CV Lattes
ORCID
Google Scholar Citations
Universidade Estadual de Campinas (UNICAMP). Instituto de Computação (IC) (Instituição Sede da última proposta de pesquisa) País de origem: Brasil
Doutora em Ciência da Computação pela Universidade Estadual de Campinas (Unicamp) em regime de cotutela junto a Utrecht University. Mestra também pela Unicamp (2019) com período sanduíche na Groningen University. Possui graduação em Sistemas de Informação pela Universidade Estadual Paulista (Unesp), FC/Bauru (2017), com Iniciação Científica de 2014-2017 e estágio de pesquisa em Harvard University (2015) e Middlesex University (2016). Foi pesquisadora no Laboratory of Image Data Science (LIDS) desde 2019 a 2024. Atualmente, é pós-doutoranda na Universidade de São Paulo (USP-ICMC).Tem experiência na área de Ciência da Computação, com ênfase em aprendizado de máquina e análise visual de dados, com especialidade em redes neurais artificiais, aprendizado em profundidade, algoritmos de redução de dimensionalidade, visualização de dados, processamento de texto e grandes modelos de linguagem. (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) |
Modelos de Aprendizado de Máquina podem ser muito efetivos, quando o número de dados supervisionados para treinamento é alto. Em algumas áreas, como Medicina e Biologia, grandes conjuntos de treinamento supervisionados são de difícil obtenção, dado que a anotação manual de tais bases de dados é morosa e requer especialistas. Em geral, a anotação de dados baseada na inspeção visual (superv…
Redes Neurais Artificiais, em específico aquelas que possuem uma arquitetura profunda (normalmente com mais do que duas camadas escondidas), geralmente são afetadas por um fenômeno conhecido por super-treinamento dos dados, onde a convergência prematura da rede gera resultados bastante satisfatórios nos conjuntos de treinamento e validação, porém com um desempenho aquém do desejado no con…
Redes Neurais por Convolução (Convolutional Neural Networks - CNN) tem sido amplamente empregada nos últimos anos como uma alternativa aos tradicionais métodos de extração de características. Sua metodologia baseada no processamento hierárquico do cérebro humano tem obtido bons resultados em tarefas de classificação de imagens, dado que são altamente invariantes a mudanças de escala e rot…
Redes neurais profundas podem ser bastante efetivas para a classificação de imagens. Contudo, tais redes normalmente dependem de um conjunto de dados supervisionados grande para reduzir e evitar altas taxas de classificação no conjunto de treinamento com baixa taxa de classificação no conjunto de teste ainda não visto -- um fenômeno conhecido como "data overfitting". Grandes conjuntos sup…
Redes neurais com muitas camadas podem ser muito efetivas para classificação de imagens, mas normalmente dependem de métodos de regularização, "transfer learning", e/ou grandes conjuntos supervisionados para treinamento, a fim de reduzir/evitar a alta acurácia de classificação sobre os dados de treinamento e baixa acurácia no conjunto de teste: um fenômeno conhecido como supertreinamento …
O problema de ajustar parâmetros em técnicas de aprendizado em profundidade tem recebido considerável atenção nos últimos anos, uma vez que o ajuste manual destes parâmetros é um processo custoso e suscetível a erros. Nesta proposta, modelamos o problema de ajuste de parâmetros como uma tarefa de otimização, já que técnicas meta-heurísticas têm obtido resultados muito interessantes em div…
| 3 | Bolsas no país concluídas |
| 4 | Bolsas no exterior concluídas |
| 7 | Todas as Bolsas |
| Processos vinculados | |