Ricardo Cerri

Pós-doutorado

Formação complementar

Idiomas

Áreas de atuação

Organização de eventos

Participação em eventos

Participação em bancas

Orientou

Produções bibliográficas

• AMARAL, D. T. ; MITANI, Y. ; BONATELLI, I. A. S. ; CERRI, R. ; OHMIYA, Y. ; VIVIANI, V. R. . Genome analysis of Phrixothrix hirtus (Phengodidae) railroad worm shows the expansion of odorant-binding gene families and positive selection on morphogenesis and sex determination genes. GENE , v. 850, p. 146917, 2023.

• COSTA, JOEL D. ; FARIA, ELAINE R. ; SILVA, JONATHAN A. ; GAMA, JOÃO ; CERRI, RICARDO . Novelty detection for multi-label stream classification under extreme verification latency. APPLIED SOFT COMPUTING , v. 141, p. 110265, 2023.

• FERRANDIN, MAURI ; CERRI, RICARDO . Multi-label classification via closed frequent labelsets and label taxonomies. SOFT COMPUTING , v. 27, p. 8627-8660, 2023.

• MIRANDA, THIAGO ZAFALON ; SARDINHA, DIORGE BROGNARA ; CERRI, RICARDO . Preventing the generation of inconsistent sets of crisp classification rules. EXPERT SYSTEMS WITH APPLICATIONS , v. 165, p. 113811, 2021.

• CHRISTINELLI, W. A. ; SHIMIZU, F. M. ; FACURE, M. H. M. ; CERRI, R. ; OLIVEIRA JR., O. N. ; CORREA, D. S. ; MATTOSO, L. H. C. . Two-dimensional MoS2-based impedimetric electronic tongue for the discrimination of endocrine disrupting chemicals using machine learning. SENSORS AND ACTUATORS B-CHEMICAL , v. 336, p. 129696, 2021.

• BASGALUPP, MARCIO P. ; CERRI, RICARDO ; SCHIETGAT, LEANDER ; TRIGUERO, I. ; VENS, C. . Beyond global and local multi-target learning. INFORMATION SCIENCES , v. 579, p. 508-524, 2021.

• ZUVANOV, L. ; GARCIA, A. L. B. ; CORRER, F. H. ; BIZARRIA JUNIOR, R. ; COSTA FILHO, A. P. ; COSTA, A. H. ; THOMAZ, A. T. ; PINHEIRO, A. L. M. ; RIANO-PACHON, D. M. ; WINCK, F. V. ; ESTEVES, F. G. ; MARGARIDO, G. R. A. ; CASAGRANDE, G. M. S. ; FRAJACOMO, H. C. ; MARTINS, L. ; CAVALHEIRO, M. F. ; GRACHET, N. G. ; SILVA, R. G. C. ; CERRI, RICARDO ; RAMOS, R. T. J. ; MEDEIROS, S. D. S. ; TAVARES, T. V. ; SANTOS, R. A. C. . The experience of teaching introductory programming skills to bioscientists in Brazil. PLOS COMPUTATIONAL BIOLOGY (ONLINE) , v. 17, p. e1009534, 2021.

• DA COSTA, ALISSON HAYASI ; SANTOS, RENATO AUGUSTO CORRÊA DOS ; CERRI, RICARDO . Investigating deep feedforward neural networks for classification of transposon-derived piRNAs. COMPLEX & INTELLIGENT SYSTEMS , p. 1-1, 2021.

• MASTELINI, SAULO MARTIELLO ; SANTANA, EVERTON JOSE ; CERRI, R. ; BARBON, S. J. . DSTARS: A multi-target deep structure for tracking asynchronous regressor stacking. APPLIED SOFT COMPUTING , p. 106215-27, 2020.

• NAKANO, FELIPE KENJI ; CERRI, RICARDO ; VENS, CELINE . Active learning for hierarchical multi-label classification. DATA MINING AND KNOWLEDGE DISCOVERY (DORDRECHT. ONLINE) , v. 1, p. 1-35, 2020.

• CERRI, RICARDO ; BASGALUPP, MÁRCIO P. ; BARROS, RODRIGO C. ; CARVALHO, ANDRÉ CARLOS P.L.F. . Inducing Hierarchical Multi-label Classification rules with Genetic Algorithms. APPLIED SOFT COMPUTING , v. 77, p. 584-604, 2019.

• MASTELINI, SAULO MARTIELLO ; DA COSTA, VICTOR GUILHERME TURRISI ; SANTANA, EVERTON JOSE ; NAKANO, FELIPE KENJI ; GUIDO, RODRIGO CAPOBIANCO ; CERRI, RICARDO ; BARBON, SYLVIO . Multi-Output Tree Chaining: An Interpretative Modelling and Lightweight Multi-Target Approach. JOURNAL OF SIGNAL PROCESSING SYSTEMS FOR SIGNAL, IMAGE, AND VIDEO TECHNOLOGY (ONLINE) , v. 91, p. 191-215, 2019.

• AMARAL, D. T. ; BONATELLI, I. A. S. ; CERRI, R. ; VIVIANI, V. R. . Phylogenomic analyses and divergence time estimation of Elateroidea (Coleoptera) based on RNA-Seq data. Comparative Biochemistry and Physiology D-Genomics & Proteomics , v. 30, p. 283-289, 2019.

• SCHIETGAT, L. ; VENS, C. ; CERRI, R. ; FISCHER, C. N. ; COSTA, E. P. ; Ramon, J ; CARARETO, C. M. ; BLOCKEEL, H. . A machine learning based framework to identify and classify long terminal repeat retrotransposons. PLOS COMPUTATIONAL BIOLOGY (ONLINE) , v. 14, p. e1006097, 2018.

• PEREIRA, G. T. ; CERRI, RICARDO . Hierarchical and Non-Hierarchical Classification of Transposable Elements with a Genetic Algorithm. Journal of Information and Data Management - JIDM , v. 9, p. 163-178, 2018.

• ALMEIDA, ALEX M.G. ; CERRI, R. ; PARAISO, EMERSON CABRERA ; MANTOVANI, RAFAEL GOMES ; BARBON, S. J. . Applying multi-label techniques in emotion identification of short texts. NEUROCOMPUTING , v. 1, p. 35-46, 2018.

• CERRI, RICARDO ; CARVALHO, ANDRÉ CARLOS P.L.F. . Aprendizado de Máquina: Breve Introdução e Aplicações. CADERNOS DE CIÊNCIA & TECNOLOGIA , v. 34, p. 297-313, 2017.

• CERRI, R. ; Barros, R. C. ; Carvalho, A. C. P. L. F ; JIN, Y. . Reduction strategies for hierarchical multi-label classification in protein function prediction. BMC BIOINFORMATICS , v. 17, p. 373-24, 2016.

• FISCHER, C. N. ; CARARETO, C. M. ; SANTOS, R. A. C. ; CERRI, R. ; COSTA, E. P. ; SCHIETGAT, L. ; VENS, C. . Learning HMMs for Nucleotide Sequences from Amino Acid Alignments. Bioinformatics (Oxford. Print) , v. 31, p. 1-3, 2015.

• CERRI, RICARDO ; PAPPA, GISELE L. ; CARVALHO, ANDRÉ CARLOS P.L.F. ; FREITAS, ALEX A. . An Extensive Evaluation of Decision Tree-Based Hierarchical Multi-Label Classification Methods and Performance Measures. Computational Intelligence , v. 31, p. 1-46, 2015.

• Barros, R. C. ; Jaskowiak, P. A. ; CERRI, R. ; Carvalho, A. C. P. L. F . A framework for bottom-up induction of oblique decision trees. Neurocomputing (Amsterdam) , v. 135, p. 3-12, 2014.

• CERRI, RICARDO ; BARROS, RODRIGO C. ; DE CARVALHO, ANDRÉ C.P.L.F. . Hierarchical multi-label classification using local neural networks. JOURNAL OF COMPUTER AND SYSTEM SCIENCES , v. 80, p. 39-56, 2014.

• CERRI, R. ; Carvalho, A. C. P. L. F ; Freitas, A. A . Adapting non-hierarchical multilabel classification methods for hierarchical multilabel classification. Intelligent Data Analysis , v. 15, p. 861-887, 2011.

• A.O. Chiromatzo ; T.Y.K. Oliveira ; G. Pereira ; A.Y. Costa ; C.A.E. Montesco ; D.E. Gras ; F. Yosetake ; J.B. Vilar ; M. Cervato ; P.R.R. Prado ; R.G.C.C.L. Cardenas ; CERRI, R. ; R.L. Borges ; R.N. Lemos ; S.M. Alvarenga . miRNApath: a database of miRNAs, target genes and metabolic pathways. Genetics and Molecular Research , v. 6, p. 859-865, 2007.

• CERRI, RICARDO ; Prati, Ronaldo C. (Org.) . Lecture Notes in Computer Science. 1. ed. Springer International Publishing, 2020. v. 1. 684p .

• CERRI, RICARDO ; Prati, Ronaldo C. (Org.) . Lecture Notes in Computer Science. 1. ed. Springer International Publishing, 2020. v. 1. 697p .

• ALVES, ANDRE ; ILIDIO, PEDRO ; CERRI, RICARDO . Semi-Supervised Hybrid Predictive Bi-Clustering Trees for Drug-Target Interaction Prediction. In: SAC '23: 38th ACM/SIGAPP Symposium on Applied Computing, 2023, Tallinn Estonia. Proceedings of the 38th ACM/SIGAPP Symposium on Applied Computing. New York: ACM, 2023. p. 1163-1170https.

• SANTOS, B. Z. ; SORIANO, B. M. A. ; NARCISO, M. G. ; SILVA, D. F. ; CERRI, R. . A New Time Series Framework for Forest Fire Risk Forecasting and Classification. In: International Joint Conference on Neural Networks (IJCNN 2023), 2023, Queensland. International Joint Conference on Neural Networks (IJCNN 2023), 2023.

• SILVA, R. R. S. ; CERRI, RICARDO . Constructive Machine Learning and Hierarchical Multi-label Classification for Molecules Design. In: Brazilian Conference on Intelligent Systems, 2023, Belo Horizonte. Proceedings of the 12th Brazilian Conference on Intelligent Systems, 2023.

• GATTO, E. C. ; VALEJO, A. D. B. ; FERRANDIN, M. ; CERRI, R. . Community Detection for Multi-Label Classification. In: Brazilian Conference on Intelligent Systems, 2023, Belo Horizonte. Proceedings of the 12th Brazilian Conference on Intelligent Systems, 2023.

• DEL VALLE, A. M. ; MANTOVANI, R. G. ; CERRI, R. . AutoMMLC: An Automated and Multi-objective Method for Multi-label Classification. In: Brazilian Conference on Intelligent Systems, 2023, Belo Horizonte. Proceedings of the 12th Brazilian Conference on Intelligent Systems, 2023.

• ALVES, ANDRE HALLWAS RIBEIRO ; CERRI, RICARDO . A Two-step Model for Drug-Target Interaction Prediction with Predictive Bi-Clustering Trees and XGBoost. In: 2022 International Joint Conference on Neural Networks (IJCNN), 2022, Padua. 2022 International Joint Conference on Neural Networks (IJCNN), 2022. p. 1-8.

• CERRI, RICARDO ; FARIA, ELAINE R. ; GAMA, JOÃO . An Algorithm Adaptation Method for Multi-Label Stream Classification using Self-Organizing Maps. In: 2022 21st IEEE International Conference on Machine Learning and Applications (ICMLA), 2022, Nassau. 2022 21st IEEE International Conference on Machine Learning and Applications (ICMLA), 2022. p. 1071-1076.

• CERRI, RICARDO ; JUNIOR, JOEL DAVID C. ; FARIA, ELAINE. R. ; GAMA, JOÃO . A new self-organizing map based algorithm for multi-label stream classification. In: SAC '21: The 36th ACM/SIGAPP Symposium on Applied Computing, 2021, Virtual Event Republic of Kore. Proceedings of the 36th Annual ACM Symposium on Applied Computing. New York: ACM, 2021. p. 418-426.

• SILVA, L. V. M. ; CERRI, R. . Feature Selection for Hierarchical Multi-label Classification. In: International Symposium on Intelligent Data Analysis (IDA), 2021, Porto. Proceedings of the 19th International Symposium on Intelligent Data Analysis. Cham: Springer International Publishing, 2021. p. 196-208.

• GATTO, ELAINE CECILIA ; FERRANDIN, MAURI ; CERRI, RICARDO . Exploring Label Correlations for Partitioning the Label Space in Multi-label Classification. In: 2021 International Joint Conference on Neural Networks (IJCNN), 2021, Shenzhen. 2021 International Joint Conference on Neural Networks (IJCNN), 2021. p. 1-8.

• CAMBUI, BRENDON GOUVEIA ; MANTOVANI, RAFAEL GOMES ; CERRI, RICARDO . Exploring Autoencoders for Feature Extraction in Multi-Target Classification. In: 2021 International Joint Conference on Neural Networks (IJCNN), 2021, Shenzhen. 2021 International Joint Conference on Neural Networks (IJCNN), 2021. p. 1-8.

• SANTOS, B. Z. ; KENJI NAKANO, FELIPE ; CERRI, RICARDO ; VENS, CELINE . Predictive Bi-Clustering Trees for Hierarchical Multi-label Classification. In: European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases, 2020, Ghent. Proceedings of the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases, 2020. v. 12459. p. 701-718.

• FERREIRA, RAFAELA ; POLPO, ADRIANO ; CERRI, RICARDO . Classificação de Uma Classe para Detecção de PIWI-interacting RNAs. In: XVI Encontro Nacional de Inteligência Artificial e Computacional, 2020, Salvador. Anais do Encontro Nacional de Inteligência Artificial e Computacional (ENIAC), 2019. p. 741-752.

• COSTA JUNIOR, JOEL D. ; FARIA, ELAINE R. ; SILVA, JONATHAN A. ; GAMA, JOAO ; CERRI, RICARDO . Pruned Sets for Multi-Label Stream Classification without True Labels. In: 2019 International Joint Conference on Neural Networks (IJCNN), 2019, Budapest. 2019 International Joint Conference on Neural Networks (IJCNN), 2019. p. 1-8.

• PEREIRA, GEAN TRINDADE ; GABRIEL, PAULO. H. R. ; CERRI, RICARDO . A lexicographic genetic algorithm for hierarchical classification rule induction. In: the Genetic and Evolutionary Computation Conference, 2019, Prague. Proceedings of the Genetic and Evolutionary Computation Conference on - GECCO '19, 2019. p. 846-854.

• PEREIRA, G. T. ; GABRIEL, P. H. R. ; CERRI, R. . Hierarchical Classification of Transposable Elements with a Weighted Genetic Algorithm. In: EPIA Conference on Artificial Intelligence, 2019, Vila Real. Proceedings of the EPIA Conference on Artificial Intelligence, 2019. p. 737-749.

• COSTA JUNIOR, JOEL ; FARIA, ELAINE ; SILVA, JONATHAN ; GAMA, JOAO ; CERRI, RICARDO . Novelty Detection for Multi-Label Stream Classification. In: 2019 8th Brazilian Conference on Intelligent Systems (BRACIS), 2019, Salvador. 2019 8th Brazilian Conference on Intelligent Systems (BRACIS), 2019. p. 144-149.

• NAKANO, FELIPE KENJI ; MASTELINI, SAULO MARTIELLO ; BARBON, SYLVIO ; CERRI, RICARDO . Improving Hierarchical Classification of Transposable Elements using Deep Neural Networks. 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.

• PEREIRA, GEAN TRINDADE ; SANTOS, BRUNA ZAMITH ; CERRI, RICARDO . A Genetic Algorithm for Transposable Elements Hierarchical Classification Rule Induction. In: 2018 IEEE Congress on Evolutionary Computation (CEC), 2018, Rio de Janeiro. 2018 IEEE Congress on Evolutionary Computation (CEC), 2018. p. 1-8.

• CERRI, RICARDO ; MANTOVANI, RAFAEL G. ; BASGALUPP, MARCIO P. ; DE CARVALHO, ANDRE C. P. L. F. . Multi-label Feature Selection Techniques for Hierarchical Multi-label Protein Function Prediction. In: 2018 International Joint Conference on Neural Networks (IJCNN), 2018, Rio de Janeiro. 2018 International Joint Conference on Neural Networks (IJCNN), 2018. p. 1-7.

• WEHRMANN, J. ; CERRI, R. ; Barros, R. C. . Hierarchical Multilabel Classification Networks. In: International Conference on Machine Learning (ICML), 2018, Estocolmo, Suécia. Proceedings of the 35th International Conference on Machine Learning (ICML 2018), 2018. v. 80. p. 5225-5234.

• ZAMITH SANTOS, BRUNA ; TRINDADE PEREIRA, GEAN ; KENJI NAKANO, FELIPE ; CERRI, RICARDO . Strategies for Selection of Positive and Negative Instances in the Hierarchical Classification of Transposable Elements. In: 2018 7th Brazilian Conference on Intelligent Systems (BRACIS), 2018, Sao Paulo. 2018 7th Brazilian Conference on Intelligent Systems (BRACIS), 2018. p. 420-425.

• DA COSTA, ALISSON HAYASI ; CERRI, RICARDO ; DOS SANTOS, RENATO AUGUSTO CORRÊA . Performance Analysis of Deep Neural Networks in piRNAs Classification. In: XV Encontro Nacional de Inteligência Artificial e Computacional, 2018, São Paulo. Anais do XV Encontro Nacional de Inteligência Artificial e Computacional (ENIAC 2018). p. 572-583.

• BARBIRATO, J. G. M. ; CERRI, R. . Classificação Multirrótulo com Mapas de Kohonen e Vizinhanças Vencedoras. In: Symposium on Knowledge Discovery, Mining and Learning (KDMiLe), 2018, São Paulo. Proceedings of the Symposium on Knowledge Discovery, Mining and Learning 2018, 2018.

• Lorena, A. C. ; KASTER, D. S. ; CERRI, R. ; PAIVA, E. R. F. ; MELO, V. V. . Can I make a wish?: a competition on detecting meteors in images. In: Symposium on Knowledge Discovery, Mining and Learning (KDMiLe), 2018, São Paulo. Proceedings of the Symposium on Knowledge Discovery, Mining and Learning, 2018.

• WEHRMANN, JÔNATAS ; BARROS, RODRIGO C. ; DÔRES, SILVIA N. DAS ; CERRI, RICARDO . Hierarchical multi-label classification with chained neural networks. In: the Symposium, 2017, Marrakech. Proceedings of the Symposium on Applied Computing - SAC '17. New York: ACM Press, 2017. p. 790-795.

• DE ABREU, IURI BONNA M. ; MANTOVANI, RAFAEL G. ; CERRI, RICARDO . Incorporating instance correlations in multi-label classification via label-space. In: 2017 International Joint Conference on Neural Networks (IJCNN), 2017, Anchorage. 2017 International Joint Conference on Neural Networks (IJCNN), 2017. p. 581-588.

• NAKANO, FELIPE KENJI ; PINTO, WALTER JOSE ; PAPPA, GISELE LOBO ; CERRI, RICARDO . Top-down strategies for hierarchical classification of transposable elements with neural networks. In: 2017 International Joint Conference on Neural Networks (IJCNN), 2017, Anchorage. 2017 International Joint Conference on Neural Networks (IJCNN), 2017. p. 2539-2546.

• COLOMBINI, GUSTAVO G. ; DE ABREU, IURI BONNA M. ; CERRI, RICARDO . A self-organizing map-based method for multi-label classification. In: 2017 International Joint Conference on Neural Networks (IJCNN), 2017, Anchorage. 2017 International Joint Conference on Neural Networks (IJCNN), 2017. p. 4291-4298.

• MASTELINI, SAULO MARTIELLO ; SANTANA, EVERTON JOSE ; CERRI, RICARDO ; BARBON, SYLVIO . DSTARS: A Multi-target Deep Structure for Tracking Asynchronous Regressor Stack. In: 2017 Brazilian Conference on Intelligent Systems (BRACIS), 2017, Uberlândia. 2017 Brazilian Conference on Intelligent Systems (BRACIS), 2017. p. 19-24.

• NAKANO, F. K. ; CERRI, RICARDO . Denoising Auto-Encoders as Feature Extractors in Hierarchical Classification Problems. In: Encontro Nacional de Inteligência Artificial e Computacional (ENIAC), 2017, Uberlândia. Anais do Encontro Nacional de Inteligência Artificial e Computacional, 2017.

• NAKANO, FELIPE KENJI ; MARTIELLO MASTELINI, SAULO ; BARBON, SYLVIO ; CERRI, RICARDO . Stacking Methods for Hierarchical Classification. In: 2017 16th IEEE International Conference on Machine Learning and Applications (ICMLA), 2017, Cancun. 2017 16th IEEE International Conference on Machine Learning and Applications (ICMLA), 2017. p. 289-296.

• PEREIRA, G. T. ; CERRI, RICARDO . Classificação Hierárquica e Não Hierárquica de Elementos Transponíveis. In: Symposium on Knowledge Discovery, Mining and Learning (KDMiLe), 2017, Uberlândia. Proceedings of the 5th Symposium on Knowledge Discovery, Mining and Learning (KDMiLe), 2017. p. 69-76.

• COSTA JUNIOR, J. D. ; PAIVA, E. R. F. ; SILVA, J. A. ; CERRI, RICARDO . Label Powerset for Multi-label Data Streams Classification with Concept Drift. In: Symposium on Knowledge Discovery, Mining and Learning (KDMiLe), 2017, Uberlândia. Proceedings of the 5th Symposium on Knowledge Discovery, Mining and Learning (KDMiLe), 2017. p. 97-104.

• BUENO, N. C. ; SOUZA, K. E. ; SILVA, L. A. ; MENDES, R. S. S. ; CERRI, RICARDO ; SILVEIRA, G. L. . Aplicativo Sororidade: Ferramente de Interação Feminina e de Promoção de Solidariedade entre Mulheres. In: Congresso Internacional de Redes Sociais, 2017, Évora. Anais do Primeiro Congresso Internacional de Redes Sociais, 2017. p. 1045-1061.

• MANTOVANI, RAFAEL G. ; HORVATH, TOMAS ; CERRI, RICARDO ; VANSCHOREN, JOAQUIN ; CARVALHO, ANDRE C.P.L.F. DE . Hyper-Parameter Tuning of a Decision Tree Induction Algorithm. In: 2016 5th Brazilian Conference on Intelligent Systems (BRACIS), 2016, Recife. 2016 5th Brazilian Conference on Intelligent Systems (BRACIS), 2016. p. 37-42.

• SANTOS, B. Z. ; CERRI, R. . A New Machine Learning Dataset for Hierarchical Classification of Transposable Elements. In: Encontro Nacional de Inteligência Artificial e Computacional, 2016, Recife. Anais do XIII Encontro Nacional de Inteligência Artificial e Computacional, 2016. p. 661-672.

• CERRI, RICARDO ; BARROS, RODRIGO C. ; DE CARVALHO, ANDRE C. P. L. F. . Hierarchical classification of Gene Ontology-based protein functions with neural networks. In: 2015 International Joint Conference on Neural Networks (IJCNN), 2015, Killarney. 2015 International Joint Conference on Neural Networks (IJCNN). p. 1-8.

• CERRI, RICARDO ; BARROS, RODRIGO C. ; FREITAS, ALEX A. ; DE CARVALHO, ANDRÉ C.P.L.F. . Evolving relational hierarchical classification rules for predicting gene ontology-based protein functions. In: the 2014 conference companion, 2014, Vancouver. Proceedings of the 2014 conference companion on Genetic and evolutionary computation companion - GECCO Comp '14. New York: ACM Press, 2014. p. 1279-1286.

• BARROS, RODRIGO C. ; BASGALUPP, MÁRCIO P. ; CERRI, RICARDO ; DA SILVA, TIAGO S. ; DE CARVALHO, ANDRÉ C.P.L.F. . A grammatical evolution approach for software effort estimation. In: Proceeding of the fifteenth annual conference, 2013, Amsterdam. Proceeding of the fifteenth annual conference on Genetic and evolutionary computation conference - GECCO '13. New York: ACM Press. p. 1413-1420.

• CERRI, RICARDO ; BARROS, RODRIGO C. ; DE CARVALHO, ANDRE C. P. L. F. ; FREITAS, ALEX A. . A grammatical evolution algorithm for generation of Hierarchical Multi-Label Classification rules. In: 2013 IEEE Congress on Evolutionary Computation (CEC), 2013, Cancun. 2013 IEEE Congress on Evolutionary Computation. p. 454-461.

• CERRI, RICARDO ; BARROS, RODRIGO C. ; CARVALHO, ANDRE C.P.L.F. DE . Neural Networks for Hierarchical Classification of G-Protein Coupled Receptors. In: 2013 Brazilian Conference on Intelligent Systems (BRACIS), 2013, Fortaleza. 2013 Brazilian Conference on Intelligent Systems. p. 125-130.

• Barros, R. C. ; CERRI, R. ; Carvalho, A. C. P. L. F ; Freitas, A. A . Probabilistic Clustering for Hierarchical Multi-Label Classification of Protein Functions. In: European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML/PKDD), 2013, Praga. Proceedings of the 2013 European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML/PKDD). Berlin: Springer Berlin Heidelberg, 2013. v. 8189. p. 385-400.

• CERRI, R. ; Barros, R. C. ; Carvalho, A. C. P. L. F . A Genetic Algorithm for Hierarchical Multi-Label Classification. In: 27th ACM Symposium On Applied Computing (SAC), 2012, Riva del Garda, Trento. Proceedings of the 27th ACM Symposium On Applied Computing, 2012. p. 250-255.

• CERRI, R. ; Carvalho, A. C. P. L. F . Hierarchical Multilabel Protein Function Prediction Using Local Neural Networks. In: Brazilian Symposium on Bioinformatics, 2011, Brasília - DF. Advances in Bioinformatics and Computational Biology. Berlin: Springer, 2011. v. 6832. p. 10-17.

• Barros, R. C. ; CERRI, R. ; Jaskowiak, P. A. ; Carvalho, A. C. P. L. F . A Bottom-Up Oblique Decision Tree Induction Algorithm. In: Intelligent Systems Design and Applications, 2011, Córdoba. Proceedings of the 11th International Conference on Intelligent Systems Design and Applications, 2011. p. 450-456.

• CERRI, R. ; Barros, R. C. ; Carvalho, A. C. P. L. F . Redes Neurais Artificiais Aplicadas a Problemas de Classificação Hierárquica Multirrótulo. In: Congresso Brasileiro de Inteligência Computacional, 2011, Fortaleza. Anais do Congresso Brasileiro de Inteligência Computacional. Rio de Janeiro: SBIC, 2011. p. 1-8.

• CERRI, RICARDO ; BARROS, RODRIGO C. ; DE CARVALHO, ANDRE C. P. L. F. . Hierarchical multi-label classification for protein function prediction: A local approach based on neural networks. In: 2011 11th International Conference on Intelligent Systems Design and Applications (ISDA), 2011, Cordoba. 2011 11th International Conference on Intelligent Systems Design and Applications. p. 337-343.

• CERRI, RICARDO ; DE CARVALHO, ANDRE CARLOS P. L. F . New top-down methods using SVMs for Hierarchical Multilabel Classification problems. In: 2010 International Joint Conference on Neural Networks (IJCNN), 2010, Barcelona. International Joint Conference on Neural Networks. Proceedings. p. 1-8.

• CERRI, R. ; Carvalho, A. C. P. L. F . Hierarchical Multilabel Classification Using Top-Down Label Combination and Artificial Neural Networks. In: XI Brazilian Symposium on Artificial Neural Network, 2010, São Bernardo do Campo. Proceedings of the XI Brazilian Symposium on Artificial Neural Network. Los Alamitos, California: IEEE, 2010. p. 253-258.

• CERRI, R. ; Silva, R. R. O ; Carvalho, A. C. P. L. F . Comparing Methods for Multilabel Classification of Proteins Using Machine Learning Techniques. In: Brazilian Symposium on Bioinformatics, 2009, Porto Alegre. Lecture Notes on Bioinformatics. Berlin: Springer-Verlag, 2009. v. 5676. p. 109-120.

• CERRI, R. ; Carvalho, A. C. P. L. F . Comparing Local and Global Hierarchical Multilabel Classification Methods Using Decision Trees. In: V Workshop em Algoritmos e Aplicações de Mineração de Dados, 2009, Fortaleza. Anais do V Workshop em Algoritmos e Aplicações de Mineração de Dados, 2009. p. 75-82.

• FISCHER, C. N. ; CERRI, R. ; COSTA, E. P. ; BACCI, Jr. M. . SATEComp: a Tool for in Silico Analysis of Transposable Elements. In: 5th International Conference on Bioinformatics, Computational and Systems Biology, 2008, Veneza. Proc. of World Academy of Science, Engineering and Technology, 2008. v. 34. p. 875-877.

• CERRI, R. ; Carvalho, A. C. P. L. F ; COSTA, E. P. ; Freitas, A. A . Classificação Hierárquica de Proteínas Utilizando Abordagens Top-Down e Big-Bang. In: IV Workshop em Algoritmos e Aplicações de Mineração de Dados, 2008, Campinas. IV Workshop em Algoritmos e Aplicações de Mineração de Dados, 2008. p. 46-54.

• CERRI, R. ; Carvalho, A. C. P. L. F ; COSTA, E. P. . Classificação Hierárquica de Proteínas Utilizando Técnicas de Aprendizado de Máquina. In: II Workshop on Computational Intelligence, 2008, Salvador. II Workshop on Computational Intelligence, 2008. p. 1-6.

• MIRANDA, THIAGO ZAFALON ; SARDINHA, DIORGE BROGNARA ; BASGALUPP, MÁRCIO PORTO ; CERRI, RICARDO . A new grammatical evolution method for generating deep convolutional neural networks with novel topologies. In: GECCO '22: Genetic and Evolutionary Computation Conference, 2022, Boston Massachusetts. Proceedings of the Genetic and Evolutionary Computation Conference Companion. New York: ACM. p. 663-666.

• MIRANDA, T. Z. ; SARDINHA, D. B. ; BASGALUPP, MARCIO P. ; JIN, Y. ; CERRI, R. . Generation of Consistent Sets of Multi-Label Classification Rules with a Multi-Objective Evolutionary Algorithm. In: The Genetic and Evolutionary Computation Conference, 2020, Cancun. Proceedings of the Genetic and Evolutionary Computation Conference (GECCO). New York, NY, USA: Association for Computing Machinery, 2020. p. 143-144.

• CERRI, RICARDO . Introdução às Redes Neurais Artificiais com Implementações em R. In: ESCOLA REGIONAL DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL DE SÃO PAULO, 2020, São Paulo. ANAIS DA ESCOLA REGIONAL DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL DE SÃO PAULO, 2020. v. 1. p. 47-50.

• KENJI NAKANO, FELIPE ; CERRI, RICARDO . Hierarchical Classification of Transposable Elements. In: Belgian Dutch Conference on Machine Learning (Benelearn) and Benelux Conference on Artificial Intelligence (BNAIC, 2019, Bruxelas. Proceedings of the 31st Benelux Conference on Artificial Intelligence (BNAIC 2019) and the 28th Belgian Dutch Conference on Machine Learning (Benelearn 2019), 2019. v. 2491. p. 1-3.

• SANTOS, B. Z. ; MANTOVANI, R. G. ; SCHIETGAT, L. ; VENS, C. ; CERRI, RICARDO . Decision Trees for Hierarchical Classification of Transposable Elements. In: Belgiun-Dutch Conference on Machine Learning, 2016, Kortrijk - Belgium. Proceedings of the Belgiun-Dutch Conference on Machine Learning, 2016. p. 1-3.

• TRIGUERO, I. ; BASGALUPP, MÁRCIO P. ; CERRI, RICARDO ; SCHIETGAT, L. ; VENS, C. . Partitioning the target space in multi-output learning. In: Belgiun-Dutch Conference on Machine Learning, 2016, Kortrijk - Belgium. Proceedings of the Belgiun-Dutch Conference on Machine Learning, 2016.

• ALCANTARA, L. U. ; CERRI, R. . Multi-Label Protein Subcellular Localization with Support Vector Machines and Algorithm Independent-based Methods. In: 2 Workshop de Pesquisa e Desenvolvimento em Inteligência Artificial, Inteligência Coletiva e Ciência de Dados, 2016, Niterói. 2 Workshop de Pesquisa e Desenvolvimento em Inteligência Artificial, Inteligência Coletiva e Ciência de Dados, 2016.

• COSTA, E. P. ; SCHIETGAT, L. ; CERRI, R. ; VENS, C. ; FISCHER, C. N. ; CARARETO, C. M. ; Ramon, J ; BLOCKEEL, H. . Annotating transposable elements in the genome using relational decision tree ensembles. In: International Conference on Inductive Logic Programming, 2013, Rio de Janeiro. -, 2013.

• COSTA, E. P. ; SCHIETGAT, L. ; CERRI, R. ; VENS, C. ; FISCHER, C. N. ; CARARETO, C. M. ; Ramon, J ; BLOCKEEL, H. . Transposable element annotation using relational random forests. In: BeNeLux Bioinformatics Conference, 2013, Bruxelas. -, 2013.

• CERRI, R. ; FISCHER, C. N. ; BACCI, Jr. M. ; BEDER, D. M. . Uso de Elementos Transponíveis para a Comparação de Genomas. In: 18 Congresso de Iniciação Científica da UNESP, 2006., 2006, Bauru. Anais (CD-ROM) do 18 Congresso de Iniciação Científica da UNESP, 2006., 2006.

• CERRI, R. ; FISCHER, C. N. ; BACCI, Jr. M. ; COSTA, E. P. . Alinhamentos contra Bancos de Biossequências Remotos.. In: 17 Congresso de Iniciação Científica da UNESP, 2005., 2005, Rio Claro - SP. Anais (CD-ROM) do 17 Congresso de Iniciação Científica da UNESP, 2005., 2005.

• COSTA, E. P. ; FISCHER, C. N. ; BACCI, Jr. M. ; CERRI, R. . Ambiente para Análise de Elementos Transponíveis.. In: 17 Congresso de Iniciação Científica da UNESP, 2005., 2005, Rio Claro - SP. Anais (CD-ROM) do 17 Congresso de Iniciação Científica da UNESP, 2005., 2005.

• ROCHA, D. C. ; CERRI, R. ; NARCISO, M. G. ; VIANELLO, R. P. ; BRONDANI, C. . Identificação e validação de SNPs por machine learning relacionados ao teor de amilose em arroz. In: Seminário Jovens Talentos, 2019, Santo Antônio de Goiás. Anais do Seminário Jovens Talentos 2019, 2019. p. 72-72.

• SARTORI, D. E. L. ; RODRIGUES, A. H. A. ; CERRI, R. ; BASSINELLO, P. Z. ; NARCISO, M. G. ; BRONDANI, C. ; VIANELLO, R. P. . Identificação de marcadores SNPs para teor de amilose em arroz pela estratégia de Machine Learning. In: Seminário Jovens Talentos, 2018, Santo Antônio de Goiás. Anais do Seminário Jovens Talentos 2018, 2018. p. 31-31.

• SANTOS, B. Z. ; CERRI, R. . Classificação de Elementos Transponíveis Utilizando Aprendizado de Máquina. In: Congresso de Iniciação Científica da UFSCar, 2016, São Carlos. Anais do 23 Congresso de Iniciação Científica da UFSCar, 2016.

• CERRI, R. ; FISCHER, C. N. ; BACCI, Jr. M. ; BEDER, D. M. . Sistema para Comparação de Genomas Utilizando Elementos Transponíveis. In: 14 Simpósio Internacional de Iniciação Científica da Universidade de São Paulo, 2006, São Paulo. Anais (CD-ROM) do 14 Simpósio Internacional de Iniciação Científica da USP, 2006., 2006.

• CERRI, R. ; FISCHER, C. N. ; BACCI, Jr. M. ; BEDER, D. M. . Comparação in Silico de Genomas Baseada em Elementos Transponíveis. In: II Workshop da Ciência e Tecnologia da Computação da Unesp em Rio Claro, 2006, Rio Claro. II Workshop da Ciência e Tecnologia da Computação da Unesp em Rio Claro, 2006.

• COSTA, E. P. ; FISCHER, C. N. ; BACCI, Jr. M. ; CERRI, R. . Automatização de Tarefas em Análises de Elementos Transponíveis.. In: 13 Simpósio Internacional de Iniciação Científica da Universidade de São Paulo, 2005, São Carlos - SP. Anais (CD-ROM) do 13 Simpósio Internacional de Iniciação Científica da USP, 2005., 2005.

• COSTA, E. P. ; FISCHER, C. N. ; BACCI, Jr. M. ; CERRI, R. . A Computational Tool for Transposable Element Analysis.. In: X-Meeting - 1 International Conference of the AB3C, 2005, Caxambu - MG. Anais do X- meeting - 1st International Conference of the AB3C, 2005., 2005.

• CERRI, R. ; FISCHER, C. N. ; BACCI, Jr. M. ; COSTA, E. P. . Integrando Ferramentas Blast para Alinhamentos Locais e Remotos.. In: 13 Simpósio Internacional de Iniciação Científica da USP, 2005, São Carlos - SP. Anais (CD-ROM) do 13 Simpósio Internacional de Iniciação Científica da USP, 2005., 2005.

• DEL VALLE, A. M. ; MANTOVANI, R. G. ; CERRI, R. . A Systematic Literature Review on AutoML for Multi-Target Learning Tasks. ARTIFICIAL INTELLIGENCE REVIEW (DORDRECHT. ONLINE) , 2023.

• ALVES, A. H. R. ; CERRI, R. . Semi-Supervised Hybrid Predictive Bi-Clustering Trees for Drug-Target Interaction Prediction. 2023. (Apresentação de Trabalho/Congresso).

• CERRI, R. . Introdução ao Aprendizado de Máquina e Aplicações. 2022. (Apresentação de Trabalho/Conferência ou palestra).

• CERRI, R. . Random Forests for SNP Selection in Rice. 2022. (Apresentação de Trabalho/Conferência ou palestra).

• CERRI, R. ; PAIVA, E. R. F. ; GAMA, JOAO . An Algorithm Adaptation Method for Multi-Label Stream Classification using Self-Organizing Maps. 2022. (Apresentação de Trabalho/Congresso).

• CERRI, RICARDO . Classificação Multirrótulo em Fluxos de Dados: Algoritmos e Desafios. 2022. (Apresentação de Trabalho/Conferência ou palestra).

• CERRI, R. ; COSTA JUNIOR, J. D. ; FARIA, ELAINE R. ; GAMA, JOAO . A new Self-Organizing Map based Algorithm for Multi-label Stream Classification. 2021. (Apresentação de Trabalho/Simpósio).

• CERRI, RICARDO ; SILVA, L. V. M. . Feature Selection for Hierarchical Multi-label Classification. 2021. (Apresentação de Trabalho/Simpósio).

• CAMBUI, B. G. ; MANTOVANI, RAFAEL G. ; CERRI, RICARDO . Exploring Autoencoders for Feature Extraction in Multi-target Classification. 2021. (Apresentação de Trabalho/Conferência ou palestra).

• CERRI, RICARDO . Uma Introdução ao Aprendizado de Máquina. 2020. (Apresentação de Trabalho/Conferência ou palestra).

• CERRI, RICARDO . Classificação Muitirrótulo em Fluxos Contínuos de Dados utilizando Redes Neurais Artificiais do tipo Mapas Auto-Organizáveis. 2020. (Apresentação de Trabalho/Conferência ou palestra).

• PEREIRA, G. T. ; GABRIEL, P. H. R. ; CERRI, R. . A Lexicographic Genetic Algorithm for Hierarchical Classification Rule Induction. 2019. (Apresentação de Trabalho/Congresso).

• PEREIRA, G. T. ; GABRIEL, PAULO. H. R. ; CERRI, RICARDO . Hierarchical Classification of Transposable Elements with a Weighted Genetic Algorithm. 2019. (Apresentação de Trabalho/Congresso).

• BASGALUPP, MARCIO P. ; CERRI, RICARDO . Hyper-Heuristic Evolutionary Algorithms for Construction of Machine Learning Algorithms. 2019. (Apresentação de Trabalho/Conferência ou palestra).

• CERRI, RICARDO . Árvores de Decisão para Problemas de Classificação Simples e Multirrótulo. 2018. (Apresentação de Trabalho/Conferência ou palestra).

• CERRI, RICARDO . TE-Learner: um framework utilizando Aprendizado de Máquina para identificação e classificação de Elementos Transponíveis. 2017. (Apresentação de Trabalho/Conferência ou palestra).

• CERRI, RICARDO . Um framework utilizando Aprendizado de Máquina para identificação e classificação de Elementos Transponíveis. 2017. (Apresentação de Trabalho/Conferência ou palestra).

• CERRI, RICARDO ; BASGALUPP, MARCIO P. . Genetic Algorithms for Hierarchical and Multi-label Classification Rule-Induction. 2017. (Apresentação de Trabalho/Conferência ou palestra).

• CERRI, RICARDO . Introdução às Árvores de Decisão para Classificação e Regressão. 2016. (Apresentação de Trabalho/Conferência ou palestra).

• CERRI, R. ; BARROS, RODRIGO C. ; CARVALHO, ANDRÉ CARLOS P.L.F. . Hierarchical Classification of Gene Ontology-based Protein Functions with Neural Networks. 2015. (Apresentação de Trabalho/Congresso).

• CERRI, RICARDO . Aprendizado de Máquina Aplicado a Problemas Biológicos. 2015. (Apresentação de Trabalho/Conferência ou palestra).

• CERRI, R. ; Barros, R. C. ; Carvalho, A. C. P. L. F ; Freitas, A. A . A Grammatical Evolution Algorithm for Generation of Hierarchical Multi-Label Classification Rules. 2013. (Apresentação de Trabalho/Congresso).

• CERRI, R. ; Barros, R. C. ; Carvalho, A. C. P. L. F . A Genetic Algorithm for Hierarchical Multi-Label Classification. 2012. (Apresentação de Trabalho/Simpósio).

• CERRI, R. ; Carvalho, A. C. P. L. F . Hierarchical Multilabel Protein Function Prediction Using Local Neural Networks. 2011. (Apresentação de Trabalho/Simpósio).

• CERRI, R. ; Barros, R. C. ; Carvalho, A. C. P. L. F . Hierarchical Multi-Label Classification for Protein Function Prediction: A Local Approach based on Neural Networks. 2011. (Apresentação de Trabalho/Congresso).

• CERRI, R. ; Carvalho, A. C. P. L. F . Hierarchical Multilabel Classification Using Top-Down Label Combination and Artificial Neural Networks. 2010. (Apresentação de Trabalho/Simpósio).

• CERRI, R. ; Silva, R. R. O ; Carvalho, A. C. P. L. F . Comparing Methods for Multilabel Classification of Proteins Using Machine Learning Techniques. 2009. (Apresentação de Trabalho/Simpósio).

• CERRI, R. ; Carvalho, A. C. P. L. F . Comparing Local and Global Hierarchical Multilabel Classification Methods Using Decision Trees. 2009. (Apresentação de Trabalho/Congresso).

• CERRI, R. . Mineração de Dados em Bioinformática. 2009. (Apresentação de Trabalho/Conferência ou palestra).

• CERRI, R. ; Carvalho, A. C. P. L. F ; COSTA, E. P. ; Freitas, A. A . Classificação Hierárquica de Proteínas Utilizando Abordagens Top-Down e Big-Bang. 2008. (Apresentação de Trabalho/Congresso).

• CERRI, R. ; Carvalho, A. C. P. L. F . Redes Neurais e Algoritmos Genéticos para Problemas de Classificação Hierárquica Multirrótulo 2013 (Tese de Doutorado).

• CERRI, R. ; Carvalho, A. C. P. L. F . Técnicas de Classificação Hierárquica Multirrótulo 2010 (Dissertação de Mestrado).

• CERRI, R. ; FISCHER, C. N. . Bioinformática para a Análise de Elementos Transponíveis e Comparação de Genomas 2007 (Trabalho de Conclusão de Curso de Graduação).

Outras produções

Projetos de pesquisa

• 2023 - Atual

  Detecção de Novidade em Fluxos Contínuos de Dados Multirrótulo, Descrição: Fluxos contínuos de dados (FCDs) são sequências de dados de tamanho ilimitado, geradas de forma contínua, não-estacionária, e em muitos casos, em alta velocidade. Por esse fluxo ser potencialmente infinito, os dados não podem ser armazenados em memória, obrigando um exemplo a ser processado uma única vez e descartado. Várias aplicações do mundo real geram grandes quantidades de dados em um fluxo contínuo, e a tendência é que com a evolução da Tecnologia da Informação, mais dados sejam gerados e coletados constantemente. Exemplos dessas aplicações são coleta de dados a partir de sensores, geração de medições durante monitoramentos de redes e análise de postagens em redes sociais. Isso evidencia a relevância e a necessidade do desenvolvimento de algoritmos capazes de extrair conhecimento relevante desses dados. Dentre as tarefas envolvendo FCDs, a classificação é uma das mais importantes, objetivando rotular exemplos ainda não vistos, e que chegam constantemente junto ao fluxo. Dentro desse cenário, um grande desafio é a detecção de novidade, representada por mudanças de conceito e evoluções de conceito. Na mudança de conceito, a distribuição que gera os dados muda ao longo do tempo, o que significa que as distribuições que representam as classes mudam. Na evolução de conceito, novas distribuições surgem ao longo do tempo, o que significa o surgimento de novas classes no fluxo de dados. Apesar de existirem diversos métodos para a classificação de FCDs, a maioria deles não considera o fato dos exemplos do fluxo poderem ser rotulados em mais de uma classe simultaneamente, e também consideram que as classes dos exemplos são sempre disponibilizadas junto com os exemplos no fluxo, um cenário muitas vezes irreal. Dessa forma, a investigação de métodos de classificação que sejam capazes de lidar com tais cenários multirrótulo desafiadores é essencial. Nesse contexto, este projeto de pesquisa tem como objetivo principal propor novas estratégias de classificação multirrótulo em FCD. Além da detecção de evoluções de conceito e mudanças de conceito, há outras restrições e características que devem ser consideradas para o desenvolvimento de novas estratégias, e que tornam a tarefa difícil e desafiadora. Entre elas estão a necessidade de se considerar respostas em tempo real, memória limitada, passagem única pelos dados, detecção de conceitos recorrentes, detecção de ruídos e outliers, latência infinita de rótulos, e detecção de várias mudanças e evoluções de conceito simultâneas. Os métodos propostos serão executados em conjuntos de dados sintéticos e reais, e comparados com outros métodos da literatura. Os resultados serão divulgados em periódicos e eventos, e os códigos e dados gerados disponibilizados publicamente. Espera-se que os resultados da pesquisa tragam impactos e avanços significantes para as áreas de classificação de fluxos contínuo de dados e aprendizado multirrótulo. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Mestrado acadêmico: (3) Doutorado: (2) . , Integrantes: Ricardo Cerri - Coordenador / Elaine Ribeiro de Faria Paiva - Integrante / Diego Furtado Silva - Integrante / GAMA, JOAO - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro., Número de produções C, T & A: 1

• 2022 - Atual

  Instituto Nacional de Inteligência Artificial, Projeto certificado pelo(a) coordenador(a) Teresa Bernarda Ludermir em 23/01/2023., Descrição: A criacao de um Instituto Nacional de Ciencia e Tecnologia em Inteligencia Artificial (IAIA) irá reunir e estimular pesquisas cientificas, tecnologicas e de inovacao colaborativas em Inteligência Artificial, além de tornar a Inteligência Artificial brasileira internacionalmente reconhecida pela qualidade de suas pesquisas. A iniciativa desenvolvera um forte programa de capacitacao de formacao de recursos humanos em Inteligência Artificial, inclusive Inteligência Artificial aplicada. Financiamento: Edital N 58/2022 - Programa Institutos Nacionais de Ciência e Tecnologia - INCT do CNPq. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Ricardo Cerri - Integrante / André Carlos Ponce de Leon Ferreira de Carvalho - Integrante / Ana Carolina Lorena - Integrante / BASGALUPP, MARCIO P. - Integrante / Teresa Bernarda Ludermir - Coordenador / Wagner Meira Junior - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.

• 2021 - Atual

  Centro de Pesquisa Aplicada em Inteligência Artificial Recriando Ambientes (IARA), Descrição: IARA é um projeto multidisciplinar composto por várias dezenas de pesquisadores brasileiros e de instituições parceiras fora do Brasil com foco nas áreas de Cidades Inteligentes, Inteligência Artificial, e Internet da Coisas. O projeto é nacionalmente coordenado Coordenado pelo Prof. André de Carvalho. O novo Centro de Pesquisa está entre uma das seis propostas selecionadas para financiamento na chamada lançada pelo Ministério da Ciência, Tecnologia e Inovação (MCTI), pela Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) e pelo Comitê Gestor da Internet (GCI.br). A Rede IARA (e sub redes regionais, e.g. IANE no Nordeste) já conta com a colaboração nas seguintes cidades-laboratório: Fortaleza (CE), Juazeiro (BA), Monteiro Lobato (SP), Niterói (RJ), Recife (PE), São Carlos (SP), São José dos Campos (SP) e Sorocaba (SP). O centro visa buscar desenvolver mecanismos para lidar, de maneira rápida e eficaz, com aplicações da área de aprendizado de máquina em larga escala, a fim de atender ao grande número de demandas por modelos nas várias aplicações em cidades inteligentes. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Ricardo Cerri - Integrante / André Carlos Ponce de Leon Ferreira de Carvalho - Coordenador / Ana Carolina Lorena - Integrante / BASGALUPP, MARCIO P. - Integrante / Teresa Bernarda Ludermir - Integrante / Wagner Meira Junior - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de SP - Auxílio financeiro.

• 2021 - Atual

  Identificação de SNPs e genes relacionados à produtividade de grão em arroz utilizando aprendizado de máquina, Descrição: O objetivo desse projeto é fornecer uma série de marcadores moleculares e de genes candidatos, ambos associados à produtividade de grão para auxiliar no desenvolvimento de novas linhagens e cultivares comerciais de arroz. Para isso, o projeto utilizará dois bancos de dados da Coleção Nuclear de Arroz da Embrapa, um fenotípico, gerado a partir de uma série de nove experimentos de campo onde seus 550 acessos foram avaliados para produtividade, e outro genotípico, obtido pela caracterização desses acessos, onde foram gerados 445.589 SNPs. Por meio do desenvolvimento de algoritmos de aprendizado de máquina (machine learning), serão identificados marcadores SNPs associados à produtividade, que após validados, entrarão na rotina de seleção assistida do programa de melhoramento genético do arroz. A equipe dessa proposta (Embrapa e UFSCar) trabalhou recentemente com a mesma estratégia estudando o caráter teor de amilose (TA) do grão, e foi encontrado e validado um marcador SNP que discrimina genótipos que possuem TA baixo dos genótipos com TA alto. Esse resultado positivo motivou a equipe a elaborar a proposta para um caráter de interesse altamente relevante para o melhoramento genético do arroz do Brasil e do mundo. A soma de esforços dos grupos de pesquisa da UFSCar e Embrapa, que trabalham em áreas distintas, porém complementares, permitirão alcançar, de modo sinergístico, resultados inéditos e importantes para o desenvolvimento da ciência e agricultura do país.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Mestrado acadêmico: (1) . , Integrantes: Ricardo Cerri - Coordenador / Marcelo Gonçalves Narciso - Integrante / CLAUDIO BRONDANI - Integrante / ROSANA PEREIRA VIANELLO - Integrante / Breno Osvaldo Funicheli - Integrante / Fábio José Justo dos Santos - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.

• 2020 - Atual

  Evolução automática de redes neurais profundas, Descrição: Atualmente, as redes neurais profundas (RNPs) são o estado-da-arte para a solução de problemas difíceis. Seus resultados notáveis dependem diretamente de aspectos como arquitetura e hiperparâmetros. O projeto manual de uma RNP requer conhecimento especializado e muita tentativa e erro, especialmente conforme a dificuldade do problema aumenta. Várias abordagens foram desenvolvidas para otimizar automaticamente arquiteturas e hiperparâmetros de RNPs, em uma área de pesquisa moderna chamada neuroevolução. Porém, a maioria delas se concentra em partes específicas do projeto de RNPs, como hiperparâmetros, topologia ou pesos, e não considera módulos de microarquitetura, também conhecidos como arquiteturas de Rede em Rede (ReR). Assim, neste projeto, propomos novos métodos baseados em Algoritmos Evolutivos baseados em Gramática para evoluir automaticamente arquiteturas de RNPs e seus hiperparâmetros, considerando as contribuições mais recentes do estado-da-arte, como as arquiteturas ReR. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Doutorado: (1) . , Integrantes: Ricardo Cerri - Coordenador / BASGALUPP, MARCIO P. - Integrante / Thiago Zafalon Miranda - Integrante / Eloize Rossi Marques Seno - Integrante / Ednaldo Brigante Pizzolato - Integrante., Financiador(es): Instituto Serrapilheira - Auxílio financeiro.

• 2017 - 2020

  Deep Learning para Classificação Hierárquica e Multirrótulo, Descrição: Em problemas convencionais de classificação, um exemplo de um conjunto de dados é classificado em apenas uma dentre duas ou mais classes. Esses problemas são chamados de problemas de classificação simples-rótulo. No entanto, existem problemas de classificação mais complexos nos quais um exemplo pode ser classificado em duas ou mais classes simultaneamente, inclusive classes estruturadas em uma taxonomia hierárquica. Esses problemas são conhecidos na literatura de Aprendizado de Máquina como problemas de classificação hierárquica e multirrótulo. Diversos problemas de aplicação prática estão relacionados a esse tipo de classificação, como categorização de imagens, documentos, música e predição de funções de proteínas. A tarefa de resolução de problemas hierárquicos e multirrótulo é muito desafiadora devido à dificuldade em se considerar as dependências entre as muitas classes envolvidas no problema durante o treinamento. Somado a isso, o desbalanceamento dos conjuntos de dados deteriora os desempenhos dos classificadores propostos na literatura. Neste projeto, pretende-se investigar abordagens Deep Learning para a tarefa de classificação hierárquica e multirrótulo, visando considerar os relacionamentos entre as classes durante o aprendizado. No aprendizado Deep Learning, é investigada a capacidade de aprendizado de redes neurais cujas arquiteturas possuem muitas camadas intermediárias. Cada uma dessas camadas é induzida por meio de um processo sequencial, uma camada de cada vez, utilizando aprendizado não supervisionado. A ideia é dividir o processo de aprendizado, com o objetivo de induzir um modelo complexo por meio da combinação de modelos mais simples, induzidos sequencialmente. Assim, pretende-se propor métodos de classificação baseados na abordagem Deep Learning, para investigar sua capacidade de generalização e aprendizado dos relacionamentos entre as muitas classes do problema. O método proposto será testado em conjuntos de dados de diferentes domínios de aplicação, e também comparado com outros métodos da literatura. Todos os métodos serão avaliados utilizando medidas de avaliação especialmente desenvolvidas para esses problemas de classificação. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (3) / Mestrado acadêmico: (3) . , Integrantes: Ricardo Cerri - Coordenador / BARROS, RODRIGO C. - Integrante / BASGALUPP, MÁRCIO P. - Integrante / Felipe Kenji Nakano - Integrante / Gean Trindade Pereira - Integrante / Bruna Zamith Santos - Integrante / Joel David Costa Junior - Integrante / Lord Flaubert Steve Ataucuri Cruz - Integrante / Gustavo Giordano Colombini - Integrante / Iuri Bonna Maurício de Abreu - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro., Número de produções C, T & A: 4

• 2017 - 2019

  Multi-Objective Evolutionary Methods for Hierarchical and Multi-label Classification, Descrição: In conventional classification, an instance is classified in just one among two or more classes. These problems are called single-label classification problems. However, there are more complex problems in which an instance can be classified into two or more classes simultaneously. These are known in the Machine Learning literature as multi-label classification problems. When the classes involved are organized in a hierarchy, the task is even more challenging, and is known as hierarchical classification. Many practical applications are related to hierarchical and multi-label classification, like the classification of images, documents and music, and protein function prediction. These are very challenging tasks due the difficulty in considering the relationships between the many classes of the problem during training. Together with this, the unbalance of the datasets deteriorate the performances of the classifiers proposed in the literature. Given the high-dimensional space of possible classes, we propose to develop Multi-objective Evolutionary Methods for the generation of multi-label and hierarchical classification rules. The rules generated should satisfy the requisites of interpretability and good performance. The proposed methods will be compared with the state-of-the-art methods, using hierarchical and multi-label datasets from the bioinformatics domain. The methods will be evaluated with measures specifically proposed for hierarchical and multi-label problems.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (4) / Mestrado acadêmico: (5) / Doutorado: (3) . , Integrantes: Ricardo Cerri - Coordenador / Marcio Porto Basgalupp - Integrante / Felipe Kenji Nakano - Integrante / Gean Trindade Pereira - Integrante / Bruna Zamith Santos - Integrante / Yaochu Jin - Integrante / Leonardo Utida Alcantara - Integrante / Joel David Costa Junior - Integrante / Lord Flaubert Steve Ataucuri Cruz - Integrante / Alisson Hayasi da Costa - Integrante / Frankson Teotonho de Sousa - Integrante / Patrícia Miquilini - Integrante / Handing Wang - Integrante / Guo Yu - Integrante / Sophie Mahendran - Integrante / Ataollah Ramezan Shirazi - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro / University of Surrey - Auxílio financeiro., Número de produções C, T & A: 1

• 2016 - 2018

  Classificação Hierárquica de Elementos Transponíveis Utilizando Aprendizado de Máquina, Descrição: Elementos Transponíveis (TEs) são sequências de DNA que podem se mover de um local para outro dentro do genoma de uma célula. Eles contribuem para a diversidade genética das espécies, e seus mecanismos de transposição podem afetar a funcionalidade dos genes. A correta identificação e classificação de TEs é útil para a compreensão de seus efeitos no processo evolutivo dos genomas. Os TEs são organizados em uma taxonomia hierárquica, com famílias e superfamílias. Geralmente, a identificação e classificação de TEs é realizada por meio de ferramentas de Bioinformática que utilizam homologia, comparando uma sequência com várias sequências de um conjunto de dados com TEs já identificados. Esse método apresenta limitações, pois a homologia entre sequências ignora as propriedades bioquímicas das mesmas, e também os relacionamentos hierárquicos entre as diferentes famílias e superfamílias de TEs. Assim, neste projeto, serão investigados e propostos diferentes métodos de classificação hierárquica de TEs utilizando Aprendizado de Máquina (AM). Inicialmente, diferentes conjuntos de dados serão construídos com sequências de nucleotídeos e de aminoácidos já com TEs previamente identificados. Para a construção desses conjuntos de dados, serão utilizadas ferramentas de Bioinformática desenvolvidas para extrair características bioquímicas de sequências, e também diferentes estratégias para conversão de sequências em valores de atributos adequados para a utilização em técnicas de AM. Os conjuntos de dados serão, então, estruturados hierarquicamente, de acordo com as famílias e superfamílias de TEs a que pertencem. Os métodos de classificação propostos serão comparados com métodos existentes na literatura, e avaliados por meio de medidas de avaliação específicas para problemas de classificação hierárquica. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (2) . , Integrantes: Ricardo Cerri - Coordenador / Carlos Norberto Fischer - Integrante / André Carlos Ponce de Leon Ferreira de Carvalho - Integrante / Gisele Lobo Pappa - Integrante / BASGALUPP, MÁRCIO P. - Integrante / Felipe Kenji Nakano - Integrante / Gean Trindade Pereira - Integrante / Bruna Zamith Santos - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro., Número de produções C, T & A: 8

• 2015 - 2018

  Hiper-heurísticas para Construção de Algoritmos de Indução de Árvores de Decisão em Problemas de Classificação Hierárquica Multirrótulo, Descrição: Problemas de Classificação Hierárquica Multirrótulo são problemas de classificação complexos, nos quais as classes envolvidas no problema são estruturadas em uma hierarquia contendo centenas ou até milhares de classes. Adicionalmente, exemplos sendo classificados podem ser atribuídos simultaneamente a mais de um caminho dessa hierarquia. Esses problemas são muito comuns, por exemplo em tarefas de predição de funções de proteínas e anotação de imagens médicas. Dentre os diferentes algoritmos que podem ser utilizados nesses problemas, estão os algoritmos de indução de árvores de decisão, por sua robustez e eficiência, além de produzirem modelos interpretáveis e com taxas de acerto satisfatórias. Apesar disso, ainda há muitas questões em aberto sobre a utilização desses algoritmos no contexto de problemas de classificação hierárquica multirrótulo, como por exemplo quais critérios de parada e de poda utilizar, qual tipo de divisão utilizar em um nó interno, e como considerar os relacionamentos entre as classes. Além disso, até agora apenas a estratégia de indução top-down foi utilizada. Dadas essas muitas possibilidades de configuração, esse projeto tem por objetivo implementar uma hiper-heurítica para a construção de algoritmos de indução de árvores de decisão aplicados em problemas de classificação hierárquica multirrótulo. Ao contrário das meta-heurísticas, as hiper-heurísticas operam em um nível maior de abstração, podendo ser utilizadas na procura das melhores combinações de componentes no espaço de possibilidades, componentes esses utilizados para a construção de algoritmos de indução de árvores de decisão. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Ricardo Cerri - Coordenador / Celine Vens - Integrante / Leander Schietgat - Integrante / BASGALUPP, MÁRCIO P. - Integrante., Financiador(es): Universidade Federal de São Carlos - Auxílio financeiro / Katholieke Universiteit Leuven - Auxílio financeiro., Número de produções C, T & A: 2

• 2012 - 2015

  Desafios em Mineração de Dados, Projeto certificado pelo(a) coordenador(a) André Carlos Ponce de Leon Ferreira de Carvalho em 21/09/2013., Descrição: Com o volume cada vez maior de dados gerados e a importância crescente da economia baseada em conhecimento, a Descoberta de Conhecimento de Bases de Dados, principalmente sua etapa de Mineração de Dados, é cada vez mais adotada em empresas e órgãos governamentais. A complexidade dos problemas a serem tratados por Mineração de Dados leva a necessidade de novos métodos e ferramentas computacionais capazes de apoiar a análise dos dados pelos usuários. Duas das principais etapas de Mineração de Dados são as de pré-processamento e de construção de modelos. Desafios relacionados a essas duas etapas são investigados neste projeto. Dados com baixa qualidade ou com problemas de elevada dimensão pode afetar significativamente o desempenho de algoritmos para construção de modelos. A etapa de construção de modelos permite induzir modelos descritivos e preditivos, frequentemente por algoritmos de Aprendizado de Máquina. Este projeto investigará as principais alternativas existentes para lidar com esses desafios assim como irá propor e investigar novos métodos para tal. Os métodos investigados serão experimentalmente avaliados de acordo com a metodologia correntemente utilizada pela comunidade de pesquisa das duas subáreas. Dado o elevado custo computacional associado aos experimentos nessas subáreas, serão investigados o uso de arquiteturas GPU e computação em nuvens. Deve ser observado que esse projeto continua pesquisas realizadas em projetos anteriores, com novas abordagens e desafios. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Doutorado: (10) . , Integrantes: Ricardo Cerri - Integrante / André Carlos Ponce de Leon Ferreira de Carvalho - Coordenador / Alex Alves Freitas - Integrante / Ana Carolina Lorena - Integrante / Murilo Coelho Naldi - Integrante / Bruno Feres - Integrante / André Rossi - Integrante / Luis Paulo Garcia - Integrante / Rodrigo Coelho Barros - Integrante / Davi S dos Santos Jr - Integrante / João Gama - Integrante / Eduardo Hruschka - Integrante / Rosane Maffei Vallim - Integrante / Carlos M. Soares - Integrante / José Augusto de Andrade Jr. - Integrante / Elaine Ribeiro - Integrante / Pablo Granitto - Integrante / Tiago Silva da Silva - Integrante / Jonathan de Andrade Silva - Integrante / Luiz Fernando Sommaggio Coletta - Integrante / Thiago Ferreira Covões - Integrante / Dino Ienco - Integrante / Maguelonne Teisseire - Integrante / Pascal Poncelet - Integrante / Rogério Miguel Pascual - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.

• 2010 - 2015

  Uso de Métodos de Aprendizado de Máquina para a Anotação de Elementos Transponíveis, Descrição: Elementos Transponíveis (TEs) são sequências de DNA que podem se "mover" para diferentes posições dentro de um genoma, processo conhecido como transposição. A Anotação de TEs é um importante passo no sequenciamento, montagem, alinhamento e anotação de genomas. No entanto, esta não é uma tarefa simples, uma vez que ela depende da correta identificação e classificação dos TEs encontrados. Métodos de Aprendizagem de Máquina podem ser usados como uma alternativa ou complementação a técnicas baseadas em Homologia para a identificação de TEs. O objetivo deste projeto é investigar e desenvolver novos métodos e técnicas para a identificação e classificação de Elementos Transponíveis em genomas, em especial, considerando o uso de métodos de Aprendizagem de Máquina. Também, serão explorados possíveis modos de usar estas técnicas visando a obtenção de novos conhecimentos sobre a Dinâmica Evolucionária dos mesmos. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Doutorado: (3) . , Integrantes: Ricardo Cerri - Integrante / Eduardo de Paula Costa - Integrante / Carlos Norberto Fischer - Coordenador / André Carlos Ponce de Leon Ferreira de Carvalho - Integrante / Adriane Beatriz de Souza Serapião - Integrante / Claudia Marcia Carareto - Integrante / Jan Ramon - Integrante / Celine Vens - Integrante / Hendrik Blockeel - Integrante / Fabrício R. Lopes - Integrante / Vinicius Tragante do Ó - Integrante., Financiador(es): Katholieke Universiteit Leuven - Auxílio financeiro / Universidade Estadual Paulista Júlio de Mesquita Filho - Auxílio financeiro.

• 2006 - 2008

  Ambiente de Bioinformática para Análises de Dados Genômicos, Descrição: Desenvolvimento de um ambiente computacional para integrar sistemas e aplicativos que serão usados como ferramentas auxiliares em processos de análises de dados genômicos. Em especial, esta proposta tem por objetivo desenvolver e integrar ferramentas de Bioinformática voltadas para a (pré-)análise de alguns marcadores moleculares e polimorfismos, a saber, Elementos Transponíveis, Microssatélites e SNPs (Single Nucleotide Polymorphisms), identificados em bancos genômicos. Este ambiente deverá tornar automatizadas várias das tarefas envolvidas nestes tipos de análises. Dentre os sistemas e ferramentas a serem integrados ao Ambiente de Bioinformática estarão os desenvolvidos pelo Grupo de Bioinformática de Rio Claro (GBIRC), da UNESP, e outros aplicativos de domínio público. Estes serviços de Bioinformática estarão disponibilizados na web aos laboratórios e pesquisadores associados ao GBIRC. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (4) . , Integrantes: Ricardo Cerri - Integrante / Carlos Norberto Fischer - Coordenador / Mauricio Bacci Junior - Integrante / Paulo Cesar Ceresini - Integrante / Darío Abel Palmieri - Integrante / David Basto Neto - Integrante / Mariana Faria Cruz - Integrante / Derek Brito Vanconcelos - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.

• 2006 - 2008

  Técnicas Avancadas de classificacao de dados (CNPq - Proc. 473778/2006-8 a), Descrição: Este projeto investiga a utilização de técnicas avançadas de classificação em problemas de Aprendizado de Máquina. Os problemas de classificação investigados são aqueles em que o perfil das classes pode mudar com o passar do tempo, em que classificadores binários precisam ser combinados para lidar com problemas que apresentam mais de duas classes e em que as classes estão organizadas de forma hierárquica. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (5) / Mestrado acadêmico: (3) / Doutorado: (4) . , Integrantes: Ricardo Cerri - Integrante / Eduardo de Paula Costa - Integrante / André Carlos Ponce de Leon Ferreira de Carvalho - Coordenador / Ana Carolina Lorena - Integrante / Murilo Coelho Naldi - Integrante / Bruno Feres - Integrante / Debora Rossi de Medeiros - Integrante / Eduardo Jaques Spinosa - Integrante / Katti Faceli - Integrante / André Rossi - Integrante / Luis Paulo Garcia - Integrante / Andre Billia - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.

Prêmios