Aline Marins Paes Carvalho

  • Endereço para acessar este CV: http://lattes.cnpq.br/0506389215528790
  • Última atualização do currículo em 02/01/2019


Aline Paes é professora adjunta do Instituto de Computação da Universidade Federal Fluminense (UFF). É mestre e doutora em Engenharia de Sistemas e Computação, com ênfase em Inteligência Artificial, pela COPPE-Sistemas, UFRJ, tendo feito estágio de doutoramento (sanduíche) por um ano no Imperial College London, UK, sob a supervisão do Professor Stephen Muggleton. Foi bolsista do CNPq de pós-doutorado júnior na COPPE-Sistemas, UFRJ, sob a supervisão do professor Valmir Carneiro Barbosa. Aline Paes atua na área de Ciência da Computação, com ênfase em Inteligência Artificial, com interesses e contribuições nos seguintes temas: aprendizado de máquina relacional, integrado a técnicas neurais, estatísticas e lógicas, atualização e adaptação de modelos por aprendizado online, revisão de teorias e aprendizado por transferência, IA explicável, indução de programas, processamento de linguagem natural, jogos e IA social. Seu nome era Aline Marins Paes até 2010. (Texto informado pelo autor)


Identificação


Nome
Aline Marins Paes Carvalho
Nome em citações bibliográficas
PAES, A.;PAES, ALINE

Endereço


Endereço Profissional
Universidade Federal Fluminense, Instituto de Computação.
Rua Passo da Pátria 156 - Bloco da Computação - Sala 530
São Domingos
24210240 - Niterói, RJ - Brasil
Telefone: (21) 26295678
URL da Homepage: www.ic.uff.br/~alinepaes


Formação acadêmica/titulação


2005 - 2011
Doutorado em Engenharia de Sistemas e Computação.
Universidade Federal do Rio de Janeiro, UFRJ, Brasil.
com período sanduíche em Imperial College of Science, Technology and Medicine (Orientador: Stephen Muggleton).
Título: On the Effective Revision of (Bayesian) Logic Programs from Examples, Ano de obtenção: 2011.
Orientador: Gerson Zaverucha e Vítor Manuel de Morais Santos Costa.
Bolsista do(a): Conselho Nacional de Desenvolvimento Científico e Tecnológico, CNPq, Brasil.
Palavras-chave: Aprendizado de Máquina; Aprendizado Estatístico Relacional; Aprendizado Relacional; Busca Local Estocástica; ILP; Revisão de teoria.
Grande área: Ciências Exatas e da Terra
Grande Área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Metodologia e Técnicas da Computação / Especialidade: Inteligencia Artificial.
2003 - 2005
Mestrado em Engenharia de Sistemas e Computação.
Universidade Federal do Rio de Janeiro, UFRJ, Brasil.
Título: PFORTE: Revisão de Teorias Probabilísticas de Primeira-ordem através de Exemplos,Ano de Obtenção: 2005.
Orientador: Gerson Zaverucha e Vítor Manuel de Morais Santos Costa.
Bolsista do(a): Coordenação de Aperfeiçoamento de Pessoal de Nível Superior, CAPES, Brasil.
Palavras-chave: Aprendizado de Máquina; ILP; Revisão de teoria; Lógica de Primeira-ordem; Redes Bayesianas.
Grande área: Ciências Exatas e da Terra
Grande Área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Metodologia e Técnicas da Computação / Especialidade: Inteligencia Artificial.
1999 - 2003
Graduação em Bacharel em Informática e Tecnologia da Informação.
Universidade do Estado do Rio de Janeiro, UERJ, Brasil.
Título: Recuperação de informações em arquivos compactados e indexados.
Orientador: Paulo Eustáquio Duarte Pinto.


Pós-doutorado


2012 - 2013
Pós-Doutorado.
Universidade Federal do Rio de Janeiro, UFRJ, Brasil.
Bolsista do(a): Conselho Nacional de Desenvolvimento Científico e Tecnológico, CNPq, Brasil.
Grande área: Ciências Exatas e da Terra


Formação Complementar


2003 - 2003
Linguagem de Programação Java (SL275). (Carga horária: 45h).
Sun Microsystems, SUN, Brasil.


Atuação Profissional



Universidade Federal Fluminense, UFF, Brasil.
Vínculo institucional

2013 - Atual
Vínculo: Servidor Público, Enquadramento Funcional: Professora Adjunta III, Carga horária: 40, Regime: Dedicação exclusiva.

Atividades

03/2017 - Atual
Ensino, CIÊNCIAS DA COMPUTAÇÃO, Nível: Pós-Graduação

Disciplinas ministradas
Aprendizado de Máquina para Processamento de Linguagem Natural
Inteligência Artificial
06/2015 - Atual
Conselhos, Comissões e Consultoria, Instituto de Computação, .

Cargo ou função
Membro da Comissão de Quadro de Horários.
02/2015 - Atual
Conselhos, Comissões e Consultoria, Instituto de Computação, .

Cargo ou função
Membro do Núcleo Docente Estruturante do Curso de Graduação em Ciência da Computação.
04/2013 - Atual
Ensino, Ciência da Computação, Nível: Graduação

Disciplinas ministradas
Compiladores
Estruturas de Dados para Engenharia
Inteligência Artificial
Programação de Computadores I e II
Programação Orientada a Objetos
02/2013 - Atual
Pesquisa e desenvolvimento , Instituto de Computação, .

07/2014 - 12/2017
Conselhos, Comissões e Consultoria, Instituto de Computação, .

Cargo ou função
Membro Suplente do Colegiado do Curso de Graduação em Ciência da Computação.
10/2014 - 10/2016
Conselhos, Comissões e Consultoria, Instituto de Computação, .

Cargo ou função
Membro Suplente da Comissão Especial de Inteligência Artificial.
07/2013 - 03/2016
Conselhos, Comissões e Consultoria, Centro Tecnológico, Escola de Engenharia.

Cargo ou função
Membro titular do colegiado do curso de graduação em Engenharia de Telecomunicações.

Universidade Federal do Rio de Janeiro, UFRJ, Brasil.
Vínculo institucional

2012 - 2013
Vínculo: Bolsista, Enquadramento Funcional: Pesquisadora recém-doutora, Regime: Dedicação exclusiva.

Vínculo institucional

2010 - 2012
Vínculo: Professor substituto, Enquadramento Funcional: Professor substituto, Carga horária: 20
Outras informações
Professora substituta no Departamento de Ciência da Computação, Instituto de Matemática

Vínculo institucional

2005 - 2011
Vínculo: Doutoranda, Enquadramento Funcional: Aluna de doutorado, Carga horária: 40

Atividades

08/2011 - 12/2012
Ensino, Engenharia, Nível: Graduação

Disciplinas ministradas
Computação II
01/2011 - 07/2011
Ensino, Matemática, Nível: Graduação

Disciplinas ministradas
Computação II
08/2010 - 07/2011
Ensino, Ciências Matemáticas e da Terra, Nível: Graduação

Disciplinas ministradas
Computação I - Linguagem Python
08/2010 - 12/2010
Ensino, Engenharia - básico, Nível: Graduação

Disciplinas ministradas
Computação I - Linguagem Python

Universidade Aberta do Brasil, UAB, Brasil.
Vínculo institucional

2012 - 2012
Vínculo: Colaborador, Enquadramento Funcional: Orientador de Trabalho de Conclusão de Curso, Carga horária: 10

Atividades

02/2012 - 08/2012
Ensino, Planejamento, Implementação e Gestão da EaD, Nível: Especialização

Disciplinas ministradas
Orientador de Trabalho Final de Curso

Centro Universitário Plínio Leite, UNIPLI, Brasil.
Vínculo institucional

2010 - 2012
Vínculo: Celetista formal, Enquadramento Funcional: Professor assistente, Carga horária: 10

Atividades

02/2012 - 12/2012
Ensino, Ciência da Computação, Nível: Graduação

Disciplinas ministradas
Inteligência Artificial
Sistemas Operacionais
08/2010 - 01/2012
Ensino, Ciência da computação, Nível: Graduação

Disciplinas ministradas
Introdução a organização de computadores
Lógica
Sistemas Operacionais I
05/2010 - 07/2010
Ensino, Ciência da computação, Nível: Graduação

Disciplinas ministradas
Inteligência Artificial
Linguagem C

ABEU Centro Universitário, UNIABEU, Brasil.
Vínculo institucional

2006 - 2010
Vínculo: Professor, Enquadramento Funcional: Professor Assistente Horista, Carga horária: 4

Atividades

08/2010 - 12/2010
Ensino, Análise e Desenvolvimento de Sistemas, Nível: Graduação

Disciplinas ministradas
Negócios na Internet
02/2010 - 07/2010
Ensino, Análise e Desenvolvimento de Sistemas, Nível: Graduação

Disciplinas ministradas
Negócios na Internet
Projeto de Banco de Dados
08/2009 - 02/2010
Ensino, Tecnologia em Redes de Computadores, Nível: Graduação

Disciplinas ministradas
Banco de Dados
Sistemas de Computação
Sistemas Operacionais I
07/2006 - 06/2008
Ensino, Análise e Desenvolvimento de Sistemas, Nível: Graduação

Disciplinas ministradas
Tópicos Especiais em Computação (Mineração de Dados)
Programação Orientada a Objetos
Algoritmos
02/2006 - 12/2007
Ensino, Sistemas de Informação, Nível: Graduação

Disciplinas ministradas
Análise e Projeto de Sistemas Orientado a Objetos
Inteligência Artificial
02/2006 - 12/2007
Ensino, Tecnologia em Informatica, Nível: Graduação

Disciplinas ministradas
Redes de Computadores

Universidade Iguaçu, UNIG, Brasil.
Vínculo institucional

2008 - 2010
Vínculo: Professor, Enquadramento Funcional: Professor Assistente Horista, Carga horária: 4

Atividades

07/2009 - 01/2010
Ensino, Sistemas de Informação, Nível: Graduação

Disciplinas ministradas
Estruturas de Dados II
Lógica Matemática
01/2008 - 07/2008
Ensino, Sistemas de Informação, Nível: Graduação

Disciplinas ministradas
Estruturas de Dados II
Lógica para Computação


Linhas de pesquisa


1.
Relational Machine Learning
2.
Structured Prediction Learning
3.
Transfer Learning
4.
Online (Reinforcement) Learning
5.
Learning Representations (with Deep Learning)


Projetos de pesquisa


2019 - Atual
MEAnS: Aprendizado de Máquina Explicável com Aplicações para o Bem-Estar Social
Descrição: A área recentemente denominada de Inteligência Artificial (IA) para o bem-estar social (\textit{"AI for Social Good"}) investiga como desenvolver soluções baseadas em IA para resolver problemas da sociedade atual, tendo como inspiração as metas de desenvolvimento sustentável (MDS) estabelecidas pelas Nações Unidas. Argumenta-se que, tais metas e suas respectivas soluções são essenciais para alavancar o desenvolvimento das sociedades atuais, em termos de prosperidade, igualdade, democracia, e qualidade de vida, sem comprometer as gerações futuras. Entretanto, acreditamos que, por mais benéficas que sejam tais soluções baseadas em IA, elas não serão bem aceitas pela sociedade e governos se não oferecerem um processo de decisão transparente. Assim, nesse projeto, temos como foco desenvolver soluções de Aprendizado de Máquina para abordar alguns dos problemas citados nas MDS utilizando predições explicáveis. Serão desenvolvidos métodos baseados em Aprendizado Relacional e Aprendizado por Reforço, uma vez que os problemas selecionados estão ou em formato estruturado ou requerem um processo sequencial, contínuo, e adaptativo de tomada de decisão, justificando, respectivamente, o uso das duas sub-áreas mencionadas. Em ambos os casos, utilizaremos representações latentes embutidas em um espaço Euclidiano, de forma a se aproveitar de implementações recentes de Aprendizado Profundo (\textit{Deep Learning}). Ao mesmo tempo, ao desenvolver técnicas fundamentadas em IA explicável, aliviaremos o aspecto de caixa-preta oriundo do aprendizado baseado em representações latentes inerente aos métodos de Aprendizado Profundo. Para extrair as explicações do processo de inferência, nos valeremos de métodos de argumentação em lógica e diagramas de causalidade, de forma a conectar as causas relevantes e suas respectivas consequências que conduzem à resposta retornada pelo método. Esperamos, com isso, obter soluções que terão alto impacto na solução de problemas comuns da sociedade, ao mesmo tempo em que contribuiremos cientificamente com o estado-da-arte em Aprendizado de Máquina, com o desenvolvimento de métodos de inferência transparente e explicável..
Situação: Em andamento; Natureza: Pesquisa.
Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (2) / Doutorado: (5) .
Integrantes: Aline Marins Paes Carvalho - Coordenador / Valmir Carneiro Barbosa - Integrante / Esteban Clua - Integrante / Daniel de Oliveira - Integrante / Paulo Mann - Integrante / Henrique Bueno - Integrante / Sidney Araújo Melo - Integrante / Ashey Noblega - Integrante / Jéssica Soares dos Santos - Integrante / Marcelo Andrade R. D'Almeida - Integrante / Wallace Ferreira Baleroni - Integrante / Júlia Figueiredo Simão Falcão - Integrante.Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.
2018 - Atual
Soluções Computacionais baseadas em Inteligência Artificial para Uso Eficiente dos Dados do Campo de Libra
Descrição: Construir um ambiente de análise semântica, desenvolver um sistema baseado em IA para uso no ambiente semântico e construir modelos de Aprendizado de Máquina a partir dos dados coletados no ambiente semântico..
Situação: Em andamento; Natureza: Pesquisa.
Alunos envolvidos: Graduação: (4) / Mestrado profissional: (3) / Doutorado: (3) .
Integrantes: Aline Marins Paes Carvalho - Integrante / Esteban Clua - Coordenador / Daniel Cardoso Moraes de Oliveira - Integrante / Sidney Araújo Melo - Integrante / Ashey Noblega - Integrante / Alexandre Plastino - Integrante / Mauro Biondi - Integrante / Thaylon Guedes - Integrante.
2016 - Atual
BioMiningHPC: Arquitetura baseada em Workflows, Mineração e Proveniência de Dados de Experimentos de Bioinformática para Ambientes HPC no Apoio ao Estudo de Doenças Negligenciadas e Doenças Genômicas Raras em Humanos - APQ1 FAPERJ
Descrição: Embora o Brasil tenha avançado significativamente nos últimos anos em vários campos das Ciências e tecnologias afins, pesquisas em áreas multidisciplinares como a bioinformática ainda são nascentes, mesmo sendo fundamentais para o desenvolvimento biotecnológico do país. As pesquisas biomédicas/biotecnológicas têm alavancado descobertas científicas devido à exploração da grande quantidade de dados coletada de pesquisas genômicas/proteômicas para a descoberta de padrões de sequências, funções de genes e interações proteína-proteína que alavanquem investigações de biomarcadores e/ou na terapia de doenças. Por outro lado, recentes progressos nas pesquisas na mineração de dados têm levado ao desenvolvimento de numerosos métodos eficientes/escaláveis para mineração, interessantes para os padrões/conhecimento em grandes bancos de dados e.g. métodos de classificação eficiente, análises de valores/resultados atípicos, frequência, métodos de análise de padrões estruturados, ferramentas de análise de dados temporal/espacial, e visualização. O desafio em questão é a melhor maneira de tornar experimentos de mineração de dados biológicos em larga escala em uma metodologia exitosa. Neste caso, o cientista precisa de um grau de abstração para poder atrelar as atividades domínio específicas da bioinformática a aquelas que melhor se adéquam ao algoritmo de mineração e acopla-los em uma arquitetura. Esses experimentos podem ser modelados como workflows e interconectados a Sistemas de Gerenciamento de Workflows Científicos, Sistemas de Gerenciamento de Banco de Dados e Sistemas Web. Desta maneira, workflows podem usufruir das vantagens de paralelismo e distribuição de ambientes de computação de alto desempenho como clusters de supercomputadores e recentemente nuvens. No entanto, a integração/uso desses ambientes apresentam outros muitos desafios relacionados principalmente à gerência de recursos em larga escala i.e. dados, tarefas, simulações computacionais, número de processadores..
Situação: Em andamento; Natureza: Pesquisa.
2016 - Atual
UFFeScience: Apoio Computacional a Experimentos de Larga Escala para Desenho de Novas Drogas para Tratamento de Doenças Tropicais
Descrição: Doenças Tropicais Negligenciadas se refere a um grupo de doenças tropicais endêmicas que afetam em especial habitantes da Ásia, África e da América Latina. Algumas dessas DTN são responsáveis por altas taxas de mortalidade nessas regiões. Assim, para a população desses países, a descoberta de novas drogas que possam ser usadas como tratamento para as DTN é uma prioridade. Em especial no cenário brasileiro, e mais especificamente no estado do Rio de Janeiro, diversas DTN atingem parte da população, como por exemplo, a Dengue. Embora o Brasil tenha avançado significativamente na última década em vários campos da ciência, as pesquisas em áreas multidisciplinares como a bioinformática ainda estão em amadurecimento, e estas desempenham um papel fundamental para o desenvolvimento do país e do estado e para a descoberta de novas drogas para o tratamento das DTN. Diversas pesquisas de sucesso no ramo da bioinformática têm proposto protocolos in-silica (baseado em simulações computacionais) que utilizam análises filogenéticas/filogenônicas e mais recentemente as análises farmacofilogenônicas. Esses protocolos normalmente envolvem um conjunto de programas que executam simulações científicas e que são encadeados formando um fluxo coerente de atividades, ao qual denominamos workflow. Em um mesmo experimento de bioinformática para descoberta de novas drogas para DTN é comum que tenhamos mais de um workflow e que este mesmo workflow seja executado diversas vezes, variando-se dados de entrada e parametrização de configuração, a fim de confirmar ou refutar uma determinada hipótese. Entretanto, gerenciar um experimento nesse contexto não é uma tarefa trivial. Cada execução de um workflow pode consumir e produzir um grande volume de dados, o que comumente requer Processamento de Alto Desempenho (PAD) aliada a técnicas de paralelismo para produzir resultados em tempo hábil. A demanda por técnicas de gerência de experimentos em ambientes de PAD vem crescendo a cada ano, ao mesmo tempo em que surgem novos ambientes como as nuvens de computadores (que podem ser multi-site e federadas) e as unidades de processamento gráfico de propósito geral (GPGPUs). Um dos maiores desafios na gerência de experimentos científicos nesses ambientes reside na distribuição das execuções das atividades dos workflows nos recursos de forma eficiente. Essas execuções podem ser distribuídas em mais de um ambiente (cluster local, nuvem e GPGPU) e essa heterogeneidade insere uma complexidade adicional (e grande) no processo. Além disso, devemos nos preocupar com a gerência de metadados e com a análise dos resultados obtidos. Diversas pesquisas na área de mineração de dados e aprendizado de máquina têm sido propostas com foco na análise de grandes volumes de dados. Entretanto, os dados biológicos produzidos por esses experimentos não podem ser representados como tuplas chave-valor, como acontece tradicionalmente em algoritmos de mineração de dados (e.g. K-means). Dados biológicos são normalmente multi-relacionados, o que demanda técnicas de aprendizado de máquina mais complexas como a mineração de dados multi-relacional (MDMR). Uma vez que essas técnicas possam ser aplicadas/adaptadas no contexto de experimentos de bioinformática para descoberta de novas drogas podemos descobrir novos padrões de sequências, funções de genes e interações proteína-proteína que alavanquem investigações na terapia de DTN. O objetivo principal deste projeto de pesquisa está no desenvolvimento de novas técnicas de gerência de experimentos para DTN.
Situação: Em andamento; Natureza: Pesquisa.
2013 - 2017
DocX ? Processamento de consultas e gerência de versões de documentos XML
Descrição: O volume de dados XML disponível atualmente vem crescendo cada vez mais. Este fato faz com que a necessidade de mecanismos eficientes de gerência de dados XML seja cada vez maior. Nesse projeto, tratamos de dois problemas diretamente relacionados à gerência de dados XML: processamento de consultas e gerência de versões. Existem vários trabalhos na literatura que lidam com o problema de processar consultas sobre dados XML. Uma abordagem bastante utilizada reside no processamento de consultas em paralelo. Para isso, os dados precisam estar distribuídos em diversos nós de uma rede. Fazer uma fragmentação fixa a priori pode gerar muito desbalanceamento de carga no processamento das consultas. A fragmentação virtual flexibiliza a rigidez da fragmentação física que é fixa. Por ser dinâmica, a fragmentação virtual tem se mostrado um uma boa alternativa para ganho de desempenho no processamento de consultas. No entanto, a abordagem existente, proposta pela proponente e sua equipe, ainda sofre de problemas de balanceamento de carga. Além disso, nem sempre o ambiente disponível dispõe de diversos nós de processamento para executar as consultas. Visando atender também a esse tipo de ambiente, em trabalhos anteriores comparamos o desempenho de processadores de consulta XQuery com máquinas de inferência Prolog. Surpreendentemente, diversas consultas executadas nas máquinas de inferência Prolog obtiveram melhor desempenho do que as consultas equivalentes executadas em processador XQuery nativo. No entanto, este estudo inicial usou traduções ad-hoc que precisam ser sistematizadas e mais bem estudadas. Que tipo de consulta se beneficia do uso de máquina de inferência em seu processamento? Como traduzir consultas XML para consultas Prolog automaticamente? Outra questão primordial que tem recebido pouca atenção na literatura é a gerência de versões de documentos XML. Para que o controle de versões seja efetivo, são necessárias três operações: diff2 (que calcula a diferença entre duas versões consecutivas), diff3 (que calcula a diferença entre duas versões alternativas derivadas da mesma versão base), e merge (que consolida em um único documento as mudanças realizadas em duas versões alternativas). As técnicas existentes exploram a sintaxe e conteúdo do documento para o cálculo do diff2 [Cobena et al. 2002; Wang et al. 2003; Santos and Hara 2007; Sundaram and Madria 2012]. Técnicas para diff3 e merge têm recebido pouca atenção. Essas são questões que este projeto de pesquisa pretende investigar. Como resultados deste projeto, esperam-se novos algoritmos para processamento de consultas XML, tanto em ambientes distribuídos quanto em ambientes centralizados, novas estratégias para gerência de versões, com algoritmos capazes de identificar grandes conjuntos de alterações entre duas versões, além de algoritmos de diff3 e merge para XML. Além disso, pretende-se implementar esses algoritmos em protótipos possam ser disponibilizados para a comunidade científica. Os frutos esperados desse projeto também incluem publicações em veículos de boa qualidade e a formação de pelo menos três alunos de mestrado, dois de doutorado e três de graduação..
Situação: Concluído; Natureza: Pesquisa.
2013 - 2016
SciCumulus2 - Infraestrutura Computacional para Execução de Experimentos Científicos em Nuvens de Computadores, Universal CNPq
Descrição: Nos últimos anos, a comunidade acadêmica tem percebido um aumento na quantidade de experimentos científicos baseados em simulações computacionais. Muitos destes experimentos são atualmente modelados como workflows científicos e demandam grande capacidade de processamento. Existem diversos ambientes de processamento de alto desempenho já consolidados e disponíveis como clusters e grades computacionais, porém as nuvens de computadores têm ganhado bastante importância devido à sua grande adoção no mundo corporativo. Para que workflows científicos possam se beneficiar de características de nuvens, como a elasticidade e a alta disponibilidade, foi desenvolvido o SciCumulus, uma máquina de execução de workflows, que paraleliza e coordena a execução dos mesmos em ambientes de nuvem. O SciCumulus foi produto da tese de doutorado do proponente e representou um passo muito importante nesse cenário. Com base no sucesso de sua utilização em diversos workflows reais, novas demandas surgiram por parte dos usuários. Além disso, desafios advindos da própria avaliação experimental do SciCumulus levaram à concepção desta nova etapa do SciCumulus, proposta neste projeto de pesquisa. Assim, este projeto tem como objetivo aprofundar a contribuição que sistemas como o SciCumulus podem oferecer em ambientes de nuvens computacionais e propor novas heurísticas de escalonamento, explorar a distribuição de dados do workflow científico e trabalhar na segurança desses dados. Tais desenvolvimentos deverão ser incorporados em uma nova versão dessa infraestrutura denominada SciCumulus2..
Situação: Concluído; Natureza: Pesquisa.
Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (2) / Doutorado: (1) .
Integrantes: Aline Marins Paes Carvalho - Integrante / Daniel de Oliveira - Coordenador / Leonardo Murta - Integrante / Vanessa Braganholo - Integrante / Marta Mattoso - Integrante / Kary Ocaña - Integrante / Eduardo Ogasawara - Integrante.Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.
2013 - 2014
Gerência de Experimentos Científicos Datacêntricos em Nuvens de Computadores, APQ1 FAPERJ
Descrição: Técnicas de distribuição de atividades e paralelismo de dados em ambientes distribuídos vêm sendo objeto de pesquisas recentes, obtendo resultados significativos no aumento de desempenho de aplicações que lidam com grandes volumes de dados. Estas aplicações incluem experimentos científicos baseados em simulação. Seu uso vem crescendo rapidamente nos últimos anos, o que fez com que diversos cientistas começassem a modelar seus experimentos como workflows científicos. Entretanto, a demanda por técnicas de gerência de dados distribuídos vem crescendo, ao mesmo tempo em que surgem novos cenários de processamento distribuído e paralelo como as nuvens de computadores. Um dos maiores desafios na gerência de experimentos científicos em nuvens de computadores reside na exploração das características da nuvem como elasticidade. Além disso, devemos nos preocupar com a gerência de metadados e a gerência das aplicações (programas) e na composição dessas aplicações. O objetivo principal deste projeto de pesquisa está na geração de novas técnicas de gerência da execução de experimentos científicos em nuvens de computadores. Dentre as novas técnicas de gerência de recursos distribuídos, daremos ênfase à eficiência em: (i) captura e consultas a bases de dados de proveniência distribuídas e (ii) gerência e execução de workflows científicos. Todo o desenvolvimento será guiado pelos aspectos da organização e gerência de dados científicos em experimentos científicos, utilizando como estudo de caso workflows da área de aprendizado de máquina relacional para o estudo de redes sociais. Este experimento necessita realizar uma análise exploratória e se apresenta como um experimento em larga escala que depende de técnicas especializadas no que tange à sua execução paralela e a gerência dos dados..
Situação: Concluído; Natureza: Pesquisa.
Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (2) / Doutorado: (1) .
Integrantes: Aline Marins Paes Carvalho - Integrante / Daniel de Oliveira - Coordenador / Leonardo Murta - Integrante / Vanessa Braganholo - Integrante.Financiador(es): Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ - Auxílio financeiro.
2013 - Atual
Predição de Falhas em Requisições de Software com Aprendizado Relacional e Processamento de Linguagem Natural
Descrição: Requisitos de softwares complexos usualmente são incompletos, contêm ambiguidades e inconsistências e falham em antecipar todas as mudanças que ocorrerão durante o desenvolvimento. Tal característica cria os riscos de requerimentos, ou seja, os riscos associados ao desenvolvimento de uma requisição que não está bem definida. Como em muitos casos teremos requisições imperfeitas é necessário ao menos que os requerimentos sejam bons o suficiente para minimizar riscos futuros ao projeto. Entretanto, decidir de antemão quais requisições merecem de fato atenção ou não, ou quais requisições serão bem sucedidas, não é uma tarefa trivial. Por outro lado, a análise de requisições passadas, comparadas às requisições correntes, podem indicar quais delas merecem atenção e concluir que recursos não serão desperdiçados durante o seu desenvolvimento. Nesse projeto, utilizamos técnicas de aprendizado de máquina relacional, processamento de linguagem natural e análise de redes sociais de desenvolvedores para predizer em quais requisições de sistemas de software livre esforço deve ser desprendido. Para tanto, serão utilizados os dados postados em sistemas como Bugzilla, relativos a projetos diversos como Facebook, Mozilla, Minecraft, entre outros..
Situação: Em andamento; Natureza: Pesquisa.
Alunos envolvidos: Graduação: (2) .
Integrantes: Aline Marins Paes Carvalho - Coordenador / Letícia Duboc - Integrante / Carolina Ransatto - Integrante / Gabriela Gomes Silva - Integrante.
2013 - Atual
Aprendizado de Máquina Relacional como Realizador do Processo de Tomada de Decisão em Redes Sem Fio Cognitivas
Descrição: Canais de redes sem fio são controlados por políticas rígidas e fixas, definidas previamente por agências governamentais. Tal divisão acarreta em uma sub-utilização de muitas porções do spectrum, uma vez que muitos usuários primários dos serviços, espalhados em regiões geográficas distintas, os usam apenas esporadicamente. Considere, por exemplo, os canais destinados à serviços de emissoras de TV. Existem certas regiões que não ocupam todo o spectrum dedicado a esse serviço, uma vez que muitos usuários não assistem TV o tempo todo. Esses canais poderiam ser destinados a usuários secundários enquanto não estivessem sendo usados (ou se estivessem sendo usados pouco) por usuários primários. Rádios cognitivos tem surgido como uma solução para o problema da sub-utilização dos canais de acesso sem fio. O objetivo de um rádio cognitivo é acessar dinamicamente e oportunisticamente porções do spectrum sem fio não utilizadas ou sub-utilizadas. Para tanto, os rádios cognitivos são controlados por software e devem ter a capacidade de perceber o ambiente, aprender as melhores ações e políticas de acesso, reconfigurar seus parâmetros de acordo com esse aprendizado e raciocionar a partir do conhecimento adquirido e percebido para executar alguma ação. Tais características podem ser agregadas a um rádio cognitivo por meio de técnicas de Inteligência Artificial. No entanto, as soluções apresentadas até agora tentam evoluir em cada característica de maneira isolada, propondo soluções de sensoriamento, representação de conhecimento ou aprendizado separadamente. Com isso, as vantagens da combinação de aprendizado de máquina com representação do conhecimento e raciocínio não são alcançadas. Nesse projeto de pesquisa, desenvolveremos soluções para a realização dos rádios cognitivos como meio padrão de distribuição de acesso sem fio por meio de métodos de aprendizado de máquina relacional. Abordaremos estratégias de raciocínio executadas em uma base de conhecimento descrita de forma expressiva; mais importante, algoritmos de aprendizado que expressam exemplos e hipóteses por meio de tais linguagens desenvolvidos. Tais algoritmos deverão ser capazes de refinar o conhecimento conforme mudanças no ambiente em que o rádio estiver operando; ou seja o aprendizado ocorrerá de forma adaptativa e incremental. Além disso, com a evolução do projeto, desenvolveremos algoritmos que permitam o aprendizado distribuído por vários rádios cognitivos, de forma que tais rádios possam se comunicar, cooperar e transmitir conhecimento adquirido. Com essas soluções, esperamos construir um componente cognitivo ideal para rádios oportunistas atuando em redes sem fio. Os algoritmos desenvolvidos também poderão ser aplicados em outros domínios igualmente desafiantes, complexos e dinâmicos..
Situação: Em andamento; Natureza: Pesquisa.
2013 - Atual
Aprendizado de Máquina por Transferência em Domínios Relacionais Incertos
Descrição: Algoritmos tradicionais de aprendizado de máquina são baseados em duas suposições principais: (1) que os dados e atributos estão no mesmo espaço e na mesma distribuição e (2) que a linguagem utilizada para representar o conhecimento é baseada em proposições, no formato de atributo-valor. Um problema inerente da primeira suposição é que se a distribuição mudar, os algoritmos terão que reiniciar o aprendizado, desconsiderando o que foi aprendido anteriormente. Com relação a segunda suposição, os modelos aprendidos falharão em capturar relacionamentos existentes entre objetos distintos e suas propriedades. Esse projeto de pesquisa tem como objetivo propor soluções para resolver esses dois problemas: desenvolver algoritmos e ferramentas que possibilitem a transferência de conhecimento aprendido anteriormente, a partir de um domínio fonte para um domínio alvo; e representar os exemplos, conhecimento prévio e hipóteses usando linguagens de representação relacional. Para lidar com a incerteza inerente aos problemas reais, serão empregadas técnicas de raciocínio probabilístico. A linguagem utilizada será composta de construtores para definição de conceitos, hierarquias, relacionamentos, propriedades de objetos e manipulação de incerteza. Os algoritmos propostos atuarão tanto no aprendizado supervisionado como em aprendizado por reforço. As soluções propostas serão empiricamente avaliadas em diversos problemas reais, incluindo redes sociais e biológicas, problemas da web semântica, transmissão de dados em rádios sem fio cognitivos e predição de falhas em projetos de software..
Situação: Em andamento; Natureza: Pesquisa.
Alunos envolvidos: Graduação: (1) .
Integrantes: Aline Marins Paes Carvalho - Coordenador / Victor Augusto Lopes Guimarães - Integrante.Financiador(es): Universidade Federal Fluminense - Auxílio financeiro.
2012 - 2016
Aprendizado Automático de Ontologias
Descrição: Web semântica é um movimento colaborativo que tem como meta a incorporação de conteúdo semântico na web, que possa ser processável por programas de computador. Para atingir tal meta, ontologias são usadas para descrever conceitos e classi car entidades e suas propriedades. Ontologias podem ser especi cadas através de especialistas do domínio ou a partir de ferramentas de extração automática de informação. Entretanto, os construtores das linguagens usadas para especi car ontologias não são capazes de representar generalizações de relacionamentos e propriedades entre entidades do domínio de conhecimento. Para descrever tais generalizações, podem ser usadas regras seguindo por exemplo a sintaxe e semântica de Programação Lógica. Nesse projeto de pesquisa investigamos o aprendizado automático de regras de programação lógica a partir de ontologias, usando e adaptando algoritmos de aprendizado de máquina relacional. Adicionalmente, desenvolveremos algoritmos de aprendizado relacional para o aprendizado de regras combinadas com axiomas de ontologias..
Situação: Concluído; Natureza: Pesquisa.
Alunos envolvidos: Graduação: (4) / Mestrado acadêmico: (1) .
Integrantes: Aline Marins Paes Carvalho - Integrante / Kate Revoredo - Integrante / João Carlos Pereira da Silva - Coordenador / Carla Amor divino Moreira delgado - Integrante / Bruno Moreira Coimbra - Integrante.
2007 - 2010
Algoritmos: engenharia e fundamentos
Situação: Concluído; Natureza: Pesquisa.
2007 - 2009
PFORTE: Revisão de Teorias Probabilísticas Relacionais a partir de Exemplos
Descrição: Projeto CNPq Edital MCT/CNPq 15/2007 - Universal - Faixa B, R$ 49.982,64 , Processo: 472202/2007-3, Revisao de Modelos Probabilisticos Relacionais a partir de Exemplos.
Situação: Em andamento; Natureza: Pesquisa.
Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (2) / Doutorado: (3) .
Integrantes: Aline Marins Paes Carvalho - Integrante / Kate Revoredo - Integrante / Gerson Zaverucha - Coordenador / Vítor Santos Costa - Integrante / Ana Luisa Cerqueira Duboc - Integrante / Eric Couto - Integrante / Carina Isabel Medeiros Lopes - Integrante / Felipe Azevedo Brown do Coutto - Integrante.Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.


Projetos de extensão


2016 - 2017
#include meninas.uff
Descrição: A participação de mulheres nas áreas de Computação e Tecnologias da Informação é extremamente baixa e está diminuindo ano após ano. Tal fato é preocupante já que diversidade em qualquer ambiente é de vital importância para sua evolução, principalmente na tecnologia em que o papel dos usuários finais está mudando e eles passaram de consumidores para produtores não só de conteúdo, mas de tecnologia. Ao longo das últimas décadas várias inciativas tiveram como objetivo incentivar, ensinar e apoiar usuários (aprendizes) a programar e a pensar computacionalmente. Mais recentemente, programas internacionais (WIT - women in techonology) e nacionais (Meninas Digitais) têm como foco aumentar a participação das mulheres na tecnologia (desde as salas de aula até as salas de reuniões), desenvolvendo lideranças, educação tecnológica e o empoderamento de mulheres como protagonistas na indústria da inovação e tecnologia. Esse projeto quer, portanto, contribuir para aumentar o interesse das mulheres pela Tecnologia da Informação, motivando alunas do ensino médio/fundamental a seguir carreira na área e emponderando as alunas de graduação e pós-graduação já inclusas neste contexto.
Situação: Concluído; Natureza: Extensão.


Membro de corpo editorial


2014 - Atual
Periódico: Frontiers in Robotics and AI


Revisor de periódico


2012 - Atual
Periódico: Machine Learning
2013 - 2014
Periódico: Journal of Information and Data Management - JIDM
2015 - Atual
Periódico: Journal of Intelligent Information Systems
2016 - Atual
Periódico: International Journal of Approximate Reasoning
2017 - Atual
Periódico: COMPUTERS & GRAPHICS-UK
2017 - Atual
Periódico: Frontiers in Robotics and AI, section Computational Intelligence
2018 - Atual
Periódico: COMPUTATIONAL INTELLIGENCE


Áreas de atuação


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


Idiomas


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


Prêmios e títulos


2015
Melhor artigo do Latin America High Performance Computing Conference (CARLA 2015),, Sociedade Brasileira de Computação.
2015
Professora Homenageada na Turma 2014/2 de Ciência da Computação da UFF, Universidade Federal Fluminense., Universidade Federal Fluminense.
2012
Primeiro lugar no VIII Concurso de Teses em Inteligência Artificial (CTDIA 2012) (teses defendidas entre Junho de 2010 e Maio de 2012), CEIA / SBC.
2009
Entre os quatro Melhores Artigos do VII Encontro Nacional de Inteligência Artificial (ENIA 2009): Revisando Redes Bayesianas através da Introdução de Variáveis Não-observadas,, Sociedade Brasileira de Computação (SBC).
2007
Melhor Artigo do Congresso VI Encontro Nacional de Inteligência Artificial (ENIA 2007):Revisando Teorias Lógicas de Primeira-ordem a partir de Exemplos usando Busca Local Estocástica., Sociedade Brasileira de Computação.


Produções



Produção bibliográfica
Artigos completos publicados em periódicos

1.
2SARDINHA, ROOSEVELT2018SARDINHA, ROOSEVELT ; PAES, ALINE ; ZAVERUCHA, GERSON . Revising the Structure of Bayesian Network Classifiers in the Presence of Missing Data. INFORMATION SCIENCES, v. 440, p. 108-124, 2018.

2.
5CARVALHO, DAVID B.2017CARVALHO, DAVID B. ; CLUA, ESTEBAN G. ; POZZER, CESAR T. ; PASSOS, ERICK B. ; PAES, ALINE . Simulated Perceptions for Emergent Storytelling. COMPUTATIONAL INTELLIGENCE, v. 33, p. 605-628, 2017.

3.
1PAES, ALINE2017 PAES, ALINE; ZAVERUCHA, GERSON ; COSTA, VÍTOR SANTOS . On the use of stochastic local search techniques to revise first-order logic theories from examples. MACHINE LEARNING, v. 106, p. 197-241, 2017.

4.
3DUBOC, A. L.2017DUBOC, A. L. ; PAES, A. ; ZAVERUCHA, G. . On the formal characterization of the FORTE_MBC theory revision operators. JOURNAL OF LOGIC AND COMPUTATION, v. 27, p. 2551-2580, 2017.

5.
6PAES, A.;PAES, ALINE2015PAES, A.; OLIVEIRA, D. . Running Multi-relational Data Mining Processes in the Cloud: a Practical Approach for Social Networks. Communications in Computer and Information Science (Print), v. 565, p. 3-18, 2015.

6.
7SALES, R.2014SALES, R. ; CLUA, E. ; PAES, A. ; OLIVEIRA, D. . Experiencing Affective Agents in Simulation Games. Revista de Informática Aplicada, v. 1, p. 1/2745-8576-1-1, 2014.

7.
4DUBOC, A. L.2009 DUBOC, A. L. ; PAES, A. ; ZAVERUCHA, G. . Using the Bottom Clause and Mode Declarations in FOL Theory Revision from Examples. Machine Learning, v. 76, p. 73-109, 2009.

Livros publicados/organizados ou edições
1.
ZAVERUCHA, G. (Org.) ; SANTOS COSTA, V. (Org.) ; PAES, A. (Org.) . Revised Selected Papers of the 22nd International Conference on ILP 2013. 1. ed. Springer, 2014. v. 8812.

Trabalhos completos publicados em anais de congressos
1.
NOBLEGA, A. ; PAES, A. ; CLUA, E. . Towards Adaptive Deep Reinforcement Game Balancing. In: 11th International Conference on Agents and Artificial Intelligence (ICAART 2019), 2019, Praga. Proceedings of the 11th International Conference on Agents and Artificial Intelligence (ICAART 2019), 2019. p. 1-8.

2.
LOURENCO, VITOR ; MANN, PAULO ; GUIMARAES, ARTUR ; PAES, ALINE ; DE OLIVEIRA, DANIEL . Towards Safer (Smart) Cities: Discovering Urban Crime Patterns Using Logic-based Relational Machine Learning. In: 2018 International Joint Conference on Neural Networks (IJCNN), 2018, Rio de Janeiro. 2018 International Joint Conference on Neural Networks (IJCNN), 2018. p. 1-8.

3.
OLIMPIO, V. ; NASCIMENTO, A. ; PAES, A. ; OLIVEIRA, D. . WorkflowSim4RL: Aprendizado por Reforço Aplicado a Escalonamento de Workflows Científicos em Nuvens. In: 17º Workshop em Desempenho de Sistemas Computacionais e de Comunicação (WPerformance), 2018. Anais do 17º Workshop em Desempenho de Sistemas Computacionais e de Comunicação (WPerformance).

4.
CARREGOSA, F. B. ; PAES, A. ; ZAVERUCHA, G. . Lightweight Neural Programming: The GRPU Case. In: 27th International Conference on Artificial Neural Networks - ICANN 2018, 2018, Rhodes. Artificial Neural Networks and Machine Learning ? ICANN 2018, 2018. v. 11141. p. 218-227.

5.
SILVA JUNIOR, D. P. ; PAES, A. ; PACITTI, E. ; OLIVEIRA, D. . FReeP: towards parameter recommendation in scientific workflows using preference learning. In: Simpósio Brasileiro de Banco de Dados, 2018, Rio de Janeiro. Anais do SBBD 2018, 2018. p. 211-216.

6.
VALERIANO, K. ; PAES, A. ; OLIVEIRA, D. . Análise da Evolução dos Discursos de Pré-candidatos à Presidente por meio de Representações Linguísticas Vetoriais. In: Symposium on Knowledge Discovery, Mining and Learning (KDMiLe), 2018, São Paulo. Proceedings of the 6th Symposium on Knowledge Discovery, Mining and Learning (KDMiLe), 2018.

7.
KALINOWSKI, MARCOS ; CURTY, PABLO ; PAES, ALINE ; FERREIRA, ALEXANDRE ; SPINOLA, RODRIGO ; MENDEZ FERNANDEZ, DANIEL ; FELDERER, MICHAEL ; WAGNER, STEFAN . Supporting defect causal analysis in practice with cross-company data on causes of requirements engineering problems. In: 2017 IEEE/ACM 39th International Conference on Software Engineering (ICSE), 2017, Buenos Aires. 2017 IEEE/ACM 39th International Conference on Software Engineering: Software Engineering in Practice Track (ICSE-SEIP), 2017. p. 223-232.

8.
SILVA JUNIOR, D. P. ; PAES, A. ; OLIVEIRA, D. . Predição de Falhas em Workflows Científicos em Nuvens baseada em Aprendizado de Máquina. In: 11o Brazilian e-Science Workshop, 2017, São Paulo. Anais do 11o Brazilian e-Science Workshop, 2017.

9.
LOURENCO, V. ; MANN, P. ; OLIVEIRA, D. ; PAES, A. . SiAPP: Um Sistema para Análise de Ocorrências de Crimes Baseado em Aprendizado Lógico-Relacional. In: Simpósio Brasileiro de Sistemas de Informação, 2016, Santa Catarina. Simpósio Brasileiro de Sistemas de Informação ? SBSI 2016, 2106. p. 1-6.

10.
CARVALHO, DAVID B. ; CLUA, ESTEBAN G. ; PAES, ALINE . Planning social actions through the others' eyes for emergent storytelling. In: 2016 IEEE Conference on Computational Intelligence and Games (CIG), 2016, Santorini. 2016 IEEE Conference on Computational Intelligence and Games (CIG), 2016. p. 1-117.

11.
TALLARIDA, G. ; OCANA, K. ; PAES, A. ; BRAGANHOLO, V. ; OLIVEIRA, D. . Gerência de Incerteza em Bancos de Dados de Proveniência em Bioinformática. In: XXXI Simpósio Brasileiro de Banco de Dados, 2016, Salvador. Anais do XXXI Simpósio Brasileiro de Banco de Dados, 2016.

12.
VASCONCELOS, CRISTINA N. ; PAES, ALINE ; MONTENEGRO, ANSELMO . Towards Deep Learning Invariant Pedestrian Detection by Data Enrichment. 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. 837-841.

13.
VARGAS, A. C. ; VASCONCELOS, C. N. ; PAES, ALINE ; MONTENEGRO, A. A. . Pedestrian Detection using Convolutional Neural Networks. In: XII Workshop de Visão Computacional, 2016, Campo Grande. Workshop de Visão Computacional (WVC), 2016. p. 289-294.

14.
GUIMARAES, VICTOR ; PAES, ALINE . Looking at the Bottom and the Top: A Hybrid Logical Relational Learning System Based on Answer Sets. In: 2015 Brazilian Conference on Intelligent Systems (BRACIS), 2015, Natal. 2015 Brazilian Conference on Intelligent Systems (BRACIS), 2015. p. 240-245.

15.
CAMARA, R. V. ; PAES, A. ; OLIVEIRA, D. . Aplicação de Árvores de Decisão para Recomendação de Parâmetros em Workflows Científicos. In: IX BRESCI - Brazilian e-Science Workshop, 2015, Recife. Anais do IX BRESCI - Brazilian e-Science Workshop. Porto Alegre: Sociedade Brasileira de Computação, 2015.

16.
CARVALHO, DAVID B. ; CLUA, ESTEBAN G. ; PAES, ALINE . Perception simulation in social planning for emergent storytelling. In: 2015 IEEE Conference on Computational Intelligence and Games (CIG), 2015, Tainan. 2015 IEEE Conference on Computational Intelligence and Games (CIG), 2015. p. 75-82.

17.
ALMEIDA, M. ; PAES, A. ; OLIVEIRA, D. . Uma Ferramenta para Mineração Multi-relacional de Redes Sociais Baseada em Programação Lógica e Workflows. In: III Brazilian Workshop on Social Network Analysis and Mining (BraSNAM 2014, 2014, Brasília. Anais do III Brazilian Workshop on Social Network Analysis and Mining (BraSNAM 2014), 2014.

18.
MELO, R. ; REVOREDO, K. ; PAES, ALINE . Syntactic Compression of DL Terminologies. In: Brazilian Conference on Intelligent Systems (BRACIS), 2014, São Carlos. Brazilian Conference on Intelligent Systems, 2014. p. 180-185.

19.
SALES, RAINIER ; CLUA, ESTEBAN ; OLIVEIRA, DANIEL DE ; PAES, ALINE ; CHAIMOWICZ, LUIZ ; NUNES, MARIA AUGUSTA S. N. . Evaluation between humans and affective NPC in digital gaming scenario. In: 2014 IEEE 3rd International Conference on Serious Games and Applications for Health (SeGAH), 2014, Rio de Janeiro. 2014 IEEE 3nd International Conference on Serious Games and Applications for Health (SeGAH), 2014. p. 1.

20.
MELO, R. ; REVOREDO, K. ; PAES, A. . Terminology Learning through Taxonomy Discovery. In: BRACIS 2013, 2013, Fortaleza. Proceedings of the 2nd International Brazilian Conference on Intelligent Systems, 2013. p. 1-7.

21.
SALES, R. ; CLUA, E. ; OLIVEIRA, D. ; PAES, A. . An Artificial Emotional Agent-based Architecture for Games Simulation. In: 12th International Conference on Entertainment Computing, 2013, São Paulo. Entertainment Computing (ICEC 2013) - Lecture Notes in Computer Science, 2013, São Paulo. Proceedings of the 12th International Conference on Entertainment Computing, 2013. v. 8215. p. 156-159.

22.
SALES, R. ; CLUA, E. ; OLIVEIRA, D. ; PAES, A. . An Experimental Analysis of NPC as Affective Agents in Real World-based Games. In: XII Simpósio Brasileiro de Jogos e Entretenimento Digital (SBGames), 2013, São Paulo. Proceedings of the 12th Brasilian Symposium on Games and Digital Entertainment, 2013.

23.
SALES, R. ; CLUA, E. ; OLIVEIRA, D. ; PAES, A. . An Architecture Coupled with a Provenance Model for Affective Simulations in Games based on Real World. In: XII Simpósio Brasileiro de Jogos e Entretenimento Digital (SBGames), 2013, São Paulo. Proceedings of the 12th Brazilian Symposium on Games and Digital Entertainment, 2013.

24.
SARDINHA, R. ; PAES, A. ; ZAVERUCHA, G. . Aprendizado Local da Estrutura de Redes Bayesianas a partir de Dados Incompletos. In: Encontro Nacional de Inteligência Artificial e Computacional (ENIAC), 2013, Fortaleza. Anais do X Encontro Nacional de Inteligência Artificial e Computacional (ENIAC), 2013.

25.
PAES, A.; ZAVERUCHA, G. ; COSTA, V. S. . On the Effective Revision of (Bayesian) Logic Programs from Examples. In: Concurso de Teses e Dissertações em Inteligencia Artificial (CTDIA 2012), 2012, Curitiba. Brazilian Conference on Intelligent Systems (BRACIS) / CTDIA 2012, 2012. p. 1-12.

26.
MUGGLETON, S. ; PAES, A. ; SANTOS COSTA, V. ; ZAVERUCHA, G. . Chess Revision: Acquiring the Rules of Chess Variants through FOL Theory Revision from Examples. In: 19th International Conference on Inductive Logic Programming, 2010, Leuven. Proceedings of the 19th International Conference on Inductive Logic Programming, 2010. v. 5989. p. 123-130.

27.
REVOREDO, K. ; PAES, A. ; ZAVERUCHA, G. ; COSTA, V. S. . Revisando Redes Bayesianas através da Introdução de Variáveis Não-observadas. In: VII Encontro Nacional de Inteligência Artificial (ENIA 2009), 2009, Bento Goncalves. XXX Congresso da Sociedade Brasileira de Computação, 2009.

28.
MUGGLETON, S. ; PAES, A. ; SANTOS COSTA, V. ; ZAVERUCHA, G. . Chess Revision: Acquiring the Rules of Chess through Theory Revision from Examples. In: Workshop on General Game Playing / 21st International Joint Conference on Artificial Intelligence (IJCAI-09), 2009, Pasadena. Workshop on General Game Playing / 21st International Joint Conference on Artificial Intelligence (IJCAI-09), 2009. p. 1-8.

29.
DUBOC, A. L. ; PAES, A. ; ZAVERUCHA, G. . Using the Bottom Clause and Mode Declarations on FOL Theory Revision from Examples. In: 18th International Conference on Inductive Logic Programming, 2008, Prague. Machine Learning, 2008. v. 5194. p. 91-106.

30.
Couto, E. ; Pereira, R. ; Niedu, G. ; PAES, A. ; ZAVERUCHA, G. . Busca Direcionada a Modos na Adição de Antecedentes em Revisão de Teorias de Primeira-ordem a partir de Exemplos. In: II Workshop on Computational Intelligence (WCI), 2008, Salvador. II Workshop on Computational Intelligence (WCI), 2008.

31.
PAES, A.; ZAVERUCHA, G. ; COSTA, V. S. . Revisando Teorias Lógicas de Primeira-ordem a partir de Exemplos usando Busca Local Estocástica. In: VI Encontro Nacional de Inteligência Artificial, 2007, Rio de Janeiro. VI Encontro Nacional de Inteligência Artificial, 2007.

32.
REVOREDO, K. ; PAES, A. ; ZAVERUCHA, G. ; COSTA, V. S. . Combinando Invenção de Predicados e Revisão de Teorias Probabilísticas de primeira-ordem. In: VI Encontro Nacional de Inteligência Artificial, 2007, Rio de Janeiro. VI Encontro Nacional de Inteligência Artificial, 2007.

33.
PAES, A.; ZAVERUCHA, G. ; COSTA, V. S. . Revising First-order Logic Theories from Examples through Stochastic Local Search. In: Revised Selected Papers of the 17th Annual International Conference on Inductive Logic Programming (ILP-2007), 2007, Corvallis. Lecture Notes in Artificial Intelligence, 2007. v. 4894. p. 200-210.

34.
PAES, A.; REVOREDO, K. ; ZAVERUCHA, G. ; COSTA, V. S. . PFORTE: Revising Probabilistic FOL Theories. In: 2nd International Joint Conference (10th Ibero-American Conference on AI, 18th Brazilian AI Symposium), 2006, Ribeirão Preto. Lecture Notes in Artificial Intelligence. Heidelberg: Springer-Verlag, 2006. v. 4140. p. 441-450.

35.
PAES, A.; ZELEZNY, F. ; ZAVERUCHA, G. ; PAGE, D. ; SRINIVASAN, A. . ILP through Propositionalization and Stochastic k-term DNF Learning. In: Revised Selected Papers of 16th International Conference on Inductive Logic Programming (ILP 2006), 2006, Santiago de Compostela. Lecture Notes in Artificial Intelligence, 2006. v. 4455. p. 379-393.

36.
PAES, A.; REVOREDO, K. ; ZAVERUCHA, G. ; COSTA, V. S. . Probabilistic First-Order Theory Revision from Examples. In: 15th International Conference on Inductive Logic Programming, 2005, Bonn. Lecture Notes in Artificial Intelligence. Heidelberg: Springer Verlag, 2005. v. 3625. p. 295-311.

37.
PAES, A.; REVOREDO, K. ; ZAVERUCHA, G. ; COSTA, V. S. . Revisão de Teorias Probabilísticas de Primeira-Ordem.. In: V Encontro Nacional de Inteligência Artificial (ENIA 2005) / SBC, 2005, São Leopoldo. V Encontro Nacional de Inteligência Artificial (ENIA 2005) / SBC, 2005. p. 932-941.

38.
PAES, A.; REVOREDO, K. ; ZAVERUCHA, G. ; COSTA, V. S. . Comparação de Funções de Avaliação em Revisão de Teorias Probabilísticas de Primeira-ordem. In: VII Congresso Brasileiro de Redes Neurais, 2005, Natal. VII Congresso Brasileiro de Redes Neurais, 2005.

Resumos expandidos publicados em anais de congressos
1.
MELO, R. ; REVOREDO, K. ; PAES, A. . Learning Multiple Description Logics Concepts. In: 23rd International Conference on Inductive Logic Programming, 2013, Rio de Janeiro. Short papers proceedings of the 23rd International Conference on Inductive Logic Programming, 2013. p. 1-6.

2.
SANTOS COSTA, V. ; PAES, A. . On the Relationship between PRISM and CLP(BN). In: International Workshop on Statistical Relational Learning, 2009, Leuven. Proceedings of the International Workshop on Statistical Relational Learning, 2009.

3.
REVOREDO, K. ; PAES, A. ; ZAVERUCHA, G. ; COSTA, V. S. . Combining Predicate Invention and Revision of Probabilistic FOL theories. In: 16th International Conference on Inductive Logic Programming (ILP 2006), 2006, Santiago de Compostela. Short Paper Preceedings of the 16th International Conference on Inductive Logic Programming (ILP-06). Coruna: UDC Press Service, 2006. p. 176-178.

4.
PAES, A.; ZELEZNY, F. ; ZAVERUCHA, G. ; PAGE, D. ; SRINIVASAN, A. . ILP through Propositionalization and Stochastic k-term DNF Learning. In: 16th International Conference on Inductive Logic Programming (ILP-06), 2006, Santiago de Compostela. Short Paper Preceedings of the 16th International Conference on Inductive Logic Programming (ILP-06). Coruna: UDC Press, 2006. p. 164-168.

Resumos publicados em anais de congressos
1.
Pereira, R. ; Couto, E. ; Niedu, G. ; PAES, A. ; ZAVERUCHA, G. . Busca Direcionada a Modos na Adição de Antecedentes por Descoberta de Caminhos Relacionais em Revisão de Teorias de Primeira-ordem a partir de Exemplos. In: XXX Jornada de Iniciação Científica da UFRJ, 2008, Rio de Janeiro. XXX Jornada de Iniciação Científica da UFRJ, 2008.

2.
Couto, E. ; Pereira, R. ; Niedu, G. ; PAES, A. ; ZAVERUCHA, G. . Busca Direcionada a Modos na Adição de Antecedentes Hill-Climbing em Revisão de Teorias de Primeira-ordem a partir de Exemplos. In: XXX Jornada de Iniciação Científica da UFRJ, 2008, Rio de Janeiro. XXX Jornada de Iniciação Científica da UFRJ, 2008, 2008.

3.
Niedu, G. ; Pereira, R. ; Couto, E. ; PAES, A. ; ZAVERUCHA, G. . Definindo Determinações de Predicados em Revisão de Teorias de Primeira-ordem a partir de Exemplos. In: XXX Jornada de Iniciação Científica da UFRJ, 2008, Rio de Janeiro. XXX Jornada de Iniciação Científica da UFRJ, 2008.

4.
PAES, A.; REVOREDO, K. ; ZAVERUCHA, G. ; COSTA, V. S. . Further Results of Probabilistic First-Order Revision of Theories from Examples. In: 4th Workshop on Multi-Relational Data Mining / The Eleventh ACM SIGKDD International Conference on Knowledge Discovery, 2005, Chicago. Proceedings of the 4th Workshop on Multi-Relational Data Mining / The Eleventh ACM SIGKDD International Conference on Knowledge Discovery, 2005. p. 59-59.

Apresentações de Trabalho
1.
PAES, ALINE. Recent Advances on Learning from Relational Data: Logic, Probabilities, Embeddings, and so on. 2016. (Apresentação de Trabalho/Seminário).

2.
PAES, ALINE. Introdução ao Aprendizado de Máquina para Negócios de Compra e Venda: da Predição de Vendas à Criação Automática de Anúncios. 2016. (Apresentação de Trabalho/Seminário).

3.
PAES, A.. Aprendizado de Modelos Semânticos Expressivos com Programação por Conjuntos de Resposta. 2015. (Apresentação de Trabalho/Conferência ou palestra).

4.
PAES, A.. Revising the Knowledge of Multi-Agents from Examples: Challenges and Prospections within Probabilistic Logic Programming. 2015. (Apresentação de Trabalho/Conferência ou palestra).

5.
PAES, A.; ZAVERUCHA, G. ; SANTOS COSTA, V. . On the Effective Revision of (Bayesian) Logic Programs from Examples. 2012. (Apresentação de Trabalho/Outra).

6.
PAES, A.. Chess Revision: Acquiring the Rules of Chess through Theory Revision from Examples. 2009. (Apresentação de Trabalho/Seminário).

7.
MUGGLETON, S. ; PAES, A. ; SANTOS COSTA, V. ; ZAVERUCHA, G. . Chess Revision: Acquiring the Rules of Chess through Theory Revision from Examples. 2009. (Apresentação de Trabalho/Conferência ou palestra).

8.
PAES, A.. Advances on First-order Logic Theory Revision from Examples System. 2008. (Apresentação de Trabalho/Seminário).

9.
PAES, A.. Revision of Bayesian Logic Programs from Examples. 2008. (Apresentação de Trabalho/Seminário).

10.
PAES, A.; ZAVERUCHA, G. ; COSTA, V. S. . Revisando Teorias Lógicas de Primeira-ordem a partir de Exemplos usando Busca Local Estocástica. 2007. (Apresentação de Trabalho/Congresso).

11.
PAES, A.; ZAVERUCHA, G. ; COSTA, V. S. . Revising First-Order Logic Theories from Examples through Stochastic Local Search. 2007. (Apresentação de Trabalho/Congresso).

12.
REVOREDO, K. ; PAES, A. ; ZAVERUCHA, G. ; COSTA, V. S. . Combining Predicate Invention and Revision of Probabilistic FOL Theories. 2006. (Apresentação de Trabalho/Congresso).

13.
PAES, A.; REVOREDO, K. ; ZAVERUCHA, G. ; COSTA, V. S. . PFORTE: Revising Probabilistic FOL theories. 2006. (Apresentação de Trabalho/Congresso).

14.
PAES, A.; REVOREDO, K. ; ZAVERUCHA, G. ; COSTA, V. S. . Revisão de Teorias Probabilísticas de Primeira-Ordem. 2005. (Apresentação de Trabalho/Congresso).

15.
PAES, A.; REVOREDO, K. ; ZAVERUCHA, G. ; COSTA, V. S. . Comparação de Funções de Avaliação em Revisão de Teorias Probabilísticas de Primeira-ordem. 2005. (Apresentação de Trabalho/Congresso).


Produção técnica
Programas de computador sem registro
1.
PAES, A.; ZAVERUCHA, G. ; COSTA, V. S. . BFORTE. 2011.

2.
DUBOC, A. L. ; PAES, A. ; Couto, E. ; Pereira, R. ; ZAVERUCHA, G. . FORTE_MBC: Revising First-order Theories using Bottom Clause and Modes. 2008.

3.
PAES, A.; ZAVERUCHA, G. ; COSTA, V. S. . ASSERT: A Stochastic Search Engine for Revising Theories. 2007.

4.
REVOREDO, K. ; PAES, A. ; ZAVERUCHA, G. ; COSTA, V. S. . DAHVI: Discriminative Approach for Hidden Variables Introduction. 2007.

5.
REVOREDO, K. ; PAES, A. ; ZAVERUCHA, G. ; COSTA, V. S. . PFORTE_PI: Revising Probabilistic First-order Theories using Predicate Invention. 2006.

6.
PAES, A.; REVOREDO, K. ; ZAVERUCHA, G. ; COSTA, V. S. . PFORTE: Probabilistic First-order Revision of Theories from Examples. 2005.

Trabalhos técnicos
1.
PAES, A.. Membro do Comitê de Programa do 8o Brazilian Workshop on Social Network Analysis and Mining (BraSNAM). 2019.

2.
PAES, A.. Membro do Comitê de Programa do 28th International Joint Conference on Artificial Intelligence (IJCAI 2019). 2019.

3.
PAES, A.. Membro do Comitê de Programa do 29th International Conference on Inductive Logic Programming (ILP). 2019.

4.
PAES, A.. Membro do Comitê de Programa do High Performance Machine Learning (HPML) Workshop. 2019.

5.
PAES, A.. Membro do Comitê de Programa do 27th International Joint Conference on Artificial Intelligence (IJCAI 2018). 2018.

6.
PAES, A.. Membro do Comitê de Programa do 2nd WinDS (Woman in Data Science Workshop) together with WWW 2018. 2018.

7.
PAES, A.. Membro do Comitê de Programa da VI Escola Regional de Computação Aplicada à Saúde - ERCAS-RJ 2018. 2018.

8.
PAES, A.. Membro do Comitê de Programa do 28th International Conference on Inductive Logic Programming (ILP). 2018.

9.
PAES, ALINE. Membro do Comitê de Programa do 6th Symposium on Knowledge Discovery, Mining and Learning (KDMiLe 2018). 2018.

10.
PAES, A.. Membro do Comitê de Programa do 7th Brazilian Conference on Intelligent Systems (BRACIS 2018). 2018.

11.
PAES, A.. Membro do Comitê de Programa do High Performance Machine Learning (HPML) Workshop. 2018.

12.
PAES, A.. Membro do Comitê de Programa do 7o Brazilian Workshop on Social Network Analysis and Mining (BraSNAM). 2018.

13.
PAES, ALINE. Membro do Comitê de Programa do SIBGRAPI 2018 - 31st Conference on Graphics, Patterns and Images. 2018.

14.
PAES, A.. Membro do Comitê de Programa do First International Workshop on Deep and Transfer Learning. 2018.

15.
PAES, A.. Membro do Comitê de Programa do 11th CTDIAC (Concurso de Teses e Dissertações em Inteligência Artificial e Computacional). 2018.

16.
PAES, A.. Membro do Comitê de Programa: 33rd AAAI Conference on Artificial Intelligence (AAAI-2019). 2018.

17.
PAES, A.. Membro do Comitê de Programa do 27th International Conference on Inductive Logic Programming (ILP). 2017.

18.
PAES, A.. Membro do Comitê de Programa do PLP: Probabilistic Logic Programming - ILP Workshop. 2017.

19.
PAES, A.. Membro do Comitê de Programa: 30th Conference on Graphics, Patterns and Images (SIBGRAPI 2017). 2017.

20.
PAES, A.. Membro do Comitê de Programa: 32nd AAAI Conference on Artificial Intelligence (AAAI-2018). 2017.

21.
PAES, A.. Membro do Comitê de Programa: 6th Brazilian Conference on Intelligent Systems (BRACIS). 2017.

22.
PAES, A.. Membro do Comitê de Programa do SIAM International Conference on Data Mining. 2017.

23.
PAES, A.. Revisor do International Joint Conference on Artificial Intelligence. 2016.

24.
PAES, A.. Membro do Comitê de Programa do 26th International Conference on Inductive Logic Programming. 2016.

25.
PAES, A.. Membro do Comitê de Programa do PLP: Probabilistic Logic Programming - ILP Workshop. 2016.

26.
PAES, A.. Membro do Comitê de Programa do SIAM International Conference on Data Mining. 2016.

27.
PAES, A.. Membro do Comitê de Programa do 31st AAAI Conference. 2016.

28.
PAES, A.. Membro do Comitê de Programa do 5th Brazilian Conference on Intelligent Systems (BRACIS ). 2016.

29.
PAES, A.. Membro do Comitê de Programa do 13th Encontro Nacional de Inteligência Artificial e Computacional. 2016.

30.
PAES, A.. Membro do Comitê de Programa do 4th Symposium on Knowledge Discovery, Mining and Learning (KDMiLe). 2016.

31.
PAES, A.. Membro do comitê de Programa do 18th International Conference on Artificial Intelligence and Statistics (AIStats). 2015.

32.
PAES, A.. Membro do comitê de Programa do 24th International Joint Conference on Artificial Intelligence (IJCAI). 2015.

33.
PAES, A.. Membro do Comitê de Programa do 26th International Conference on Inductive Logic Programming (ILP). 2015.

34.
PAES, A.. Membro do Comitê de Programa do European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases. 2015.

35.
PAES, A.. Membro do Comitê de Programa do 4th Brazilian Conference on Intelligent Systems (BRACIS ). 2015.

36.
PAES, A.. Membro do Comitê de Programa do 3rd Symposium on Knowledge Discovery, Mining and Learning (KDMiLe). 2015.

37.
PAES, A.. Membro do Comitê de Programa do XII Encontro Nacional de Inteligência Artificial e Computacional (ENIAC). 2015.

38.
PAES, A.. Membro do Comitê de Programa do PLP: Probabilistic Logic Programming - ICLP Workshop. 2015.

39.
PAES, A.. Membro do Comitê de Programa da II Escola Regional de Sistemas de Informação ? RJ. 2015.

40.
PAES, A.. Revisora para o 29th Annual Conference on Neural Information Processing Systems (NIPS). 2015.

41.
PAES, A.. Membro do Comitê de Programa do PLP: Probabilistic Logic Programming - ICLP Workshop. 2014.

42.
PAES, A.. Membro do Comitê de Programa do Brazilian Conference on Intelligent Systems (BRACIS ). 2014.

43.
PAES, A.. Membro do Comitê de Programa do Ibero-American Conference on Artificial Inteliigence (IBERAMIA). 2014.

44.
PAES, A.. Membro do Comitê de Programa do 24th International Conference on Inductive Logic Programming (ILP). 2014.

45.
PAES, A.. Membro do Comitê de Programa do 2nd Symposium on Knowledge Discovery, Mining and Learning (KDMiLe). 2014.

46.
PAES, A.. Thesis and Dissertations Contest on Computational and Artificial Intelligence (CTDIAC).. 2014.

47.
PAES, A.. Membro do Comitê de Programa da I Escola Regional de Sistemas de Informação ? RJ. 2014.

48.
PAES, A.. Membro do Comitê de Programa do 24th International Conference on Inductive Logic Programming (ILP). 2013.

49.
PAES, A.. Membro do Comitê de Programa do 2nd Symposium on Knowledge Discovery, Mining and Learning (KDMiLe). 2013.

50.
ZAVERUCHA, G. ; PAES, A. . Revisora do International Joint Conference on Artificial Intelligence (IJCAI). 2013.

51.
ZAVERUCHA, G. ; PAES, A. . Revisora do AAAI Conference on Artificial Intelligence. 2013.

52.
PAES, A.. Membro do Comitê de Programa do 24th International Conference on Inductive Logic Programming.. 2012.

53.
ZAVERUCHA, G. ; PAES, A. . Revisora do European Conference on Machine Learning (ECML)/European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD). 2012.

54.
ZAVERUCHA, G. ; PAES, A. . Revisora do International Conference on Inductive Logic Programming (ILP). 2011.

55.
ZAVERUCHA, G. ; PAES, A. . Revisora do European Conference on Machine Learning (ECML)/European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD). 2011.

56.
ZAVERUCHA, G. ; PAES, A. . Revisora do International Conference on Inductive Logic Programming (ILP). 2010.

57.
ZAVERUCHA, G. ; PAES, A. . International Conference on Machine Learning (ICML). 2010.

58.
ZAVERUCHA, G. ; PAES, A. . Revisora do European Conference on Machine Learning (ECML)/European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD). 2010.

59.
ZAVERUCHA, G. ; PAES, A. . Revisora do IEEE International Conference on Data Mining (ICDM). 2010.

60.
ZAVERUCHA, G. ; PAES, A. . Revisora do International Conference on Inductive Logic Programming (ILP). 2009.

61.
ZAVERUCHA, G. ; PAES, A. . Revisora do European Conference on Machine Learning (ECML)/European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD). 2009.

62.
ZAVERUCHA, G. ; PAES, A. . Revisora do IEEE International Conference on Data Mining (ICDM). 2009.

63.
ZAVERUCHA, G. ; PAES, A. . Revisora do ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD). 2009.

64.
ZAVERUCHA, G. ; PAES, A. . Revisora do International Conference on Discovery Science. 2009.

65.
ZAVERUCHA, G. ; PAES, A. . Revisora do SIAM International Conference on Data Mining. 2009.

66.
ZAVERUCHA, G. ; PAES, A. . Revisora do International Conference on Machine Learning (ICML). 2008.

67.
ZAVERUCHA, G. ; PAES, A. . Revisora do European Conference on Machine Learning (ECML)/European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD). 2008.

68.
ZAVERUCHA, G. ; PAES, A. . Revisora do International Conference on Inductive Logic Programming (ILP). 2007.

69.
ZAVERUCHA, G. ; PAES, A. . Revisora do International Conference on Machine Learning (ICML). 2007.

70.
ZAVERUCHA, G. ; PAES, A. . Revisora do European Conference on Machine Learning (ECML)/European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD). 2007.

71.
ZAVERUCHA, G. ; PAES, A. . Revisora do IEEE International Conference on Data Mining (ICDM). 2007.

72.
ZAVERUCHA, G. ; PAES, A. . Revisora do ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD). 2007.

73.
ZAVERUCHA, G. ; PAES, A. . Revisora do International Conference on Inductive Logic Programming (ILP). 2006.

74.
ZAVERUCHA, G. ; PAES, A. . Revisora do European Conference on Machine Learning (ECML)/European Conference on Principles and Practice of Knowledge Discovery in Databases (PKDD). 2005.



Bancas



Participação em bancas de trabalhos de conclusão
Mestrado
1.
CARVALHO, A. P.; PINTO JUNIOR, J. A.; PAES, A.; ROCHA, G. H. M. A.. Participação em banca de Nadine Melloni Neumann. P-Valor<0,05 é Suficiente? Um Estudo na Avaliação de Classificadores. 2018. Dissertação (Mestrado em CIÊNCIAS DA COMPUTAÇÃO) - Universidade Federal Fluminense.

2.
MARTI, L.; SANCHEZ-PI, N.; PAES, A.; CLUA, E.; ZADROZNY, B.. Participação em banca de Wemerson Pastor de Oliveira Marinho. Word101 - A Compact Encoding of Words Using Character Level Information Applied to Convolutional Neural Network Text Classification. 2018. Dissertação (Mestrado em CIÊNCIAS DA COMPUTAÇÃO) - Universidade Federal Fluminense.

3.
PEREIRA, V.; PAES, A.. Participação em banca de Carlos Henrique Tarjano Santos. Redes Neurais Aplicadas á Modelagem de Instrumentos Acústicos para Síntese Sonora em Tempo Real. 2018. Dissertação (Mestrado em Engenharia de Produção) - Universidade Federal Fluminense.

4.
CONCI, A.; PAES, A.; PAIVA, A. C.; PAMPLONA, D. C.. Participação em banca de Maira Beatriz Hernandez Moran. Metodologia para Localização de Nódulos Malignos da Tireoide a partir de Imagens em InfraVermelho. 2018. Dissertação (Mestrado em CIÊNCIAS DA COMPUTAÇÃO) - Universidade Federal Fluminense.

5.
BAIAO, F. A.; REVOREDO, K.; BARROS, M.; PAES, ALINE. Participação em banca de Jomar da Silva. Interactive Alignment of Ontologies An Approach Based on the Interactive Modification of the Set of Candidate Correspondences. 2017. Dissertação (Mestrado em Programa de Pós-Graduação em Informática (PPGI)) - Universidade Federal do Estado do Rio de Janeiro.

6.
CLUA, E.; VASCONCELOS, C. N.; MARTI, L.; PAES, ALINE; MUSSE, S. R.. Participação em banca de Rafael Rêgo Drummond. Peek: Classificação de Movimento Utilizando Dados Esparsos de Membros Superiores em Redes com LSTM. 2017. Dissertação (Mestrado em Computação) - Universidade Federal Fluminense.

7.
DRUMMOND, L. M. A.; OLIVEIRA, D.; PAES, ALINE; OGASAWARA, E. S.. Participação em banca de Leonardo A. de Jesus. Tolerância a Falhas em Workflows Científicos Executados em Nuvens Computacionais. 2017. Dissertação (Mestrado em CIÊNCIAS DA COMPUTAÇÃO) - Universidade Federal Fluminense.

8.
BRAGANHOLO, V.; DORNELES, C. F.; OLIVEIRA, D.; PAES, A.. Participação em banca de Fábio Gomes dos Santos. PROLOG Versus XQUERY Processors: A Performance EVvaluation of XML Queries Processing Methods. 2015. Dissertação (Mestrado em CIÊNCIAS DA COMPUTAÇÃO) - Universidade Federal Fluminense.

9.
ZAVERUCHA, G.; BARBOSA, V. C.; PAES, A.; COZMAN, F.. Participação em banca de Roosevelt de Lima Sardinha. Bayesian Network Structure Local Learning From Incomplete Data. 2014. Dissertação (Mestrado em Engenharia de Sistemas e Computação) - Universidade Federal do Rio de Janeiro.

10.
REVOREDO, K.; BAIAO, F. A.; SANTORO, F. M.; PAES, A.. Participação em banca de Wander dos Santos Vasconcellos. Pattern-Based Ontology Revision. 2014. Dissertação (Mestrado em Programa de Pós-Graduação em Informática (PPGI)) - Universidade Federal do Estado do Rio de Janeiro.

Teses de doutorado
1.
CLUA, E.; MURTA, L.; PAES, A.; OLIVEIRA, D.; FEIJO, B.; BRAGA, R. M. M.. Participação em banca de Troy Costa Kohwalter. Gameplay Analysis with Provenance. 2018. Tese (Doutorado em Computação) - Universidade Federal Fluminense.

2.
VITERBO FILHO, J.; ROSSETI, I.; PAES, A.; BERNARDINI, F.; OLIVEIRA, J.; VIVACQUA, A.; REZENDE, S.. Participação em banca de WILTON DE PAULA FILHO. Utilizando hashtags e conteúdo da descrição do perfil do usuário para melhorar a classificação de tweets no cenário eleitoral. 2018. Tese (Doutorado em Computação) - Universidade Federal Fluminense.

3.
MONTENEGRO, A. A.; VASCONCELOS, C. N.; BENEVIDES, M.; CARVALHO, P. C. P.; RAPOSO, A. B.; TORREAO, J. R.; FERNANDES, L. A. F.; PAES, A.. Participação em banca de Lucas Grassano Lattari. Unsupervised Image Cosegmentation Based On Global Clustering and Saliency. 2015. Tese (Doutorado em Computação) - Universidade Federal Fluminense.

4.
ZAVERUCHA, G.; PAES, A.; BENEVIDES, M.; VELOSO, S.; FINGER, M.; LAMB, L.. Participação em banca de Ana Luísa de Cerqueira Leite Duboc. Uma Análise dos Operadores de Revisão de Teorias do Sistema FORTE_MBC. 2014. Tese (Doutorado em Engenharia de Sistemas e Computação) - Universidade Federal do Rio de Janeiro.

Qualificações de Doutorado
1.
REVOREDO, K.; BAIAO, F. A.; EUZENAT, J.; PAES, A.; SIQUEIRA, S. W. M.. Participação em banca de Wander dos Santos Vasconcellos. A Logical view on the Revision of Correspondences between Entities of different Ontologies. 2018. Exame de qualificação (Doutorando em Informática) - Universidade Federal do Estado do Rio de Janeiro.

2.
CLUA, E.; VASCONCELOS, C. N.; PAES, A.; MARROQUIM, R.. Participação em banca de Mark Watt. Pivoting Manifolds. 2018. Exame de qualificação (Doutorando em Computação) - Universidade Federal Fluminense.

3.
CLUA, E.; GONCALVES, L. M. G.; PAES, A.; VASCONCELOS, C. N.. Participação em banca de Bruno Augusto Dorta Marques. Deep Learning for Lighting Estimation on Mixed Reality. 2018. Exame de qualificação (Doutorando em Computação) - Universidade Federal Fluminense.

4.
SAADE, D. C. M.; CARVALHO, A. P.; PAES, ALINE; GOMES, A. T. A.. Participação em banca de Carolina Medeiros Carvalho. Sistema de Suporte ao Diagnóstico de Demência, Doença de Alzheimer e Comprometimento Cognitivo Leve com Aprendizado Contínuo. 2017. Exame de qualificação (Doutorando em Computação) - Universidade Federal Fluminense.

5.
CLUA, E.; PAES, A.; MONTENEGRO, A. A.; FURTADO, A. L.. Participação em banca de David Batista Carvalho. Planejamento Social com Simulação de Percepções para Storytelling Emergente. 2014. Exame de qualificação (Doutorando em Pós-Graduação em Computação da UFF) - Universidade Federal Fluminense.

Trabalhos de conclusão de curso de graduação
1.
DUBOC, L.; SHOTS, M.; PAES, A.; MAGALHAES, A.. Participação em banca de Raquel Barreto Silva de Mendonça/Jessica Rosa da Silva Salva.SOMit - Um método para identificar e mitigar práticas não sustentáveis em organizações. 2018. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade do Estado do Rio de Janeiro.

2.
SHOTS, M.; COELHO, I. M.; COSTA, R. M. E. M.; PAES, A.; BARROS, M.. Participação em banca de João Victor Azevedo Esteves.Existe correlação entre a reutilização de ativos de software e as características de seus repositórios de controle de versão? Uma análise baseada em algoritmos de aprendizagem de máquina. 2018. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade do Estado do Rio de Janeiro.

3.
VIEIRA, B. L.; PAES, A.; BENEVIDES, M.; HAEUSLER, E. H.. Participação em banca de Erick Simas Grilo.Compiling certified Reo code. 2018. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

4.
FERNANDES, L. A. F.; PAES, A.; MONTENEGRO, A. A.. Participação em banca de Vítor Nascimento Lourenço.Bag-of-Hierarchies: um modelo de aprendizado de máquina para dados hierárquicos com aplicação em recuperação de logotipos similares. 2018. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

5.
OLIVEIRA, D.; LAGE, M.; PAES, A.. Participação em banca de Caio de Souza e Silva.Publicação de Experimentos Científicos em Plataformas de Dados Abertos. 2018. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) - Universidade Federal Fluminense.

6.
OLIVEIRA, D.; LAGE, M.; PAES, A.. Participação em banca de Ricardo José C. Junior.Uma plataforma para extração e análise de páginas Web por meio de Web Scraping. 2018. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) - Universidade Federal Fluminense.

7.
DRUMMOND, L. M. A.; TEYLO, L.; PAES, A.; BENTES, C.. Participação em banca de Matheus Filipe Ferreira Leite da Costa.Avaliação de Técnicas de Redimensionamento Vertical em Ambientes Virtuais. 2018. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

8.
VITERBO FILHO, J.; ANDRADE, E. O.; VASCONCELOS, L. P.; PAES, A.. Participação em banca de Phelipe Goncalves Martins.Avaliação de Abordagens Baseadas em Deep Learning para a Identificação de Fake News. 2018. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) - Universidade Federal Fluminense.

9.
KOWADA, L. A. B.; LEIDERMAN, R.; PAES, ALINE. Participação em banca de Julius Cesar Rubio Caffaro.Detecção da Frequência Fundamental de Notas Musicais Baseada em uma Escala Exponencial da Transformada de Fourier. 2017. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

10.
KALINOWSKI, M.; MURTA, L.; PAES, ALINE. Participação em banca de Pablo Fernandes Curty de Freitas.Um Estudo de Caso Industrial Investigando o Uso de Dados de Diferentes Organizações para Apoiar Análise Causal de Defeitos. 2017. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

11.
KOWADA, L. A. B.; VIEIRA, B. L.; PAES, A.. Participação em banca de Vinícius de Carvalho Brum.Compilador para Linguagem Reversível Janus. 2017. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

12.
LAGE, M.; ROCHA, A. A. A.; PAES, A.; CRISSAF, L. S.. Participação em banca de Natália Rocha de Almeida Pipas.Correção de Inconsistências nos Dados de GPS de Ônibus do Rio de Janeiro. 2017. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

13.
VASCONCELOS, C. N.; CLUA, E.; PAES, A.; FERNANDES, L. A. F.. Participação em banca de José Carlos de Almeida Machado.Reconhecimento de Comandos de Voz para Ambientes de Realidade Virtual Utilizando Redes Neurais de Convolução. 2017. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

14.
OLIVEIRA, D.; PAES, ALINE; VIEIRA, B. L.. Participação em banca de Mariana Teixeira Carvalho.Uma Abordagem para Busca de Padrões de Explosões Solares nos Dados dos Telescópios Tupi. 2017. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) - Universidade Federal Fluminense.

15.
CARVALHO, A. P.; SILVA, P. N.; PAES, ALINE; CARVALHO, J.. Participação em banca de Igor Martire de Miranda.Using Protein-Protein Interactions Data to Improve Predictions of the Effect of Aging-Related Genes on the Longevity of Model Organisms. 2017. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

16.
MARTI, L.; PAES, A.; SANCHEZ-PI, N.. Participação em banca de Lucas Hippert Stuart Boden.Arquiteturas Deep Learning aplicadas em Veículos Autônomos. 2017. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

17.
OLIVEIRA, D.; PAES, A.; VITERBO FILHO, J.. Participação em banca de Luciano Nascimento e Rômulo Soares.Um Estudo de Estatísticas de Suicídio no Brasil. 2017. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) - Universidade Federal Fluminense.

18.
MONTENEGRO, A. A.; PAES, A.; OLIVEIRA, D.. Participação em banca de Thadeu José Caldas Neves.Um framework para a criação de Text Adventures. 2017. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

19.
OLIVEIRA, D.; VIEIRA, B. L.; PAES, ALINE. Participação em banca de Frederico Queiroz Nascimento.Análise de Desempenho Esportivo Baseada em Dados Estatísticos. 2017. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

20.
BRAGA, C. O.; VIEIRA, B. L.; PAES, A.. Participação em banca de Hugo Farias Silva.LEARN - Uma Linguagem para Descrição de Cursos Online. 2016. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

21.
OLIVEIRA, D.; PAES, A.; OCANA, K.. Participação em banca de Filipe Tadeu Santiago da Silva.Uma abordagem para Verificação de Reprodutibilidade em Experimentos Científicos. 2016. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

22.
VIEIRA, B. L.; BRAGA, C. O.; PAES, A.. Participação em banca de Matheus Enes Santos Viana.Um Provador Automático de Teoremas Expansível a partir da Lógica Clássica Proposicional. 2016. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

23.
OLIVEIRA, D.; KALINOWSKI, M.; PAES, A.. Participação em banca de Pedro Develly Rocha Costa e Luiz Felipe Tavares da Silva.Ágora: Sistema de Apoio a Gerência de Projetos de Workflows Científicos Baseado no SCRUM. 2016. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

24.
VASCONCELOS, C. N.; FERNANDES, L. A. F.; PAES, ALINE. Participação em banca de Jonatha Nunes da Silva e Larissa Silva Teixeira.Análise de Faces por Redes Neurais de Convolução Profundas em Plataformas Móveis. 2016. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

25.
OLIVEIRA, D.; CRUZ, L.; PAES, ALINE. Participação em banca de Jorcyane Araújo Lima.Engenharia de Requisitos: Um Estudo de Caso no IFPB. 2016. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

26.
OLIVEIRA, D.; Ocaña, K.; PAES, ALINE. Participação em banca de Fabiane Lucas da Silva e Felipe Alvaro Vieira de Lima.CollabCumulus 2.0: Um Sistema de Análise de Dados de Proveniência. 2016. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

27.
SALGADO, L. C. C.; TREVISAN, D. G.; PAES, ALINE. Participação em banca de Gabriel de Sales Viana.Usabilidade em Jogos em diferentes plataformas e gêneros. 2016. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

28.
REBELLO, E. F. V.; GATTI, M.; PAES, A.; VITERBO FILHO, J.. Participação em banca de João Paulo Forny de Melo.A Comparison of Parallel Computing Implementations for Sentiment Analysis of Tweets. 2015. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

29.
MORAES, I.; PAES, A.; PASSOS, D.. Participação em banca de Ian Vilar Bastos e Victor Costa Maceso Sousa.Encaminhamento de Pacotes em Redes Orientadas a Conteúdo. 2015. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

30.
OLIVEIRA, D.; OCANA, K.; PAES, A.. Participação em banca de Bruno Conti Quevedo e Carlos Maciel da Silva.Aplicação do SCRUM no Ambiente Científico. 2015. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) - Universidade Federal Fluminense.

31.
MONTENEGRO, A. A.; OLIVEIRA, D.; PAES, A.. Participação em banca de Carlos Henrique Carvalho da Silva.ARSYS?Beleza - Ferramenta de gerenciamento para Salão de Beleza. 2015. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

32.
MONTENEGRO, A. A.; FERRAZ, I. N.; PAES, A.; TREVISAN, D. G.. Participação em banca de Alexandre Ávila Costa e Higor dos Santos Pinto.SVM Sharp: Uma Implementação Didática de SVMs. 2014. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

33.
LAGE, M.; PAES, A.; OLIVEIRA, D.. Participação em banca de Marcelo Agostinho Pinto e Vinícius de Oliveira Henriques.Visualização dos Dados das Linhas de Ônibus do Rio de Janeiro. 2014. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

34.
SILVA, J. C. P.; DELGADO, C. A. D. M.; PAES, A.. Participação em banca de Douglas Coutinho da Silva e Diogo da Silva de Pontes.FireOWL-2. 2013. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal do Rio de Janeiro.

35.
DUBOC, L.; PAES, A.; SANTOS, N.. Participação em banca de Felipe dos Santos Fagundes e Jéssica Dias da Silva.Jogo Chaves Lógicas: Oferecendo um indicativo preditivo do nível de aquisição do código escrito. 2013. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade do Estado do Rio de Janeiro.

36.
CONCI, A.; PAES, A.; VITERBO FILHO, J.. Participação em banca de MARCEL SHEENY DE MORAES.Aprendizado de Máquina Aplicado a Imagens Termográficas de Mamas. 2013. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

37.
REBELLO, E. F. V.; PAES, A.; VITERBO FILHO, J.. Participação em banca de Augusto Consulmagnos Romeiro e Bruno Moreira Coimbra.Bibliotecas Virtuais: Gerenciamento de Mídia Digital. 2013. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense.

38.
MESQUITA, R. P.; PAES, A.; SEMAAN, G.. Participação em banca de Felipe Henrique Ferreira de Jesus.Autômato de Monitoramento de Depósito de Resíduos. 2012. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Centro Universitário Plínio Leite.

39.
MESQUITA, R.; PAES, A.; SEMAAN, G.. Participação em banca de Luciano de Carvalho Lima.Framework de Desenvolvimento de Jogos 2D, utilizando o Microsoft XNA. 2012. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Centro Universitário Plínio Leite.

40.
SANTOS, A. Dolejsi; SOUSA, L. S.; PAES, A.. Participação em banca de Fabrício Xavier Alves.Cálculo da Direção e Distância entre Dois Pontos Quaisquer da Superfície Terrestre e Declinação Magnética a partir de suas Coordenadas Geográficas. 2007. Trabalho de Conclusão de Curso (Graduação em Tecnologia em Sistemas de Computação) - Universidade Federal Fluminense.

41.
SOUSA, L. S.; SANTOS, A. Dolejsi; PAES, A.. Participação em banca de Raphael Rodrigues dos Reis.Instalação de Software Livre Educacional: Uma Experiência na Perifieria de Nova Iguaçu. 2007. Trabalho de Conclusão de Curso (Graduação em Tecnologia em Sistemas de Computação) - Universidade Federal Fluminense.

42.
FERREIRA, T. O.; PAES, A.; FRANCA, F. M. G.. Participação em banca de Douglas Bandoli Vasconcellos e Jorge Alexandre A de Souza.Metaheurísticas para Problemas em Otimização Combinatória. 2007. Trabalho de Conclusão de Curso (Graduação em Tecnologia em Sistemas de Computação) - Universidade Federal Fluminense.



Participação em bancas de comissões julgadoras
Concurso público
1.
ROSSETI, I.; KALINOWSKI, M.; PAES, A.. Professor Substituto em nível de Assistente. 2015.

2.
ROSSETI, I.; OLIVEIRA, D.; PAES, A.. Professor Substituto em nível de Assistente. 2015. Universidade Federal Fluminense.



Eventos



Participação em eventos, congressos, exposições e feiras
1.
International Joint Conference on Artificial Intelligence (IJCAI 2016). 2016. (Congresso).

2.
Brazilian Conference on Intelligent Systems (BRACIS). Looking at the Bottom and the Top: A Hybrid Logical Relational Learning System Based on Answer Sets. 2015. (Congresso).

3.
Brazilian Conference on Intelligent Systems (BRACIS). Syntactic Compression of DL Terminologies. 2014. (Congresso).

4.
23rd International Conference on Inductive Logic Programming. 2013. (Congresso).

5.
BRACIS 2013. 2013. (Congresso).

6.
Encontro Nacional de Inteligência Artificial e Computacional (ENIAC). 2013. (Congresso).

7.
Brazilian Conference on Intelligent System (BRACIS 2012). On the Effective Revision of (Bayesian) Logic Programs from Examples. 2012. (Congresso).

8.
19th International Conference on Inductive Logic Programming. Chess Revision: Acquiring the Rules of Chess through Theory Revision from Examples. 2009. (Congresso).

9.
21st International Joint Conference on Artificial Intelligence. 2009. (Congresso).

10.
Workshop on General Game Playing/IJCAI-2009.Chess Revision: Acquiring the Rules of Chess through Theory Revision from Examples. 2009. (Outra).

11.
18th Annual International Conference on Inductive Logic Programming. 2008. (Congresso).

12.
17th Annual International Conference on Inductive Logic Programming. Revising First-Order Logic Theories from Examples through Stochastic Local Search. 2007. (Congresso).

13.
24th Annual International Conference on Machine Learning. 2007. (Congresso).

14.
VI Encontro Nacional de Inteligência Artificial (ENIA 2007).Revisando Teorias Lógicas de Primeira-ordem a partir de Exemplos usando Busca Local Estocástica. 2007. (Encontro).

15.
16th International Conference on Inductive Logic Programming (ILP 2006). Combining predicate invention and revision of probatilistic FOL theories. 2006. (Congresso).

16.
2nd International Joint Conference (10th Ibero-American Conference on AI, 18th Brazilian AI Symposium). PFORTE: Revising Probabilistic FOL Theories. 2006. (Congresso).

17.
V Encontro Nacional de Inteligência Artificial (ENIA 2005).Revisão de Teorias Probabilísticas de Primeira-Ordem. 2005. (Encontro).

18.
VII Congresso Brasileiro de Redes Neurais (CBRN 2005). Comparação de Funções de Avaliação em Revisão de Teorias Probabilísticas de Primeira-ordem. 2005. (Congresso).

19.
XXV Congresso da Sociedade Brasileria de Computação. 2005. (Congresso).

20.
IV Encontro Nacional de Inteligência Artificial (ENIA 2003). 2003. (Encontro).

21.
XXIII Congresso da Sociedade Brasileira e Computação. 2003. (Congresso).


Organização de eventos, congressos, exposições e feiras
1.
PAES, A.; BERNARDINI, F. . Track Chair (Advances on AI) 15th ACS/IEEE International Conference on Computer Systems and Applications AICCSA 2018. 2018. (Congresso).

2.
BRITTO, A. ; PAES, A. . Coordenadora de Programa do 14th Encontro Nacional de Inteligência Artificial e Computacional. 2017. (Congresso).

3.
PAES, A.. Program Chair do Thesis and Dissertations Contest on Computational and Artificial Intelligence (CTDIAC). 2014. (Concurso).

4.
PAES, A.. Local Chair do 23rd International Conference on Inductive Logic Programming. 2013. (Congresso).



Orientações



Orientações e supervisões em andamento
Dissertação de mestrado
1.
Patrick Blackman Sphaier. Classification of Dialogue Interactions with Rationalized Few Shot Deep Learning. Início: 2019. Dissertação (Mestrado em Computação) - Universidade Federal Fluminense. (Orientador).

2.
Daniel Pinheiro da Silva Junior. Automatic Recommendation for Scientific Workflows via Preference Learning. Início: 2018. Dissertação (Mestrado em Computação) - Universidade Federal Fluminense, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. (Orientador).

3.
Kid Yonatan Valeriano Valdez. Análise de discursos políticos com representações linguísticas distribucionais. Início: 2018. Dissertação (Mestrado em Computação) - Universidade Federal Fluminense, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. (Orientador).

4.
Ashey John Masi Noblega. Dynamic Game Balancing with Deep Reinforcement Transfer Learning. Início: 2018. Dissertação (Mestrado em Computação) - Universidade Federal Fluminense, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. (Orientador).

5.
Sidney Araújo Melo. Embeddings of Tracked Game Data with Graphs. Início: 2018. Dissertação (Mestrado em Computação) - Universidade Federal Fluminense, Conselho Nacional de Desenvolvimento Científico e Tecnológico. (Coorientador).

6.
Paulo Roberto Mann Marques Junior. Depression Symptoms Detection via Social Media: A Multi-modal Machine Learning Approach. Início: 2018. Dissertação (Mestrado em Computação) - Universidade Federal Fluminense, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. (Orientador).

7.
Ícaro Goulart Faria Motta França. Imitation Learning of Social Behavior in Games. Início: 2018. Dissertação (Mestrado em CIÊNCIAS DA COMPUTAÇÃO) - Universidade Federal Fluminense, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. (Orientador).

8.
Rodrigo Azevedo Santos. Learning Representations for Transfer Learning on Statistical Relational AI. Início: 2018. Dissertação (Mestrado em Engenharia de Sistemas e Computação) - Universidade Federal do Rio de Janeiro, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. (Coorientador).

Tese de doutorado
1.
Jéssica Oliveira Soares. Mineração de opiniões semi-supervisionada em mídias sociais para o cenário eleitoral. Início: 2018. Tese (Doutorado em Computação) - Universidade Federal Fluminense, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. (Coorientador).

2.
Henrique Bueno Rodrigues. Natural Language Interfaces for Enterprise Data Queries. Início: 2018. Tese (Doutorado em Computação) - Universidade Federal Fluminense. (Orientador).

Trabalho de conclusão de curso de graduação
1.
Thales Athayde Santos. Uma base de dados de Libra para linguagem natural a partir de vídeos de contos infantis. Início: 2018. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal Fluminense. (Orientador).

2.
Wallace Ferreira Baleroni. Aprendizado por Reforço de Temporização de Semáforos. Início: 2018. Trabalho de Conclusão de Curso (Graduação em Computação) - Universidade Federal Fluminense. (Orientador).


Orientações e supervisões concluídas
Dissertação de mestrado
1.
Felipe Borda Carregosa. Implementando uma máquina virtual diferenciável mínima em redes neurais recorrentes. 2018. Dissertação (Mestrado em Engenharia de Sistemas e Computação) - Universidade Federal do Rio de Janeiro, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. Coorientador: Aline Marins Paes Carvalho.

2.
Victor Augusto Lopes Guimarães. Online Probabilistic Theory Revision from Examples: A ProPPR Approach. 2018. Dissertação (Mestrado em Engenharia de Sistemas e Computação) - Universidade Federal do Rio de Janeiro, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Coorientador: Aline Marins Paes Carvalho.

3.
André Luís da Costa Nascimento. Uma estratégia de Escalonamento baseado em Aprendizado por Reforço para Workflows Científicos baseado em Nuvens de Computadores. 2018. Dissertação (Mestrado em Computação) - Universidade Federal Fluminense, . Coorientador: Aline Marins Paes Carvalho.

4.
Hugo Arraes Henley. Análise de Evasão no Ensino Superior por meio de Aprendizado de Máquina Relacional. 2018. Dissertação (Mestrado em Computação) - Universidade Federal Fluminense, . Coorientador: Aline Marins Paes Carvalho.

5.
Breno William Santos Rezende de Carvalho. Augmenting a Linguistic Semi-Structured Data for Machine Learning. 2018. Dissertação (Mestrado em Computação) - Universidade Federal Fluminense, . Orientador: Aline Marins Paes Carvalho.

6.
Raphael Melo Thiago. On the Learning of Multiple Concepts in Description Logics. 2014. Dissertação (Mestrado em Programa de Pós-Graduação em Informática (PPGI)) - Universidade Federal do Estado do Rio de Janeiro, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. Coorientador: Aline Marins Paes Carvalho.

7.
Rainier Augusto Ferreira Sales. Aplicação de NPC Afetivo em Jogos de Simulação. 2014. Dissertação (Mestrado em CIÊNCIAS DA COMPUTAÇÃO) - Universidade Federal Fluminense, . Coorientador: Aline Marins Paes Carvalho.

Tese de doutorado
1.
David Batista Carvalho. Comportamento Social de Personagens na Geração de Estórias por Computador. 2017. Tese (Doutorado em Computação) - Universidade Federal Fluminense, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Coorientador: Aline Marins Paes Carvalho.

Monografia de conclusão de curso de aperfeiçoamento/especialização
1.
Maurici Alexandrina da Silva Rocha. Ferramentas midiáticas Assíncronas e Síncronas e a interação na Educação a Distância: uma Análise de Ferramentas de Fóruns e Chats. 2012. Monografia. (Aperfeiçoamento/Especialização em Planejamento, Implementação e Gestão da EaD) - Universidade Aberta do Brasil. Orientador: Aline Marins Paes Carvalho.

2.
Andressa Bermond Carneti. Ferramentas Midiáticas de Interação: Tutoria e Relação Interpessoal no Ambiente de Aprendizagem. 2012. Monografia. (Aperfeiçoamento/Especialização em Planejamento, Implementação e Gestão da EaD) - Universidade Aberta do Brasil. Orientador: Aline Marins Paes Carvalho.

3.
Najara de Medeiros Gomes. Utilização dos Aplicativos Google como Ferramentas de Construção Coletiva do Conhecimento: Um Estudo do Google Docs. 2012. Monografia. (Aperfeiçoamento/Especialização em Planejamento, Implementação e Gestão da EaD) - Universidade Aberta do Brasil. Orientador: Aline Marins Paes Carvalho.

4.
Adriano Bocardo. Utilização dos Aplicativos Google como Ferramentas de Construção Coletiva do Conhecimento: Google+, uma Rede Social Digital Facilitando a Aprendizagem. 2012. Monografia. (Aperfeiçoamento/Especialização em Planejamento, Implementação e Gestão da EaD) - Universidade Aberta do Brasil. Orientador: Aline Marins Paes Carvalho.

5.
Leandro Rondado de Sousa. Utilização dos Aplicativos Google como Ferramentas de Construção Coletiva do Conhecimento: Aplicação das Ferramentas Blogger e Reader no Desenvolvimento de Trabalhos de Conclusão de Curso. 2012. Monografia. (Aperfeiçoamento/Especialização em Planejamento, Implementação e Gestão da EaD) - Universidade Aberta do Brasil. Orientador: Aline Marins Paes Carvalho.

6.
André Miranda Tavares. Formas de Interação e Ferramentas Utilizadas no Ambiente Virtual de Aprendizagem: Um Foco na História da EaD e a Evolução das Ferramentas com o Avanço da Tecnologia. 2012. Monografia. (Aperfeiçoamento/Especialização em Planejamento, Implementação e Gestão da EaD) - Universidade Aberta do Brasil. Orientador: Aline Marins Paes Carvalho.

7.
Carlos de Valois Mattos Alves de Souza. Interatividade nos Ambientes Virtuais: Analisando a Ferramenta Chat como um Espaço Colaborativo na EaD. 2012. Monografia. (Aperfeiçoamento/Especialização em Planejamento, Implementação e Gestão da EaD) - Universidade Aberta do Brasil. Orientador: Aline Marins Paes Carvalho.

8.
Denise Maria Pereira Teixeira. Formas de Interação e Ferramentas Virtuais Num Ambiente Virtual de Aprendizagem: Um foco na Acessibilidade e Usabilidade das Ferramentas Síncronas e Assíncronas, Favorecendo a Interação entre Alunos e Professores. 2012. Monografia. (Aperfeiçoamento/Especialização em Planejamento, Implementação e Gestão da EaD) - Universidade Aberta do Brasil. Orientador: Aline Marins Paes Carvalho.

9.
Soraia Nascimento Silva Gomes. O Papel do Tutor e do Aluno e a Interação Aluno-Tutor Diante do Uso das Ferramentas em Ambientes Virtuais: um Foco nas Ferramentas Fórum de Discussão, Blog e Wiki. 2012. Monografia. (Aperfeiçoamento/Especialização em Planejamento, Implementação e Gestão da EaD) - Universidade Aberta do Brasil. Orientador: Aline Marins Paes Carvalho.

10.
Arlindo Fernando Paiva de Carvalho Júnior. Formas de Interação e Ferramentas Virtuais num Ambiente Virtual de Aprendizagem: Uma Análise dos Modelos de Ensino em EaD. 2012. Monografia. (Aperfeiçoamento/Especialização em Planejamento, Implementação e Gestão da EaD) - Universidade Aberta do Brasil. Orientador: Aline Marins Paes Carvalho.

Trabalho de conclusão de curso de graduação
1.
Ronnald Rezende Machado. Um estudo sobre a utilização de redes neurais recorrentes para composição musical. 2018. Trabalho de Conclusão de Curso. (Graduação em Tecnologia em Sistemas de Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

2.
Marco Antonio de Carvalho Bonetti. Received your letter: Análise das cartas de Van Gogh por meio de Aprendizado de Máquina. 2018. Trabalho de Conclusão de Curso. (Graduação em Sistemas de Informação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

3.
Victor Olímpio dos Santos Silva. WorkflowSimRL - Escalonamento de Workflows de Larga-escala em Nuvens de Computadores com uso de Aprendizado por Reforço. 2018. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

4.
Thais Maiolino. Maximus: Automatizando Tarefas por Voz. 2017. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

5.
Pedro Ginnari B S de Mendonça e Vinícius Santos de Souza. Uma Implementação de um Agente Autônomo para o jogo Bomberman com Aprendizado por Reforço. 2017. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

6.
Carlos Bruno Piucci Garcia Sá. Um Player para General Game Playing Baseado em Busca em Árvores de Monte Carlo. 2017. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

7.
Fábio Assunção Berlim Camelo. Detecção Automática de Discurso de Ódio em Comentários de Jornais Online. 2017. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

8.
Victor Augusto Lopes Guimarães. An Ensemble Model for Link Prediction in Knowledge Bases. 2016. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

9.
Diego Fernando Freitas Lima dos Santos. Detecting Future Status of Requests from Open Management Systems with Support Vector Machines. 2016. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

10.
Ana Caroline Gomes Vargas. Detecção de Pedestres Utilizando Redes Neurais Convolucionais Profundas. 2016. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

11.
Daniel Pinheiro da Silva Junior. Uma Ferramenta de Apoio à Detecção de Falhas e Recomendação de Parâmetros com Mineração de Dados. 2016. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

12.
Rafael Ferreira Ramalho. Aplicação de Técnicas de Mineração de Dados para Prevenção de Erros na Geração de Árvores Filogenéticas. 2016. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

13.
Marcos Pedro Ferreira Leal Silva. Processamento de Sinais de Áudio com Redes Neurais Profundas. 2016. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

14.
Bernardo Costa Amaral. Análise do Perfil de Eleitores Brasileiros com Mineração de Dados Abertos Governamentais. 2016. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

15.
Marcelo Andrade Rodrigues Almeida. Aprendizado por Reforço para o Escalonamento de Tarefas em Ambientes de Computação em Nuvem. 2016. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

16.
Lucas Pinheiro Paim. Predição de Falhas em Sistemas Abertos de Requisição de Software. 2016. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

17.
Paulo Roberto Mann Marques Junior. Detecção de Transtorno de Personalidade Narcisista a Partir de Tweets: Um Estudo Preliminar. 2016. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

18.
Breno W.R.S. de Carvalho. Uma Abordagem Distribuída de Modelos Gráficos Probabilísticos com GraphLab. 2015. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

19.
Pedro Henrique Ribeiro da Silva e Gisele Domingues Alves. Uma abordagem para execução de processos na nuvem usando aprendizado por reforço. 2015. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

20.
Renan Vinagre Câmara. SPC-Wf: Um Sistema para Predição de Comportamento de Workflows. 2015. Trabalho de Conclusão de Curso. (Graduação em Sistemas de Informação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

21.
Daniel Ferreira Moreira. Buscador Semântico a partir de Consultas Conjuntivas. 2014. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

22.
Rafael Grillo Abreu. BigSEO: Dados além do HTML. 2014. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

23.
Marco Gabriel Barcellos e Hudson Gomes dos Santos. Um Sistema de Recomendação para Auxiliar em Composições Poéticas. 2014. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

24.
Eduardo Jandre de Oliveira. Um Sistema de Recomendação de Vídeos baseado em Estado Emocional. 2014. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal Fluminense. Orientador: Aline Marins Paes Carvalho.

25.
Daniel Araújo e Hélio Barbosa e Leandro Pereira. DAHELE: um Serviço Web de acesso facilitado a ferramentas de Aprendizado de Máquina. 2014. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Universidade Federal do Rio de Janeiro. Orientador: Aline Marins Paes Carvalho.

26.
Gabriel Borges da Silva e Fabrício de Andrade Castro. NoSQL: Alternativa aos Bancos de Dados Relacionais. 2012. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Centro Universitário Plínio Leite. Orientador: Aline Marins Paes Carvalho.

27.
Marcelo S. Guimarães. Desenvolvimento de Aplicativo Gerenciador de Coleção de Revistas em Quadrinhos na Plataforma Android. 2012. Trabalho de Conclusão de Curso. (Graduação em Ciência da Computação) - Centro Universitário Plínio Leite. Orientador: Aline Marins Paes Carvalho.

28.
Gustavo Fonseca Valle. Uma implementação em General Game Playing. 2011. Trabalho de Conclusão de Curso. (Graduação em Ciência da computação) - Centro Universitário Plínio Leite. Orientador: Aline Marins Paes Carvalho.

29.
Paulo Vitor da Conceição Silva. Sistema de Apoio a Setor de Compras Logísticas. 2011. Trabalho de Conclusão de Curso. (Graduação em Ciência da computação) - Centro Universitário Plínio Leite. Orientador: Aline Marins Paes Carvalho.

30.
Eric Couto Luz e Silva. Restrições de Integridade e Invenção de Predicados em Revisão de Teorias de Primeira-ordem a partir de Exemplos. 2010. Trabalho de Conclusão de Curso. (Graduação em Engenharia de Computação e Informação) - Universidade Federal do Rio de Janeiro. Orientador: Aline Marins Paes Carvalho.

31.
Thalles Carreiro Rodrigues. Sistema Protótipo para Auxílio do Diagnóstico de Hanseníase Usando Redes Bayesianas. 2010. Trabalho de Conclusão de Curso. (Graduação em Ciência da computação) - Centro Universitário Plínio Leite. Orientador: Aline Marins Paes Carvalho.

32.
Alexandre Mendes de Lima. Sistema para Controle de Emissão de Poluentes. 2007. Trabalho de Conclusão de Curso. (Graduação em Tecnologia em Sistemas de Computação) - Centro de Educação a Distância do Estado de Rio de Janeiro. Orientador: Aline Marins Paes Carvalho.

33.
Leonardo de Carvalho Veloso e Olga Maria de Almeida Gomes. Introduzindo Caminhadas Aleatórias no Aprendizado de Regras para Mineração de Dados. 2007. Trabalho de Conclusão de Curso. (Graduação em Tecnologia em Sistemas de Computação) - Centro de Educação a Distância do Estado de Rio de Janeiro. Orientador: Aline Marins Paes Carvalho.

Iniciação científica
1.
Gabriela Gomes Silva. Detecção Automática de de Falhas em Sistemas de Requisições de Software. 2018. Iniciação Científica. (Graduando em Ciência da Computação) - Universidade Federal Fluminense, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Orientador: Aline Marins Paes Carvalho.

2.
Carolina Alves de Oliveira Ransatto. Detecção Automática de Falhas em Sistemas de Requisições de Software. 2018. Iniciação Científica. (Graduando em Ciência da Computação) - Universidade Federal Fluminense, Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ. Orientador: Aline Marins Paes Carvalho.

3.
Vitor Nascimento Lourenço. Predição de Padrões Criminais com Dados Colaborativos. 2016. Iniciação Científica. (Graduando em Ciência da Computação) - Universidade Federal Fluminense, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Orientador: Aline Marins Paes Carvalho.

4.
Marcos Pedro Ferreira Leal Silva. Aprendizado de Máquina por Transferência em Domínios Relacionais Incertos: Aplicação em Dados Urbanos e Cidades Inteligentes. 2015. Iniciação Científica. (Graduando em Ciência da Computação) - Universidade Federal Fluminense, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Orientador: Aline Marins Paes Carvalho.

5.
Suzana Barboza Carvalho. Aprendizado de Máquina a Partir de Dados Urbanos. 2015. Iniciação Científica. (Graduando em Ciência da Computação) - Universidade Federal Fluminense, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Orientador: Aline Marins Paes Carvalho.

6.
Fábio Assunção Berlim Camelo. Extração e Representação de Informação Semântica para o Aprendizado Automático de Causalidades em Dados Urbanos. 2015. Iniciação Científica. (Graduando em Ciência da Computação) - Universidade Federal Fluminense, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Orientador: Aline Marins Paes Carvalho.

7.
Manuel Maria Baptista de Almeida. Uma Ferramenta para Mineração Multi-relacional de Redes Sociais Baseada em Programação Lógica e Workflows.. 2015. Iniciação Científica. (Graduando em Ciência da Computação) - Universidade Federal Fluminense, Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ. Orientador: Aline Marins Paes Carvalho.

8.
Fábio Assunção Berlim Camelo. Aprendizado de Programas Lógicos Descritivos. 2015. Iniciação Científica. (Graduando em Ciência da Computação) - Universidade Federal Fluminense, Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ. Orientador: Aline Marins Paes Carvalho.

9.
Victor Augusto Lopes Guimarães. Aprendizado de Programas Lógicos Descritivos. 2014. Iniciação Científica. (Graduando em Ciência da Computação) - Universidade Federal Fluminense, Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ. Orientador: Aline Marins Paes Carvalho.

10.
Eric Couto Luz e Silva. Integrando Programação em Lógica Abdutiva à Revisão de Teorias de Primeira-ordem a partir de Exemplos. 2009. Iniciação Científica. (Graduando em Engenharia de Computação e Informação) - Universidade Federal do Rio de Janeiro, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Orientador: Aline Marins Paes Carvalho.

11.
Thiago Braga de Almeida Antonio. Utilização de Testes Estatísticos para Avaliação de Resultados de Programação em Lógica Indutiva (co-orientador). 2008. Iniciação Científica. (Graduando em Engenharia de Controle e Automação) - Universidade Federal do Rio de Janeiro, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Orientador: Aline Marins Paes Carvalho.

12.
Rafael José Gonçalves Pereira. Busca Direcionada a Modos na Adição de Antecedents por Descoberta de Caminhos em Revisão de Teorias a partir de Exemplos (Co-orientador). 2008. Iniciação Científica. (Graduando em Engenharia de Controle e Automação) - Universidade Federal do Rio de Janeiro, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Orientador: Aline Marins Paes Carvalho.

13.
Eric Couto Luz e Silva. Busca Direcionada a Modos na Adição de Antecedentes por Subida de Encosta em Revisão de Teorias de Primeira-ordem a partir de Exemplos (co-orientador). 2008. Iniciação Científica. (Graduando em Engenharia de Computação e Informação) - Universidade Federal do Rio de Janeiro, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Orientador: Aline Marins Paes Carvalho.

14.
Guilherme da Silva Niedu. Determinações em Revisão de Teorias de Primeira-ordem a partir de Exemplos. 2007. Iniciação Científica. (Graduando em Engenharia de Controle e Automação) - Universidade Federal do Rio de Janeiro, Conselho Nacional de Desenvolvimento Científico e Tecnológico. Orientador: Aline Marins Paes Carvalho.

Orientações de outra natureza
1.
José Henrique Lício do Nascimento. Predição de Falhas de Software com Aprendizado Relacional. 2014. Orientação de outra natureza. (Ciência da Computação) - Universidade Federal Fluminense, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. Orientador: Aline Marins Paes Carvalho.



Outras informações relevantes


Aprovação em concursos públicos:

1) APROVAÇÃO NO CONCURSO PÚBLICO DE PROVAS E TÍTULOS PARA A CARREIRA DE MAGISTÉRIO SUPERIOR NA CLASSE DE PROFESSOR ADJUNTO I. Universidade Federal Fluminense. Departamento de Ensino : Ciência da Computação. Área de Conhecimento: Inteligência Artificial ou Banco de Dados. 

2) APROVAÇÃO NO PROCESSO SELETIVO PARA PROFESSOR SUBSTITUTO. Universidade: UFRJ. Departamento de Ensino: Ciência da Computação. Área de Conhecimento: Programação em Python

3) APROVAÇÃO NO PROCESSO SELETIVO PARA PROFESSOR SUBSTITUTO. Universidade: UFRJ. Departamento de Ensino: Engenharia de Sistemas e Computação. Área de Conhecimento: Algoritmos e Estruturas de Dados



Página gerada pelo Sistema Currículo Lattes em 16/01/2019 às 17:34:47