CV Lattes
ResearcherID
ORCID
Google Scholar Citations
Universidade Federal de São Paulo (UNIFESP). Campus São José dos Campos. Instituto de Ciência e Tecnologia (ICT) (Instituição Sede da última proposta de pesquisa) País de origem: Brasil
é bacharel em Ciência da Computação pela Universidade Federal de Pelotas (2005), mestre em Ciência da Computação pela PUCRS (2007) e doutor em Ciências de Computação e Matemática Computacional pela Universidade de São Paulo (2010). Realizou doutorado sanduíche na University of Kent, na Inglaterra, em 2009, sob supervisão do Dr. Alex A. Freitas. No ano de 2010, realizou pós-doutorado na NTNU (Norwegian University of Science and Technology), na cidade de Trondheim, Noruega. Atualmente, é Prof. Associado II do Instituto de Ciência e Tecnologia da Universidade Federal de São Paulo (UNIFESP), campus São José dos Campos, SP. Foi coordenador e um dos idealizadores do Programa de Pós-Graduação em Ciência da Computação (PPG-CC) do ICT-UNIFESP desde a sua confecção (e consequente abertura do programa, em 2012) até a aprovação do curso de doutorado, que teve início em 2015. Em 2016, ficou mais um período na University of Kent, dessa vez como pós-doutorando. Tem coordenado diversos projetos de pesquisa com financiamento das principais agências de fomento do país, em particular CNPq e FAPESP, tanto no âmbito nacional como internacional. É um dos Pesquisadores Principais do Centro de Pesquisa Aplicada (CPA) em Inteligência Artificial, IARA. Seus principais interesses de pesquisa estão relacionados às áreas de Data Science, Aprendizado de Máquina, Computação Bioinspirada e Cidades Inteligentes. Desde março de 2014, é bolsista de produtividade em pesquisa do CNPq. (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) |
Os objetivos gerais deste projeto são duplos: aprimorar o desempenho de supercapacitores otimizando seus eletrólitos e melhorar seus eletrodos utilizando técnicas de dinâmica molecular clássica e quântica. Para otimização do eletrólito, o projeto investigará eletrólitos aquosos e orgânicos contendo Li-TFSI, Li-PF6, Na-PF6, Na-TFSI e TEA-BF4. Entre os orgânicos, aditivos importantes como E…
O Centro de Pesquisa Aplicada em Inteligência Artificial, IARA, é formado por uma equipe multidisciplinar, com especialistas nacionais com competência internacionalmente reconhecidas em inteligência artificial, telecomunicações, internet das coisas e cidades inteligentes. O centro sediado em São Carlos, estado de São Paulo, funcionará em rede com pesquisadores de todas as regiões do Brasi…
Neural Architecture Search (NAS) é um campo de pesquisa que utiliza algoritmos evolutivos para gerar/otimizar redes neurais. Nos últimos anos, algoritmos baseados em NAS criaram modelos que superam projetos artesanais em algumas tarefas, configurando o novo estado da arte. Neste projeto de pesquisa, utilizaremos algoritmos NAS multiobjetivos baseados em gramática para gerar redes neurais …
O uso de meta-learning para recomendação de algoritmos é uma área de pesquisa que tem sido amplamente explorada nos últimos anos. Sistemas de meta-learning para recomendação de algoritmos podem ser divididos em dois grandes grupos: (a) sistemas que realizam seleção de algoritmos ou modelos baseados em meta-features; e (b) sistemas que buscam pelo melhor algoritmo de classificação possível…
Programação Genética Linear (PGL) é um tipo de algoritmo capaz de evoluir códigos em linguagens de programação. PGL tem sido aplicada em diversos problemas como aprendizado de máquina, navegação e roteamento. Seu processo de busca estocástica não tem conhecimento para gerar soluções boas nem é capaz de evitar soluções ruins, o que reduz sua eficiência. Neste projeto serão explorados dois …
Grandes volumes de dados têm sido coletados no mundo moderno, a necessidade de classificá-los auxilia posteriores análises e avaliações. Conjuntos de dados quando classificados podem ser representados de diversas maneiras. A técnica de representação através de grafos tem sido bastante estudada na literatura e apresenta algumas vantagens como representação de múltiplas classes e representa…
Para o sucesso da proposta de utilização de programação genética para evolução dos algoritmos de indução de árvores de decisão, uma das etapas mais importantes é a identificação dos "macro-parâmetros", os quais serão utilizados como "blocos de construção". Estes serão manipulados pelo algoritmo de PG para construir automaticamente um algoritmo de indução de árvore de decisão. Nesse contex…
Programação Genética Linear (PGL) é um tipo de algoritmo capaz de evoluir códigos de linguagens de programação que tem sido aplicado com sucesso em diversos problemas, como Aprendizado de Máquina (AM), navegação e roteamento. Assim como em outros Algoritmos Evolutivos (AEs), seu processo de busca estocástica não tem conhecimento para produzir boas soluções nem é capaz de evitar soluções r…
Árvores de Decisão constituem uma técnica poderosa e amplamente utilizada em tarefas de aprendizado de máquina e mineração de dados, principalmente em virtude da facilidade de interpretação do conhecimento adquirido. Existem diversas estratégias para indução de árvores de decisão, cada qual com suas vantagens e desvantagens de acordo com seus correspondentes vieses. Em contraste com os al…