Você está na página 1de 8

Programa de Bolsas Big Data (PBBD)

Edital 2019
Processo Seletivo de Projetos de Pesquisa

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

Cláusula 1ª – Poderão participar do processo seletivo do PBBD os candidatos com os


seguintes perfis:

• Alunos de graduação e mestrado, devidamente matriculados em instituições de ensino


no Brasil ou exterior, cujos professores-orientadores possuam a titulação de doutor;

Cláusula 2ª – Para os projetos selecionados serão oferecidas bolsas de pesquisa com os


seguintes valores:

• Bolsa de mestrado, no valor mensal de R$2.300,00, por um período de 12 meses.

• Bolsa de graduação, no valor mensal de R$1.000,00, por um período de 12 meses.

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


meses para orientações de mestrado/ graduação.

A concessão de bolsas para os projetos agraciados seguirão os parâmetros acima e o


benefício poderá ser renovado caso seja submetida a extensão do projeto no processo
seletivo seguinte e seja novamente agraciado pelo PBBD.

I. A legislação do Imposto de Renda (Decreto 3000/99) não prevê tratamentos tributários


diferenciados para concessão de bolsas.
II. Não há um número pré-determinado de projetos a serem selecionados.

Cláusula 3ª – O processo de seleção dos projetos e o início das pesquisas ocorrerão de


acordo com o seguinte calendário:

• Período de envio de propostas: 25/03/2019 – 12/04/2019.

• Divulgação dos projetos pré-selecionados através de e-mail: 30/04/2019.

• Início dos projetos: 02/05/2019.

Notas:

(i) Autores de projetos pré-selecionados poderão ser convidados a apresentá-lo


na sede da Big Data, em São Paulo - SP. Nestes casos, a aprovação definitiva
fica condicionada à avaliação da apresentação.
(ii) Autores (alunos e professores) de projetos aprovados deverão assinar um
termo de concessão de bolsa com a Fundação de Desenvolvimento da
Pesquisa (FUNDEP).

Cláusula 4ª – Temas de Pesquisa: a intenção do Programa de Bolsas Big Data é apoiar


pesquisa de ponta em Ciência da Computação, Estatística e áreas relacionadas, em
particular, cujo tema envolva inferência sobre dados. Cada proposta deve ser classificada
em uma das áreas a seguir.

Tema Descrição Algumas Referências


#1 Modelos para prever - Holmes, The Diffusion of Wal-Mart and
impacto de novos Economies of Density, Econometrica, 79 (1), 253–
Saturação de
produtos e/ou pontos 302, 2011.
Mercado
de venda (PDV)
(Canibalização) - Pancras, Sriram, Kumar. Empirical Investigation
sobre a performance
of Retail Expansion and Cannibalization in a
comercial de outros Dynamic Environment, Management Science, 58
produtos/PDV. (11), 2001-2018, 2012.
#2 Ferramentas para - Paulheim, Fümkranz. Unsupervised generation of
extrair e transformar data mining features from linked open data, Proc. of
Análise e
dados públicos para the 2nd International Conference on Web
Exploração de
análise e Intelligence, Mining and Semantics, 2012.
Dados Públicos
visualização.
#3 Desenvolver, - Berk, Asymetric Loss Functions for Forecasting in
implementar e Criminal Justice Settings, Journal of Quantitative
Modelos de
analisar modelos de Criminology, 27 (1), 107-123, 2011.
Regressão
regressão,
- Wang, Neal. Gaussian Process Regression with
aplicando-os em
Heteroscedastic or Non-Gaussian Residuals
problemas de
(working paper), 2012.
relevância prática.
- 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, Bühlmann. Splines for Financial
Volatility, Journal of the Royal Statistical Society B
71, 2009.

#4 Desenvolver - Liu, Sentiment Analysis and Opinion Mining.


algoritmos e Synthesis Lectures on Human Language,
Análise de
ferramentas para Technologies. Morgan & Claypool, 2012.
Dados de Redes
análise 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. O’Reilly Media, 2011.
o mundo
corporativo.
#5 Desenvolvimento de - Simonyan, Vedaldi, Zisserman, Learning Local
técnicas de visão Feature Descriptors Using Convex Optimisation.
Visão
computacional para IEEE Trans. Pattern Anal. Mach. Intell., 2014.
Computacional
aplicações em
identificação de
produtos em - Tang, Joulin, Li, Fei, Co-localization in Real-
prateleiras, World Images, CVPR 2014.
identificação de
- Malisiewicz, Gupta, Efros, Ensemble of
áreas e
exemplar-SVMs for object detection and beyond,
características de
2011 International Conference on Computer
locais a partir de
Vision.
fotos aéreas (e.g.,
quadras esportivas) - Li, Su, Lim, Fei, Object Bank: An Object-Level
e reconhecimento de Image Representation for High-Level Visual
caracteres (OCR) Recognition, IJCV 2013.
em imagens com
ruído. - Bengio, Learning Deep Architectures for AI,
Foundations and Trends in Machine Learning,
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
Previsão de modelos que comprehensible support vector machine: An
abandono de permitam identificar analytical CRM application. Applied Soft
clientes/serviços e prever churn em Computing, 2014.
(churn) aplicações
- Xiao et al. "Feature-selection-based dynamic
relacionadas a
transfer ensemble model for customer churn
clientes de
prediction." Knowledge and Information Systems
instituições
(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 models."
celular, etc. 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.
#7 Desenvolver - Huang, J., Gretton, A., Borgwardt, K., Schölkopf,
Covariate Shift / algoritmos que B., & Smola, A. J. (2007). Correcting sample
Sample tratem com cenários selection bias by unlabeled data. In Advances in
Selection Bias onde dados de treino neural information processing systems
e teste são
amostrados de
distribuições
diferentes.
#8 Desenvolver - Johari, R., Pekelis, L., & Walsh, D. J. (2015).
Avaliação de algoritmos e Always valid inference: Bringing sequential
múltiplos ferramentas para analysis to A/B testing. arXiv preprint
experimentos avaliação de arXiv:1512.04922.
múltiplos
experimentos em um
determinado
período.
#9 Desenvolvimento de - Pearl, J. (2009). Causality. Cambridge university
Causalidade algoritmos e press.
ferramentas para
- Chu and Glymour. Search for Additive Nonlinear
inferência causal em
Time Series Causal Models, Journal of Machine
diferentes cenários.
Learning Research 9, 967-991, 2008.
- Varian, H. R. (2016). Causal inference in
economics and marketing. Proceedings of the
National Academy of Sciences, 113(27), 7310-
7315.
#10 Desenvolvimento de - Varian, H. R. (2016). Causal inference in
Precificação algoritmos para economics and marketing. Proceedings of the
dinâmica precificação National Academy of Sciences, 113(27), 7310-
dinâmica em 7315.
serviços, varejo e
indústria
#11 Desenvolvimento de - Hanssens, D. M., Parsons, L. J., & Schultz, R. L.
Ciência de algoritmos e (2003). Market response models: Econometric and
dados aplicada a ferramentas para time series analysis (Vol. 12). Springer Science &
Marketing otimização de Business Media.
investimentos de
- Chiu, S., & Tavella, D. (2008). Data mining and
marketing a partir de
market intelligence for optimal marketing returns.
Routledge.
dados e outras - Lilien, G. L., Kotler, P., & Moorthy, K. S. (1995).
aplicações Marketing models. Prentice Hall.
#12 Outros tópicos de - Bishop, C. M. (2006). Pattern recognition and
Outros tópicos inferência sobre machine learning. springer.
relacionados a dados não
Machine - Murphy, K. P. (2012). Machine learning: a
especificados
Learning probabilistic perspective. MIT press.
anteriormente.
Exemplos: sistemas - Goodfellow, I., Bengio, Y., & Courville, A.
de recomendação, (2016). Deep learning. MIT press.
processamento de
linguagem natural, - James, G., Witten, D., Hastie, T., & Tibshirani, R.
algoritmos de (2013). An introduction to statistical learning (Vol.
clustering, deep 112, p. 18). New York: Springer
learning, mineração - Koller, D., Friedman, N., & Bach, F. (2009).
de grafos, etc. Probabilistic graphical models: principles and
techniques. MIT press.

Cláusula 5ª – As propostas de projeto deverão seguir as seguintes especificações:


• Somente serão avaliadas propostas submetidas por 1 (um) aluno acompanhado de 1 (um)
orientador;
• Cada aluno poderá submeter apenas 1 (um) projeto de pesquisa;
• O corpo do projeto não poderá exceder o total de 4 (quatro) páginas, com fonte Arial
tamanho 12 e espaçamento simples.
• A capa da proposta deve conter a tabela abaixo preenchida:
Título do projeto:
Tema do Projeto (de 1 a 6, cfe cláusula 4ª):
Nome do Proponente:
Nome do Orientador:
Instituição de Origem:
Nível da submissão (graduação ou mestrado)
Ano de Matrícula no Programa:
E-mail do Proponente:
E-mail do Orientador:
CV-Lattes do Proponente:
CV-Lattes do Orientador:

Cláusula 6ª – Se nenhuma das propostas de projeto atender aos critérios do Conselho de


Pesquisa da Big Data, não haverá concessão de bolsas neste processo de seleção.

Cláusula 7ª - As propostas devem conter as seguintes seções:


1. Resumo;
2. Introdução ao tema/problema escolhido (de acordo com opções da Cláusula 4ª),
incluindo trabalhos correlatos;
3. Metodologia de pesquisa;
4. Resultados esperados;
5. Relevância da pesquisa para uma empresa de big data analytics brasileira, com
sugestões de aplicações práticas;
6. Cronograma de atividades.

Cláusula 8ª – A proposta de projeto de pesquisa deverá ser registrada através de


formulário online disponível no link https://bigdata.com.br/pbbigdata/ e enviada, na forma
de um arquivo PDF, para o e-mail bolsas@bigdata.com.br. A partir do momento em que
a proposta for submetida à avaliação, presume-se que os candidatos estão cientes de todas
as regras estabelecidas neste Edital e que estão de acordo com o seu conteúdo.

Cláusula 9ª – Os critérios para a seleção das propostas são:


I. Relevância da proposta para os objetivos do programa e da empresa.
II. Viabilidade de execução da proposta apresentada.

Cláusula 10ª – Os proponentes cujas propostas forem selecionadas terão deveres a serem
cumpridos para com o programa, conforme especificações a seguir:
I. Desenvolver integralmente o projeto dentro do prazo de duração da bolsa de pesquisa,
executando todas as etapas estabelecidas no cronograma de atividades proposto.
II. Entregar, mensalmente, um relatório de uma página descrevendo as atividades
executadas, observando-se o cronograma de atividades proposto, com considerações do
professor orientador/supervisor sobre o andamento do projeto.
III. Aluno e professor orientador deverão realizar ao menos uma reunião mensal (não
necessariamente presencial) de acompanhamento com o grupo de especialistas da Big
Data que acompanham a pesquisa.
IV. Os pagamentos das bolsas de pesquisa dependerão da entrega do relatório mensal e
da adequada realização do cronograma de atividades. Se não houver o cumprimento
desses itens, os pagamentos não serão liberados. Caso o relatório aponte atrasos
relevantes por 2 (dois) meses consecutivos, o repasse de valores aos proponentes poderá
ser suspenso.
V. O resultado final da pesquisa deverá ser entregue no formato de um artigo científico.
VI. Os participantes do programa apresentarão os resultados da pesquisa nas
dependências da Big Data, em data a ser estabelecida no momento oportuno. Os custos
de transporte e de hospedagem para a participação na apresentação da pesquisa serão de
responsabilidade da Big Data.
VII. A Big Data terá direito à exploração comercial dos resultados obtidos, em forma de
publicação, incluindo, mas não se limitando a artigo, pôster, livro, página de site, entre
outros do gênero:
• A propriedade intelectual dos resultados obtidos na pesquisa e o direito à
comercialização de documentação de protótipo, programa de computador, processos de
tratamento de dados e/ou similares pertencerão à Big Data.
• Haverá incentivos para se publicar os resultados obtidos, mas, em se tratando do uso de
dados proprietários da Big Data, os autores deverão, obrigatoriamente, contar com a
anuência da empresa, por escrito.
VIII. Em toda e qualquer publicação, incluindo, mas não se limitando a artigo, pôster,
livro, página de site e documentação de protótipo, deverá constar uma referência à Big
Data com a seguinte expressão: “Este trabalho foi realizado com o apoio da Big Data
(www.bigdata.com.br), por meio do Programa de Bolsas Big Data (PBBD)” (ou
expressão equivalente em Língua Inglesa).

Nota1: Esses deveres serão relacionados em um termo de compromisso /


confidencialidade que será encaminhado aos alunos e professores selecionados no início
do programa. O termo deverá ser assinado pelos alunos e professores em duas vias e
enviado para a Big Data.

Nota2: Caso alguma regra estabelecida neste edital não seja cumprida, o repasse da bolsa
será suspenso.

Nota3: Caso o pesquisador, cujo projeto tenha sido selecionado, estiver vinculado a
Instituição de Ensino Pública, a questão dos direitos autorais e direitos de comercialização
será regulamentada em instrumento jurídico próprio a ser firmado em momento oportuno.
Não cabendo a estes projetos o determinado no item VII da Clausula 10ª deste edital.

Cláusula 11ª – Os casos omissos serão resolvidos pela Big Data.

São Paulo, 18/03/2019.

BIG DATA ASSESSORIA EMPRESARIAL S.A - CNPJ 17.373.944/0001-07


Avenida Lavandisca, 777 – 9º andar, CEP 04515-011, São Paulo, SP