CV Lattes
ResearcherID
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
Superintendente de Ciência de Dados no Banco Itaú, onde anteriormente liderou a criação da área de Ciência de Dados (2016-2021). Também é professor Associado (Livre-Docente), em tempo parcial, do Departamento de Engenharia de Computação e Sistemas Digitais da Escola Politécnica da Universidade de São Paulo (USP). Antes de retornar ao Itaú, em 2025, liderou a área de Inteligência Artificial para a América Latina na Google Cloud Consulting e fundou a Hruschka Consulting (HC), com foco em ciência de dados. Sua experiência também inclui liderar a área de Dados e Analytics para a América do Sul na AB-InBev/Ambev e ser cofundador da startup brasileira "Big Data", pioneira no uso de ciência de dados para negócios, onde atuou como Chief Data Scientist. Foi listado entre os cientistas mais influentes do mundo pela Stanford University / Public Library of Science (PLOS, 2019-2021). Entre 2007 e 2018, atuou como professor no Departamento de Ciências da Computação da USP em São Carlos. Graduado em Engenharia Civil pela UFPR (1995), concluiu mestrado e doutorado no Programa Interdisciplinar de Computação de Alto Desempenho da COPPE/UFRJ (2001), e realizou pós-doutoramento na University of Texas at Austin (2010-2012). Obteve o título de Livre-Docente em Ciências de Computação pela USP (2012). Foi pesquisador nível 2 do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) entre 2003 e 2010 e pesquisador nível 1-D entre 2010-2018. Foi também Jovem Pesquisador da FAPESP. Seus serviços à comunidade científica incluem a atuação como editor associado do periódico científico Information Sciences (Elsevier), revisor para diversos periódicos científicos internacionais e participação em diversos comitês de programas de conferências internacionais. (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) |
O foco desta proposta é a transferência de conhecimento matemático para outras áreas da ciência, tecnologia e indústria, por meio de um centro de pesquisa estruturado para esse fim. Todo o conhecimento matemático é, em última análise, aplicável se não diretamente, por meio de outros conhecimentos. Em algumas áreas da matemática a aplicação é quase imediata (entretanto, a colocação em prát…
Este projeto de pesquisa abordará dois temas em mineração de dados: 1) agrupamento de dados (clustering) e 2) preparação de dados. No tocante ao primeiro tema, serão estudados algoritmos para agrupamento de dados, critérios de validade para estimar o número de clusters e otimização de partições por meio de algoritmos evolutivos. Em relação ao segundo tema, serão investigadas técnicas para…
Técnicas de mineração de dados têm um importante papel em diversas áreas do conhecimento humano. Para alcançar melhores resultados a partir dessas ferramentas, diversas abordagens baseadas em agregadores (ensembles) têm sido propostas e utilizadas na prática. No entanto, poucos trabalhos abordam a agregação de algoritmos de diferentes paradigmas de aprendizagem, como algoritmos de agrupam…
Técnicas de agrupamento de dados são comumente utilizadas para encontrar grupos, a princípio desconhecidos, em um conjunto de dados. Tais técnicas assumem que o conjunto de dados é de tamanho fixo e pode ser alocado na memória. Porém, um atual e importante desafio consiste em aplicar técnicas de agrupamento em bases de dados gerados continuamente e em ambientes dinâmicos. Dados gerados ne…
Este projeto de pesquisa tem por objetivo principal propor, implementar e avaliar um algoritmo para agrupamento de dados fuzzy colaborativo, desta forma contribuindo para o desenvolvimento teórico e prático da área de mineração de dados. A constatação da validade do algoritmo proposto permitirá a disponibilização da ferramenta computacional desenvolvida. Sob um ponto de vista mais quantit…
Este projeto de pesquisa abordará algoritmos híbridos para aprendizado de máquina não supervisionado e algumas de suas aplicações em mineração de dados. Em particular, serão estudados, propostos, implementados e avaliados algoritmos para agrupamento de dados baseados em Estatística e em Computação Evolutiva (Evolucionária). O ferramental resultante desses desenvolvimentos será também apli…