Maria Eliana da Silva Holanda

Formação complementar

Idiomas

Participação em eventos

Produções bibliográficas

• COSTA, E. M. ; HOLANDA, M. E. S. ; BRAGA, M. B. ; SOUZA JUNIOR, G. N. ; ALVES, G. A. R. ; OLIVEIRA, C. D. S. ; ARAUJO, F. A. . Use of deep learning for disease recognition in banana cultivation in the municipality of Paragominas/PA. AMAZONIAN JOURNAL OF AGRICULTURAL AND ENVIRONMENTAL SCIENCES / REVISTA DE CIÊNCIAS AGRÁRIAS , v. 67, p. 001-012, 2024.

• RAMOS, LUIZ HENRIQUE DIAS ; HOLANDA, MARIA ELIANA DA SILVA ; VERÇOSA, JOÃO PEDRO DOS SANTOS ; ALVES, GUSTAVO ANTONIO RUFFEIL ; TAVARES, ARTHUR COSTA FALCÃO ; ARAÚJO, FABRÍCIO ALMEIDA ; DE SOUZA JÚNIOR, GILBERTO NERINO ; BRAGA, MARCUS DE BARROS . Classificação de plantações a partir de imagens de RPA utilizando deep learning. OBSERVATORIO DE LA ECONOMÍA LATINOAMERICANA , v. 21, p. 25917-25937, 2023.

• LIMA, P. V. C. ; HOLANDA, M. E. S. ; COSTA, E. M. ; OLIVEIRA, D. K. L. ; SANTO, E. T. E. ; RAMOS, L. H. D. ; SOARES, L. H. M. ; SANTOS, I. M. ; ARAUJO, F. A. ; SILVA, J. M. L. ; SOUZA JUNIOR, G. N. ; BRAGA, M. B. . Leukemia Diagnosis with Machine Learning Ensemble from Gene Expression Data. INTERNATIONAL JOURNAL OF DEVELOPMENT RESEARCH , v. XI, p. 50641-50646, 2021.

• HOLANDA, M. E. S. ; COSTA, E. M. ; OLIVEIRA, D. K. L. ; LIMA, P. V. C. ; SANTO, E. T. E. ; RAMOS, L. H. D. ; SOARES, L. H. M. ; RAMOS, R. C. ; COSTA, J. S. ; SANTOS, I. M. ; SILVA, J. M. L. ; SOUZA JUNIOR, G. N. ; BRAGA, M. B. . Aplicação de Aprendizado de Máquina Profundo para Detecção por Imagens de Doenças em Frutos do Cacaueiro. INTERNATIONAL JOURNAL OF DEVELOPMENT RESEARCH , v. 11, p. 47378-47384, 2021.

• LIMA, P. V. C. ; COSTA, E. M. ; HOLANDA, M. E. S. ; OLIVEIRA, D. K. L. ; SANTO, E. T. E. ; RAMOS, L. H. D. ; SOARES, L. H. M. ; SANTOS, I. M. ; SILVA, J. M. L. ; SOUZA JUNIOR, G. N. ; BRAGA, M. B. . Use of Convolutional Neural Networks in the Diagnosis of Corn Diseases.. In: XV Brazilian Congress on Computational Intelligence, 2021, Joinvile, Santa Catarina. XV CONGRESSO BRASILEIRO DE INTELIGÊNCIA COMPUTACIONAL - ARTIGOS APRESENTADOS NAS SESSÕES TÉCNICAS CBIC 2021, 2021.

• COSTA, J. S. ; HOLANDA, M. E. S. ; COSTA, E. M. ; SILVA, J. M. L. ; SOUZA JUNIOR, G. N. ; BRAGA, M. B. . Utilização de Machine Learning para o Diagnóstico de Leucemia a Partir de Dados de Expressão Gênica. In: IV INTEGRA UFRA, 2021, Belém. Anais do Integra UFRA 2021, 2021.

• HOLANDA, M. E. S. ; COSTA, J. S. ; COSTA, E. M. ; SILVA, J. M. L. ; SOUZA JUNIOR, G. N. ; BRAGA, M. B. . APLICAÇÃO DE APRENDIZADO DE MÁQUINA PROFUNDO PARA DETECÇÃO POR IMAGENS DE DOENÇAS EM FRUTOS DO CACAUEIRO. In: IV INTEGRA UFRA, 2021, Belém. Anais do Integra UFRA 2021, 2021.

• AMORAS, R. S. ; SOARES, L. H. M. ; SANTO, E. T. E. ; HOLANDA, M. E. S. ; DAMASCENO, T. A. ; LISBOA, R. . Projeto Codificando Ideias na Área de Ciência da Informação. In: IV INTEGRA UFRA, 2021, Belém. Anais do Integra UFRA 2021, 2021.

Projetos de pesquisa

• 2022 - 2023

  Uso de Deep Learning para Reconhecimento de Doenças em Espécies de Plantas Cultivadas na Amazônia (CNPq 401838/2021-8), Descrição: A tecnologia de aprendizado de máquina (machine learning) empodera muitos aspectos da sociedade, de pesquisas na web para filtragem de conteúdo em redes sociais a recomendações de sites de comércio eletrônico, e está cada vez mais presente em produtos de consumo, como câmeras e smartphones. Os sistemas de aprendizado de máquina são usados para identificar objetos em imagens, transcrever fala em texto, localizar itens em notícias, publicações ou produtos de interesse dos usuários e selecionar resultados relevantes da pesquisa. Cada vez mais, estas aplicações fazem uso de uma classe de técnicas chamada aprendizado profundo, ou deep learning. Vários projetos que utilizam técnicas de visão computacional direcionados à agricultura vêm sendo implementados. Pesquisas têm destacado as possibilidades da utilização de sistemas de visão em áreas da agricultura como análise do comportamento animal, agricultura de precisão e orientação das máquinas, silvicultura, análise de medida e crescimento das plantações. Outros trabalhos vêm sendo realizados recentemente na identificação e classificação das ervas daninhas. Este projeto visa desenvolver uma abordagem computacional baseada em deep learning para processamento digital de imagens que seja capaz de ajudar no diagnóstico automático de doenças em plantas, especialmente aquelas mais importantes dentre as culturas desenvolvidas na região do município de Paragominas, importante polo do agronegócio paraense. Chamada CNPq/MCTI/SEMPI No.#8192;14/2021 Quantidade de Bolsas: 02 Modalidade: Iniciação Tecnológica em TICs - ITC - A Duração: 10 Meses.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (2) / Doutorado: (2) . , Integrantes: Maria Eliana Da Silva Holanda - Integrante / GILBERTO NERINO DE SOUZA JUNIOR - Integrante / MARCUS DE BARROS BRAGA - Coordenador / EDSON MAGALHAES DA COSTA - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa.

• 2022 - Atual

  Utilização de Inteligência Artificial para Reconhecimento por Imagem das Principais Doenças da Cultura do Cacau na Região Amazônica (PVPG538-2021), Descrição: Descrição: O estado do Pará é o maior produtor de cacau do Brasil, com 51% da produção nacional, envolvendo 26 mil produtores, gerando 64 mil empregos diretos e 225 mil indiretos. Contudo, doenças que acometem essa cultura são responsáveis por elevadas perdas na produção. O primeiro passo para a redução nos danos provocados pelas doenças no cacaueiro e/ou seus frutos, é o conhecimento dos diferentes aspectos envolvidos. Este projeto pretende explorar técnicas computacionais de Aprendizado Profundo (Deep Learning) para fazer o reconhecimento por imagem das principais doenças da cultura do cacau na região amazônica. Como resultado deste projeto pretende-se construir (1) um banco de imagens atualizado sobre as doenças que acometem o cacau e, (2) uma solução de software inteligente e de fácil utilização por parte do produtor rural para detecção e diagnóstico de doenças que acometem o cacau. Assim, busca-se contribuir de forma efetiva para o melhoramento da cadeia produtiva do cacau no estado do Pará. CHAMADA Nº 002/2021 FAPESPA/CNPq PROGRAMA DE INFRAESTRUTURA PARA JOVENS PESQUISADORES Programa Primeiros Projetos- PPP- FAPESPA/CNPq Publicado no Diário Oficial do Estado do Pará no 34.726 - pgs 78-81 Termo de Outorga 27/2022 - DOE 01/06/2022. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (6) / Mestrado acadêmico: (1) / Mestrado profissional: (0) / Doutorado: (11) .. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (6) / Mestrado acadêmico: (1) / Doutorado: (11) . , Integrantes: Maria Eliana Da Silva Holanda - Integrante / GILBERTO NERINO DE SOUZA JUNIOR - Integrante / MARCUS DE BARROS BRAGA - Coordenador / ALLAN DOUGLAS BENTO DA COSTA - Integrante / CARLOS JEAN FERREIRA DE QUADROS - Integrante / DANIEL LEAL SOUZA - Integrante / FABRICIO ALMEIDA ARAUJO - Integrante / EDSON MAGALHAES DA COSTA - Integrante / DHIAN KELSON LEITE DE OLIVEIRA - Integrante / ELIAS GABRIEL DA SILVA - Integrante / GUSTAVO ANTONIO RUFFEIL ALVES - Integrante / EDSON KOITI KUDO YASOJIMA - Integrante / LUIZ HENRIQUE DIAS RAMOS - Integrante / Paulo Victor Cunha Lima - Integrante / RENATO HIDAKA TORRES - Integrante / Candido Ferreira de Oliveira Neto - Integrante / ANDERSON SILVA DE OLIVEIRA GÓES - Integrante / AUGUSTO JOSÉ SILVA PEDROSO - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.

• 2020 - Atual

  Aprendizado de Máquina (Profundo) para Reconhecimento de Imagem de Plantas em Espécies Amazônicas, Descrição: O campo do Aprendizado de Máquina (Machine Learning) se preocupa com a construção de programas de computador que melhoram automaticamente com a experiência. Nos últimos anos, muitas aplicações bem sucedidas de Aprendizado de Máquina foram desenvolvidas, desde programas de mineração de dados que aprendem a detectar transações fraudulentas com cartões de crédito, sistemas de filtragem de informação que aprendem as preferências de leitura dos usuários, até veículos autônomos que aprendem a dirigir em rodovias públicas. Uma forma particular de Aprendizado de Máquina, o Aprendizado Profundo (Deep Learning), permite que modelos computacionais compostos de múltiplas camadas de processamento aprendam representações de dados com múltiplos níveis de abstração. Algoritmos como Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN) e Generative Adversarial Networks (GAN), trouxeram avanços imensos no processamento de imagens, vídeo, texto, fala e áudio. Com as novas oportunidades de uso de ciência de dados no domínio multidisciplinar de agro tecnologias, o Aprendizado Profundo tem sido amplamente estudado e aplicado também em diversos segmentos das ciências agrárias. Este projeto pretende explorar os diversos algoritmos de Aprendizado Profundo, estudando seus conceitos, limitações, implementações e processos de treinamento, além de estudar diversos esforços de sucesso que empregam técnicas de Aprendizado Profundo aplicados a vários desafios da produção agrícola. EDITAL 12/2020 ? PROPED/UFRA - CONCESSÃO DE BOLSAS DE INICIAÇÃO CIENTÍFICA FAPESPA - CONVÊNIO Nº 003/2019 ? UFRA/FAPESPA. Este projeto está vinculado ao projeto: Aprendizado de Máquina (Profundo) para Reconhecimento de Imagem em Aplicações de Ciências Agrárias em Espécies Amazônicas.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) / Doutorado: (1) . , Integrantes: Maria Eliana Da Silva Holanda - Integrante / MARCUS DE BARROS BRAGA - Coordenador., Financiador(es): Fundação Amazônia Paraense de Amparo à Pesquisa - Bolsa.

• 2020 - Atual

  Utilização de Técnicas de Inteligência Computacional em Aplicações de Bioinformática, Biologia Computacional e Atenção à Saúde na Amazônia Paraense, Descrição: Atualmente, tanto as ciências ômicas, que consiste na genômica, transcriptômica, proteômica, metagenômica, metabolômica, etc., quanto o campo da atenção à saúde, produzem uma quantidade de dados imensa, complexa e com alta dimensionalidade. Estes dados incluem registros eletrônicos de saúde, imagens, dados biológicos produzidos pelas ciências ômicas, texto de sensores, todos complexos, heterogêneos e mal anotados e geralmente não estruturados. Abordagens tradicionais de mineração de dados e aprendizado estatístico geralmente precisam executar primeiro engenharia de características para obter recursos efetivos e mais robustos desses dados e, em seguida, criar previsões ou agrupar modelos em cima deles. Existem muitos desafios em ambas as etapas em um cenário de dados complicados e falta de recursos suficientes. conhecimento de domínio. Os últimos avanços nas tecnologias de Inteligência Computacional como na Aprendizagem Profunda fornecem novos paradigmas eficazes para obter resultados finais modelos de aprendizagem a partir de dados complexos. O presente projeto de pesquisa, tem por objetivo aplicar técnicas de inteligência computacional como Aprendizado de Maquina e Aprendizado Profundo para modelar problemas de Bioinformática, Biologia Computacional e Atenção à Saúde em problemas reais encontrados na Amazônia paraense... , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (8) / Especialização: (1) / Mestrado acadêmico: (1) / Doutorado: (11) . , Integrantes: Maria Eliana Da Silva Holanda - Integrante / GILBERTO NERINO DE SOUZA JUNIOR - Integrante / MARCUS DE BARROS BRAGA - Coordenador / JONAS ELIAS CASTRO DA ROCHA - Integrante / ALLAN DOUGLAS BENTO DA COSTA - Integrante / CARLOS JEAN FERREIRA DE QUADROS - Integrante / RENATO HIDAKA TORRES - Integrante / ROMMEL THIAGO JUCA RAMOS - Integrante / ADRIANA RIBEIRO CARNEIRO FOLADOR - Integrante / JAKELYNE MACHADO LIMA SILVA - Integrante / FABRICIO ALMEIDA ARAUJO - Integrante / KENNY DA COSTA PINHEIRO - Integrante / ESLEY TEIXEIRA DO ESPIRITO SANTO - Integrante / EDSON MAGALHAES DA COSTA - Integrante / PAULO VICTOR CUNHA LIMA - Integrante / LUCAS HENRIQUE MARTINS SOARES - Integrante / JOAQUIM DOS SANTOS COSTA - Integrante / JOSUE SOARES RIBEIRO - Integrante / DHIAN KELSON LEITE DE OLIVEIRA - Integrante / JAILTON WAGNER RODRIGUES TAVARES - Integrante.

• 2020 - Atual

  Aprendizado de Máquina (Profundo) para Reconhecimento de Imagem em Aplicações de Ciências Agrárias em Espécies Amazônicas, Descrição: Projeto de pesquisa cadastrado na PROPED/UFRA sob o número PVPG97-2019. O campo do Aprendizado de Máquina (Machine Learning) se preocupa com a construção de programas de computador que melhoram automaticamente com a experiência. Nos últimos anos, muitas aplicações bem-sucedidas de Aprendizado de Máquina foram desenvolvidas, desde programas de mineração de dados que aprendem a detectar transações fraudulentas com cartões de crédito, sistemas de filtragem de informação que aprendem as preferências de leitura dos usuários, até veículos autônomos que aprendem a dirigir em rodovias públicas. Uma forma particular de Aprendizado de Máquina, o Aprendizado Profundo (Deep Learning), permite que modelos computacionais compostos de múltiplas camadas de processamento aprendam representações de dados com múltiplos níveis de abstração. Esses métodos melhoraram drasticamente o que existia de mais avançado em termos de reconhecimento de fala, reconhecimento de objeto visual, detecção de objetos e muitos outros domínios, como descoberta de novas drogas e genômica. Algoritmos como Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN) e Generative Adversarial Networks (GAN), trouxeram avanços imensos no processamento de imagens, vídeo, texto, fala e áudio. Com as novas oportunidades de uso de ciência de dados no domínio multidisciplinar de agro tecnologias, o Aprendizado Profundo tem sido amplamente estudado e aplicado também em diversos segmentos das ciências agrárias. Este projeto pretende explorar os diversos algoritmos de Aprendizado Profundo, estudando seus conceitos, limitações, implementações e processos de treinamento, além de estudar diversos esforços bem-sucedidos que empregam técnicas de Aprendizado Profundo aplicados a vários desafios da produção agrícola, animal e alimentar. Além disso, o projeto prevê fazer comparações entre o desempenho dos métodos de Aprendizado Profundo e de outras técnicas, por exemplo, em tarefas de classificação regressão... , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Maria Eliana Da Silva Holanda - Integrante / GILBERTO NERINO DE SOUZA JUNIOR - Integrante / MARCUS DE BARROS BRAGA - Coordenador / JONAS ELIAS CASTRO DA ROCHA - Integrante / ALLAN DOUGLAS BENTO DA COSTA - Integrante / RENATO HIDAKA TORRES - Integrante / ROMMEL THIAGO JUCA RAMOS - Integrante / DANIEL LEAL SOUZA - Integrante / ESLEY TEIXEIRA DO ESPIRITO SANTO - Integrante / EDSON MAGALHAES DA COSTA - Integrante / PAULO VICTOR CUNHA LIMA - Integrante / LUCAS HENRIQUE MARTINS SOARES - Integrante / JOAQUIM DOS SANTOS COSTA - Integrante / JOSUE SOARES RIBEIRO - Integrante / DHIAN KELSON LEITE DE OLIVEIRA - Integrante / RODRIGO LISBOA PEREIRA - Integrante / ELIAS GABRIEL DA SILVA - Integrante / BRUNO MOURA MONTEIRO - Integrante / GUSTAVO ANTONIO RUFFEIL ALVES - Integrante / ANDRE FELLIPE RIBEIRO DE ALMEIDA - Integrante / EDSON KOITI KUDO YASOJIMA - Integrante / JAILTON WAGNER RODRIGUES TAVARES - Integrante / LUIZ HENRIQUE DIAS RAMOS - Integrante / RAMON CAMPELO RAMOS - Integrante.

• 2017 - 2019

  Estudos de Métodos Computacionais Baseados em ?Locality-Sensitive Hashing (LSH)? para Detecção de Semelhanças em Sequências Biológicas, Descrição: Cadastro Proped-UFRA - 072017-783 - A montagem de genomas, uma das mais cruciais etapas do estudo genômico, pressupõe que leituras (reads) similares devem proceder da mesma região no genoma. Estes fragmentos individuais são então montados, formando sequências maiores (contigs), recuperando assim a informação dispersada durante o processo de sequenciamento. Todavia, isso nem sempre acontece. Regiões repetitivas podem produzir fragmentos com sequências altamente similares mas que foram originadas em diferentes regiões no genoma (Nagarajan & Pop, 2013)⁠. Na montagem, então, tenta-se produzir uma seqüência única que represente todo o genoma do organismo, chamada de sequência consenso, porém, por vezes, esta sequência acaba sendo quebrada em vários contigs (Husemann, 2011)⁠. Repetições no genoma são um dos motivos para essa fragmentação. Leituras provenientes de diferentes cópias de uma região repetitiva no genoma podem não ser facilmente distinguidas e acabar sendo montadas em um único contig, chamado de contig repetitivo (Tang, 2007)⁠. Este projeto de pesquisa pretende desenvolver estudos no sentido de desenvolver ferramentas computacionais que possam auxiliar no processo de detecção e eliminação de sequências biológicas (no caso, contigs) redundantes geradas por montadores... , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (5) / Mestrado acadêmico: (2) / Doutorado: (2) . , Integrantes: Maria Eliana Da Silva Holanda - Integrante / MARCUS DE BARROS BRAGA - Coordenador / ROMMEL THIAGO JUCA RAMOS - Integrante / ESLEY TEIXEIRA DO ESPIRITO SANTO - Integrante / EDSON MAGALHAES DA COSTA - Integrante / PAULO VICTOR CUNHA LIMA - Integrante / RODRIGO LISBOA PEREIRA - Integrante / Luís Carlos Guimarães - Integrante / RAUL DA SILVA AMORAS - Integrante.

Projetos de desenvolvimento

• 2020 - Atual

  Utilização de Técnicas de Inteligência Computacional em Aplicações de Bioinformática, Biologia Computacional e Atenção à Saúde na Amazônia Paraense (PVPG403-2020), Descrição: Atualmente, tanto as ciências ômicas, que consiste na genômica, transcriptômica, proteômica, metagenômica, metabolômica, etc., quanto o campo da atenção à saúde, produzem uma quantidade de dados imensa, complexa e com alta dimensionalidade. Estes dados incluem registros eletrônicos de saúde, imagens, dados biológicos produzidos pelas ciências ômicas, texto de sensores, todos complexos, heterogêneos e mal anotados e geralmente não estruturados. Abordagens tradicionais de mineração de dados e aprendizado estatístico geralmente precisam executar primeiro engenharia de características para obter recursos efetivos e mais robustos desses dados e, em seguida, criar previsões ou agrupar modelos em cima deles. Existem muitos desafios em ambas as etapas em um cenário de dados complicados e falta de recursos suficientes. conhecimento de domínio. Os últimos avanços nas tecnologias de Inteligência Computacional como na Aprendizagem Profunda fornecem novos paradigmas eficazes para obter resultados finais modelos de aprendizagem a partir de dados complexos. O presente projeto de desenvolvimento tecnológico, tem por objetivo aplicar técnicas de inteligência computacional como Aprendizado de Maquina e Aprendizado Profundo para modelar problemas de Bioinformática, Biologia Computacional e Atenção à Saúde em problemas reais encontrados na Amazônia paraense... , Situação: Em andamento; Natureza: Desenvolvimento. , Alunos envolvidos: Técnico de nível médio: (1) Graduação: (8) / Mestrado acadêmico: (2) / Doutorado: (11) . , Integrantes: Maria Eliana Da Silva Holanda - Integrante / GILBERTO NERINO DE SOUZA JUNIOR - Integrante / MARCUS DE BARROS BRAGA - Coordenador / JONAS ELIAS CASTRO DA ROCHA - Integrante / ALLAN DOUGLAS BENTO DA COSTA - Integrante / CARLOS JEAN FERREIRA DE QUADROS - Integrante / ROMMEL THIAGO JUCA RAMOS - Integrante / ADRIANA RIBEIRO CARNEIRO FOLADOR - Integrante / JAKELYNE MACHADO LIMA SILVA - Integrante / DANIEL LEAL SOUZA - Integrante / FABRICIO ALMEIDA ARAUJO - Integrante / KENNY DA COSTA PINHEIRO - Integrante / ESLEY TEIXEIRA DO ESPIRITO SANTO - Integrante / EDSON MAGALHAES DA COSTA - Integrante / PAULO VICTOR CUNHA LIMA - Integrante / LUCAS HENRIQUE MARTINS SOARES - Integrante / JOAQUIM DOS SANTOS COSTA - Integrante / JOSUE SOARES RIBEIRO - Integrante / DHIAN KELSON LEITE DE OLIVEIRA - Integrante / JAILTON WAGNER RODRIGUES TAVARES - Integrante / RENATO HIDAKA TORRES - Integrante / JÚLIA LUTHIANY DA SILVA OLIVEIRA TORRES - Integrante.