como escolher o mais apropriado?

Esta semana, durante a preparação de uma aula para a pós-graduação, me deparei com a situação de como escolher uma ótima solução. Isso porque, para resolver problemas envolvendo Big Data, Machine Learning, Data Science e Inteligência Artificial, existem muitas soluções incríveis no mercado. Mas e ai, qual é a que melhor resolve meu problema?

Pensando nisso, montei a aula trazendo a experiência que uso no meu trabalho. Quando há a necessidade de recomendar uma solução aos clientes, em situações nas quais eles não tem uma exigência específica, tento me basear esta abordagem.

É importante deixar registrado aqui, que essa forma de ação, dá um caminho para montar a proposta. Você não deveria se guiar unica e exclusivamente por este caminho. Mas pode usá-lo como um auxílio.

Conhecendo o mapa macro das ferramentas

Já faz alguns anos que Matt Turck elabora um landscape das soluções envolvendo Data & AI. É uma imagem segmentada por áreas, onde dentro de cada uma delas há indicações de ferramentas e fornecedores que ajudam a resolver aquele tipo de problema. Com grandes áreas como Infrastructure, Analytics & Machine Learning, Applications – Enterprise, Cross-Infrastructure/Analytics, Open Source, Data Source & API e Data Resources. E dentro destas grandes áreas, existem sub-grupos para ajudar a estreitar ainda mais a facilidade de chegar à solução.

Com base nisso, você poderá saber quais são as soluções mais apropriadas, segundo Matt Turck e sua equipe, para te ajudar a resolver problemas daquelas áreas. Clicando na imagem do landscape, abrirá a imagem original em tamanho que permite ler.

Mas qual escolher?

Após ver as sugestões, como escolher uma ótima solução? Eu, particularmente, gosto de usar análises de organizações independentes. Uma destas consultorias é o Gartner. Eles possuem vários relatórios e análises sobre tecnologia da informação. Um destes relatórios é chamado de Quadrante Mágico. Anualmente o Gartner analisa diversos aspectos de ferramentas, agrupadas por áreas de atuação, e apresentam um relatório bem completo com pontos fortes de cada uma delas, e pontos que devem ser analisados com mais cautela por quem for usar aquela solução.

Veja um exemplo de como é o Quadrante Mágico para Data Science e Plataformas de Machine Learning, em 2020.

Este relatório é pago, e o Gartner vende seu acesso para qualquer empresa. Contudo, o quadrante mágico tem uma área que destaca os líderes de mercado naquela segmentação. Estes líderes compram o relatório com licença de compartilhamento, para usar a seu favor em questões de marketing e comparação com outros concorrentes. Para nós, que estamos buscando entender os pontos analisados pelo Gartner sobre estas soluções, podemos nos beneficiar destes relatórios comprados pelos líderes.

Por exemplo, o quadrante mágico de 2020 sobre plataformas de Data Science e Machine Learning pode ser acessado gratuitamente através de um cadastro simples no site da Alteryx. A mesma coisa acontece para o relatório de 2020 sobre plataformas de Analytics e Business Intelligence que a Microsoft pagou e fornece gratuitamente. Ou então o de Cloud Infrastructure as a Service de 2019 que a Amazon pagou e fornece para os interessados.

E isso resolve?

Este caminho é um guia que vai te ajudar, mas não faz milagres. Existe um universo de situações que você pode enfrentar no seu dia a dia, e entender o que pode ser usado para resolver aquele problema é fundamental. Use estas sugestões e adapte para sua realidade, unindo estas idéias com o que já faz no seu trabalho.

O post Como escolher uma ótima solução apareceu primeiro em Diego Nogare.

com 12 aulas de aproximadamente 30 minutos cada

Quando gravei este mini-Curso de Introdução à Big Data e Data Science, a proposta era compartilhar um pouco da minha visão da área. Este mini-curso foi gravado em 2016, mas ainda continua sendo um conjunto de assunto bastante relevante.

Todas as 12 aulas estão disponíveis no Youtube, contudo, o áudio não está dos melhores. Mesmo assim, o conteúdo é relevante e a baixa qualidade do áudio pode ser ignorada (espero que façam isso!). rss

Lista de aulas e seus conteúdos

1 – O que é Big Data (44 minutos)

2 – Onde usamos Big Data (33 minutos)

3 – Ferramentas para trabalhar com Big Data (33 minutos)

4 – O que é Data Science (27 minutos)

5 – Onde usamos Data Science (29 minutos)

6 – Ferramentas para Data Science (34 minutos)

7 – Introdução à Linguagem R (43 minutos)

8 – Introdução ao Azure Machine Learning (35 minutos)

9 – Introdução ao Power BI (30 minutos)

10  – Introdução ao HDInsight (24 minutos)

11 – SQL 2016 + Big Data e Data Science (30 minutos)

12 – Sessão de perguntas e respostas (26 minutos)

Este mini-curso é apenas uma Introdução à Big Data e Data Science, mas mesmo assim, permite que a ideia dos assuntos fique mais clara. Para quem está confuso com os assuntos, minha sugestão é que assista ao mini-curso e veja a área que mais te agrada. Assim, pode procurar outros treinamentos nesta área e aprofundar seu conhecimento.

Para complementar este mini-curso, em formato de texto, recomendo a leitura de Desmistificando termos de Inteligência Artificial e também Como adicionar Inteligência Artificial a seu projeto.

O post Mini-Curso de Introdução à Big Data e Data Science apareceu primeiro em Diego Nogare.

quando você pode ser um especialista e não generalista

Muitas empresas, principalmente as que não sabem ao certo quais são as funções da área de ciência de dados, acabam exigindo muitas habilidades que não tem relação direta com as atividades em suas descrições de vagas. Isso impacta negativamente nos candidatos, aumentando a ansiedade de quem pleiteia uma vaga para trabalhar na empresa. Sem contar que durante o processo, muitas destas habilidades não são nem avaliadas por quem está analisando a vaga.

Por experiência própria, se aplique às vagas que tenha interesse em trabalhar, mesmo não atendendo à todos os requerimentos exigidos. Não minta, mas explique o porque se candidatou. Aprenda com os feedbacks que forem lhe passados. Se não for contratado, exija um retorno com um plano de estudo e se prepare para evoluir.

Na empresa que trabalho, criamos uma matriz de habilidades com as pessoas que trabalham no meu time. Levantamos mais de 90 habilidades, contudo, são realmente conhecidas pelas pessoas do time. Construímos uma equipe multidisciplinar, com pessoas complementando as habilidades das outras. Isso permitiu que o grupo fosse mais sólido e plural, com habilidades diferentes as reuniões são bastante ricas no contexto das ideias.

Utilizando a imagem que está na capa deste post para ilustrar o texto, separamos 8 grandes funções da área de ciência de dados.

Engenharia dos Dados e Computação Aplicada

Os profissionais que já trabalhavam com infra-estrutura e arquitetura de ambientes de alta disponibilidade, possuem uma facilidade grande de migrar para esta área. Isso porque eles são responsáveis por garantir que a solução atenderá o projeto de forma satisfatória. Tanto na questão de disponibilidade, quanto de armazenamento e também no que diz respeito ao tempo de resposta. Tanto a ingestão como também a movimentação de dados, é projetada por profissionais desta área de engenharia dos dados e computação aplicada.

Métodos Científicos

Quem tem familiaridade com pesquisas em academia já está acostumado a pesquisar para suas publicações. Mas a prática não é tão comum de se encontrar no segmento corporativo. Os profissionais estão acostumados a pesquisar em sites de busca, como Google ou Bing, mas geralmente é para encontrar uma solução específica de erro em código ou problema de implantação. A aplicação de métodos cientifícos ajuda os profissionais a entender como outros pesquisadores estão aplicando técnicas em seus problemas. Para base de comparação, na minha pesquisa de mestrado eu fiz o levantamento de quase 120 artigos científicos dos ultimos 5 anos que utilizavam técnicas de Machine Learning para predição de explosões solares. Sem esta pesquisa, eu não teria aprendido quais técnicas estão sendo utilizadas como o estado da arte da Inteligência Artificial.

Matemática e Estatística

O conhecimento em estatística é importante para validação de hipóteses, entendimento dos dados, criação de exploração e distribuição dos dados… Além da escrita de modelos de predição que envolvem os paradigmas de aprendizagem supervisionada e não supervisionada. Já na parte matemática a implementação de algoritmos em sua essência consiste em representações matemáticas, e para melhorar os resultados dos algoritmos, alterações podem ser feitas. Contudo, nem sempre eu recomendo começar por esta área de estudo. Principalmente por que muitas vezes dá para começar a implementar as soluções com o uso de Serviços Cognitivos, e então depois que já está familiarizado com as técnicas, ai parte para os estudos de matemática e estatística.

Visualização

Esta é uma das ciências que desde sempre é negligenciada pelos times de desenvolvimento. Infelizmente, de forma bastante errada, há uma percepção que qualquer um pode fazer a tela de interação com o usuário. Qualquer pessoa pode escrever o relatório para avisar o cliente como foi o projeto. Elaborar os gráficos para apresentar os dados analisados. Contudo, apenas poucas pessoas de fato estudou o assunto.

É importante que a mensagem seja passada de forma correta para quem vai receber. Saber como comunicar com o grupo que receberá aquela informação é fundamental. E esta é uma habilidade que o grupo de profissionais que estudam esta ciência fazem muito bem. No livro Storytelling com Dados: um Guia Sobre Visualização de Dados Para Profissionais de Negócios a autora explica como apresentar os dados em melhores formas. Vale a pena a leitura!

Pensamento fora da caixa

No livro Pense como um freak: Como pensar de maneira mais inteligente sobre quase tudo um dos capítulos os autores sugerem que você pense como uma criança de 8 anos, não é para agir como uma criança, mas sim fazer perguntas curiosas sobre o assunto. Isso ajudará aos participantes do projeto pensarem em assuntos para lhe explicar de forma simples. Alguns tópicos são tão obvios para eles, que ficam automáticos e não pensam sobre aquilo. Quando precisam explicar o processo à outra pessoa, eles revisitam esses tópicos e pensam como funciona. Esta tarefa reabre a discussão e a real utilização daquela tarefa.

Experiência nos Business

Montar soluções baseados em dados, sem o apoio da área de negócios, talvez não traga tantos benefícios quanto se há o profissional que conhece o domínio do assunto. É essencial ter este profissional disponível no projeto, contudo, ele não precisa estar 100% do tempo dedicado ao projeto. Isso porque suas atividades podem ser mais pontuais, principalmente para validar se a metodologia aplicada não fere nenhuma regra de negócios.

Nestes dias atuais que estamos enfrentando a pandemia de Novo Coronavirus existem várias pessoas publicando análises em redes sociais, mas não há necessariamente uma validação de epidemiologistas em cima dos resultados. Contudo, isso não significa que os profissionais devem parar de continuar com as análises dos dados publicos, só precisam tomar cuidado e consciência que está faltando uma peça fundamental, que é o conhecedor de domínio de assunto.

O post Funções da área de ciência de dados apareceu primeiro em Diego Nogare.

e as vezes é difícil de  entender o que significam

Quando se lê publicações sobre IA é comum ter um monte de terminologia complexa, mas quando se escreve algo desmistificando os termos da Inteligência Artificial, é esperado que as dúvidas e confusão sejam minimizadas. Estamos passando por um hype muito grande com a IA, como já tivemos em 2003/2004 com o SAP e em 2012/2013 com Big Data. Faz parte, e vamos superar este também. Até lá, contudo, precisamos diminuir as cofusões causadas por algumas terminologias.

Podemos começar entendendo a diferença entre Inteligência Artificial, Machine Learning, Ciência de Dados e Big Data. Apesar de serem termos comuns de aparecerem juntos, há uma linha tênue de complemento entre si.

Desmistificando termos de Inteligência Artificial

Inteligência Artificial

Muita gente pode ter começado a ouvir sobre IA nos ultimos anos ou meses, mas essa linha de pesquisa da Ciência da Computação já tem muitas décadas de estrada. Esta é uma área que busca solucionar problemas de natureza biológica, através de soluções matemáticas. A observação do comportamento de um enxame de abelhas, os padrões de fala e entendimento de conversa, o funcionamento do cérebro. Estes são alguns exemplos de comportamento biológico que são representados computacionalmente que a Inteligência Artificial procura reproduzir. No livro A Revolução do Aprendizado Profundo que li recentemente o autor comenta que se alguma pesquisa está acontecendo na área de IA, é porque ela foi observada na natureza e está tentando ser reproduzida.

Diversas técnicas mais genéricas podem ser aceleradas em projetos, para se complementarem e resolver um problema específico do seu negócio. Imagine a situação onde é necessário reconhecer o rosto de um profissional, por exemplo, que faz limpeza externa de prédio. O rosto não muda, todos os seres humanos possuem as mesmas características nos rostos. Você não precisa desenvolver do zero a sua aplicação que fará o reconhecimento do rosto, você pode usar uma solução mais genérica que faz o reconhecimento da face e então você trabalha no problema do seu negócio, que é saber se aquele profissional está capacitado ou não para realizar a tarefa.

Machine Learning

A área de Aprendizagem de Máquina é gigante por si só e está caminhando lado a lado da Inteligência Artificial. O principal destaque da área de Machine Learning é o fato de aprender com exemplos. Não existe aprendizagem de máquina sem exemplo, e as respostas retornadas pelo seu algoritmo de Machine Learning terá uma probabilidade de acerto, não uma resposta determinística.

Para exemplificar, imagine que você está apresentando um prato de arroz a primeira vez para uma criança de 3 anos. Você apresenta o alimento e ensina que é arroz. No dia seguinte, você apresenta um belo prato de macarronada com molho vermelho. Os padrões visuais dos alimentos são bastante distintos, em termos de cor, tamanho e forma. No terceiro dia você apresenta feijão. Mas, no quarto dia você apresenta uma lazanha com molho vermelho, e pergunta qual é o nome daquele alimento. A probabilidade da criança responder que é macarronada é grande. Este é o aprendizado que mais se parece com o que ela está vendo naquele momento. Contudo, se repetir o experimento com a lentilha, terá a resposta que é feijão.

É através de exemplo como estes que a máquina aprende. São apresentados diversos exemplos de elementos, e se aplicam os algoritmos que destacam/descobrem os padrões naqueles elementos do exemplo. Porque é com isso que é desenvolvido o modelo. No futuro, ao apresentar uma nova amostra que não havia sido apresentada antes, o modelo de Machine Learning responderá o que provavelmente é aquela amostra.

Ciência de Dados

Este termo trás uma percepção de que é uma área muito recente. Realmente, o termo tem poucos anos e ganhou ainda mais relevância depois de 2010/2011. Porém, os estatísticos já trabalham com estas técnicas e algoritmos há muitas décadas. Só para um exemplo disso, o teorema de Bayes é da primeira metade dos anos 1700 e trata de probabilidade condicional. Mas a ciência de dados não é só estatística, apesar desta área ser uma das mais importante.

A área de Mineração de Dados, com foco principal em reconhecimento de padrões, também faz parte desta frente de trabalho. Em termos gerais, quando se fala de Ciência de Dados, é esperado que se aplique as técnicas científicas em cima dos dados. Porque o objetivo é cada vez mais diminuir os possíveis erros. É esperado que a pessoa seja questionadora, cética, não confie nos pares só por confiar. E principalmente, deve ter a cabeça aberta sabendo que vai errar bastante, e que isso faz parte do cotidiano de um cientista de dados.

Big Data

Talvez a área mais distante das outras três, mas mesmo assim, muito próxima. Digo distante porque não precisam trabalhar juntas, elas podem ser aplicadas de forma isolada, contudo, continuam com muito valor para o projeto. No início dos anos 2000 o termo foi apresentado a primeira vez em um artigo do Gartner que falava sobre os três Vs que formaram os pilares do Big Data: Volume, Variedade e Velocidade. Sempre pensando nestes três Vs e sua relação com os dados.

Quando se pensa no Volume, a medida analisada é o quanto de espaço os dados que precisam ser analisados ocupam. Quando se passa da casa de alguns Petabytes de dados, a relação de volume começa a considerar as tecnologias de Big Data.

Já para a variedade dos dados trabalhados em soluções de Big Data, é esperado que a solução não fique somente com dados estruturados. Espera-se que uma parcela dos dados necessários para o trabalho seja não estruturado, como arquivos de imagem, vídeo, audio, etc.

Por fim, a velocidade é pertinente ao quão rápido uma decisão é tomada. A resposta do sistema de Big Data está processando os sinais de entrada e tomando a decisão em tempo hábil para melhorar a experiência do usuário? Se envolver uma resposta rápida, que processe muitos tipos de dados necessários e que estão armazenados em um volume monstruoso, você pode dizer que está trabalhando com Big Data.

Outras terminologias

É possível derivar em muitos outros termos a conversa de Inteligência Artificial, Machine Learning, Ciência de Dados e Big Data. Mas neste momento vou deixar desta forma. Em próximas postagens fico com o compromisso de entrar mais a fundo nestas áreas e derivar as terminologias. Se inscreva na newsletter para receber as novidades.

O post Desmistificando termos de Inteligência Artificial apareceu primeiro em Diego Nogare.

IA da década de 40 até o Deep Learning

Muito se fala sobre a Inteligência Artificial hoje em dia, mas poucos lembram que ela começou há mais de 75 anos. Este levantamento navega por todo esse período, apresentando algumas tarefas de IA em cada período. Divirtam-se com a história da Inteligência Artificial.

Onde tudo começou

Pode-se dizer que a IA de fato começou há mais de 75 anos, com Walter Pitts e Warren McCulloch, em 1943. Eles juntaram a proposta de funcionamento do neurônio biológico do ganhador Nobel de Medicina Camillo Golgi, a lógica proposicional de Bertrand Russell e Alfred Whitehead e a Teoria da Computação, proposta por Alan Turing. Em 1943 os pesquisadores criaram um sistema neural artificial onde interpretaram sinais binários como ligado e desligado. Eles diziam que era possível representar funções matemáticas com uma certa combinação destes neurônios.

Pouco depois, em 1950, Marvin Minsk e Dean Edmonds construíram o primeiro computador neural, simulando o comportamento de 40 neurônios durante seus estudos em Harvard. Mais tarde, Minsk trocou Harvard por Princeton, onde defendeu seu doutorado.

Ainda em 1950 Alan Turing apresentou seu trabalho conhecido como Teste de Turing. O teste propunha a criação de um sistema de Inteligência Artificial capaz de responder questionamentos por escrito de um interrogador humano. O sistema de IA seria considerado satisfatório se o interrogador não conseguisse diferenciar quais respostas foram dadas pelo computador e quais foram respondidas por outro ser humano. Resultados positivos do teste começaram a aparecer só após anos 2000.

Em meados dos anos 1950 pesquisadores de diversas universidades dos EUA se juntaram e passaram por 2 meses estudando e propondo soluções para possíveis problemas. Estes pesquisadores foram fundamentais para a evolução da IA no mundo, posteriormente criando laboratórios de Inteligência Artificial em universidades como MIT, Stanford e Princeton.

Grandes avanços da Inteligência Artificial…

Em 1958, John McCarthy criou a linguagem LISP dentro do MIT. LISP foi a principal linguagem de programação para trabalhar com IA por pelo menos os 30 anos seguintes. Também em 1958 Frank Rosenblatt, que foi aluno do Minsk, propôs o Perceptron. Essa proposição gerou uma nova abordagem para se trabalhar com uma representação de redes neurais artificiais.

Em 1959 surgiram as primeiras implementações de algoritmos genéticos, que eram chamados de evolução automática naquela época. Seu propósito era implementar pequenas mutações nos sistemas e observar se havia melhora significativa. Os experimentos utilizaram mutações aleatórias e registraram os resultados pareciam úteis. Não houve muito sucesso com os experimentos realizados naquela época. Os algoritmos genéticos de hoje em dia são muito mais performáticos e funcionais.

Na década de 60 os primeiros sistemas inteligentes para tradução de texto começaram a tomar relevância. Fizeram isso, acima de tudo, para traduzirem conteúdos escritos em russo sobre o Sputnik, o Programa Espacial Russo. Mesmo assim, até aproximadamente 1966, os resultados não eram satisfatórios e os pesquisadores desacreditavam das possibilidades de tê-los funcionando.

No começo dos anos 1970 havia uma onda de pesquisa propondo o uso de elementos racionais mais simples para compor um elemento mais complexo, a abordagem ficou conhecida como Métodos Fracos ou IA Fraca. Apesar de serem gerais, contudo, não podiam se utilizar de métodos escalonáveis ou difíceis. Estas pesquisas abriram espaço para os conhecidos Sistemas Especialistas, que se propunham a resolver problemas específicos de forma muito satisfatória. Ao estender os sistemas especialistas para outras áreas do conhecimento, como por exemplo a área médica, foi percebida a necessidade de o sistema refletir também a incerteza do modelo. Foi então que se iniciaram avaliações de Fatores de Incerteza nas decisões que eram apresentadas pelo sistema de IA.

Quando as coisas começaram a se engrenar para a Inteligência Artificial

Ainda em meados da década de 70 os pesquisadores voltaram a investir tempo em sistemas de interpretação e linguagem natural, para habilitar a IA a trabalhar com tradução. Um esforço grande foi feito para entender a linguagem em si, e como era a construção da linguagem. Foram propostas algumas linguagens de programação para refletir essa ideia da representação de raciocínio e lógica, e talvez a mais famosa tenha sido a linguagem Prolog.

O início da década de 80 deu ainda mais ênfase aos sistemas especialistas, conseqüentemente grande parte das empresas dos Estados Unidos tinha um (ou algumas dezenas, podendo chegar a centenas) sistema especialista. Na segunda parte de 1980, as redes neurais voltaram a ter relevância nas pesquisas e no mercado. Existiam alguns grupos voltando a estudar a evolução do Perceptron de Múltiplas Camadas que havia sido proposto em 1969, porém desta vez com o uso de retro propagação. As coisas começaram a melhorar para essa área de pesquisa.

Em 1988 uma nova função de ativação para redes neurais foi sugerida, era uma função radial proposto por David Broomhead e David Lowe e ficou mundialmente conhecida com RBF – Radial Bases Function.

Já em 1998 um grupo de pesquisadores aplicaram técnicas de convolução em redes neurais de múltiplas camadas para extrair características de imagens. As possibilidades de uso dos dados não estruturados chegou a outro patamar! Então com a CNN (Convolutional Neural Network) foi dado início ao que é mais conhecido hoje em dia como Deep Learning.

Recomendação de leitura sobre IA

Se quiser saber mais sobre a história da Inteligência Artificial, recomendo o livro Artificial Intelligence: A Modern Approach, escrito por Peter Norvig e Stuart Russell. Uma distribuição da Microsoft, mas que tem oferta gratuita para uso, é o Azure Machine Learning.

O post A história da Inteligência Artificial apareceu primeiro em Diego Nogare.

O pacote permite a interação do R com o Facebook usando uma chave de autenticação, chamada Token, que é fornecida ao criar um aplicativo do Facebook. Esta chave tem duração de 2 horas e pode ser renovada sempre que precisar. É importante lembrar que este Token é para usar em tempo de desenvolvimento, quando quiser colocar o aplicativo para produção, você deve buscar outra forma de autenticação do seu aplicativo no Facebook, uma que não expire em 2 horas. Neste post, como tem o objetivo de mostrar a integração, o Token de desenvolvimento é suficiente.

Criando o aplicativo no Facebook

Você precisa de uma conta válida no Facebook. Ao se conectar ao Facebook, vá até o link: https://developers.facebook.com/apps

Ao acessar o link de desenvolvimento do Facebook, clique no botão para adicionar um novo aplicativo.

Vai abrir uma tela perguntando o nome do App, informe um nome do seu app.

Após, clique no botão para gerar o ID do aplicativo. Para questões de segurança você deve informar o captcha e pronto.

Algumas vezes é necessário que a extensão de login do facebook seja habilitada.

Para garantir, habilite esta extensão. Neste nosso exemplo, informe que será um login por WWW. Ao abrir a soliticação de qual endereço do site, informe: http://localhost:1410/. Para este nosso exemplo muitas vezes não pede esta autenticação, mas já deixe habilitado para caso precise. Pode salvar esta alteração.

Em seguida, acesse a URL: https://developers.facebook.com/tools/explorer/ para pegar o Token temporário (aquele de 2h de duração).

Caso você mantenha esta tela aberta por mais de 2hs, uma mensagem informando que o Token expirou é apresentada.

Pronto, com isso, seu aplicativo do Facebook está disponível.

Começando o desenvolvimento com o R

Para integrar, será usado o pacote RFacebook criado por Pablo Barbera (pablo.barbera@nyu.edu).

Instale e inicie o pacote, para isso, pode usar os códigos abaixo:

#Instalação do pacote

install.packages("Rfacebook")

#Carregamento do pacote

library(Rfacebook)

Também faça o armazenamento do token de acesso em uma variável. Volte até o aplicativo que você criou, vá até a URL que gera o Token, e copie o valor. Para colocar em uma variável, faça a atribuição como a linha de código abaixo:

appToken <- 'SEU_TOKEN_DE_ACESSO'

Para garantir que o acesso está funcionando, pode-se testar o retorno de alguma função. Neste caso, usaremos a função GetUsers que retorna os dados de perfil de um usuário específico. Praticamente todas funções exige que seja passado o token de acesso. Esta função não é diferente, veja abaixo como retornar os dados de um usuário.

eu <- getUsers("me", token = appToken)

eu$name

O resultado desta execução retorna o perfil de quem foi solicitado. O termo “me” retorna o perfil de quem está definido como criador do App no Facebook. Você pode passar outro ID de usuário e então os dados do perfil será retornado. Dentre a lista de atributos que retornaram, é possível retornar o nome utilizando o código $name.

Também é possível retornar a lista de páginas que foi curtida por um usuário. A função GetLikes permite isso. O código abaixo apresenta a lista de nomes das páginas que o perfil “me” curtiu.

meuslikes <- getLikes("me", token=appToken)

meuslikes$names

Uma forma de retornar as interações de uma página específica é usar a função GetPage. Esta função recebe alguns parâmetros para retornar os dados necessários, no exemplo passaremos três paramentos, sendo o nome da página que já foi armazenado na variável nomePagina; a quantidade de elementos a serem retornados, mantido na variável Quantidade e por fim o já utilizado token de acesso.

nomePagina <- "NGRSolutions"

Quantidade <- 10

pagina <- getPage(page = nomePagina, token = appToken, n = Quantidade)

Se observar a estrutura do objeto pagina, que armazena o retorno da função GetPage, é possível encontrar diversos atributos da página retornada. Para acessar esta estrutura, uma forma é chamar a função str() passando o objeto que quer consultar como parâmetro. Veja o código abaixo.

str(pagina)

Repare os atributos marcados em amarelo na imagem abaixo, cada um deles retorna uma lista de valores sobre aquela pagina retornada.

Para seguir com o experimento que estamos propondo, vamos retornar um valor do atributo id, que é responsável pelo id do post. Neste exato momento, o elemento número 5 do retorno é específico de um post que publicamos há alguns dias sobre uma promoção e gerou algumas interações. A escolha dele é justamente para podermos coletar retornos desta postagem. Para reutilizar o código desta publicação, ela será armazenada na variável codigoPost, como segue o código abaixo.

codigoPost <- pagina$id[5]

Um novo elemento que pode-se usar para interagir com o Facebook é o retorno de detalhes de um post, utilizando a função GetPost. Esta função recebe os parâmetros como o código do post que está interessado em ter os detalhes e também o token. O resultado será armazenado na variável postagem, e esta variável possui uma estrutura, seguindo a mesma linha que fizemos com o objeto pagina.

postagem <- getPost(post = codigoPost, token = appToken)

Inclusive é possível, também, saber a quantidade das reações de interação com o post. Para isso, use a função GetReactions, como o código abaixo.

reacoes <- getReactions(post = codigoPost, token = appToken)

Seguindo com o propósito inicial, vamos retornar o nome de todos as pessoas que curtiram o post. Assim pode-se pegar o nome e o id de todos os que curtiram. A partir do ID, pode-se retornar à primeira função que vimos lá em cima, e retornar os detalhes daquele perfil… Ao retornar o atributo likes do objeto postagem, todos os elementos que curtiram a postagem são retornados. Neste caso, para trabalhar em forma mais tranquila, converte-se a estrutura de likes em um dataframe. Para facilitar ainda mais, vamos atribuir os nomes das colunas do dataframe em Nome e ID, para ter o objeto todosNomes com duas colunas internas, sendo a Nome e a Id. Veja o código abaixo.

todosNomes <- as.data.frame(postagem$likes)

colnames(todosNomes) <- c('Nome','Id')

A função RunIF retorna valores aleatórios entre um intervalo mínimo e máximo, e utilizando esta função, é possível retornar um valor qualquer entre 1 e o número de pessoas que comentaram o post. Como também quero retornar apenas 1 nome deste retorno, vou usar a função head() que retorna os primeiros registros de um dataframe. Ao passar por parâmetro os dados para “sortear” e a quantidade de retorno sendo 1, a função head() devolve um único número aleatório válido. Ao buscar este número dentro do dataframe todosNomes criados no passo anterior, é possível saber o nome de quem foi escolhido. Para retornar o ID do sorteado, pode-se pesquisas pelo nome diretamente no dataframe. Veja o código abaixo:

nomeAleatorio <- todosNomes[head(as.integer(runif(todosNomes$Nome, 1, nrow(todosNomes))), 1), 'Nome']

idAleatorio <- todosNomes[(todosNomes$Nome == nomeAleatorio),'Id']

Para encerrar o experimento deste artigo, vamos usar o método updateStatus, que faz a postagem no Facebook. Este método recebe os parâmetros text, token e link. Sendo o text a mensagem a ser publicada, o token como já vimos e por fim, o link, como sendo uma URL para compartilhar junto ao post. Veja o código abaixo esta atualização no Facebook.

updateStatus(text = 'Postagem no Facebook através do R. Li em um post no blog Think Think SQL.', token = appToken, link = 'https://diegonogare.net/2017/07/integrando-o-r-com-o-seu-facebook/')

Agora abra o facebook e veja esta publicação em seu perfil. Parabéns e obrigado por compartilhar!

Hah, porque mostrei como retornar os nomes de quem curtiu e acabei não usando no post?? Usei o nome para fazer o sorteio, também usei para postar no facebook o nome do vencedor. Faça seus experimentos, inclusive subi no github o código com esta utilização. Caso queira, o código em R funcionando, e você pode ver aqui!

Por fim, caso não tenha visto o Github ainda, neste post falei como usar o Github.

O post Integrando o R com o seu Facebook apareceu primeiro em Diego Nogare.

O direcionamento da escrita será o mesmo de sempre, olhar para tecnologias focadas em dados!

Para voltar, escolhi contar como pode-se desenvolver scripts e projetos usando Linguagem R dentro do Visual Studio, tanto 2015 quanto 2017. E o melhor, pode-se usar a versão Community do Visual Studio, que é gratuita. Esta pode ser uma alternativa ao RStudio (que também é gratuito se não for usado para fins lucrativos), caso tenha o ambiente de desenvolvimento baseado em Microsoft já configurado.

Vamos lá, a primeira coisa a se fazer é baixar os softwares necessários. Caso já tenha o .Net Framework instalado, pode pular o download. Se estiver na dúvida, baixe.

1. .Net Framework 4.5.2 (+ – 70MB)
2. Microsoft R Client (+ – 300 MB)
3. Visual Studio Community 2017 (+ – 4.7Gb)

Todos os links acima são de distribuições gratuitas. Lembrando que o terceiro link, o do Visual Studio, você pode manter uma versão paga caso tenha a licença do produto.

Para começar o processo, faça a instalação do .Net Framework. Provavelmente se você mantém seu Windows atualizado, você não precisará instalar o .Net Framework e terá uma mensagem de alerta como a seguir. Caso precise instalar, é só avançar até concluir.

Seguindo o processo, entendendo que o .Net Framework já está instalado e rodando no seu ambiente, é o momento de instalar o Microsoft R Client. Faça a instalação agora, já tiver o Visual Studio em seu ambiente ou não. Ao iniciar a instalação, uma imagem como a seguir é apresentada, e solicita quais são os elementos que gostaria de instalar no ambiente. Eu desmarquei o Pre-Trained Models, mas se quiser estudar por eles, pode marcar a seguir a instalação.

Ao final da instalação, a tela avisa que finalizou e é só clicar em Finish.

O passo seguinte é iniciar a instalação do Visual Studio.

Ao iniciar o instalador atual do Visual Studio, existem vários presets de ambiente configurado. Cada uma destas pré configurações agiliza o processo de setup do ambiente para aquele Workload que pretende trabalhar.

Assegure-se de marcar a opção “Data Science and Analytical applications” e, nas opções da lateral direita, verifique se está marcado o R Language Support e Microsoft R Client dentro das opções de Individual Components. Repare que neste momento o setup faz a instalação do Microsoft R Client, que foi instalado manualmente no passo anterior. A instalação manual é justamente para deixar a ultima versão da publicação no ambiente. Manualmente foi instalado o Microsoft R Client 3.3.3 e a instalação de agora coloca a versão 3.3.2

Ao avançar, a instalação do ambiente começa a trabalhar. No final,

Após alguns instantes, a instalação termina e é possível abrir o Visual Studio. Para abrir, clique em Launch.

Se for a primeira execução do Visual Studio, poderá ser solicitado o seu e-mail de conta Microsoft. É só informar e avançar.

Neste momento, se tudo ocorrer bem, você terá uma versão funcional e totalmente gratuita do Visual Studio 2017 em seu ambiente.

Ao criar um novo projeto (File >> New >> Project)) e informar que será um projeto em R. Você será lançado ao editor do R no Visual Studio.

Escrevi o código abaixo há alguns anos (para outros exemplos). O resultado é criar um gráfico com 10 barras, indo em um dégradé de cores entre vermelho e verde, passando por amarelo.

color <- colorRampPalette(c(“red”, “yellow”, “green”)) 

color(10)

a <- c(1:10)

barplot(a, col = color(10), main = “R no Visual Studio 2017 – Diego Nogare”)

Ao executar o script, o resultado deverá ser como o da imagem abaixo.

Simples assim você tem um ambiente funcional (e gratuito) para escrever códigos em R no seu Visual Studio.

O post Desenvolvendo seus projetos em R no Visual Studio 2017 apareceu primeiro em Diego Nogare.

O evento foi MUITO superior ao que esperava, a estrutura do evento foi impecável. As salas comportaram todos os participantes, workshops e palestras relevantes, interação com os patrocinadores ocorreu naturalmente por serem patrocinadores com importância pro evento e pra nós, participantes. No fim do primeiro dia tivemos um momento pra fazer network (com cerveja na faixa!) no hotel mesmo, e foi interessante conversar com alguns cientistas de dados aqui dos Estados Unidos.

Fiz algumas anotações das palestras/workshops que achei mais interessantes durante o evento, veja abaixo:

Dia 1 – Sábado

Keynote

Brian Granger – Criador do IPython e Project Jupyter

O Jupyter é um compilador/interpretador online para Python (e mais 40 outras linguagens) que permite trabalhar em soluções narrativas com outros profissionais. Parecido com o Knirt (para R), mas ao invés de só renderizar na tela no formato escolhido, ele permite que o script que é escrito seja processador pelo server através do navegador. Jupyter é uma plataforma aberta, desenvolvida pela comunidade e com um time de estrelas por trás, a facilidade do crescimento se dá pelo uso do GitHub como repositório. Empresas como Microsoft, Google, IBM e varias outras estão desenvolvendo soluções para o Jupyter Notebook ou Kernel. JupyterHub permite empresas usar o Jupyter em suas organizações (pelo que entendi, como um repositório privado do github). Num futuro próximo pode ser que mude o nome para Jupyter Workbench, e também estão trabalhando para entregar Real-Time Colaboration, e na tentativa de permitir em uma única janela do navegador ter um console, graficos interativos, e várias outras coisas de UX para os desenvolvedores ficarem só em uma janela e aumentar a produtividade.

O Brian deu um exemplo de dois jornalistas que escrevem sobre ciência no BuzzFeed, que entregam seus experimentos no github e permite que nós possamos reproduzir as pesquisas. Caso queiram ver, este é o link: https://github.com/BuzzFeedNews/everything

Palestras

Claudia Perlich – Big Data matou o click | heróis de métricas não celebrados

40% dos clicks são acidentais ou fraudes! Fraudes são fáceis de gerar através de robos (bots) em eventos de conversão, principalmente nos retargets para aumentar o CTR e o contratante pagar mais pelo serviço. O comportamento de robos são mais fáceis de prever do que humanos, nosso comportamento é quase impossível de prever. Em uma análise focada, quando se analisa um dataset atrás de padrão de comportamento, deve-se conhecer o que procura para eliminar problemas gerados por randomização. Quando se tem uma precisão/acurácia de aproximadamente 50%, isso significa uma randomização. O objetivo é conseguir um valor de limiar acima de 70 ou 80%. Uma técnica que pode ajudar, é coletar para análise alguns registros randomicamente dos 1 ou 2% mais importantes do universo que tem, e analisar o comportamento desta amostra. A chance desta técnica apresentar um padrão de comportamento diferente do comportamento geral é muito grande, e diversos estudos mostram que este comportamento pode ser mais próximo do real do que se imagina.

Richard Socher, PhD – Metamind.io – Deep Learning for Enterprise

Esta foi a palestra mais foda e que eu mais me impressionei. Richard apresentou diversos problemas do mundo e as soluções que sua empresa criou utilizando Deep Learning. Esta palestra me fez mudar a agenda e participar de um Workshop de Deep Learning no segundo dia do evento ao invés de assistir às palestras que tinha me planejado. Não sei como descrever as técnicas que ele apresentou, e não teve quase nenhuma teoria, só que o reconhecimento de voz e de imagem são complexos para se executar com algoritmos convencionais de Data Science. O uso de técnicas de Deep Learning ajuda muito nestas tarefas. Processar isso é muito custos e usa-se o CPU pra procesamento de texto e a GPU pra processar imagens.

Workshop

John Mount / Nina Zumel – Preparando dados para análise usando R: Técnicas avançadas através das básicas

Workshop de 2 horas com diversas técnicas para se trabalhar com dados, limpar e processar as análises. Foi disponibilizado um repositório no github pra gente configurar a máquina antes e acompanhar o workshop com tudo o que foi discutido (repo garfado): https://github.com/diegonogare/PreparingDataWorkshop

Dia 2 – Domingo

Workshop

Markus Beissinger – Intro to Deep Learning with Theano and OpenDeep

Deep Learning segmenta a análise em hierarquia, encontrando item a item treinado separadamente para encontrar o objeto que quer depois. Por exemplo, imagine o reconhecimento de um rosto: em Deep Learning a tecnica começa com uma camada reconhecimento elementos separados, como nariz, orelha, olho, boca, etc; na sequencia a proxima camada reconhece um pouco mais de coisas, como as posições de olhos próximos ao nariz. Boca próximo ao nariz. Orelhas ao lado dos olhos, e assim por diante. Por fim, neste exemplo, ele consegue reconhecer um rosto completo em uma terceira camada de classificação.

O processo interno usa algebra linear, porque tudo dentro de Deep Learning é calculado com matrizes e vetores. Um dos calculos mais básicos ainda é a Regressão Logistica para analisar as probabilidades.

Mesmo a Regressão Logistica sendo a estrutura mais básica, uma das mais usadas é a Rede Neural, que possibilita executar muitas Regressões Logisticas em paralelo e encontrar uma melhor solução para a análise que está fazendo com Deep Learning. Muitas outras técnicas, como Convolutional Nets, por exemplo, devem combinar com as redes neurais artificiais para conseguir fazer o reconhecimento de imagem.

Códigos usados para os exemplos, estão disponíveis nestes dois repositórios garfados https://github.com/diegonogare/odsc e https://github.com/diegonogare/OpenDeep

Fidan Boylu / Muxi Li – How to build and operationalize data science solutions with Cortana Analytics

Fidan apresentou um overview interessante de AzureML utilizando alguns modelos nativos de algoritmos existentes dentro do AzureML, avançou expandindo as possibilidades utilizando R. Um tour guiado para analisar dados que fizemos upload, com certeza todos conseguiram acompanhar. Na sequência Mixu mostrou integração entre AzureML e scripts em Python, analisando tudo nos Workbooks do Jupyter que possui integração com o AzureML. Esta segunda parte eu não acompanhei, e pelo visto, a galera que estava acompanhando também se perdeu.

PS. Não falaram nada de Cortana Analytics!

Dá pra acompanhar depois, passo a passo, com os dados que foram disponibilizados neste repositório garfado: https://github.com/diegonogare/Azure-Machine-Learning-Lab

Ted Kwartler – Introduction to text mining using R

Existem muitos problemas na interpretação de texto: O dado não é estruturado, expressões são individualistas, implicações culturais, e vários outros fatores. É possível trabalhar com Text Mining de duas formas, uma é usando validação sintatica e outra é usando “bag of words”. O foco desta sessão é trabalhar com o bag of words. A análise de sentimentos é sempre lembrada quando se fala de mineração de texto, o Ted ainda está estudando esta disciplina e mostrou algumas coisas utilizando técnicas de Score baseada em dicionários. Em resumo, várias técnicas foram apresentadas, e podem ser acompanhadas no repositório do Github que garfei, não do github do Ted, e sim de uma pasta no Amazon Drive dele: https://github.com/diegonogare/DataScience/tree/master/Text%20Mining

O post Open Data Science Conference – São Francisco/2015 apareceu primeiro em Diego Nogare.

Pré-Requisitos

SQL Server 2016 CTP 3 (2.7GB)

Revolution R Open 3.2.2 for Revolution R Enterprise 7.5.0 (60MB)

Revolution R Enterprise 7.5.0 (RRE-7.5.0) (470MB)

Instalação

O primeiro passo é instalar o SQL Server 2016 CTP 3, lembrando de habilitar o recurso de Advanced Analytics Extensions.

Depois de concluir a instalação, é necessário instalar o Revolution R Open 3.2.2 for Revolution R Enterprise 7.5.0 e em seguida Revolution R Enterprise 7.5. Estas ferramentas são, respectivamente, a distribuição do R com o runtime e algumas bibliotecas, e, um grupo de melhorias nos pacotes que oferece suporte de alta performance á diversas origens de dados.

Da parte de instalação é só isso, agora faltam só mais alguns passos de configuração e o R começará a responder de dentro do SQL Server.

Configuração

Pode parecer complexo pra quem vê a primeira vez, mas é bem simples. A primeira coisa é habilitar a execução de scripts externos no SQL Server que por padrão, vem desabilitado. Você pode verificar isso chamando o código SP_CONFIGURE.

Para habilitar, execute o código abaixo:

Exec sp_configure 'external scripts enabled', 1;
reconfigure;

O resultado deve ter mudado a linha do External Scripts Enabled, que agora está habilitado.

Depois de habilitar a execução de scripts externos no SQL Server, é necessário registrar um daqueles serviços externos que foram instalados, é o serviço do Revolution R Open. Para isso, abra um prompt de comando com privilégios de admin e vé até o caminho que fez a instalação do RRO. No meu caso foi neste caminho (provavelmente você precisará editar isso para que funcione no seu servidor).

c:\Program Files\RRO\RRO-3.2.2-for-RRE-7.5.0\R-3.2.2\
library\RevoScaleR\rxLibs\x64>

Procure um executável chamado registerRext.exe e passe a instrução de instalar. Como eu renomeei a minha instância para SQL2016, eu também precisei passar o nome da instância para o executavel. Ficou assim:

c:\Program Files\RRO\RRO-3.2.2-for-RRE-7.5.0\R-3.2.2\
library\RevoScaleR\rxLibs\x64>registerRext.exe /install /instance:SQL2016

Ele executa um monte de instalações e registros internos, olha o resultado do prompt de comando depois dos registros:

Source directory to pick the RExtension binaries determined to be “c:\Program Files\RRO\RRO-3.2.2-for-RRE-7.5.0\R-3.2.2\library\RevoScaleR\rxLibs\x64\”.

Connecting to SQL server…

Sql server binn directory is “C:\Program Files\Microsoft SQL Server\MSSQL13.SQL2016\MSSQL\Binn”.

Sql server log directory is “C:\Program Files\Microsoft SQL Server\MSSQL13.SQL2016\MSSQL\Log”.

Creating user account pool…

Creating user accounts.

Processing 20/20

Adding firewall rule for user account pool.

***WARNING: For security reasons, it is recommended to block network access for

R processes executing under local user accounts. It appears that Windows Firewall is currently disabled for the Network Profiles DOMAIN, PRIVATE. Please enable Windows Firewall or use another firewall to block network access

Creating working directory for user accounts.

Saving user account configuration.

User account pool with 20 users created.

R installation found at C:\Program Files\RRO\RRO-3.2.2-for-RRE-7.5.0\R-3.2.2.MPI installation found at C:\Program Files\Microsoft MPI.

Settings file C:\Program Files\Microsoft SQL Server\MSSQL13.SQL2016\MSSQL\Binn\rlauncher.config created.

Stopping service MSSQLLaunchpad$SQL2016…

Stopping service MSSQL$SQL2016…

Copied xp_callrre.dll from c:\Program Files\RRO\RRO-3.2.2-for-RRE-7.5.0\R-3.2.2\library\RevoScaleR\rxLibs\x64\ to C:\Program Files\Microsoft SQL Server\MSSQL13.SQL2016\MSSQL\Binn.

Copied RLauncher.dll from c:\Program Files\RRO\RRO-3.2.2-for-RRE-7.5.0\R-3.2.2\library\RevoScaleR\rxLibs\x64\ to C:\Program Files\Microsoft SQL Server\MSSQL13.SQL2016\MSSQL\Binn.

Starting service MSSQLLaunchpad$SQL2016…

Connecting to SQL server…

Created role db_rrerole

Added extended stored procedure xp_ScaleR_init_job.

Granted Execute for extended stored procedure xp_ScaleR_init_job to db_rrerole.

Added extended stored procedure xp_ScaleR_queue_job.

Granted Execute for extended stored procedure xp_ScaleR_queue_job to db_rrerole.

Added extended stored procedure xp_ScaleR_retrieve_results.

Granted Execute for extended stored procedure xp_ScaleR_retrieve_results to db_rrerole.

Added extended stored procedure xp_ScaleR_query_status.

Granted Execute for extended stored procedure xp_ScaleR_query_status to db_rrerole.

Added extended stored procedure xp_ScaleR_cancel_job.

Granted Execute for extended stored procedure xp_ScaleR_cancel_job to db_rrerole.

Added extended stored procedure xp_ScaleR_cleanup.

Granted Execute for extended stored procedure xp_ScaleR_cleanup to db_rrerole.

R extensibility installed successfully.

Agora só falta reiniciar o serviço do SQL Server.

Primeira execução!

Agora é momento de abrir o SQL Server 2016 e executar o seu código em R. Peguei um código já criado aqui no blog anteriormente (Trabalhando com cores no R), e reaproveitei. Execute o código abaixo:

EXECUTE   sp_execute_external_script
 @language = N'R'               , @script = N'OutputDataSet <- InputDataSet
             color <- colorRampPalette(c("red","yellow", "green"))               color(10)
             a <- c(1:10)               jpeg("C:/TEMP/Barras.jpg")
             barplot(a, col=color(10), main="R no SQL Server 2016")               dev.off()'
 , @input_data_1 = N'SELECT ''R no SQL Server 2016'' as Col'               WITH RESULT SETS ((col varchar(30) not null));
go

E vá até sua pasta C:\Temp e pocure o arquivo Barras.jpg. Se tudo deu certo, você terá um gráfico como este abaixo gerado pelo R diretamente do seu SQL Server 2016.

Agora é explorar as funcionalidades e possibilidades do R, e integrar isso ao seu ambiente. Fique atento que mais posts sobre R dentro do SQL Server serão publicados em breve!

Links de Referência

Todas estas configurações acima foram consolidadas e tiradas destes links de referências abaixo.

Installing SQL Server R Services

Install Advanced Analytics Extensions

Install R Packages and Providers for SQL Server R Services

Configure and Manage Advanced Analytics Extensions

O post Introdução ao SQL Server R Services 2016 apareceu primeiro em Diego Nogare.

Fala galera, estamos a praticamente 1 semana do SQL PASS Summit 2015, que acontecerá em Seattle dos dias 27 a 30/Outubro. Neste ano, como de praxe, muitas coisas bacanas (e também lançamentos) estão por vir. Eu foquei minhas sessões para ver as coisas de Business Intelligence, Data Science e Big Data… Dê uma olhada no que vou acompanhar lá:

28 de outubro de 2015

10:15 – 11:30 SQL Server 2016 on Flash: Fast Track DW, SOFS, Columnstore, & AlwaysOn

13:30 – 14:45 Integrating SQL Server Analysis Services with Hadoop

15:15 – 16:30 Business Intelligence Updates in SQL Server 2016

16:45 – 18:00 A Concept for Clean Reporting: Information Design Rules for SSRS and R

29 de outubro de 2015

10:45 – 12:00 Data Storytelling with R, Azure Machine Learning, and Power BI

13:30 – 14:45 Cortana Analytics Deep Dive: Information Management

15:15 – 16:30 Advanced Analytics with R in SQL Server 2016

16:45 – 18:00 Deep Dive into Data Preparation, Modeling & Analytics using Power BI Desktop

30 de outubro de 2015

08:00 – 09:15 Cortana Analytics Deep Dive: Perceptual Intelligence

09:30 – 10:45 Using the Cortana Analytics Process for Smart Transportation

11:00 – 12:15 Real-Time Data Integration (in the Cloud or Not)

14:00 – 15:15 Cortana Analytics Deep Dive: Preconfigured Solutions

15:30 – 16:45 Integrating with Power BI Using Developer APIs

Você que também vai ao evento, já montou sua agenda?? Quem sabe a gente se encontra em alguma palestra em comum??

Community Zone

Sem contar as atividades paralelas que tem durante o evento, que integra e proporciona um network fantástico, como por exemplo o Community Zone, onde vamos reunir todos os falantes do idioma português (Brasileiros e Portugueses) por 1 hora (das 11 as 12hs – horário de Seattle!) no dia 28/10 pra trocar experiências e fazer contatos, e claro, ajudar os caras que estão indo a primeira vez ao evento. Inclusive, caso queira ler um pouco sobre “ser calouro” no evento, veja este link: http://www.sqlpass.org/summit/2015/Connect/FirstTimers.aspx

Speaker Idol

Outra forma de interação que temos durante o evento é o Speaker Idol, onde alguns palestrantes se candidatam e fazem uma palestra em inglês. Uma banca examinadora dá feedbacks sobre sua apresentação com o intuito de te ajudar a fazer melhores apresentações. Não são sugestões sobre a parte técnica, e sim sobre a forma de apresentar. Este ano o Luti (blog|twitter) participará, quem puder, compareça à apresentação e dê uma força pro Luti. Veja mais detalhes desta ação no link: http://www.sqlpass.org/summit/2015/Connect/SpeakerIdol.aspx

Kilt Day e Women in Technology

O PASS toma um cuidado muito importante para eliminar qualquer tipo de assédio ou preconceito. Isso é muito importante na nossa área, onde existem muitas diferenças e isso deve ser totalmente irrelevante mediante ao que você entrega. Independente de vc ser homem, mulher, marciano ou lunárico; ser branco, negro, amarelo, azul ou vermelho; ser alto, baixo, mediano. Isso tudo é indiferente quando você faz um trabalho de qualidade. E o PASS incentiva que isso aconteça, tanto que no dia 29/10 acontece o Women in Technology para mostrar projetos importantes capitaneados por mulheres que fazem a diferença. E também, de quebra, é o Kilt Day. Vários participantes vestem seus Kilts e vão pro evento para ajudar, de forma simbólica, a eliminar este preconceito. Sim, eu vou com o meu o/

Expositores

Conhecer os produtos e serviços de vários fornecedores do mundo é interessante. Fazer contato com eles é ainda mais legal. Durante o PASS, a área de expositores pode ser visitada e você pode fazer um network forte com vários fornecedores. Visite e conheça os caras, as vezes você está precisando de um fornecedor e lá tem o que você precisa. Converse, entenda o que ele tem a oferecer, veja se a sua necessidade é coberta pela oferta dele. Aproveite ao máximo!!!

Isso é só um resumo, muito resumido mesmo, do que você pode ter de experiência nestes 3 dias de evento. Nos vemos no PASS, e não se esqueça: Connect, Share and Learn!

O post Conheça algumas atividades do SQL PASS Summit 2015 apareceu primeiro em Diego Nogare.