Será realizado amanhã (9) o I Data Science Day, evento na área de Tecnologia da Informação que nesta primeira edição será voltado principalmente para apresentar um grupo de produtos de código aberto, o Elastic Stack, projetado para ajudar usuários na coleta de dados de diferentes fontes e formatos, além de analisá-los e visualizá-los em tempo real.

O evento, cujas inscrições são gratuitas, vai acontecer das 8h às 12h15 no auditório da Escola de Música da UFRN. Realizado com o apoio do Instituto Metrópole Digital (IMD), por meio do Parque Tecnológico, o I Data Science Day é promovido pelas empresas E-Sig Software e Elastic, responsável pela criação do Elastic Stack.

A primeira palestra do Data Science Day será feita pelo DevOps da Elastic, Marcos Ramos, que virá a Natal para tratar do tema "Vantagens do Elastic Search na busca: aprendendo sobre analisadores". Outra apresentação, intitulada "Por dentro do mundo do Data Science e Machine Learning", será realizada pelo CEO da ESIG, Gleydson Lima. Ele deve dar uma visão panorâmica da área para quem deseja ser um cientista de dados ou desenvolver projetos nesse campo.

Ainda durante o evento, serão apresentados dois produtos da E-SIG lançados ao mercado recentemente: um na área de Big Data – com uso intenso do Elastic Search – chamado QuarkDocs, e outro voltado para a área de Data Science, o QuarkSmart.     

As inscrições para participar do Data Science Day podem ser feitas por meio deste endereço eletrônico.

Ciência de dados

A área de Ciência de Dados tem sido uma das mais promissoras no campo de TI nos últimos anos. A subárea de Machine Learning e outras correlatas têm se desenvolvido com velocidade, especialmente a partir de 2016, sendo hoje uma das mais estratégias para o desenvolvimento de negócios.

Um dos grandes responsáveis por essa transformação da área de Machine Learning foi o domínio das técnicas de Big Data. Foi a partir do seu crescimento, especialmente a partir de 2014, que se tornou possível tratar grandes quantidades de dados de maneira eficiente e consequentemente treinar algoritmos de Machine Learning com datasets nunca antes disponíveis.