Áreas de atuação


Aprendizado de Máquina e Deep Learning

Os métodos de machine learning e deep learning revolucionaram muitas áreas da sociedade humana nos últimos anos, desde a classificação de imagens e processamento de vídeo (CV - Computer Vision), o reconhecimento de fala (SP - Signal Processing) até a compreensão da linguagem natural (NLP - Natural Language Processing). As áreas de data science e big data são fortemente correlacionadas com esse tema, pois compartilham diversas características em comum. Por serem métodos com grande flexibilidade estamos abertos a trabalhar com qualquer domínio aplicação de machine learning e deep learning, indo desde classificação supervisionada, não-supervisionada, auto-aprendizado (self-learning), e aprendizado por reforço.

Grafos Convolucionais

Comumente os dados são normalmente representados no espaço euclidiano. No entanto, há um número crescente de aplicações em que os dados são gerados a partir de domínios não euclidianos e são representados como grafos com relacionamentos complexos e interdependência entre objetos. A complexidade dos grafos impôs desafios significativos aos algoritmos de aprendizado de máquina existentes. Recentemente, muitos estudos sobre a extensão de abordagens de deep learning para dados grafos surgiram (GCN - Graph Convolutional Network). Nessa linha como pesquisador procuro desenvolver tanto a parte teórica quanto aplicações de tais métodos nas mais diversas áreas, indo desde o estudo de redes sociais, redes de energia elétrica, imagens, voz, sinais.

Redes Complexas

Embora o conceito de grafos seja muito antigo, os recentes avanços no uso de tais estruturas para modelar sistemas do mundo real deram origem a uma nova área de pesquisa conhecida como teoria de redes, na qual um grafo é comumente chamado de rede complexa. Quase qualquer sistema discreto pode ser representado como uma rede complexa. Portanto, as ferramentas da teoria de redes podem ser usadas em diversas áreas de pesquisa, como elétrica, genética, ciências sociais, redes elétricas, sistemas industriais e análise das redes via grafos convolucionais.

Processamento de imagens

A área de processamento de imagens compreende qualquer forma de processamento de dados no qual a entrada e saída são imagens tais como fotografias ou quadros de vídeo.

Suas aplicações são diversas e ilimitadas, possuindo grande interseção com as demais áreas de pesquisa aqui listadas

Taxonomia vegetal

A taxonomia vegetal é o ramo da botânica que se ocupa da classificação das plantas, ou seja, sua organização em reino, divisão, classe, ordem, família, gênero e espécie.

Apesar de ser um dos ramos mais antigos do conhecimento científico a mesma apresenta ainda muitas dificuldades. Nesse sentido tal classificação pode ser auxiliada por sistemas computacionais de visão e aprendizado de máquina.

Visão computacional

Visão computacional é a ciência e tecnologia das máquinas que enxergam. Ela desenvolve teoria e tecnologia para a construção de sistemas artificiais que obtém informação de imagens ou quaisquer dados multi-dimensionais.

Bioinformática

Bioinformática é um campo interdisciplinar que corresponde a aplicação das técnicas da informática, no sentido de análise da informação na área de estudo da biologia.

A bioinformática combina conhecimentos de química, física, biologia, ciência da computação, e matemática/estatística para processar dados biológicos ou biomédicos.

Fractais e sistemas caóticos

A geometria fractal é o ramo da matemática que estuda as propriedades e comportamento dos fractais. Descreve muitas situações que não podem ser explicadas facilmente pela geometria clássica, e foram aplicadas em ciência, tecnologia e arte gerada por computador.

Séries temporais

Quer desejemos prever a tendência nos mercados financeiros ou no consumo de eletricidade, o tempo é um fator importante que agora deve ser considerado em nossos modelos. Por exemplo, seria interessante prever a que hora do dia haverá um pico de consumo de eletricidade, como ajustar o preço ou a produção de eletricidade.

Uma série temporal é simplesmente uma série composta por amostras ordenadas no tempo.