automatizar todo o processo utilizando o pacote tidymodels

Samuel Victor Medeiros de Macêdo

O tutorial proposto será divido em três etapas: Visão geral do pipeline de machine learning, aplicação em dados reais e automatização. Não adianta apresentar linhas e mais linhas de código se o aluno não compreende a visão geral do pipeline de machine learning. Por esse motivo, na primeira etapa será explicado os conceitos de: split de treino e teste, pre processamento, escolha de modelo, tuning dos parâmetros e validação do modelo. Na segunda etapa será mostrado aos alunos aplicações, em dados reais, de um modelo de regressão, um de classificação e um de clusterização. Por fim, será mostrado como realizar comparação entre vários modelos ao mesmo tempo e automatizar todo este processo. Dessa forma, é possível reaproveitar esse código quando a base de dados inicial for apenas atualizada, ou seja, muito útil em processos que necessitem de modelagem quando estão em produção.

• Nível: intermediário
• Objetivo: O conhecimento na área de machine learning vem cada vez mais sendo um diferencial no mercado de trabalho para o estatístico e cientista de dados. O pacote tidymodels, desenvolvido pelo Rstudio, ajuda bastante em todo o pipeline de machine learning, pois encapsula todas as etapas: pre-processamento, escolha do modelo, tuning de parametros e previsão. O objetivo desse tutorial será explicar, passo a passo, como utilizar o tidymodels em todas as etapas do pipeline de machine learning. De posse deste conhecimento, o aluno terá autonomia para realizar suas próprias modelagem e automatizar o processo que possa ser reaproveitado para novas entradas.
• Pré-requisitos: R básico