Diego Furtado Silva

  • Endereço para acessar este CV: http://lattes.cnpq.br/7662777934692986
  • Última atualização do currículo em 08/01/2019


Professor Adjunto do Departamento de Computação da Universidade Federal de São Carlos (DC-UFSCar), possui gradução em Ciências de Computação e mestrado e doutorado em Ciências de Computação e Matemática Computacional, todos pelo Instituto de Ciências Matemáticas e de Computação da Universidade de São Paulo (ICMC-USP). Sua principal linha de atuação é a Mineração de Dados e suas aplicações, com maior foco em tarefas baseadas em grandes volumes de dados sequenciais contínuos (como séries temporais e sinais digitais). Além disso, possui experiência em pré-processamento de dados para Aprendizado de Máquina, tratamento de classes desbalanceadas e classificação de fluxo de dados. Coordena o grupo de pesquisa em Mineração de Dados e Aplicações (MIDAS), que atualmente contempla alunos de iniciação científica e mestrado. (Texto informado pelo autor)


Identificação


Nome
Diego Furtado Silva
Nome em citações bibliográficas
SILVA, D. F.;SILVA, DIEGO FURTADO;SILVA, DIEGO F.

Endereço


Endereço Profissional
Universidade Federal de São Carlos, Centro de Ciências Exatas e de Tecnologia, Departamento de Computação.
Universidade Federal de São Carlos
Jardim Guanabara
13565905 - São Carlos, SP - Brasil
Telefone: (16) 33518255
URL da Homepage: http://www2.dc.ufscar.br/~diego


Formação acadêmica/titulação


2014 - 2017
Doutorado em Ciências da Computação e Matemática Computacional.
Universidade de São Paulo, USP, Brasil.
com período sanduíche em University of California, Riverside (Orientador: Eamonn John Keogh).
Título: Large-Scale Similarity-Based Time Series Mining, Ano de obtenção: 2017.
Orientador: Gustavo Enrique de Almeida Prado Alves Batista.
Bolsista do(a): Fundação de Amparo à Pesquisa do Estado de São Paulo, FAPESP, Brasil.
2011 - 2014
Mestrado em Ciências de Computação e Matemática Computacional.
Universidade de São Paulo, USP, Brasil.
com período sanduíche em Columbia University (Orientador: Daniel P. W. Ellis).
Título: Classificação de séries temporais por similaridade e extração de atributos intrínsecos com aplicação na identificação de espécie de insetos,Ano de Obtenção: 2014.
Orientador: Gustavo Enrique de Almeida Prado Alves Batista.
Bolsista do(a): Fundação de Amparo à Pesquisa do Estado de São Paulo, FAPESP, Brasil.
Grande área: Ciências Exatas e da Terra
Grande Área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Inteligência Artificial / Especialidade: Aprendizado de Máquina.
2007 - 2011
Graduação em Bacharelado em Ciências de Computação.
Universidade de São Paulo, USP, Brasil.
Título: Classificação de Insetos Vetores de Doenças por Meio de Sensores Laser.
Orientador: Gustavo Enrique de Almeida Prado Alves Batista.
2002 - 2004
Curso técnico/profissionalizante.
Colégio Técnico Industrial "Isaac Portal Roldán ", CTI, Brasil.




Atuação Profissional



Universidade Federal de São Carlos, UFSCAR, Brasil.
Vínculo institucional

2017 - Atual
Vínculo: Servidor Público, Enquadramento Funcional: Professor Adjunto, Carga horária: 40, Regime: Dedicação exclusiva.

Atividades

10/2017 - Atual
Pesquisa e desenvolvimento , Centro de Ciências Exatas e de Tecnologia, .

08/2018 - 12/2018
Ensino, Engenharia de Computação, Nível: Graduação

Disciplinas ministradas
Projeto e Análise de Algoritmos
08/2018 - 12/2018
Ensino, Ciência da Computação, Nível: Pós-Graduação

Disciplinas ministradas
Tópicos em Inteligência Artificial: Aprendizado de Máquina - Algoritmos e Aplicações
02/2018 - 07/2018
Ensino, Ciência da Computação, Nível: Graduação

Disciplinas ministradas
Estruturas de Dados

Universidade de São Paulo, USP, Brasil.
Vínculo institucional

2012 - 2017
Vínculo: Colaborador, Enquadramento Funcional: Bolsista, Carga horária: 40, Regime: Dedicação exclusiva.


Fundação Centro de Pesquisa e Desenvolvimento em Telecomunicações, CPqD, Brasil.
Vínculo institucional

2010 - 2010
Vínculo: Colaborador, Enquadramento Funcional: Estagiário, Carga horária: 40, Regime: Dedicação exclusiva.


Planae Tecnologia da Informação, PLANAE, Brasil.
Vínculo institucional

2006 - 2007
Vínculo: Funcionário, Enquadramento Funcional: Desenvolvedor Web, Carga horária: 42, Regime: Dedicação exclusiva.

Atividades

5/2006 - 2/2007
Serviços técnicos especializados , Planae Tecnologia da Informação, .

Serviço realizado
Desenvolvimento e manutenção de aplicações web.

Universidade Estadual Paulista Júlio de Mesquita Filho, UNESP, Brasil.
Vínculo institucional

2003 - 2004
Vínculo: Livre, Enquadramento Funcional: Estagiário, Carga horária: 20

Atividades

09/2003 - 11/2004
Estágios , Faculdade de Arquitetura Artes e Comunicação de Bauru, .

Estágio realizado
Manutenção de laboratório de informática.


Linhas de pesquisa


1.
Inteligência Artificial
2.
Mineração de Dados
3.
Aprendizado de Máquina
4.
Recuperação de Informação Musical


Projetos de pesquisa


2018 - Atual
Mineração de dados para análise individual e de equipe em esportes coletivos
Descrição: Com o aprimoramento e a miniaturização de sensores capazes de obter e transmitir diversos tipos de dados, a Internet das Coisas vem ganhando cada vez mais espaço na pesquisa científica e no mercado. Dentre uma infinidade de aplicações de tal tecnologia está a análise esportiva. Especificamente, sensores têm auxiliado a análise estatística do desempenho de atletas. Dispositivos desse tipo já são capazes de transmitir dados como velocidade, batimento cardíaco e posicionamento de jogadores em tempo real. Esses dados são cada vez mais utilizados por equipes de elite em variados esportes, como futebol, basquete e rugby. Apesar do grande e valioso volume de informações obtido, as ferramentas de software atuais para exame de dados são desenvolvidas para análise visual e individualizada. Em outras palavras, os dados obtidos são somente apresentados por meio ferramentas de visualização para a equipe técnica. Para se realizar a análise coletiva dos atletas, os dados são exibidos individualmente por jogador ou exibidos em uma projeção do campo ou quadra, sem considerar qualquer tipo de relação entre os atletas. Na prática, as possibilidades de análise acabam se limitando à observação de fatores físicos, o que pode ajudar a evitar lesões e realizar treinamentos físicos personalizados para cada jogador. Por outro lado, o apoio a decisões táticas e de desempenho coletivo das equipes é praticamente nulo. O objetivo deste projeto é pesquisar e desenvolver ferramentas que auxiliam na melhor compreensão da atuação dos atletas, levando em conta o comportamento coletivo da equipe. Para isso, serão utilizadas técnicas de mineração de dados para encontrar padrões frequentes e atípicos nos dados obtidos por sensores utilizados pelos atletas de esportes coletivos, facilitando a análise do posicionamento e da interação de jogadores durante jogos e treinos. Ainda, será possível apontar quais os aspectos mais semelhantes ou distintos entre tais padrões para análise exploratória e extrair indicadores táticos coletivos a partir deles. Com isso, será possível auxiliar equipes técnicas a melhorar o desempenho individual e coletivo de suas equipes e tomar decisões relativas à adoção ou descarte de determinadas estratégias e treinamentos específicos..
Situação: Em andamento; Natureza: Pesquisa.
2017 - Atual
Armadilhas e Sensores Inteligentes: Uma Abordagem Inovadora para Controle de Insetos Peste e Vetores de Doenças
Descrição: Resumo em Português Indiscutivelmente, os insetos são importantes na agricultura, no meio ambiente e saúde pública. Muitas espécies são benéficas para o meio ambiente e para as pessoas. Por exemplo, insetos são responsáveis pela polinização de ao menos dois terços de todo o alimento consumido no mundo. Devido a esta importância para os seres humanos, o recente declínio nas populações de insetos polinizadores, principalmente as abelhas, é considerado um grave problema ambiental, frequentemente associado ao uso de pesticidas. Por outro lado, pragas agrícolas são responsáveis por destruir mais de 40 bilhões de dólares em alimentos por ano e determinadas espécies são vetores de doenças que matam mais de um milhão de pessoas anualmente, como a malária, dengue, febre chikungunya e zika vírus. Neste projeto de pesquisa, é proposta uma armadilha inteligente para a captura de espécies maléficas de insetos. A armadilha utiliza um sensor óptico que têm sido desenvolvido pela equipe deste projeto nos últimos anos, capaz de reconhecer automaticamente a espécie de insetos a partir de dados do batimento de asas dos insetos. O reconhecimento das espécies de insetos permitirá a criação de mapas de densidade em tempo real, que por sua vez podem ser utilizados para apoiar intervenções locais. Por exemplo, no caso de pragas agrícolas, estes mapas permitirão a aplicação inteligente e direcionada de inseticidas, reduzindo o impacto para o meio ambiente. No caso de insetos vetores de doenças, a armadilha poderá auxiliar na redução dos custos de intervenções sofisticadas e efetivas como a SIT (técnica do inseto estéril), mas que possuem um alto custo. Neste projeto, pretende-se expandir o estado-da-arte em Computação por meio desta aplicação real, especialmente nas áreas de Aprendizado de Máquina e Mineração de Fluxo de Dados. De modo a demonstrar os aspectos práticos desta proposta, as pesquisas serão concentradas na identificação de duas espécies: o psilídio asiático dos citros, vetor da doença de Greening, uma terrível doença que ataca árvores de citros e o Aedes aegypti, vetor da dengue, febre amarela e chikungya, e zika virus, recentemente associado a casos de microcefalia em recém-nascidos..
Situação: Em andamento; Natureza: Pesquisa.
2014 - 2016
Aprendizado de Máquina para WebSensors: Algoritmos e Aplicações
Descrição: A popularização de plataformas web para publicação de conteúdo textual tem motivado o desenvolvimento de métodos para extração automática de conhecimento implícito nos textos. Em particular, uma nova gama de estudos e aplicações tem sido proposta para explorar a web como um grande e poderoso "sensor social", permitindo identificar e monitorar vários tipos de eventos a partir de textos publicados em portais de notícias e redes sociais, como detecção de epidemias, análise de sentimentos, e a extração de indicadores políticos e econômicos. Atualmente, a construção de um sensor da web (websensor) é uma tarefa complexa, pois depende de especialistas de domínio para definição dos parâmetros do sensor, isto é, expressões para busca, filtros e monitoramentos de conteúdo textual da web. A necessidade de especialistas de domínio geralmente limita as aplicações envolvendo websensors, uma vez que em muitos problemas não há compreensão clara dos fenômenos que se deseja monitorar. Em vista disso, neste projeto de pesquisa são investigados métodos de aprendizado de máquina para apoiar a construção automática de websensors. A ideia básica é utilizar uma amostra de documentos textuais do domínio do problema e, em conjunto com algoritmos de aprendizado de máquina semi/não supervisionados, extrair padrões dos textos e assim apoiar a construção de websensors. Dessa forma, espera-se reduzir a dependência de um especialista para definição dos parâmetros dos sensores. Cada websensor aprendido a partir dos textos representa um determinado fenômeno relacionado ao domínio do problema que, então, pode ser monitorado ao longo do tempo e utilizado para apoiar processos de tomada de decisão..
Situação: Concluído; Natureza: Pesquisa.
Alunos envolvidos: Mestrado acadêmico: (3) Doutorado: (5) .
Integrantes: Diego Furtado Silva - Integrante / Gustavo Enrique de Almeida Prado Alves Batista - Integrante / Solange Oliveira Rezende - Coordenador / Ricardo Marcondes Marcacini - Integrante / Bruno Magalhães Nogueira - Integrante / Veronica Oliveira de Carvalho - Integrante / Antonio Rafael Sabino Parmezan - Integrante / Camila Vaccari Sundermann - Integrante / Fabiano Fernandes dos Santos - Integrante / Ivone Penque Matsuno - Integrante / Rafael Geraldeli Rossi - Integrante / Renan de Padua - Integrante / Roberta Akemi Sinoara - Integrante / Tatiana Ximenes - Integrante.Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.
2013 - 2015
Intelligent sensor for controlling agricultural pests and disease-vector insects
Descrição: Applications such as intelligent sensors should be able to collect environment information and to make decisions based on input data. An example is an under-development low-cost sensor to detect and classify insects in their species using laser light and machine learning techniques. This sensor is an important step towards the development of intelligent traps able to attract and selectively capture insect species of interest such as disease vectors or agricultural pests, without affecting the beneficial species. The data gathered by the sensor constitutes a data stream with non-stationary characteristics, since the insects metabolism is influenced by environmental conditions such as temperature, humidity and atmospheric pressure. This research grant proposal has two main objectives: the first one is to develop new algorithms to classify in real- time signals from the sensor obtained from the data stream; the second one is to technologically develop the sensor in order to allow the developed machine learning techniques to be embedded in the sensor..
Situação: Concluído; Natureza: Pesquisa.
Alunos envolvidos: Graduação: (0) / Mestrado acadêmico: (1) / Doutorado: (2) .
Integrantes: Diego Furtado Silva - Integrante / Gustavo Enrique de Almeida Prado Alves Batista - Coordenador / Eamonn J. Keogh - Integrante / Agenor Mafra Neto - Integrante / Rafael Giusti - Integrante / Vinícius Mourão Alves de Souza - Integrante / Solange Oliveira Rezende - Integrante.Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.
2012 - 2014
Invariância à Complexidade em Classificação, Agrupamento e Descoberta de Motifs em Séries Temporais
Descrição: Há recentemente um crescente interesse no processamento de séries temporais devido a grande quantidade de domínios de aplicação que geram dados com essa característica. Esse interesse pode ser medido pela vasta quantidade de métodos recentemente propostos na literatura para tarefas como classificação, agrupamento, sumarização, detecção de anomalias e descoberta de motifs. Estudos recentes têm mostrado que para muitos problemas, os métodos baseados em similaridade apresentam uma eficácia difícil de ser superada, mesmo por métodos mais sofisticados. Isso se deve em grande parte pelo fato de que a comunidade tem estudado e proposto diversas invariâncias para medidas de distância entre séries temporais. As invariâncias fazem com que as medidas de distância ignorem determinadas características indesejadas dos dados. O exemplo mais conhecido é a invariância às diferenças locais na escala de tempo, obtida pela técnica de warping. Outras invariâncias incluem a invariância às diferenças de amplitude e offset, fase e oclusão. Recentemente foi demonstrado à comunidade científica que métodos de classificação de séries temporais por similaridade podem ser muito beneficiados por uma nova invariância: invariância à complexidade. O principal objetivo deste projeto de pesquisa é investigar novas medidas de distância invariantes à complexidade e avaliar o quanto essas medidas podem melhorar a eficácia, sobretudo de algoritmos de agrupamento e descoberta de motifs..
Situação: Concluído; Natureza: Pesquisa.
Alunos envolvidos: Mestrado acadêmico: (1) Doutorado: (2) .
Integrantes: Diego Furtado Silva - Integrante / Gustavo Enrique de Almeida Prado Alves Batista - Coordenador / Eamonn J. Keogh - Integrante / Rafael Giusti - Integrante / Vinícius Mourão Alves de Souza - Integrante / Solange Oliveira Rezende - Integrante / Ronaldo Cristiano Prati - Integrante.Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.


Revisor de periódico


2017 - Atual
Periódico: KNOWLEDGE AND INFORMATION SYSTEMS


Áreas de atuação


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


Idiomas


Espanhol
Compreende Razoavelmente, Fala Razoavelmente, Lê Bem, Escreve Bem.
Inglês
Compreende Bem, Fala Razoavelmente, Lê Bem, Escreve Razoavelmente.


Prêmios e títulos


2018
2nd place (PhD Thesis) in XXXI Best PhD Theses / MSc Dissertations Contest on Computer Science., Brazilian Computer Society.
2018
1st place (PhD Thesis) in Latin American Doctoral Thesis Contest., Latin American Center for Studies in Information Technology (CLEI).
2016
SIAM Travel Award - SIAM International Conference on Data MIning, SIAM.
2016
ICDM 2016 Student Travel Award, IEEE.
2016
KDD Travel Award, ACM SIGKDD.
2015
2nd place (MSc Dissertations) in XXVIII Best DSc Theses / MSc Dissertations Contest on Computer Science areas concluded in Brazil in 2014, Brazilian Computer Society.
2014
3rd place (MSc Dissertations) in IX Best DSc Theses / MSc Dissertations Contest in Artificial and Computational Intelligence - June 2012 to May 2014, Joint Conference on Robotics and Intelligent Systems.


Produções



Produção bibliográfica
Artigos completos publicados em periódicos

1.
SILVA, DIEGO F.2018 SILVA, DIEGO F.; GIUSTI, RAFAEL ; KEOGH, EAMONN ; Batista, Gustavo E. A. P. A. . Speeding up similarity search under dynamic time warping by pruning unpromising alignments. DATA MINING AND KNOWLEDGE DISCOVERY, v. 32, p. 988-1016, 2018.

2.
SILVA, DIEGO FURTADO2018SILVA, DIEGO FURTADO; YEH, CHIN-CHIA MICHAEL ; ZHU, YAN ; BATISTA, GUSTAVO ; KEOGH, EAMONN . Fast Similarity Matrix Profile for Music Analysis and Exploration. IEEE TRANSACTIONS ON MULTIMEDIA, v. 1, p. 1-1, 2018.

3.
DAU, HOANG ANH2018DAU, HOANG ANH ; SILVA, DIEGO FURTADO ; PETITJEAN, FRANÇOIS ; FORESTIER, GERMAIN ; BAGNALL, ANTHONY ; MUEEN, ABDULLAH ; KEOGH, EAMONN . Optimizing dynamic time warping?s window width for time series data mining applications. DATA MINING AND KNOWLEDGE DISCOVERY, v. 32, p. 1074-1120, 2018.

4.
YEH, CHIN-CHIA MICHAEL2017YEH, CHIN-CHIA MICHAEL ; ZHU, YAN ; ULANOVA, LIUDMILA ; BEGUM, NURJAHAN ; DING, YIFEI ; DAU, HOANG ANH ; ZIMMERMAN, ZACHARY ; SILVA, DIEGO FURTADO ; MUEEN, ABDULLAH ; KEOGH, EAMONN . Time series joins, motifs, discords and shapelets: a unifying view that exploits the matrix profile. DATA MINING AND KNOWLEDGE DISCOVERY, v. 32, p. 83-123, 2017.

5.
SILVA, DIEGO F.2015SILVA, DIEGO F.; SOUZA, VINÍCIUS M. A. ; ELLIS, DANIEL P. W. ; KEOGH, EAMONN J. ; BATISTA, GUSTAVO E. A. P. A. . Exploring Low Cost Laser Sensors to Identify Flying Insect Species. Journal of Intelligent & Robotic Systems, v. 1, p. 1-18, 2015.

6.
PRATI, R. C.2014 PRATI, R. C. ; Batista, Gustavo E. A. P. A. ; SILVA, D. F. . Class imbalance revisited: a new experimental setup to assess the performance of treatment methods. Knowledge and Information Systems (Print), v. 45, p. 247-270, 2014.

7.
SILVA, DIEGO FURTADO2013SILVA, DIEGO FURTADO; SOUZA, VINÍCIUS MOURÃO ALVES DE ; BATISTA, GUSTAVO ENRIQUE ALMEIDA PRADO ALVES . A comparative study between MFCC and LSF coefficients in automatic recognition of isolated digits pronounced in Portuguese and English - doi: 10.4025/actascitechnol.v35i4.19825. Acta Scientiarum. Technology (Impresso), v. 35, p. 621-628, 2013.

Trabalhos completos publicados em anais de congressos
1.
PADUA, R. ; CARVALHO, V. O. ; REZENDE, S. O. ; SILVA, D. F. . Exploring Musical Relations Using Association Rule Networks. In: 2018 International Society for Music Information Retrieval Conference (ISMIR), 2018, Paris. Proceedings of the International Society for Music Information Retrieval Conference, 2018.

2.
SILVA, D. F.; FALCAO, F. V. ; ANDRADE, N. . Summarizing and Comparing Music Data and its Application on Cover Song Identification. In: 2018 International Society for Music Information Retrieval Conference (ISMIR), 2018, Paris. Proceedings of the International Society for Music Information Retrieval Conference, 2018.

3.
REIS, D. M. ; MALETZKE, A. G. ; SILVA, D. F. ; Batista, G. E. A. P. A. . Classifying and Counting with Recurrent Contexts. In: ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2018, Londres. Proceedings of the 24th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2018.

4.
SILVA, D. F.; BATISTA, G. E. A. P. A. . Elastic Time Series Motifs and Discords. In: IEEE International Conference on Machine Learning and Applications, 2018, Orlando. IEEE International Conference on Machine Learning and Applications, 2018.

5.
DAU, HOANG ANH ; SILVA, DIEGO FURTADO ; PETITJEAN, FRANCOIS ; FORESTIER, GERMAIN ; BAGNALL, ANTHONY ; KEOGH, EAMONN . Judicious setting of Dynamic Time Warping's window width allows more accurate classification of time series. In: 2017 IEEE International Conference on Big Data (Big Data), 2017, Boston. 2017 IEEE International Conference on Big Data (Big Data), 2017. p. 917.

6.
SILVA, DIEGO F.; BATISTA, GUSTAVO E. A. P. A. . Speeding Up All-Pairwise Dynamic Time Warping Matrix Calculation. In: SIAM International Conference on Data Mining (SDM), 2016, Miami. Proceedings of the SIAM International Conference on Data Mining, 2016. p. 837-845.

7.
SILVA, D. F.; Yeh, C.-C. M. ; Batista, G. E. A. P. A. ; Keogh, E. . SiMPle: Assessing Music Similarity Using Subsequences Joins. In: International Society for Music Information Retrieval Conference, 2016, New York. Proceedings of the 17th International Society for Music Information Retrieval Conference, 2016. p. 23-29.

8.
SILVA, DIEGO F.; BATISTA, GUSTAVO E. A. P. A. ; KEOGH, EAMONN . Prefix and Suffix Invariant Dynamic Time Warping. In: IEEE International Conference on Data Mining, 2016, Barcelona. Proceedings of the IEEE International Conference on Data Mining, 2016. p. 1209-1214.

9.
YEH, C. M. ; ZHU, Y. ; ULANOVA, L. ; BEGUM, N. ; DING, Y. ; DAU, H. A. ; SILVA, DIEGO F. ; MUEEN, A. ; Keogh, E. . MatrixProfile I: All Pairs Similarity Joins for Time Series: A Unifying View that Includes Motifs, Discords and Shapelets. In: IEEE International Conference on Data Mining, 2016, Barcelona. Proceedings of the IEEE International Conference on Data Mining, 2016. p. 1317-1322.

10.
GIUSTI, RAFAEL ; SILVA, DIEGO F. ; Batista, Gustavo E. A. P. A. . Improved Time Series Classification with Representation Diversity and SVM. In: 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA), 2016, Anaheim. 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA), 2016. p. 1.

11.
SOUZA, VINÍCIUS M. A. ; SILVA, DIEGO F. ; GAMA, JOÃO ; BATISTA, GUSTAVO E. A. P. A. . Data Stream Classification Guided by Clustering on Nonstationary Environments and Extreme Verification Latency. In: SIAM International Conference on Data Mining, 2015, Vancouver, Canadá. Proceedings of the SIAM International Conference on Data Mining, 2015. p. 873-881.

12.
GIUSTI, R. ; SILVA, D. F. ; BATISTA, G. E. A. P. A. . Time Series Classification with Representation Ensembles. In: International Symposium on Intelligent Data Analysis, 2015, Saint-Etienne. Proceedings of the 14th International Symposium on Intelligent Data Analysis, 2015. p. 108-119.

13.
SILVA, D. F.; SOUZA, V. M. A. ; Batista, G. E. A. P. A. . Music Shapelets for Fast Cover Song Recognition. In: International Society for Music Information Retrieval Conference, 2015, Malaga. Proceedings of the 16th International Society for Music Information Retrieval Conference, 2015. p. 441-447.

14.
SOUZA, VINICIUS M.A. ; SILVA, DIEGO F. ; BATISTA, GUSTAVO E.A.P.A. ; GAMA, JOAO . Classification of Evolving Data Streams with Infinitely Delayed Labels. In: 2015 IEEE 14th International Conference on Machine Learning and Applications (ICMLA), 2015, Miami. 2015 IEEE 14th International Conference on Machine Learning and Applications (ICMLA), 2015. p. 214-219.

15.
SOUZA, VINICIUS M.A. ; SILVA, DIEGO F. ; BATISTA, GUSTAVO E.A.P.A. . Extracting Texture Features for Time Series Classification. In: 2014 22nd International Conference on Pattern Recognition (ICPR), 2014, Stockholm. 2014 22nd International Conference on Pattern Recognition. p. 1425-1430.

16.
LEMES, CRISTIANO INACIO ; SILVA, DIEGO FURTADO ; BATISTA, GUSTAVO E.A.P.A. . Adding Diversity to Rank Examples in Anytime Nearest Neighbor Classification. In: 2014 13th International Conference on Machine Learning and Applications (ICMLA), 2014, Detroit. 2014 13th International Conference on Machine Learning and Applications, 2014. p. 129-134.

17.
SILVA, D. F.; ROSSI, R. G. ; REZENDE, S. O. ; BATISTA, G. E. A. P. A. . Music Classification by Transductive Learning Using Bipartite Heterogeneous Networks. In: International Society for Music Information Retrieval Conference, 2014, Taipé, Taiwan. Proceedings of the 15th International Society for Music Information Retrieval Conference, 2014. p. 113-118.

18.
SILVA, D. F.; PAPADOPOULOS, H. ; BATISTA, G. E. A. P. A. ; ELLIS, D. P. W. . A Video Compression-based Approach To Measure Music Structural Similarity. In: International Society for Music Information Retrieval Conference, 2013, Curitiba. Proceedings of the 14th International Society for Music Information Retrieval Conference, 2013. p. 95-100.

19.
SOUZA, VINICIUS M.A. DE ; SILVA, DIEGO F. ; BATISTA, GUSTAVO E.A.P.A. . Classification of Data Streams Applied to Insect Recognition: Initial Results. In: 2013 Brazilian Conference on Intelligent Systems (BRACIS), 2013, Fortaleza. 2013 Brazilian Conference on Intelligent Systems. p. 76-81.

20.
SOUZA, V. M. A. ; SILVA, D. F. ; BATISTA, G. E. A. P. A. ; GARCIA, P. R. P. . Avaliação de Classificadores para o Reconhecimento Automático de Insetos. In: Encontro Nacional de Inteligência Artificial e Computacional, 2013, Fortaleza. Anais do X Encontro Nacional de Inteligência Artificial e Computacional, 2013. p. 1-12.

21.
SILVA, DIEGO F.; SOUZA, VINICIUS M.A. DE ; BATISTA, GUSTAVO E.A.P.A. . Time Series Classification Using Compression Distance of Recurrence Plots. In: 2013 IEEE International Conference on Data Mining (ICDM), 2013, Dallas. 2013 IEEE 13th International Conference on Data Mining. p. 687-696.

22.
SILVA, DIEGO F.; SOUZA, VINICIUS M.A. DE ; BATISTA, GUSTAVO E.A.P.A. ; KEOGH, EAMONN ; ELLIS, DANIEL P.W. . Applying Machine Learning and Audio Analysis Techniques to Insect Recognition in Intelligent Traps. In: 2013 12th International Conference on Machine Learning and Applications (ICMLA), 2013, Miami. 2013 12th International Conference on Machine Learning and Applications. p. 99-104.

23.
SILVA, D. F.; SOUZA, V. M. A. ; BATISTA, G. E. A. P. A. ; GIUSTI, R. . Spoken Digit Recognition in Portuguese Using Line Spectral Frequencies. In: The 13th Ibero-American Conference on Artificial Intelligence, 2012, Cartagena de Índias. Lecture Notes in Computer Science - Advances in Artificial Intelligence (IBERAMIA 2012), 2012. v. 7637. p. 241-250.

24.
BATISTA, GUSTAVO ; SILVA, DIEGO FURTADO ; PRATI, RONALDO CRISTIANO . An Experimental Design to Evaluate Class Imbalance Treatment Methods. In: 2012 Eleventh International Conference on Machine Learning and Applications (ICMLA), 2012, Boca Raton. 2012 11th International Conference on Machine Learning and Applications. v. 2. p. 95-101.

25.
SILVA, D. F.; BATISTA, G. E. A. P. A. ; KEOGH, E. J. ; MAFRA NETO, A. . Resultados Preliminares na Classificação de Insetos Utilizando Sensores Ópticos. In: XXXI Congresso da Sociedade Brasileira de Computação, 2011, Natal - RN. Anais do XXXI Congresso da Sociedade Brasileira de Computação, 2011. p. 749-760.

26.
BATISTA, G. E. A. P. A. ; SILVA, D. F. . How k-Nearest Neighbor Parameters Affect its Performance. In: Argentine Symposium on Artificial Intelligence, 2009, Mar del Plata. Proceedings of the Argentine Symposium on Artificial Intelligence, 2009. p. 1-12.

27.
SILVA, D. F.; BATISTA, G. E. A. P. A. . Uma Comparação Experimental de Métodos de Imputação de Valores Desconhecidos. In: IV Congresso da Academia Trinacional de Ciências, 2009, Foz do Iguaçu. Anais do IV Congresso da Academia Trinacional de Ciências, 2009. p. 1-10.


Demais tipos de produção técnica
1.
SILVA, D. F.; NASCIMENTO, F. C. ; ADAMI, B. J. . Paradigmas de Programação - Qual é o Problema?. 2013. (Curso de curta duração ministrado/Outra).

2.
SILVA, D. F.; BATISTA, G. E. A. P. A. . Tratamento de Classes Desbalanceadas por Métodos de Amostragem com Implementações no Weka. 2010. (Relatório de pesquisa).

3.
SILVA, D. F.; BATISTA, G. E. A. P. A. . Tratamento de Valores Desconhecidos em Aprendizado de Máquina Supervisionado. 2009. (Relatório de pesquisa).

4.
SILVA, D. F.. Começando a Programar em PHP. 2007. (Curso de curta duração ministrado/Outra).

5.
SILVA, D. F.. Introdução à Programação Web Utilizando PHP e MySQL. 2007. (Curso de curta duração ministrado/Outra).



Eventos



Participação em eventos, congressos, exposições e feiras
1.
2018 International Society for Music Information Retrieval Conference (ISMIR). Summarizing and comparing music data and its application on cover song identification. 2018. (Congresso).

2.
ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. (Congresso).

3.
IEEE International Conference on Data Mining. IEEE International Conference on Data Mining. 2016. (Congresso).

4.
International Society for Music Information Retrieval Conference. SiMPle: Assessing Music Similarity Using Subsequences Joins. 2016. (Congresso).

5.
SIAM International Conference on Data Mining (SDM). Speeding Up All-Pairwise Dynamic Time Warping Matrix Calculation. 2016. (Congresso).

6.
IEEE International Conference on Machine Learning and Applications. Classification of Evolving Data Streams with Infinitely Delayed Labels. 2015. (Congresso).

7.
International Society for Music Information Retrieval Conference. Music Shapelets for Fast Cover Song Recognition. 2015. (Congresso).

8.
The Fourteenth International Symposium on Intelligent Data Analysis.Time Series Classification with Representation Ensembles. 2015. (Simpósio).

9.
International Society for Music Information Retrieval Conference. Music Classification by Transductive Learning Using Bipartite Heterogeneous Networks. 2014. (Congresso).

10.
2012 Eleventh International Conference on Machine Learning and Applications (ICMLA). Applying Machine Learning and Audio Analysis Techniques to Insect Recognition in Intelligent Traps. In: 12th International Conference on Machine Learning and Applications. 2013. (Congresso).

11.
2013 IEEE International Conference on Data Mining (ICDM). Time Series Classification Using Compression Distance of Recurrence Plots. 2013. (Congresso).

12.
International Society for Music Information Retrieval Conference. A Video Compression-based Approach To Measure Music Structural Similarity. 2013. (Congresso).

13.
The 13th Ibero-American Conference on Artificial Intelligence. Spoken Digit Recognition in Portuguese Using Line Spectral Frequencies. 2012. (Congresso).

14.
XVII Maratona de Programação. Finalista nacional - Coach. 2012. (Olimpíada).

15.
XVI Maratona de Programação. Finalista nacional - Coach. 2011. (Olimpíada).

16.
XXXI Congresso da Sociedade Brasileira de Computação. Resultados Preliminares na Classificação de Insetos Utilizando Sensores Ópticos. 2011. (Congresso).

17.
18º Simpósio Internacional de Iniciação Científica da USP.Tratamento de Classes Desbalanceadas por Métodos de Amostragem com Implementações no Weka. 2010. (Simpósio).

18.
XV Maratona de Programação. Finalista Nacional. 2010. (Olimpíada).

19.
12ª Semana da Computação - ICMC - USP. 2009. (Outra).

20.
17º Simpósio Internacional de Iniciação Científica da USP.Tratamento de Valores Desconhecidos em Aprendizado de Máquina Supervisionado. 2009. (Simpósio).

21.
Argentine Symposium on Artificial Intelligence.How K-NEAREST NEIGHBOR Parameters Affect its Performance. 2009. (Simpósio).

22.
IV Congresso da Academia Trinacional de Ciências. Uma Comparação Experimental de Métodos de Imputação de Valores Desconhecidos. 2009. (Congresso).

23.
XIV Maratona de Programação. Finalista Nacional. 2009. (Olimpíada).

24.
11ª Semana da Computação - ICMC - USP. 2008. (Outra).

25.
10ª Semana da Computação - ICMC - USP.Começando a Programar em PHP. 2007. (Outra).

26.
7ª Jornada de Informática - FC - UNESP - Bauru. 2005. (Outra).



Orientações



Orientações e supervisões em andamento
Dissertação de mestrado
1.
Lord Flaubert Steve Ataucuri Cruz. Deep Learning-Based Strategies for Financial Applications. Início: 2018. Dissertação (Mestrado profissional em Ciência da Computação) - Universidade Federal de São Carlos. (Orientador).

2.
Danilo Rodrigues dos Santos. Self-Adapting Decision Forests for Data Streams Classification With Concept Drift. Início: 2018. Dissertação (Mestrado profissional em Ciência da Computação) - Universidade Federal de São Carlos. (Orientador).

3.
Guilherme Barduchi de Lima. Discovering collective patterns from multiple temporal data sources. Início: 2018. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de São Carlos, Conselho Nacional de Desenvolvimento Científico e Tecnológico. (Orientador).

Iniciação científica
1.
Caio Luiggy Riyoichi Sawada Ueno. Lyrics-based music genre classification using deep neural networks. Início: 2018. Iniciação científica (Graduando em Ciência da Computação) - Universidade Federal de São Carlos. (Orientador).

2.
Micael Valterlânio da Silva. Music genre classification using deep neural networks and varied visual representations of audio. Início: 2018. Iniciação científica (Graduando em Engenharia de Computação) - Universidade Federal de São Carlos. (Orientador).

3.
Claudia Rincon Sanches. A study on Machine Learning platforms: their characteristics, functionalities, and limitations. Início: 2018. Iniciação científica (Graduando em Ciência da Computação) - Universidade Federal de São Carlos. (Orientador).


Orientações e supervisões concluídas
Trabalho de conclusão de curso de graduação
1.
Felipe Khoji Myose. Fusão de estratégias para melhoria da medida de distância Dynamic Time Warping para alinhamento de séries temporais. 2018. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal de São Carlos. Orientador: Diego Furtado Silva.



Educação e Popularização de C & T



Cursos de curta duração ministrados
1.
SILVA, D. F.; NASCIMENTO, F. C. ; ADAMI, B. J. . Paradigmas de Programação - Qual é o Problema?. 2013. (Curso de curta duração ministrado/Outra).




Página gerada pelo Sistema Currículo Lattes em 20/01/2019 às 16:09:29