Artwork

Conteúdo fornecido por Let's Data. Todo o conteúdo do podcast, incluindo episódios, gráficos e descrições de podcast, é carregado e fornecido diretamente por Let's Data ou por seu parceiro de plataforma de podcast. Se você acredita que alguém está usando seu trabalho protegido por direitos autorais sem sua permissão, siga o processo descrito aqui https://pt.player.fm/legal.
Player FM - Aplicativo de podcast
Fique off-line com o app Player FM !

#023 - Gabriela de Queiroz - As mil e uma faces da Ciência de Dados

1:06:33
 
Compartilhar
 

Manage episode 333301480 series 2896102
Conteúdo fornecido por Let's Data. Todo o conteúdo do podcast, incluindo episódios, gráficos e descrições de podcast, é carregado e fornecido diretamente por Let's Data ou por seu parceiro de plataforma de podcast. Se você acredita que alguém está usando seu trabalho protegido por direitos autorais sem sua permissão, siga o processo descrito aqui https://pt.player.fm/legal.

Neste episódio conversamos Gabriela de Queiroz, Cientista de Dados Chefe da IBM, líder em Estratégia e Inovações de IA. Ela é instrutora em cursos no Coursera, na edX e na Cognitive Class. Em 2012, ela fundou a R-Ladies, uma organização mundial para promover a diversidade na comunidade R, presente em mais de 200 cidades em mais de 55 países. Em 2019, ela fundou a AI Inclusive, uma organização global que está ajudando a aumentar a representação e a participação de minorias em Inteligência Artificial. Ela é formada em Estatística pela UERJ - Universidade do Estado do Rio de Janeiro, é mestre em Epidemiologia pela FIOCRUZ - Fundação Oswaldo Cruz, e também é mestre em Estatística pela California State University - East Bay.
Falamos sobre quais são desafios de um Head de Data Science em uma Big Tech como a IBM, a importância da interdisciplinaridade em Data Science, a história por trás da criação do R-Ladies, a inclusão em Inteligência Artificial e como reduzir injustiça nos algoritmos de Machine Learning, como contribuir para pacotes Python e R e muito mais!
Acesse nosso post para ter acesso a links e referências: https://medium.com/lets-data/

  continue reading

62 episódios

Artwork
iconCompartilhar
 
Manage episode 333301480 series 2896102
Conteúdo fornecido por Let's Data. Todo o conteúdo do podcast, incluindo episódios, gráficos e descrições de podcast, é carregado e fornecido diretamente por Let's Data ou por seu parceiro de plataforma de podcast. Se você acredita que alguém está usando seu trabalho protegido por direitos autorais sem sua permissão, siga o processo descrito aqui https://pt.player.fm/legal.

Neste episódio conversamos Gabriela de Queiroz, Cientista de Dados Chefe da IBM, líder em Estratégia e Inovações de IA. Ela é instrutora em cursos no Coursera, na edX e na Cognitive Class. Em 2012, ela fundou a R-Ladies, uma organização mundial para promover a diversidade na comunidade R, presente em mais de 200 cidades em mais de 55 países. Em 2019, ela fundou a AI Inclusive, uma organização global que está ajudando a aumentar a representação e a participação de minorias em Inteligência Artificial. Ela é formada em Estatística pela UERJ - Universidade do Estado do Rio de Janeiro, é mestre em Epidemiologia pela FIOCRUZ - Fundação Oswaldo Cruz, e também é mestre em Estatística pela California State University - East Bay.
Falamos sobre quais são desafios de um Head de Data Science em uma Big Tech como a IBM, a importância da interdisciplinaridade em Data Science, a história por trás da criação do R-Ladies, a inclusão em Inteligência Artificial e como reduzir injustiça nos algoritmos de Machine Learning, como contribuir para pacotes Python e R e muito mais!
Acesse nosso post para ter acesso a links e referências: https://medium.com/lets-data/

  continue reading

62 episódios

Todos os episódios

×
 
Loading …

Bem vindo ao Player FM!

O Player FM procura na web por podcasts de alta qualidade para você curtir agora mesmo. É o melhor app de podcast e funciona no Android, iPhone e web. Inscreva-se para sincronizar as assinaturas entre os dispositivos.

 

Guia rápido de referências