Diferenças

Aqui você vê as diferenças entre duas revisões dessa página.

--- projetos:printcap [2021/11/05 17:53] – [Março - 2020] karine
+++ projetos:printcap [2021/11/05 17:57] (atual) – [2020] karine
@@ Linha 128: / Linha 128: @@
-====== Fevereiro - 2020  ======
-  - Researcher: Jordan
-    * Mini-bio do Pesquisador:
-    * Description:
-    * Date: 17 de Fevereiro de 2020
-    * Type of event: Seminário
-    * Other infos (links, documents, fotos, etc.):
-====== Janeiro - 2020  ======
   - Researcher: Dr. Randal Burns, JHU.
-== Mini-bio do Pesquisador: ==
-O Dr. Burns é professor de computação e chefe do departamento de computação da Universidade Johns Hopkins. Sua pesquisa tem incrementado os limites de escalabilidade de ciência dos dados com tecnologias emergentes de armazenamento, com aplicações que variam de simulações numéricas para turbulência, neurociência através de microscopia e astronomia observacional.
-Dr. Burns obteve seu doutorado em Ciência da Computação pela Universidade da Califórnia em Santa Cruz em 2000 e o bacharelado em Geofísica pela Universidade de Stanford em 1993. Antes de ingressar na Universidade Johns Hopkins foi pesquisador do Centro de Pesquisa da IBM em Almaden, onde obteve o prêmio Outstanding Innovation. Dr. Burns também recebeu um prêmio pela sua carreira pela National Science Foundation.
-== Description: ==
-Durante a visita o Dr. Burns ministrou o curso "Parallel Programming for Data Science" para alunos da CAP e de outros programas de pós-graduação do INPE, e para servidores do instituto. Também apresentou dois seminários: "Reproducible Data Science with Gigantum" e "External Memory Systems for Data Science and Machine Learning".
-Este seminário foi também apresentado no CPTEC, durante uma visita às instalações do centro.
-O material dos seminários pode ser acessado em https://1drv.ms/b/s!AlgXW7dbUWkTvYEsLpigXo4FxvQmcg?e=iclyp5 e https://1drv.ms/b/s!AlgXW7dbUWkTvYEt-vCJZnFY_GGm9A?e=SGcZ6u . A apresentação do segundo seminário está no canal do YouTube do CPTEC em https://www.youtube.com/watch?v=OJVUJcEVha8
-Ainda durante a visita foram feitos contatos para colaborações futuras, incluindo possibilidades de uso da plataforma Gigantum em educação em data science e machine learning, e possibilidades de intercâmbios de alunos do INPE na Universidade Johns Hopkins.
-A visita foi custeada com recursos do programa PrInt/CAPES, que apoia a internacionalização dos programas de pós-graduação do INPE.
     * Date: **23 de Janeiro de 2020**
     * Type of event: Seminário
     * Title: Reproducible Data Science with Gigantum
-This talk presents the Gigantum open-source data science work environment that automates the best practices and skill-intensive tasks that are crucial to good data science. The data scientist works in familiar tools, such as RStudio and Jupyter and Gigantum makes sure that all aspects of a data science project--code, data, and environment--portable, shareable, and continuously versioned. Gigantum runs on locally (on laptops) as well as the cloud so that the data scientist can work without incurring cloud computing costs. Users can collaborate in groups or on public projects, exploring by launching on the cloud, contributing in their own branch, or customizing with new code or private data in their own fork.
     * Other infos (links, documents, fotos, etc.):
-https://1drv.ms/b/s!AlgXW7dbUWkTvYEsLpigXo4FxvQmcg?e=iclyp5
-https://1drv.ms/b/s!AlgXW7dbUWkTvYEt-vCJZnFY_GGm9A?e=SGcZ6u
-https://www.youtube.com/watch?v=OJVUJcEVha8
     * Date: **21 de Janeiro de 2020**
     * Type of event: Seminário
     * Title: External Memory Systems for Data Science and Machine Learning
-In modern computer architectures, the movement of data from storage or memory to the processor limits the performance and scale of scientific data analysis and machine learning. This bottleneck has grown much more acute as we use multicore processors and GPUs. This talk covers a decade of research in my lab that redesigned computer systems to move data through the memory hierarchy and applied these systems to make data science (graph analytics and sparse linear algebra) and machine learning (k-means and random forests) more efficient.
-The lecture is self-contained and designed for the computational scientist that is familiar with using data science and machine learning programming tools. It will lightly review computer science concepts, including the memory hierarchy, external memory algorithms, and non-uniform memory architectures.
     * Other infos (links, documents, fotos, etc.):
     * Date: **13 de Janeiro de 2020**
     * Title: Parallel Programming for Data Science
     * Type of event: Curso
     * Other infos (links, documents, fotos, etc.):
+https://1drv.ms/b/s!AlgXW7dbUWkTvYEsLpigXo4FxvQmcg?e=iclyp5
+https://1drv.ms/b/s!AlgXW7dbUWkTvYEt-vCJZnFY_GGm9A?e=SGcZ6u
+https://www.youtube.com/watch?v=OJVUJcEVha8
 ====== Visitas e palestras de estrangeiros 2019  ======