CV Lattes
ResearcherID
ORCID
Google Scholar Citations
Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC) (Instituição Sede da última proposta de pesquisa) País de origem: Brasil
Rodrigo Fernandes de Mello é professor Associado do Instituto de Ciências Matemáticas e de Computação, Departamento de Ciências de Computação, Universidade de São Paulo, São Carlos, SP. Autor do livro Machine Learning: A Practical Approach to the Statistical Learning Theory, tem se dedicado ao desenvolvimento teórico e suas conexões práticas da área de Aprendizado de Máquina, investigando limites de aprendizado para algoritmos supervisionados e não-supervisionados. Conta com experiência no mercado antes de assumir sua atual posição no meio acadêmico, o que lhe traz a atenção tão necessária à prática, implementação de algoritmos e soluções. Obteve seu título de doutor em novembro de 2003 pela Escola de Engenharia da Universidade de São Paulo, São Carlos, SP, Brasil e é mestre em Ciências da Computação pela Universidade Federal de São Carlos, Brasil. Seus interesses em pesquisa incluem aspectos teóricos e de generalização para o Aprendizado de Máquina Supervisionado e Não-Supervisionado, Análise de Séries Temporais com ferramental Estatístico e de Sistemas Dinâmicos, além da modelagem de sistemas de Aprendizado Online e Data streams. (Fonte: Currículo Lattes)
| Matéria(s) publicada(s) no Pesquisa para Inovação FAPESP sobre o(a) pesquisador(a): |
| Minha Experiência como Cientista de Dados no Mercado |
| II Escola Avançada em Big Data Analysis |
| Mais itensMenos itens |
| 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) |
Diversos processos industriais, científicos e comerciais produzem dados continuamente, em grande volume e em alta velocidade, denominados fluxos de dados. Na área de Aprendizado de Máquina são realizadas pesquisas para modelar e analisar o comportamento desses fluxos, a fim de compreender o fenômeno que os produziu. Em diversos cenários, esses fluxos de dados alteram seus comportamentos a…
Dúvidas sobre a melhor maneira para a tomada de decisões de escalonamento em função das características do ambiente, i.e., se centralizada, parcialmente ou totalmente distribuída, recobrem sobre projetistas de ambientes scale-out. Essas dúvidas estão, principalmente, ligadas a aspectos como: simplicidade de implementação, custos envolvidos na obtenção de informações sobre recursos e proce…
A maioria dos atuais sistemas de gerência de Grids computacionais são voltados para simplificar o desenvolvimento ou escalonamento de aplicações. Nesse intuito, esses ambientes poderiam evoluir em aspectos de extração e utilização de informações sobre aplicações para otimizar operações tais como: escalonamento e migração de processos, acesso a dados distribuídos, comunicação em rede e lat…
Aprendizado de máquina tem confirmado sua utilidade em diversos problemas, desde aplicações orientadas a batches até a previsão de séries temporais (e.g., preço de ações, clima, consumo de energia, comportamento de bactérias, etc). Em meio a uma miríade de resultados empíricos na literatura, este projeto visa providenciar evidências de que a Teoria do Aprendizado Estatístico (TAE) é sufic…
O aumento na quantidade de dados oriundos das mais diversas fontes tem tornado cada vez mais complexa sua análise e processamento, dificultando a busca por padrões, tendências e ciclos. Dentre os tipos de dados analisados, tem-se especial atenção para com aqueles coletados ao longo do tempo, comumente organizados na forma de séries temporais. Esses dados são provenientes de diferentes fen…
Com a evolução tecnológica, tornou-se possível coletar e modelar grandes volumes de dados produzidos ao longo do tempo. Esses dados são tipicamente gerados por processos industriais, operações humanas ou fenômenos da natureza. Ao modelá-los, pode-se compreender esses fenômenos a fim de predizê-los, observar suas alterações e controlá-los. De modo geral, esses dados têm um componente deter…
A análise de dados tem motivado novos métodos para encontrar padrões, clusters e outliers em diferentes cenários e condições. No contexto de dados que evoluem ao longo do tempo, também referidos como séries temporais ou fluxos de dados, as soluções derivadas de áreas como Sistemas Dinâmicos e Estatística (DSS) ganharam atenção especial na literatura. No entanto, o ferramental de DSS geral…
Com o objetivo de modelar variações em fluxos de dados, diversos pesquisadores têm proposto novas abordagens voltadas para a detecção de mudanças de conceito (do inglês, concept drift). Um conceito é caracterizado por uma sequência de observações produzidas por um mesmo processo gerador. Pesquisadores estão interessados em detectar mudanças de conceito a fim de apoiar especialistas na tom…
Diversos sistemas ou outros fenômenos produzem saídas, i.e., resultados, que podem ser coletados ao longo do tempo. Fenômenos relacionados a medicina são de particular interesse devido a afetarem a qualidade de vida das pessoas. Entre esses fenômenos, há o interesse em entender sobre quais circunstâncias a doença câncer ocorre e quais seus relacionamentos com outros fatores como hábito, r…