Luís Paulo Faina Garcia

  • Endereço para acessar este CV: http://lattes.cnpq.br/1607852138156562
  • Última atualização do currículo em 07/12/2018


Possui graduação em Engenharia de Computação (2010) e doutorado em Ciências de Computação (2016) pela Universidade de São Paulo. Em 2017 teve a tese classificada entre as melhores pela Sociedade Brasileira de Computação (SBC) e recebeu o prêmio CAPES de melhor tese em Ciência da Computação do país. Atualmente é Pós-doutorando na Universidade de São Paulo no grupo de Análise de Dados. Tem experiência na área de Ciência da Computação principalmente nos temas relacionados a Mineração de Dados e Aprendizado de Máquina, atuando nas seguintes linhas de pesquisa: detecção de ruídos, meta-aprendizado e fluxo contínuo de dados. (Texto informado pelo autor)


Identificação


Nome
Luís Paulo Faina Garcia
Nome em citações bibliográficas
GARCIA, L. P. F.;GARCIA, LUÍS P.F.;GARCIA, LUIS PAULO F.;GARCIA, LUÍS P. F.;GARCIA, LUIS P. F.

Endereço


Endereço Profissional
Universidade de São Paulo, Instituto de Ciências Matemáticas e de Computação, Departamento de Ciências da Computação.
AV. Trabalhador São-carlense, 400
Centro
13566590 - São Carlos, SP - Brasil
Telefone: (16) 33739700
URL da Homepage: http://www.icmc.usp.br/


Formação acadêmica/titulação


2011 - 2016
Doutorado em Ciências da Computação e Matemática Computacional.
Universidade de São Paulo, USP, Brasil.
com período sanduíche em Universidade de Granada (Orientador: Francisco Herrera).
Título: Noise Detection in Classification Problems, Ano de obtenção: 2016.
Orientador: André Carlos Ponce de Leon Ferreira de Carvalho.
Coorientador: Ana Carolina Lorena.
Bolsista do(a): Fundação de Amparo à Pesquisa do Estado de São Paulo, FAPESP, Brasil.
Palavras-chave: Aprendizado de Máquina; Problemas de Classificação; Detecção de Ruídos; Meta-aprendizado.
2006 - 2010
Graduação em Engenharia de Computação.
Universidade de São Paulo, USP, Brasil.
Título: Detecção e eliminação de ruídos de Bases de Dados por Algoritmos Genéticos e Técnicas de Agrupamento.
Orientador: André Carlos Ponce de Leon Ferreira de Carvalho.


Pós-doutorado


2018
Pós-Doutorado.
Universidade de São Paulo, USP, Brasil.
Bolsista do(a): Coordenação de Aperfeiçoamento de Pessoal de Nível Superior, CAPES, Brasil.
Grande área: Ciências Exatas e da Terra
Grande Área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Aprendizado de Máquina.
2017 - 2018
Pós-Doutorado.
Universität Leipzig, UNI/Leipzig, Alemanha.
Bolsista do(a): European Commission, CORDIS, Alemanha.
Grande área: Ciências Exatas e da Terra
Grande Área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Aprendizado de Máquina.
2016 - 2017
Pós-Doutorado.
Universidade de São Paulo, USP, Brasil.
Bolsista do(a): Conselho Nacional de Desenvolvimento Científico e Tecnológico, CNPq, Brasil.
Grande área: Ciências Exatas e da Terra
Grande Área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Aprendizado de Máquina.


Formação Complementar


2012 - 2012
Extensão universitária em Learning From Distributed Data Streams. (Carga horária: 8h).
Universidade de São Paulo, USP, Brasil.


Atuação Profissional



Universität Leipzig, UNI/Leipzig, Alemanha.
Vínculo institucional

2017 - 2018
Vínculo: Celetista, Enquadramento Funcional: Pesquisador, Carga horária: 40, Regime: Dedicação exclusiva.


Dextra Soluções em Informática S/C Ltda., DEXTRA, Brasil.
Vínculo institucional

2010 - 2010
Vínculo: Estagiário, Enquadramento Funcional: Estagiário em Desenvolvimento de Software, Carga horária: 30


Universidade de São Paulo, USP, Brasil.
Vínculo institucional

2016 - 2017
Vínculo: Bolsista, Enquadramento Funcional: Pós-Doutorado, Carga horária: 40, Regime: Dedicação exclusiva.

Vínculo institucional

2016 - 2016
Vínculo: Bolsista, Enquadramento Funcional: Professor, Carga horária: 6
Outras informações
Profesor da disciplina Mineração de Dados Biológicos para o curso de Bacharelado em Ciências Físicas e Biomoleculares, realizando atendimento aos alunos, elaboração e administração de aulas práticas.

Vínculo institucional

2016 - 2016
Vínculo: Bolsista, Enquadramento Funcional: Professor, Carga horária: 8
Outras informações
Profesor da disciplina Laboratório de Introdução à Ciência da Computação II para o curso de Bacharelado em Ciência da Computação, realizando atendimento aos alunos, elaboração e administração de aulas práticas.

Vínculo institucional

2011 - 2016
Vínculo: Bolsista, Enquadramento Funcional: Aluno de Doutorado, Carga horária: 40, Regime: Dedicação exclusiva.

Vínculo institucional

2006 - 2010
Vínculo: Livre, Enquadramento Funcional: Aluno de Graduação, Regime: Dedicação exclusiva.


IBM BRASIL IND.MAQ. E SERVICOS LTDA, IBIS_FORN, Brasil.
Vínculo institucional

2010 - 2011
Vínculo: Celetista, Enquadramento Funcional: Analista de Software, Carga horária: 44, Regime: Dedicação exclusiva.

Vínculo institucional

2010 - 2010
Vínculo: Estagiário, Enquadramento Funcional: Estagiário em Desenvolvimento de Software, Carga horária: 30


Universidade de Granada, UGR, Espanha.
Vínculo institucional

2014 - 2014
Vínculo: Bolsista, Enquadramento Funcional: Pesquisador Visitante


Dalhousie University, D.U., Canadá.
Vínculo institucional

2015 - 2015
Vínculo: Bolsista, Enquadramento Funcional: Pesquisador Visitante



Projetos de pesquisa


2018 - Atual
Characterization measures for meta-learning
Descrição: Meta learning has been largely used in the last years to support the recommendation of the most suitable algorithm(s) for a new dataset. For such, a meta-base is created, containing meta-features extracted from several datasets along with the performance of some machine learning techniques when applied to these datasets. To characterize the classification dataset, the meta-features need to describe several characteristics of the data with low computational cost and high quality information, however, many of them are not clearly defined or present a low quality information. The use of complexity measures could increase the systematic comprehension over the meta-models and also allow to differentiate the performance of a set of techniques taking into account the overlap between classes imposed by feature values, the separability and distribution of the data points. Using an empirical approach, this project will investigate the complexity measures extracted from data to increase the performance and provide more insights about the meaningful information presents in the meta-models.
Situação: Em andamento; Natureza: Pesquisa.
2017 - 2018
Hybrid Data Analytics for Smart Cities
Descrição: Increasing the citizens mobility is one of the topics that involve Smart Cities and has become a very important subject of government agendas in the last years. This includes predicting traffic jams, decreasing the travel time of the citizens, predicting parking space available in the city center or even improving the routes between places to avoid accidents on roads and streets. However, collecting the data, process this information and also reuse crowd feedback from the citizens is a challenging task. In this project we design the overall architecture of the QROWD analytics component based on the use case of deriving a user's transportation mode from sensor data captured on mobile phone and discuss promising machine learning techniques for this task. Besides these more technical considerations, we also show where and how crowd feedback could improve the performance of the analytics component.
Situação: Concluído; Natureza: Pesquisa.
2017 - Atual
Advanced Machine Learning
Descrição: Without being aware, we are using technologies based on Machine learning (ML) algorithms in a growing number of our daily activities. The use of ML has made many risk and tiring activities safer, more reliable and more accurate. Despite these contributions, new demands require the development of new ML algorithms, or use of these algorithms in new and innovative ways. Two important current demands are to efficiently deal data that arrive in streams, where novelties can appear and concepts can change, and how to improve the use of the most appropriate ML algorithms, and the adequate values for the hyper-parameters of the algorithms selected for a new task. This project will investigate new approaches to efficiently deal with these demands.
Situação: Em andamento; Natureza: Pesquisa.
2016 - 2017
Using Complexity Indices for Noise Pattern Recognition in the Data Preprocessing Step
Descrição: Noise is often present in real datasets used for training Machine Learning classifiers. Their disruptive effects in the learning process may include: increasing the complexity of the induced models, a higher processing time and a reduced predictive power in the classification of new examples. In this project, we plan to investigate how noise affects the complexity of classification problems, by monitoring the sensitivity of several indices of data complexity in the presence of different label noise levels. To characterize the complexity of a classification dataset, we will use geometric, statistical and structural measures extracted from data. Those indices more sensitive to the presence of noise can then be used in the proposal of metaheuristics capable of searching for label noise in classification problems.
Situação: Concluído; Natureza: Pesquisa.
2015 - 2015
Metaheuristics for Label Noise Identification in Classification Tasks
Descrição: The successful application of machine learning techniques to data sets from many areas requires the dedication of a considerable amount of time to identify and treat noisy data. Noisy data is a frequent problem regarding information collection, transmission and storage. The presence of noise in data can affect the complexity of classification tasks, making the discrimination of objects from different classes more difficult, and requiring more complex decision boundaries for classification model. In this project, we will study the effects of noise in the complexity of classification data sets by using geometric and statistical measures extracted from a data set. Those indices more sensitive to the presence of noise can then be used in the proposal of metaheuristics capable of searching for label noise in classification problems.
Situação: Concluído; Natureza: Pesquisa.
2014 - 2014
Complexity Measures for Noise Identification in Classification Problems
Descrição: Many areas of knowledge have spent considerable amounts of time to comprehend and to treat noisy data, one of the most common problems regarding information collection, transmission and storage. In computer studies, it occurs mainly in real data collected from storage systems, appearing in high rates. These noisy data, when used in the classifiers induction by Machine Learning techniques, increase the complexity of the obtained hypothesis, as well as its induction time while worsening their accuracy. In classification problems, noises are treated from two different perspectives: noises in predictive attributes and noises in the target attribute. Treating them may improve the data quality. Considering this background, the central aim of this project is the study of complexity measures capable of recognizing noisy patterns which may enable the creation of search tools for the identification of noisy data.
Situação: Concluído; Natureza: Pesquisa.
2011 - 2016
Noise detection and elimination for Classification problems
Descrição: Data collected directly from storage systems often present high rate noise resulting from internal and external factors. When used in the induction of classifiers by Machine Learning techniques, these noisy data may reduce the predictive accuracy, increase the complexity of the hypothesis obtained and its induction time. This paper aims to investigate two research directions regarding this issue: noise class and predictive attributes noise. Methods like removal, reclassification and imputation of values are used to support the research, as well as Machine Learning and Genetic Algorithms based techniques.
Situação: Concluído; Natureza: Pesquisa.
2008 - 2009
Detecção e Eliminação de ruídos de Bases de Dados por Algoritmos Genéticos e Clustering
Situação: Concluído; Natureza: Pesquisa.
2007 - 2008
Detecção e Eliminação de Ruídos de Bases de Dados por Técnicas de Classificação
Situação: Concluído; Natureza: Pesquisa.


Revisor de periódico


2016 - Atual
Periódico: Soft Computing (Berlin. Print)
2014 - Atual
Periódico: Neurocomputing (Amsterdam)
2016 - Atual
Periódico: Machine Learning
2016 - Atual
Periódico: Knowledge-Based Systems
2017 - Atual
Periódico: Information Fusion (Print)


Áreas de atuação


1.
Grande área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Inteligência Artificial.
2.
Grande área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Aprendizado de Máquina.
3.
Grande área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Mineração de Dados.


Idiomas


Inglês
Compreende Bem, Fala Bem, Lê Bem, Escreve Bem.
Português
Compreende Bem, Fala Bem, Lê Bem, Escreve Bem.


Prêmios e títulos


2017
Tese de Doutorado classificada entre as 11 melhores concluídas em 2016, Sociedade Brasileira de Computação (SBC).
2017
Prêmio Capes de Tese 2017 - Melhor Tese de Ciência da Computação do País, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).


Produções



Produção bibliográfica
Artigos completos publicados em periódicos

1.
GARCIA, LUÍS P.F.2018GARCIA, LUÍS P.F.; LEHMANN, JENS ; DE CARVALHO, ANDRÉ C.P.L.F. ; LORENA, ANA C. . New label noise injection methods for the evaluation of noise filters. KNOWLEDGE-BASED SYSTEMS, v. 163, p. 1, 2018.

2.
MORALES, P.2017MORALES, P. ; LUENGO, J. ; GARCIA, L. P. F. ; LORENA, A. C. ; CARVALHO, A. C. P. L. F. ; HERRERA, F. . The NoiseFiltersR Package: Label Noise Preprocessing in R. R Journal, v. 9, p. 219, 2017.

3.
GARCIA, LUÍS P.F.2016GARCIA, LUÍS P.F.; CARVALHO, ANDRÉ C.P.L.F. DE ; LORENA, ANA C. . Noise detection in the meta-learning level. Neurocomputing (Amsterdam), v. 176, p. 14-25, 2016.

4.
GARCIA, LUÍS P. F.2016GARCIA, LUÍS P. F.; LORENA, ANA C. ; MATWIN, STAN ; DE CARVALHO, ANDRÉ C. P. L. F. . Ensembles of label noise filters: a ranking approach. Data Mining and Knowledge Discovery, v. 1, p. 1-25, 2016.

5.
GARCIA, LUÍS P.F.2015GARCIA, LUÍS P.F.; DE CARVALHO, ANDRÉ C.P.L.F. ; LORENA, ANA C. . Effect of label noise in the complexity of classification problems. Neurocomputing (Amsterdam), v. 160, p. 108-119, 2015.

6.
GARCIA, LUÍS P.F.2015GARCIA, LUÍS P.F.; SÁEZ, JOSÉ A. ; LUENGO, JULIÁN ; LORENA, ANA C. ; DE CARVALHO, ANDRÉ C.P.L.F. ; HERRERA, FRANCISCO . Using the One-vs-One decomposition to improve the performance of class noise filters via an aggregation strategy in multi-class classification problems. Knowledge-Based Systems, v. 90, p. 153-164, 2015.

Trabalhos completos publicados em anais de congressos
1.
GARCIA, LUIS P. F.; LORENA, ANA C. ; DE SOUTO, MARCILIO C. P. ; HO, TIN KAM . Classifier Recommendation Using Data Complexity Measures. In: 2018 24th International Conference on Pattern Recognition (ICPR), 2018, Beijing. 2018 24th International Conference on Pattern Recognition (ICPR), 2018. p. 874-6.

2.
BARELLA, V. H. ; GARCIA, L. P. F. ; SOUTO, M. C. P. ; LORENA, A. C. ; CARVALHO, A. C. P. L. F. . Data Complexity Measures for Imbalanced Classification Tasks. In: International Joint Conference on Neural Networks, 2018. IEEE Proceedings of the International Joint Conference on Neural Networks, 2018. p. 1-8.

3.
GARCIA, L. P. F.; LORENA, A. C. ; CARVALHO, A. C. P. L. F. . Noise detection in classification problems. In: Congresso da Sociedade Brasileira de Computação - Concurso de Teses e Dissertações, 2017, São Paulo. XXXVII congresso da sociedade brasileira de computação, 2017. v. 1. p. 2391-2396.

4.
LORENA, A. C. ; GARCIA, L. P. F. ; CARVALHO, A. C. P. L. F. . Adapting Noise Filters for Ranking. In: Brazilian Conference on Intelligent Systems, 2015, Natal. IEEE Proceedings of the Brazilian Conference on Intelligent Systems, 2015. v. 1. p. 299-304.

5.
GARCIA, L. P. F.; CARVALHO, A. C. P. L. F. ; LORENA, A. C. . Noisy Data Set Identification. In: 8th International Conference on Hybrid Artificial Intelligence Systems, 2013, Salamanca. Proceedings of the 8th International Conference on Hybrid Artificial Intelligence Systems, 2013. v. 8073. p. 629-638.

6.
GARCIA, LUIS PAULO F.; LORENA, ANA CAROLINA ; CARVALHO, ANDRE C.P.L.F. . A Study on Class Noise Detection and Elimination. In: 2012 Brazilian Symposium on Neural Networks (SBRN), 2012, Curitiba. 2012 Brazilian Symposium on Neural Networks. p. 13-18.

7.
MIRANDA, A. L. B. ; GARCIA, L. P. F. ; CARVALHO, A. C. P. L. F. ; LORENA, A. C. . Use of Classification Algorithms in Noise Detection and Elimination. In: The 4th International Conference on Hybrid Artificial Intelligence Systems, 2009, Salamanca. Lecture Notes in Artificial Intelligence, 2009. v. 5572. p. 417-424.

Resumos publicados em anais de congressos
1.
MADDALENA, E. ; IBANEZ, L. ; SIMPERL, E. ; ZENI, M. ; BIGNOTTI, E. ; GIUNCHIGLIA, F. ; STADLER, C. ; WESTPHAL, P. ; GARCIA, L. P. F. ; LEHMANN, J. . QROWD: Because Big Data Integration is Humanly Possible. In: 24th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2018. Proceedings of ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2018. p. 1-2.

2.
GARCIA, L. P. F.; CARVALHO, A. C. P. L. F. . Detecção e eliminação de ruídos de Bases de Dados por Algoritmos Genéticos e Clustering. In: 17º Simpósio Internacional de Iniciação Científica da Universidade de São Paulo, 2009. 17º Simpósio Internacional de Iniciação Científica da Universidade de São Paulo, 2009.

3.
GARCIA, L. P. F.; MIRANDA, A. L. B. ; CARVALHO, A. C. P. L. F. . Detecção e Eliminação de Ruídos de Bases de Dados por Técnicas de Classificação. In: 16º Simpósio Internacional de Iniciação Científica da Universidade de São Paulo, 2008. 16º Simpósio Internacional de Iniciação Científica da Universidade de São Paulo, 2008.

Apresentações de Trabalho
1.
GARCIA, L. P. F.; LORENA, A. C. ; CARVALHO, A. C. P. L. F. . Noise detection in classification problems. 2017. (Apresentação de Trabalho/Congresso).

2.
GARCIA, L. P. F.; CARVALHO, A. C. P. L. F. . Noise detection in the meta-learning level. 2017. (Apresentação de Trabalho/Conferência ou palestra).

3.
GARCIA, L. P. F.; LORENA, A. C. ; MATWIN, S. ; CARVALHO, A. C. P. L. F. . Ensembles of label noise filters: a ranking approach. 2016. (Apresentação de Trabalho/Congresso).

4.
GARCIA, L. P. F.; CARVALHO, A. C. P. L. F. ; LORENA, A. C. . Noisy Data Set Identification. 2013. (Apresentação de Trabalho/Congresso).

5.
GARCIA, L. P. F.; LORENA, A. C. ; CARVALHO, A. C. P. L. F. . A Study on Class Noise Detection and Elimination. 2012. (Apresentação de Trabalho/Congresso).

6.
GARCIA, L. P. F.; CARVALHO, A. C. P. L. F. . Detecção e eliminação de ruídos de Bases de Dados por Algoritmos Genéticos e Clustering. 2009. (Apresentação de Trabalho/Simpósio).

7.
GARCIA, L. P. F.; MIRANDA, A. L. B. ; CARVALHO, A. C. P. L. F. . Detecção e Eliminação de Ruídos de Bases de Dados por Técnicas de Classificação. 2008. (Apresentação de Trabalho/Simpósio).


Produção técnica
Programas de computador sem registro
1.
GARCIA, L. P. F.; LEHMANN, J. ; CARVALHO, A. C. P. L. F. ; LORENA, A. C. . born: Generate Borderline Noise for Classification Problems. 2018.

2.
GARCIA, L. P. F.; LORENA, A. C. ; LEHMANN, J. . ECoL: Complexity Measures for Classification Problems. 2018.

3.
RIVOLLI, A. ; GARCIA, L. P. F. ; CARVALHO, A. C. P. L. F. . mfe: Meta-Feature Extractor. 2017.

4.
MORALES, P. ; LUENGO, J. ; GARCIA, L. P. F. ; LORENA, A. C. ; CARVALHO, A. C. P. L. F. ; HERRERA, F. . NoiseFiltersR: Label Noise Filters for Data Preprocessing in Classification. 2016.

Trabalhos técnicos
1.
GARCIA, L. P. F.. Revidor do International Symposium on Intelligent Data Analysis (IDA). 2018.

2.
GARCIA, L. P. F.. Revidor da International Joint Conference on Artificial Intelligence (IJCAI). 2018.

3.
GARCIA, L. P. F.. Revidor da SIAM International Conference on Data Mining (SDM). 2017.

4.
GARCIA, L. P. F.. Revidor da IEEE International Conference on Tools with Artificial Intelligence (ICTAI). 2016.

5.
GARCIA, L. P. F.. Revidor da International Conference on Data Science and Advanced Analytics (DSAA). 2015.

6.
GARCIA, L. P. F.. Revidor da International Joint Conference on Neural Networks (IJCNN). 2015.

Entrevistas, mesas redondas, programas e comentários na mídia
1.
GARCIA, L. P. F.; MENDONCA, A. H. ; CARVALHO, A. C. P. L. F. . Algoritmo auxilia no controle de plantas invasoras no Estado de SP. 2017. (Programa de rádio ou TV/Entrevista).

2.
GARCIA, L. P. F.; CARVALHO, ANDRE C.P.L.F. . Pesquisas apoiadas pelo CeMEAI recebem Prêmio Capes de Tese 2017. 2017. (Programa de rádio ou TV/Entrevista).

3.
GARCIA, L. P. F.; GARCIA, K. ; VERRI, F. . Da graduação direto para o doutorado. 2015. (Programa de rádio ou TV/Entrevista).


Demais tipos de produção técnica
1.
GARCIA, L. P. F.; COSTA, F. G. . Introdução ao Aprendizado de Máquina em Python. 2016. (Curso de curta duração ministrado/Extensão).



Bancas



Participação em bancas de trabalhos de conclusão
Qualificações de Doutorado
1.
REIS, J. C.; TODESCO, J. L.; GARCIA, L. P. F.; ROISENBERG, M.. Participação em banca de Italo Lopes Oliveira. A Framework Based in a Holistic Process and Contexts for Semantic Annotation of Data on the Web. 2018. Exame de qualificação (Doutorando em Ciências da Computação) - Universidade Federal de Santa Catarina.

Trabalhos de conclusão de curso de graduação
1.
GARCIA, L. P. F.; SOUSA, E. P. M.. Participação em banca de Mario Maia Tostes Brusamolin de Rezende.Rearquitetura e implementação de software para estruturação automática de campanhas para Google AdWords. 2015. Trabalho de Conclusão de Curso (Graduação em Ciências de Computação) - Universidade de São Paulo.

2.
GARCIA, L. P. F.; CARVALHO, A. C. P. L. F.. Participação em banca de David César Lucas de Souza.Sistema de Automação Industrial. 2015. Trabalho de Conclusão de Curso (Graduação em Ciências de Computação) - Universidade de São Paulo.



Participação em bancas de comissões julgadoras
Outras participações
1.
GARCIA, L. P. F.. Avaliador da 1ª Etapa do Simpósio Internacional de Iniciação Científica da USP. 2015. Universidade de São Paulo.

2.
GARCIA, L. P. F.. Avaliador de pôsteres do 19º Simpósio Internacional de Iniciação Científica da USP. 2011. Universidade de São Paulo.



Eventos



Participação em eventos, congressos, exposições e feiras
1.
IV Workshop de Soluções Matemáticas para Problemas Industriais.Falhas de plantio na cana de açúcar. 2018. (Oficina).

2.
Congresso da Sociedade Brasileira de Computação. 2017. (Congresso).

3.
European Conference on Machine Learning and Principles and Practice of Knowledge Discovery. 2016. (Congresso).

4.
Workshop de Soluções Matemáticas Aplicadas à Indústria.Analysis of Soundscape Ecology Data. 2016. (Oficina).

5.
International Conference on Hybrid Artificial Intelligence Systems. 2013. (Congresso).

6.
School on Machine Learning and Knowledge Discovery in Databases. 2013. (Outra).

7.
Brazilian Conference on Intelligent Systems. 2012. (Congresso).

8.
Simpósio Internacional de Iniciação Científica da Universidade de São Paulo. 2009. (Simpósio).

9.
Simpósio Internacional de Iniciação Científica da Universidade de São Paulo. 2008. (Simpósio).



Orientações



Orientações e supervisões em andamento
Tese de doutorado
1.
Italo Lopes Oliveira. Oyá: A Framework based in a Holistic Process and Contexts for Semantic Annotation of Data on the Web. Início: 2018. Tese (Doutorado em Ciências da Computação) - Universidade Federal de Santa Catarina, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. (Coorientador).




Página gerada pelo Sistema Currículo Lattes em 16/12/2018 às 16:29:20