CV Lattes
ORCID
Google Scholar Citations
Universidade Presbiteriana Mackenzie (UPM). Escola de Engenharia (EE) (Instituição Sede da última proposta de pesquisa) País de origem: Brasil
Graduado em Engenharia de Produção pela Universidade Estadual de Campinas (UNICAMP) em 2014, com estágio de pesquisa realizado no Gipsa-Lab da Université Joseph Fourier (Grenoble, França) em 2012 e com graduação sanduíche na École Polytechnique de Montréal (Montréal, Canadá) em 2013. Mestre em Engenharia de Produção e de Manufatura pela UNICAMP (2017), com ênfase em Pesquisa Operacional. Doutor em Engenharia Elétrica na Faculdade de Engenharia Elétrica e de Computação da UNICAMP e em Matemática Aplicada no Centre d'Économie de la Sorbonne da Univeristé Paris I Parthéon-Sorbonne (Paris, França), por meio de um acordo de cotutela. Realizou um Pós-Doutorando na Faculdade de Ciências Aplicadas da UNICAMP, com estágio de pesquisa concluído em março de 2023 no Centre d'Économie de la Sorbonne da Univeristé Paris I Parthéon-Sorbonne. Atualmente, é Professor Pesquisador no curso de Engenharia de Produção na Universidade Presbiteriana Mackenzie. Também é Pesquisador Associado do Centro de Pesquisa Aplicada em Inteligência Artificial BI0S (Brazilian Institute of Data Science), iniciativa conjunta FAPESP-MCTI. Suas principais áreas de pesquisa são: inteligência artificial, equidade e interpretabilidade em aprendizado de máquina, métodos de apoio à decisão multicritério e em grupo, pesquisa operacional, otimização, modelos estatísticos e processamento de sinais. (Fonte: Currículo Lattes)
| Matéria(s) publicada(s) na Agência FAPESP sobre o(a) pesquisador(a) |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |
Frequentemente, situações práticas requerem a aplicação de métodos complexos de aprendizado de máquina a fim de modelar as relações entre os dados de entrada e a saída do sistema. Via de regra, esses métodos são de difícil interpretação, o que traz uma desvantagem quando se deseja compreender o impacto dos atributos no resultado obtido. Como solução, pesquisas recentes vem desenvolvendo m…
Técnicas de aprendizado de máquina vêm sendo utilizadas na construção de sistemas automáticos a fim de lidar com diversos problemas práticos. Exemplos são as aplicações em sistemas de liberação de créditos, os quais avaliam se um indivíduo levará a uma possível inadimplência no pagamento do crédito recebido, ou em sistemas judiciais, os quais preveem se o réu sob julgamento pode vir a ser…
Em diversas situações práticas encontramos problemas de tomada de decisão envolvendo múltiplos critérios. Muitos desses problemas possuem características específicas que podem gerar resultados enviesados, principalmente com relação à dimensão dos dados do problema. Por exemplo, quando há um número elevado de critérios, muitos deles podem ser desnecessários quanto à sua expressividade no m…
Em processamento de sinais e imagens há uma ampla gama de problemas que podem ser formulados como um problema inverso ou como um problema de separação de sinais. Via de regra, tais problemas são resolvidos a partir da otimização de um critério, que, no caso de um problema inverso, pode ser uma medida de distância entre os dados observados e as saídas do modelo considerado, ou, no caso da …
Atualmente, a comunidade de pesquisa tem se esforçado no desenvolvimento de mecanismos que melhoram a interpretabilidade e a equidade em problemas de aprendizado de máquina. Trabalhos recentes abordaram a interpretabilidade por meio do método agnóstico denominado SHAP. Este método é baseado no valor de Shapley, um conceito clássico da teoria dos jogos cooperativos que indica a contribuiçã…
Diversas situações práticas podem ser modeladas como problemas de tomada de decisão multicritério (MCDM). Geralmente, os métodos usados para lidar com problemas em MCDM não levam em consideração a informação estrutural dos dados, como a interação entre critérios. Por exemplo, critérios correlacionados podem enviesar a análise de decisão, favorecendo uma alternativa específica. Neste conte…
O gráfico de controle é uma das principais ferramentas do controle estatístico de processos (CEP) e serve para determinar se a variabilidade observada é inerente ao processo sob análise, ou se decorre de causas ditas especiais, resultantes, por exemplo, de erros de operadores ou falhas de equipamentos. Quando há uma causa especial atuando no processo, é importante classificar o tipo da an…