É Professor Associado do Departamento de Ciência da Computação do Instituto de Matemática e Estatística da Universidade de São Paulo. Tem experiência na área de Inteligência Artificial, em especial no estudo de modelos probabilísticos baseados em grafos e suas aplicações. Obteve doutorado pela Università della Svizzera Italiana (Suíça) em 2013. Possui mestrado em Engenharia Mecatrônica (2009) e diploma de Engenharia Elétrica com ênfase em Automação e Controle (2007), ambos pela Escola Politécnica da Universidade de São Paulo. Entre 2009 e 2013 foi pesquisador no Istituto Dalle Molle di Studi sull'Intelligenza Artificiale (IDSIA) em Lugano, Suíça. Foi pós-doutorando no Laboratório de Tomada de Decisão da Escola Politécnica da Universidade de São Paulo. (Fonte: Currículo Lattes)
| Matéria(s) publicada(s) na Agência FAPESP sobre o(a) pesquisador(a) |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias (0 total): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |
As técnicas de aprendizagem profunda demonstraram excelente desempenho em tarefas cognitivas tanto de baixo nível, como reconhecimento de fala e imagem, como de alto nível, como resposta automática a questões e planejamento estocástico. Apesar disso, desenvolver soluções baseadas em aprendizagem profunda é uma tarefa notoriamente difícil, pois requer uma quantidade enorme de dados e recur…
Redes bayesianas permitem a representação compacta de conhecimento incerto. Existem fortes indícios vindos da complexidadecomputacional que realizar inferência em tais modelos leva tempo exponencial na largura de árvore, que mede a complexidade de um modelo.Limitar a largura de árvore dos modelos diminui seu poder representacional. Tal dimuição pode ser evitada sem aumento da complexidade…
Este texto descreve um projeto de Iniciação Científica para o estudo de circuitos probabilísticos, que são modelos probabilísticos gerativos sobre os quais é possível realizar diferentes tipos de inferência de forma exata e computacionalmente eficiente. Um circuito probabilístico é especificado através de sua estrutura, um grafo direcionado acíclico que modela as relações de (in)dependênc…
Esta é uma proposta de projeto de Iniciação Científica que visa o estudo de Circuitos Probabilísticos, que são modelos probabilísticos paramétricos baseados em redes neurais que possibilitam que diversas inferências sejam computadas de forma exata e eficiente. No decorrer do projeto o aluno se familiarizará com os principais algoritmos e técnicas para aprendizado paramétrico desses modelo…
Diagramas de influência são modelos probabilísticos baseados em grafos utilizados na representação de problemas de tomada de decisão sob incerteza. Tais diagramas permitem a comunicação clara de situações complexas de tomada de decisão, e constituem uma das principais ferramentas para a análise probabilística de problemas de decisão estruturados. Resolver um diagrama de influência signif…
CV Lattes
ORCID