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
Lilian Berton é Profa. Adjunto no Instituto de Ciência e Tecnologia (ICT) - Universidade Federal de São Paulo (UNIFESP). É doutora (2011/2016) e mestre (2009/2011) em Ciências da Computação e Matemática Computacional pelo Instituto de Ciências Matemáticas e de Computação - Universidade de São Paulo (ICMC - USP). Graduada em Análise de Sistemas (2004-2007) e Matemática (2005-2008) pela Universidade Estadual do Centro-Oeste (UNICENTRO). Tem experiência em inteligência artificial, aprendizado de máquina, processamento de textos, imagens e redes complexas. As principais aplicações de seu trabalho incluem redes sociais, dados climáticos, finanças, saúde e indústria 4.0. É coordenadora do grupo de pesquisa PAttern Recognition And Network Analysis (PARANA). É coordenadora do projeto de extensão "Mulheres nas Exatas" e colaboradora do "GT Mulheres em Engenharia" da ABENGE. É integrante dos seguintes centros de pesquisa: Centro de Pesquisa Aplicada em Inteligência Artificial para a evolução das Indústrias para o Padrão 4.0 - IPT (Plataforma IASMIN); Centro de Ciência, Tecnologia e Desenvolvimento para inovação em Medicina e Saúde: inLab.iNova, Instituto Paulista de Resistência aos Antimicrobianos (Projeto ARIES) e Centro de Saúde Global - Unifesp. (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 enviesamento de algoritmos continua sendo um dos principais desafios para a aplicabilidade mais ampla de modelos de Aprendizado de Máquina (AM) na área de saúde. Modelagem estatística de fenômenos naturais ganharam força devido ao aumento da capacidade de representação e disponibilidade de dados. Em medicina, particularmente, o uso de modelos de AM aumentou significativamente nos último…
A transformação digital irá exercer um papel fundamental para superar os desafios contemporâneos enfrentados pela indústria, os quais incluem o uso eficiente dos recursos naturais, aumento de eficiência de processos, agregação de valor aos seus produtos por meio de serviços digitais, reorganização do trabalho com a introdução de novas ferramentas, entre outros. Como um dos destaques em te…
O aprendizado semissupervisionado (SSL) baseado em rede é um paradigma promissor para modelar o manifold no espaço multi-dimensional dos dados, além de ser efetivo na propagação de uma pequena quantidade de rótulos iniciais para uma grande quantidade de dados não rotulados. Essa abordagem tem sido utilizada em uma variedade de aplicações, como segmentação e anotação de imagens, reconhecim…
No aprendizado de máquina supervisionado tradicional, almeja-se desenvolver um modelo que se torne bem sucedido e eficiente em uma tarefa, a partir de dados de exemplo. Geralmente, são construídos modelos específicos que se destacam apenas em um problema específico. Esse formato de desenvolvimento tradicional gera um alto custo de tempo para criar, treinar e ajustar modelos do zero para c…
No mercado financeiro, a velocidade e o impacto das informações, como notícias, postagens em redes sociais e comunicados de imprensa, desempenham um papel crucial na tomada de decisões por investidores, empresas e governos. Eventos como mudanças nas taxas de juros, relatórios de lucros ou acontecimentos políticos e econômicos geram reações rápidas que resultam em oscilações de preços de a…
Muitos dados não rotulados estão disponíveis hoje em dia, como documentos, imagens e vídeos. No entanto, rotular esses dados pode ser oneroso e envolve recursos humanos, como especialistas na área. Neste contexto, o aprendizado semissupervisionado (SSL) tem atraído o interesse dos pesquisadores, pois emprega uma pequena quantidade de dados rotulados juntamente com uma grande quantidade de…
A manutenção preditiva trata do monitoramento periódico de equipamentos ou máquinas, por meio de dados coletados em medições de campo como temperatura, vibração, termografia, etc. Com isso, temos diversos benefícios, como prever a necessidade de manutenção dos equipamentos, reduzir paradas de emergência e aumentar a vida útil e o tempo de disponibilidade dos equipamentos. Os algoritmos de…
À medida que o aprendizado de máquina (AM) ganha popularidade em muitos domínios, como saúde e monitoramento de equipamentos industriais, a necessidade de modelos transparentes de tomada de decisão torna-se fundamental. Em ambientes industriais, a manutenção oportuna do equipamento é crucial para operações ininterruptas e economia de custos. Técnicas de aprendizado de máquina em manutençã…
A utilização da Inteligência Artificial (IA) através do Machine Learning (ML) no dia a dia é uma realidade em diversas aplicações, desde sistemas de recomendação, sistemas financeiros e até mesmo na medicina. Ensaios randomizados estimam os efeitos médios do tratamento para uma população, mas os participantes em ensaios clínicos muitas vezes não são representativos da população de pacient…