Você está na página 1de 6

Edital 2014

Processo Seletivo de Projetos de Pesquisa


Programa de Bolsas Big Data (PBBD)

A Big Data, no desempenho de suas atribuies, vem pelo presente Edital estabelecer as
normas que regero o Processo Seletivo de Projetos de Pesquisa do Programa de Bolsas
Big Data (PBBD).

Clusula 1 Podero participar do processo seletivo do PBBD os candidatos com os


seguintes perfis:

Alunos de mestrado e doutorado, devidamente matriculados em instituies de ensino no


Brasil ou exterior, cujos professores-orientadores possuam a titulao de doutor;

Pesquisadores recm-doutores (e.g., ps-doutorandos), vinculados a institutos de pesquisa


ou universidades brasileiras/estrangeiras.

Clusula 2 Para os projetos selecionados sero oferecidas bolsas de pesquisa com os


seguintes valores:

Bolsa de mestrado, no valor mensal de R$2.000,00, por um perodo de 12 meses.

Bolsa de doutorado, no valor mensal de R$3.300,00, por um perodo de 12 meses.

Bolsa de pesquisador, no valor mensal de R$5.000,00, por um perodo de 6 meses.

Bolsa para professor-orientador, no valor mensal de R$1.300,00 por um perodo de 12


meses para orientaes de mestrado/ doutorado.

Bolsa para professor-orientador, no valor mensal de R$1.300,00 por um perodo de 6


meses para superviso de ps-doutorado.

A concesso de bolsas para os projetos agraciados seguiro os parmetros acima e o


benefcio poder ser renovado caso seja submetida a extenso do projeto no processo
seletivo seguinte e seja novamente agraciado pelo PBBD.
I. A legislao do Imposto de Renda (Decreto 3000/99) no prev tratamentos tributrios
diferenciados para concesso de bolsas. Os valores das bolsas no perfil Pesquisador
caracterizam-se como Rendimento Tributvel conforme abaixo:
Art. 43. So tributveis os rendimentos provenientes do trabalho assalariado, as remuneraes por trabalho
prestado no exerccio de empregos, cargos e funes, e quaisquer proventos ou vantagens percebidos, tais como:
salrios, ordenados, vencimentos, soldos, soldadas, vantagens, subsdios, honorrios, dirias de comparecimento,
bolsas de estudo e de pesquisa, remunerao de estagirios.

II. No h um nmero pr-determinado de projetos a serem selecionados.

Clusula 3 O processo de seleo dos projetos e o incio das pesquisas ocorrero de


acordo com o seguinte calendrio:

Perodo de envio de propostas: 15/05/2014 - 10/06/2014.

Divulgao dos projetos pr-selecionados atravs de e-mail: 10/07/2014.

Incio dos projetos: 20/07/2014.

Notas:

(i) Autores de projetos pr-selecionados podero ser convidados a apresent-lo na


sede da Big Data, em So Paulo - SP. Nestes casos, a aprovao definitiva fica
condicionada avaliao da apresentao.
(ii) Autores (alunos, pesquisadores e professores) de projetos aprovados devero
assinar um termo de concesso de bolsa com a Fundao de Desenvolvimento
da Pesquisa (FUNDEP).

Clusula 4 Temas de Pesquisa:

Tema Descrio Algumas Referncias


#1 Modelos para prever - Holmes, The Diffusion of Wal-Mart and
impacto de novos Economies of Density, Econometrica, 79 (1), 253
Saturao de
produtos e/ou pontos
Mercado de venda (PDV) 302, 2011.
(Canibalizao) 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 Ferramentas para - Paulheim, Fmkranz. Unsupervised generation of
extrair e transformar data mining features from linked open data, Proc.
Anlise e
dados pblicos para of the 2nd International Conference on Web
Explorao de
anlise e Intelligence, Mining and Semantics, 2012.
Dados Pblicos
visualizao.
#3 Desenvolver, - Berk, Asymetric Loss Functions for Forecasting
implementar e in Criminal Justice Settings, Journal of
Modelos de
analisar modelos de Quantitative Criminology, 27 (1), 107-123, 2011.
Regresso
regresso,
- Wang, Neal. Gaussian Process Regression with
aplicando-os em
Heteroscedastic or Non-Gaussian Residuals
problemas de
(working paper), 2012.
relevncia prtica.
- 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, Bhlmann. 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,
Anlise de
ferramentas para Technologies. Morgan & Claypool, 2012.
Dados de Redes
anlise 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. OReilly Media, 2011.
o mundo
corporativo.
#5 Desenvolvimento de - Simonyan, Vedaldi, Zisserman, Learning Local
tcnicas de viso Feature Descriptors Using Convex Optimisation.
Viso
Computacional computacional para IEEE Trans. Pattern Anal. Mach. Intell., 2014.
aplicaes em
- Tang, Joulin, Li, Fei, Co-localization in Real-
identificao de
World Images, CVPR 2014.
produtos em
prateleiras, - Malisiewicz, Gupta, Efros, Ensemble of
identificao de exemplar-SVMs for object detection and beyond,
reas e 2011 International Conference on Computer
caractersticas de Vision.
locais a partir de
fotos areas (e.g., - Li, Su, Lim, Fei, Object Bank: An Object-Level
quadras esportivas) Image Representation for High-Level Visual
e reconhecimento de Recognition, IJCV 2013.
caracteres (OCR) - Bengio, Learning Deep Architectures for AI,
em imagens com Foundations and Trends in Machine Learning,
rudo. 2009.
- Bengio, Courville, Vincent. Representation
Learning: A Review and New Perspectives. IEEE
Trans. Pattern Anal. Mach. Intell. 35(8): 1798-
1828, 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
Previso de modelos que comprehensible support vector machine: An
abandono de permitam identificar analytical CRM application. Applied Soft
clientes/servios e prever churn em Computing, 2014.
(churn) aplicaes
- Xiao et al. "Feature-selection-based dynamic
relacionadas a
transfer ensemble model for customer churn
clientes de
prediction." Knowledge and Information Systems
instituies
(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.
Clusula 5 As propostas de projeto devero seguir as seguintes especificaes:
Somente sero avaliadas propostas submetidas por 1 (um) aluno/pesquisador
acompanhado de 1 (um) orientador/supervisor;
Cada aluno/pesquisador poder submeter apenas 1 (um) projeto de pesquisa;
O corpo do projeto no poder exceder o total de 4 (quatro) pginas, com fonte Arial
tamanho 12 e espaamento simples.
A capa da proposta deve conter a tabela abaixo preenchida:
Ttulo do projeto:
Tema do Projeto (de 1 a 6, cfe clusula 4):
Nome do Proponente:
Nome do Orientador:
Instituio de Origem:
Ano de Matrcula no Programa:
E-mail do Proponente:
E-mail do Orientador:
CV-Lattes do Proponente:
CV-Lattes do Orientador:

Clusula 6 Se nenhuma das propostas de projeto atender aos critrios do Conselho de


Pesquisa da Big Data, no haver concesso de bolsas neste processo de seleo.

Clusula 7 - As propostas devem conter as seguintes sees:


1. Resumo
2. Introduo ao tema/problema escolhido (de acordo com opes da Clusula 4),
incluindo trabalhos correlatos;
3. Metodologia de Pesquisa
4. Relevncia da pesquisa para uma empresa de big data analytics brasileira, com
sugestes de aplicaes prticas.

Clusula 8 A proposta de projeto de pesquisa dever ser enviada, na forma de um


arquivo PDF, para o e-mail bolsas@bigdata.inf.br. A partir do momento em que a proposta
for submetida avaliao, presume-se que os candidatos esto cientes de todas as regras
estabelecidas neste Edital e que esto de acordo com o seu contedo.

Clusula 9 Os critrios para a seleo das propostas so:


I. Relevncia da proposta para os objetivos do programa e da empresa.
II. Viabilidade de execuo da proposta apresentada.

Clusula 10 Os proponentes cujas propostas forem selecionadas tero deveres a serem


cumpridos para com o programa, conforme especificaes a seguir:
I. Desenvolver integralmente o projeto dentro do prazo de durao da bolsa de pesquisa,
executando todas as etapas estabelecidas em cronograma a ser acertado entre as partes.
II. Entregar, mensalmente, um relatrio de uma pgina descrevendo as atividades
executadas, observando-se o cronograma de atividades proposto, com consideraes do
professor orientador/supervisor sobre o andamento do projeto.
III. Aluno/pesquisador e professor orientador/supervisor devero realizar ao menos uma
reunio mensal (no necessariamente presencial) de acompanhamento com o grupo de
especialistas da Big Data que acompanham a pesquisa.
IV. Os pagamentos das bolsas de pesquisa dependero da entrega do relatrio mensal e da
adequada realizao do cronograma de atividades. Se no houver o cumprimento desses
itens, os pagamentos no sero liberados. Caso o relatrio aponte atrasos relevantes por 2
(dois) meses consecutivos, o repasse de valores aos proponentes poder ser suspenso.
V. O resultado final da pesquisa dever ser entregue no formato de um artigo cientfico.
VI. Os participantes do programa apresentaro os resultados da pesquisa nas dependncias
da Big Data, em data a ser estabelecida no momento oportuno. Os custos de transporte e de
hospedagem para a participao na apresentao da pesquisa sero de responsabilidade da
Big Data.
VII. A Big Data ter direito explorao comercial dos resultados obtidos, em forma de
publicao, incluindo, mas no se limitando a artigo, pster, livro, pgina de site, entre
outros do gnero:
A propriedade intelectual dos resultados obtidos na pesquisa e o direito comercializao
de documentao de prottipo, programa de computador, processos de tratamento de dados
e/ou similares pertencero Big Data.
Haver incentivos para se publicar os resultados obtidos mas, em se tratando do uso de
dados proprietrios da Big Data, os autores devero, obrigatoriamente, contar com a
anuncia da empresa, por escrito.
VIII. Em toda e qualquer publicao, incluindo, mas no se limitando a artigo, pster,
livro, pgina de site e documentao de prottipo, dever constar uma referncia Big
Data com a seguinte expresso: Este trabalho foi realizado com o apoio da Big Data
(www.bigdata.inf.br), por meio do Programa de Bolsas Big Data (PBBD) (ou expresso
equivalente em Lngua Inglesa).

Nota1: Esses deveres sero relacionados em um termo de compromisso / confidencialidade


que ser encaminhado aos alunos/ pesquisadores/ professores/ supervisores selecionados
no incio do programa. O termo dever ser assinado pelos
alunos/pesquisadores/professores/supervisores em duas vias e enviado para a Big Data.

Nota2: Caso alguma regra estabelecida neste edital no seja cumprida, o repasse da bolsa
ser suspenso.

Clusula 11 Os casos omissos sero resolvidos pela Big Data.

So 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, So Paulo, SP

Você também pode gostar