Fernando Favoretti Vital do Prado
Formado em Sistemas de Informação (06/2017) atualmente Head de Machine Learning na XP Inc. Também atuou como Young Scientist na NASA/BMSIS pesquisando sobre machine learning aplicado a produção na agricultura além de possuir mestrado academico na área de AutoML
Informações coletadas do Lattes em 15/05/2024
Acadêmico
Formação acadêmica
Mestrado em SISTEMAS DE INFORMAÇÃO
2019 - 2021
Universidade de São Paulo
Título: Aprendizado de máquina automatizado (título provisório)., Ano de Obtenção: 2021
Luciano Antonio Digiampietri.Palavras-chave: AutoML; Machine Learning; Inteligencia Artificial; Feature Engineering.
Formação complementar
2017 - 2017
Big Data Advanced Analysis. (Carga horária: 44h). , Universidade de São Paulo, USP, Brasil.
2017 - 2017
Machine Learning Engineer. (Carga horária: 400h). , Udacity, UDACITY, Estados Unidos.
Idiomas
Inglês
Compreende Razoavelmente, Fala Razoavelmente, Lê Bem, Escreve Razoavelmente.
Português
Compreende Bem, Fala Bem, Lê Bem, Escreve Bem.
Áreas de atuação
Grande área: Ciências Exatas e da Terra / Área: Ciência da Computação.
Participação em eventos
PAPIS. 2018. (Congresso).
PAPIS LATAM 2017. 2017. (Congresso).
VII Semana de Sistemas de Informação USP.NASA - Young Scientist Project - Omnicrop. 2017. (Seminário).
Produções bibliográficas
-
PRADO, F. F. V. ; Rafael R. Loureiro . OMNICROP - An integrated systems alternative to ideal crop site localization and cultivation chamber self-management utilizing machine learning. 2017. (Apresentação de Trabalho/Congresso).
Projetos de pesquisa
-
2017 - Atual
OMNICROP, Descrição: OMNICROP uses a database composed of labeled data such as light quality and quantity, general climate characteristics and soil quality from successful farming sites. This data is then used to sort and select the most successful crops for a particular set of circumstances. This process can provide either earthbound farmers or off-world colonists with the a-priori information needed to start successful, productive food production while preventing costly and time-consuming mistakes that derive from on-site experimentation or be directly linked to self-managing cultivation chambers. This project is an open source model where any user can input data and obtain results. Frequent reuse will assist the models to ?learn? and continually re-calibrate itself providing increasingly accurate results over time. If selected, the candidate will assist with organizing the labeled data and on programming the model as well as be given full liberty to come up with new ideas on how to integrate the model?s premise on building cheap self-managing cultivation chambers using IoT.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (0) / Mestrado acadêmico: (1) / Doutorado: (1) . , Integrantes: Fernando Favoretti Vital do Prado - Coordenador / Rafael Loureiro - Integrante.
Histórico profissional
Experiência profissional
2014 - 2016
TIM Celular S.A.Vínculo: Estágio, Enquadramento Funcional: DBA AND JAVA DEVOLOPER, Carga horária: 20
2016 - 2016
Semantix BrasilVínculo: Scholarship, Enquadramento Funcional: Data Scientist Inter, Carga horária: 20, Regime: Dedicação exclusiva.
Outras informações:
Working as consultant in various Big Data projects with different objectives (Big Data Search, ETL, Data Analysis) and learning all about the Cloudera and Big Data Technologies (Hadoop, Spark, Flume, Hive, Impala and others)
2016 - 2017
Itau UnibancoVínculo: Formal labor contract, Enquadramento Funcional: Data Scientist, Carga horária: 40, Regime: Dedicação exclusiva.
Outras informações:
Develop several Machine Learning models to help with the insights of the company, working with Big Data environments such as Cassandra and Spark.
2017 - Atual
National Aeronautics and Space Administration - HeadquartersVínculo: Young Scientist Program, Enquadramento Funcional: Young Scientist, Carga horária: 20
Outras informações:
OMNICROP uses a database composed of labeled data such as light quality and quantity, general climate characteristics and soil quality from successful farming sites. This data is then used to sort and select the most successful crops for a particular set of circumstances. This process can provide either earthbound farmers or off-world colonists with the a-priori information needed to start successful, productive food production while preventing costly and time-consuming mistakes that derive from on-site experimentation or be directly linked to self-managing cultivation chambers. This project is an open source model where any user can input data and obtain results. Frequent reuse will assist the models to ?learn? and continually re-calibrate itself providing increasingly accurate results over time. If selected, the candidate will assist with organizing the labeled data and on programming the model as well as be given full liberty to come up with new ideas on how to integrate the model?s premise on building cheap self-managing cultivation chambers using IoT.
2018 - Atual
XP InvestimentosVínculo: Formal labor contract, Enquadramento Funcional: Full Time Data Scientist, Carga horária: 44, Regime: Dedicação exclusiva.
Outras informações:
Working with cutting edge machine learning pipelines and projects like churn modeling and recommender systems
Criando um monitoramento
Nossos robôs irão buscar nos nossos bancos de dados todos os processos de Fernando Favoretti Vital do Prado e sempre que o nome aparecer em publicações dos Diários Oficiais, avisaremos por e-mail e pelo painel do usuário
Criando um monitoramento
Nossos robôs irão buscar nos nossos bancos de dados todas as movimentações desse processo e sempre que o processo aparecer em publicações dos Diários Oficiais e nos Tribunais, avisaremos por e-mail e pelo painel do usuário
Confirma a exclusão?