Bruno Magalhães Nogueira

Possui graduação em Ciência da Computação pela Pontifícia Universidade Católica de Minas Gerais (2006), mestrado em Ciências de Computação pelo Instituto de Ciências Matemáticas e de Computação (ICMC) da Universidade de São Paulo (USP), doutorado em Ciências de Computação pelo Instituto de Ciências Matemáticas e de Computação (ICMC) da Universidade de São Paulo (USP) e doutorado em Ciência de Computadores pela Universidade do Porto (Portugal), obtido em regime de dupla titulação. Suas principais áreas de atuação são a Inteligência Artificial, o Aprendizado de Máquina e a Mineração de Dados e Textos. Seu foco atual de pesquisa inclui Agrupamento Semissupervisionado de Dados, Mineração de Textos e Mineração de Dados Educacionais. Atualmente, é Professor Adjunto junto à Faculdade de Computação da Universidade Federal do Mato Grosso do Sul.

Informações coletadas do Lattes em 21/10/2019

Acadêmico

Seção coletada automaticamente pelo Escavador

Formação acadêmica

Doutorado em Ciências da Computação e Matemática Computacional

2009 - 2013

Universidade de São Paulo
Título: Hierarchical semi-supervised confidence-based active clustering and its application to the extraction of topic hierarchies from document collections
Orientador: em Universidade do Porto ( Alípio Mário Guedes Jorge)
com Solange Oliveira Rezende. Bolsista do(a): Coordenação de Aperfeiçoamento de Pessoal de Nível Superior, CAPES, Brasil. Palavras-chave: Mineração de Textos; Taxonomia de Tópicos.Grande área: Ciências Exatas e da TerraGrande Área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Inteligência Artificial / Especialidade: Mineração de Textos.

Mestrado em Ciências da Computação e Matemática Computacional

2007 - 2009

Universidade de São Paulo
Título: Avaliação de métodos não-supervisionados de seleção de atributos para Mineração de Textos,Ano de Obtenção: 2009
Solange Oliveira Rezende.Bolsista do(a): Coordenação de Aperfeiçoamento de Pessoal de Nível Superior, CAPES, Brasil. Palavras-chave: Mineração de Textos; Seleção de atributos.

Graduação em Ciência da Computação

2003 - 2006

Pontifícia Universidade Católica de Minas Gerais, PUC Minas
Título: Análise de Robustez de Técnicas de Classificação para Data Mining
Orientador: Luis Enrique Zárate

Ensino Médio (2º grau)

2000 - 2002

Colégio Militar de Belo Horizonte

Ensino Fundamental (1º grau)

1996 - 1999

Colégio Militar de Belo Horizonte

Seção coletada automaticamente pelo Escavador

Formação complementar

2007 - 2007

Regras de Associação em R. (Carga horária: 12h). , Universidade de São Paulo, USP, Brasil.

2004 - 2004

Extensão universitária em Mini Curso de Algoritmos Genéticos. (Carga horária: 4h). , Pontifícia Universidade Católica de Minas Gerais, PUC Minas, Brasil.

2004 - 2004

Extensão universitária em JAVA - Completo e Abrangente. (Carga horária: 60h). , PUC Minas Virtual, PMV, Brasil.

Seção coletada automaticamente pelo Escavador

Idiomas

Inglês

Compreende Bem, Fala Bem, Lê Bem, Escreve Bem.

Português

Compreende Bem, Fala Bem, Lê Bem, Escreve Bem.

Seção coletada automaticamente pelo Escavador

Áreas de atuação

    Grande área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Inteligência Artificial/Especialidade: Mineração de Textos.

    Grande área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Metodologia e Técnicas da Computação/Especialidade: Mineração de Dados.

    Grande área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Inteligência Artificial.

    Grande área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Inteligência Artificial/Especialidade: Redes Neurais Artificiais.

    Grande área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Inteligência Artificial/Especialidade: Análise Formal de Conceitos.

    Grande área: Ciências Exatas e da Terra / Área: Ciência da Computação.

Seção coletada automaticamente pelo Escavador

Organização de eventos

NOGUEIRA, B. M. ; MATSUBARA, E. T. ; FERNANDES, E. R. ; ARAUJO, A. V. . I Workshop de Inteligência Artifical de Mato Grosso do Sul. 2015. (Outro).

REZENDE, S. O. ; JORGE, A. M. ; LOPES, A. A. ; NOGUEIRA, B. M. ; MARCACINI, R. M. ; SANTOS, F. F. . II Workshop on Web and Text Intelligence / Simpósio Brasileiro de Inteligência Artificial. 2009. (Congresso).

REZENDE, S. O. ; JORGE, A. M. ; LOPES, A. A. ; NOGUEIRA, B. M. . I Workshop on Web and Text Intelligence / Simpósio Brasileiro de Inteligência Artificial. 2008. (Congresso).

Seção coletada automaticamente pelo Escavador

Participação em eventos

Competição Latino Americana e Brasileira de Robótica (LARC/CBR). 2014. (Olimpíada).

Joint Conference on Robotics and Intelligent Systems Meeting. 2014. (Congresso).

15th International Conference on Discovery Science. HCAC: semi-supervised hierarchical clustering using confidence-based active learning. 2012. (Congresso).

27th Symposium On Applied Computing (ACM SAC).Hierarchical Confidence-Based Active Clustering. 2012. (Simpósio).

IV Congresso da Academia Trinacional de Ciências (C3N 2009). Análise comparativa de duas abordagens para o agrupamento semi-supervisionado particional de documentos: sementes iniciais e restrições pareadas. 2009. (Congresso).

XXXV Latin American Informatics Conference (CLEI 2009). Dois novos métodos para seleção não-supervisionada de atributos em Mineração de Textos. 2009. (Congresso).

IV Workshop em Algoritmos e Aplicações de Mineração de Dados - XXIII Simpósio Brasileiro de Banco de Dados.Winning Some of the Document Preprocessing Challenges in a Text Mining Process. 2008. (Oficina).

XIX Simpósio Brasiliero de Inteligência Artificial.Avaliação de métodos não-supervisionados de seleção de atributos para Mineração de Textos. 2008. (Simpósio).

II Congresso da Academia Trinacional de Ciências. Extração de Conhecimento de Redes Neurais Artificiais através da Metodologia FCANN- Um estudo de caso. 2007. (Congresso).

IV Escola Regional de Informática de Minas Gerais.IV ERI-MG Escola Regional de Informática de Minas Gerais. 2005. (Outra).

Seminário de Trabalhos de Iniciação Científica - PUCMG.SETICC - Seminário de Trabalhos de Iniciação Científica. 2005. (Seminário).

VII Congresso Brasileiro de Redes Neurais. VII Congresso Brasileiro de Redes Neurais. 2005. (Congresso).

Seção coletada automaticamente pelo Escavador

Participação em bancas

Aluno: Flávio Henrique Toribio Destro

ISHII, R. P.;NOGUEIRA, B. M.; SENGER, L. J.. Autenticação de usuários via dinâmica de digitação utilizando aprendizagem profunda. 2019. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Eliton Luiz Scardin Perin

NOGUEIRA, B. M.; MARCACINI, R. M.; FERNANDES, E. R.; MATSUBARA, E. T.;REZENDE, S. O.. Seleção de instância em espaço métrico de word embeddings. 2018. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Brucce Neves dos Santos

NOGUEIRA, B. M.; MARCACINI, R. M.; ROSSI, R. G.; SILVA, D. F.. Classificação transdutiva de eventos usando redes heterogêneas. 2018. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Irving Muller Rodrigues

FERNANDES, E. R.; MARCACINI, R. M.; ROSSI, R. G.;NOGUEIRA, B. M.. Aprendizado de Representações para Adaptação de Domínio de Etiquetagem Morfossintática. 2017. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: João Domingos Ferreira Mundim

MARCACINI, R. M.;NOGUEIRA, B. M.; ROSSI, R. G.;REZENDE, S. O.. Agrupamento Multivisão de Eventos para Construção de Websensors. 2017. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Yuri Karan Benevides Tomas

NOGUEIRA, B. M.; MARCACINI, R. M.; ROSSI, R. G.; FERNANDES, E. R.. Aprendizado de métricas de distância por meio de restrições em nível de cluster. 2017. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Andrea Gondo

NOGUEIRA, B. M.; MATSUBARA, E. T.; FERNANDES, E. R.. Sistema de Classificação Automática de DEP Bovina (SICADEB). 2016. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Lucas de Souza Rodrigues

NOGUEIRA, B. M.; ARAUJO, A. V.; FERNANDES, E. R.; MATSUBARA, E. T.. FlexRank: um rankeador lexicográfico rápido. 2016. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Gilson Saturnino dos Santos

FARIA, G.;NOGUEIRA, B. M.; GOMES, R. C.; SILVA, S. L. E.. Inteligência Artificial Aplicada à Predição do Ponto de Abate de Bovinos de Corte Confinados. 2015. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Daiane Sampaio Santos

MATSUBARA, E. T.; FERNANDES, E. R.;NOGUEIRA, B. M.. Predição de Mínimos e Máximos Locais para Investimentos em Bolsa de Valores Utilizando Aprendizado de Máquina. 2014. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Luiz Henrique Neves Bonifacio

FERNANDES, E. R.;NOGUEIRA, B. M.; MARCACINI, R. M.. Reconhecimento de Endades no Domínio Jurídico. 2019. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Alessandro de Matos Silva

NOGUEIRA, B. M.; MATSUNO, I. P.; BERNARDINI, F. C.. Extração de Aspectos usando Redes Heterogêneas para Mineração de Opiniões. 2019. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Luciana Gomes Fazan

MATSUBARA, E. T.;NOGUEIRA, B. M.; FERNANDES, E. R.; ROSSI, R. G.; BARRIOS, S. C. L.. Exploração de arquiteturas de redes neurais convolucionais para identificação de espécies de forrageiras do gênero Brachiaria e Panicum. 2019. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Higor Henrique Picoli Nucci

NOGUEIRA, B. M.; FEIJO, G. L. D.; SENGER, L. J.; GOMES, R. C.; ISHII, R. P.. Modelo de predição do acabamento de carcaça de novilhos precoces para suporte à tomada de decisão. 2018. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Guilherme Gloriano de Souza

ISHII, R. P.;NOGUEIRA, B. M.; ARAUJO, A. V.. Uma abordagem baseada em machine learning e deep learning para problemas de saúde em cidades inteligentes. 2018. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Westerley da Silva Reis

MATSUBARA, E. T.;NOGUEIRA, B. M.; ROSSI, R. G.. Event2Vec++: Agrupamento Hierárquico Multivisão de Eventos usando Embedding Spaces. 2018. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Flávio Henrique Toribio Destro

ISHII, R. P.;NOGUEIRA, B. M.; ARAUJO, A. V.. Sistemas distribuídos para autenticação de usuários via dinâmica de digitação utilizando aprendizagem profunda com TensorFlow. 2017. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Mariana Caravanti de Souza

HIGA, C. H. A.;NOGUEIRA, B. M.; STEFANES, M. A.. Engenharia reversa de redes de regulação gênica por meio de modelos gráficos probabilísticos. 2017. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Brucce Neves dos Santos

MARCACINI, R. M.;NOGUEIRA, B. M.; ROSSI, R. G.. Classificação transdutiva de eventos usando redes heterogêneas. 2017. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Ronaldo de Oliveira Florence

MARCACINI, R. M.;NOGUEIRA, B. M.; FERNANDES, E. R.; ROSSI, R. G.. Agrupamento hierárquico e semissupervisionado de eventos. 2017. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Irving Muller Rodrigues

NOGUEIRA, B. M.; FERNANDES, E. R.; MARCACINI, R. M.. Aprendizado de representações para adaptação de domínio de problemas fundamentais em Processamento de Linguagem Natual. 2016. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Simone Leones da Silva Araujo

FARIA, G.;NOGUEIRA, B. M.; RUBINSZTEJN, H. K. S.; BONIN, M. N.. Aplicação de algoritmos de Aprendizado de Máquina para predição de ponto de abate de bovinos da raça Nelore. 2016. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Eliton Luiz Scardin Perin

MATSUBARA, E. T.; FERNANDES, E. R.;NOGUEIRA, B. M.. Vocabulário de palavras com polaridade extrema. 2016. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: João Domingos Ferreira Mundim

MARCACINI, R. M.;NOGUEIRA, B. M.; ROSSI, R. G.;REZENDE, S. O.. Agrupamento multivisão para construção de websensors. 2016. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Yuri Karan Benevides Tomas

NOGUEIRA, B. M.; MARCACINI, R. M.; FERNANDES, E. R.; ROSSI, R. G.. Aprendizado de métrica de distância por meio de restrições em nível de cluster. 2016. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Eduardo Zárate Guerreiro Max

NOGUEIRA, B. M.; MATSUBARA, E. T.; FERNANDES, E. R.; MARCACINI, R. M.. Seleção de instâncias para grandes volumes de dados. 2015. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Lucas de Souza Rodrigues

NOGUEIRA, B. M.; MATSUBARA, E. T.; FERNANDES, E. R.; PRATI, R. C.. Filtros inteligentes de internet utilizando aprendizado de máquina. 2015. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Andrea Gondo

MATSUBARA, E. T.; FERNANDES, E. R.;NOGUEIRA, B. M.. Mineração em banco de dados de bovinos de corte da raça Nelore. 2014. Exame de qualificação (Mestrando em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Rodrigo Eiji Akamine

MATSUBARA, E. T.;NOGUEIRA, B. M.. Identificação de sons de morcegos. 2017. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul.

Aluno: Bruno Ferraz do Amaral

NOGUEIRA, B. M.; ROMERO, R. A. F.. Avaliação de técnicas de classificação semi-supervisionada para séries temporais agrometeorológicas. 2012. Trabalho de Conclusão de Curso (Graduação em Bacharelado em Ciências da Computação) - Universidade de São Paulo.

Aluno: Matheus Nogueira

NOGUEIRA, B. M.; SANTANA, R. H. C.. Implantação do TEM (Telecom Expensive Management). 2012. Trabalho de Conclusão de Curso (Graduação em Bacharelado em Ciências da Computação) - Universidade de São Paulo.

Aluno: Luiz Augusto de Souza Bim

NOGUEIRA, B. M.; SANTANA, R. H. C.. Sistema ERP (Entrerprise Resource Planning) para pequenas e médias empresas. 2012. Trabalho de Conclusão de Curso (Graduação em Bacharelado em Ciências da Computação) - Universidade de São Paulo.

Aluno: Felipe Simoes Lage Gomes Duarte

NOGUEIRA, B. M.REZENDE, S. O.. Desenvolvimento de Software para Telefonia Voip. 2011. Trabalho de Conclusão de Curso (Graduação em Bacharelado em Ciências da Computação) - Universidade de São Paulo.

Aluno: Felipe Paro Fiorini

NOGUEIRA, B. M.REZENDE, S. O.. BI com SAP Netware Business Intelligence. 2011. Trabalho de Conclusão de Curso (Graduação em Bacharelado em Ciências da Computação) - Universidade de São Paulo.

Aluno: Rafael Coluci de Sena Gouvêa

MALDONADO, J. C.;NOGUEIRA, B. M.. Integração entre Sistemas de Informação na Web. 2010. Trabalho de Conclusão de Curso (Graduação em Bacharelado em Informática) - Universidade de São Paulo.

Aluno: Daniel Feitosa

MELLO, R. F.;NOGUEIRA, B. M.. Arquitetura de Referência para Robôs Móveis: Uma Revisão Sistemática. 2010. Trabalho de Conclusão de Curso (Graduação em Bacharelado em Ciências da Computação) - Universidade de São Paulo.

Aluno: Felipe Augusto Navas

NOGUEIRA, B. M.; MONARD, M. C.. Navegação Autônoma de Robôs na Ferramenta Player utilizando Algoritmos Evolutivos. 2009. Trabalho de Conclusão de Curso (Graduação em Bacharelado em Ciências da Computação) - Universidade de São Paulo.

Aluno: Micail Cruz Lofrano

NOGUEIRA, B. M.; MONARD, M. C.. Performance Watch e Business Intelligence sobre Plataforma IBM. 2009. Trabalho de Conclusão de Curso (Graduação em Bacharelado em Ciências da Computação) - Universidade de São Paulo.

Aluno: Micail Cruz Lofrano

NOGUEIRA, B. M.; FORTES, R. P. M.. Performance e Implementação de Sistemas de Business Intelligence. 2009. Trabalho de Conclusão de Curso (Graduação em Bacharelado em Ciências da Computação) - Universidade de São Paulo.

Aluno: Jayme Tosi Neto

NOGUEIRA, B. M.; DELBEM, A. C. B.. Seleção de atributos baseada em algoritmo evolucionário para agrupamento de dados. 2009. Trabalho de Conclusão de Curso (Graduação em Bacharelado em Informática) - Universidade de São Paulo.

NOGUEIRA, B. M.; ISHII, R. P.; SILVA, C. A.. Concurso Público para ingresso na Carreira do Magistério Superior na Classe de Professor Assistente A para o Campus de Coxim. 2016. Universidade Federal de Mato Grosso do Sul.

Seção coletada automaticamente pelo Escavador

Comissão julgadora das bancas

Maria Carolina Monard

MONARD, M. C.; OSÓRIO, Fernando Santos; HRUSCHKA JR, E.R.. Geração de Taxonomias de Tópicos Dinâmicas por Meio de Agrupamento Semissupervisionado. 2010. Exame de qualificação (Doutorando em Ciências de Computação e Matemática Computacional) - Instituto de Ciências Matemáticas e de Computação.

Fernando Santos Osório

MONARD, Maria Carolina; Hruschka Júnior, E. R.;OSÓRIO, Fernando S.. Geração de taxonomias de tópicos dinâmicas por meio de agrupamento semi-supervisionado. 2010. Exame de qualificação (Doutorando em Ciências da Computação e Matemática Computacional) - Universidade de São Paulo.

Katti Faceli

REZENDE, S. O.; JORGE, A. M. G.;Faceli, Katti; PRATI, R. C.; I. C. Dutra. Hierarchical semi-supervised confidence-based active clustering and its application to the extraction of topic hierarchies from document collections. 2013. Tese (Doutorado em Ciências da Computação e Matemática Computacional) - Universidade de São Paulo.

Ronaldo Cristiano Prati

REZENDE, S. O.; JORGE, A. M. G.;PRATI, R. C.; FACELLI, K.; DUTRA, I. C.. Agrupamento hierárquico semissupervisionado ativo baseado em confiança e sua aplicação para a extração de hierarquias de tópicos a partir de coleções de documentos.. 2013. Tese (Doutorado em Ciência da Computação e Matemática Computacional) - Instituto de Ciências Matemáticas e de Computação.

Ana Carolina Lorena

Rezende, S. O.;LORENA, A. C.; Hruschka, E. R.. Seleçao não-supervisionada de atributos para Mineraçao de Textos. 2009. Dissertação (Mestrado em Ciências de Computação e Matemática Computacional) - Universidade de São Paulo - São Carlos.

Solange Oliveira Rezende

REZENDE, S. O.; LORENA, A. C.;HRUSCHKA, E. R.. Avaliação de métodos não-supervisionados de seleção de atributos para mineração de Textos. 2009. Dissertação (Mestrado em Ciências de Computação e Matemática Computacional) - Instituto de Ciências Matemáticas e de Computação.

Solange Oliveira Rezende

REZENDE, S. O.; JORGE, A. M. G.;FACELI, K.; PRATI, R. C.; DUTRA, Inês de Castro. Agrupamento hierárquico semissupervisionado ativo baseado em confiança e sua aplicação para a extração de hierarquias de tópicos a partir de coleções de documentos. 2013. Tese (Doutorado em Ciências da Computação e Matemática Computacional) - Instituto de Ciências Matemáticas e de Computação.

Estevam Rafael Hruschka Junior

Monard, MC; Osório, F;HRUSCHKA JR., ER. Geração de taxonomias de tópicos dinâmicas por meio de agrupamento semi-supervisionado. 2010. Exame de qualificação (Doutorando em Doutorado em Ciências da Computação e Matemática C) - Instituto de Cinências Matemáticas e de Computação - USP São Carlos.

Tadeu dos Reis Faria

GALVEZ, L. E. Z.;FARIA, T. R.; SONG, M. A. J.. Análise de Robustez de Técnicas de Construção de Modelos Preditivos frente a Dados Ausentes. 2006. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Pontifícia Universidade Católica de Minas Gerais.

Eduardo Raul Hruschka

HRUSCHKA, E; Lorena, A. C.;REZENDE, S. O.. Avaliação de métodos não-supervisionados de seleção de atributos para mineração de textos. 2009. Dissertação (Mestrado em Mestrado em Ciências de Computação) - Universidade de São Paulo.

Luis Enrique Zárate

ZÁRATE, L. E.SONG, Mark A; FARIA, Tadeu dos Reis. Análise de Robustez de Técnicas de Construcão de modelos Preditivos frente a Dados Aussentes. 2006. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Pontifícia Universidade Católica de Minas Gerais.

Seção coletada automaticamente pelo Escavador

Orientou

Shih Ting Ju

Agrupamento semissupervisionado para classificação de uma única classe; Início: 2019; Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul; (Orientador);

Leonardo Fuchs Alves

Aplicação de algoritmos de aprendizado de máquina em processos de revisão sistemática da literatura; Início: 2018; Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul; (Orientador);

Lucas Akayama Vilhagra

Análise de Sentimento de Textos Curtos Extraídos de Redes Sociais Utilizando Algoritmos de Agrupamento Semissupervisionados; Início: 2017; Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior; (Orientador);

Bruno Nazário Rodrigues

Detecção de notícias falsas por meio de classificação de documentos utilizando aprendizado transdutivo; Início: 2017; Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul; (Orientador);

Isabella Bicalho Frazeto

Utilização de Aprendizado de Máquina para predição gênica; Início: 2019; Trabalho de Conclusão de Curso (Graduação em Ciências Biológicas) - Universidade Federal de Mato Grosso do Sul; (Orientador);

Silas Augusto Fernandes do Carmo

Indicação de especialistas utilizando Aprendizado de Máquina; Início: 2019; Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul; (Orientador);

Vitor Hugo Pereira Ribeiro

Detecção de notícias falsas utilizando aprendizado de máquina; Início: 2018; Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Universidade Federal de Mato Grosso do Sul; (Orientador);

Pedro Henrique da Silva Souza

Detecção de notícias falsas utilizando algoritmos de aprendizado de máquina; Início: 2018; Trabalho de Conclusão de Curso (Graduação em Sistema de Informação) - Universidade Federal de Mato Grosso do Sul; (Orientador);

Sandys de Castro Nunes

Aplicação de algoritmos de Aprendizado de Máquina na predição de desgaste de peças automotivas; Início: 2018; Trabalho de Conclusão de Curso (Graduação em Sistema de Informação) - Universidade Federal de Mato Grosso do Sul; (Orientador);

Jorge Luís Melgarejo

Detecção de notícias falsas utilizando aprendizado de máquina transdutivo; Início: 2018; Iniciação científica (Graduando em Engenharia de Computação) - Universidade Federal de Mato Grosso do Sul, Conselho Nacional de Desenvolvimento Científico e Tecnológico; (Orientador);

Vinícios Faustino de Carvalho

Explorando o uso de algoritmos de agrupamento de dados semissupervisionado na análise de sentimentos de mensagens de redes sociais; Início: 2017; Iniciação científica (Graduando em Engenharia de Computação) - Universidade Federal de Mato Grosso do Sul; (Orientador);

Ronaldo de Oliveira Florence

Agrupamento semissupervisionado de dados aplicados na geração de Websensors; 2018; Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul,; Coorientador: Bruno Magalhães Nogueira;

João Domingos Ferreira Mundim

Aprendizado Multivisão de Eventos para Construção de Websensors; 2018; Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul,; Coorientador: Bruno Magalhães Nogueira;

Yuri Karan Benevides Tomas

Aprendizado de métricas para agrupamento semissupervisionado de dados; 2017; Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior; Orientador: Bruno Magalhães Nogueira;

Lucas de Souza Rodrigues

FlexRank: um rankeador lexicográfico rápido; 2016; Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul,; Coorientador: Bruno Magalhães Nogueira;

Mateus Vieira Fidelis

Análise de sentimento sobre publicações de eventos em redes sociais; 2018; Trabalho de Conclusão de Curso; (Graduação em Engenharia de Computação) - Universidade Federal de Mato Grosso do Sul; Orientador: Bruno Magalhães Nogueira;

Bruno Nazário Rodrigues

Segmentação de turmas de aprendizagem no ensino superior utilizando técnicas de agrupamento; 2017; Trabalho de Conclusão de Curso; (Graduação em Análise de Sistemas) - Universidade Federal de Mato Grosso do Sul; Orientador: Bruno Magalhães Nogueira;

Jordan Butkenicius Malheiros

Mineração de textos aplicada à análise de propostas de leis no Brasil; 2017; Trabalho de Conclusão de Curso; (Graduação em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul; Orientador: Bruno Magalhães Nogueira;

Caíque de Paula Figueiredo Coelho

Predição de esforço no desenvolvimento de software por meio de Aprendizado de Máquina; 2017; Trabalho de Conclusão de Curso; (Graduação em Ciência da Computação) - Universidade Federal de Mato Grosso do Sul; Orientador: Bruno Magalhães Nogueira;

Lucas Akayama Vilharga

Análise de sentimentos em redes sociais por meio de agrupamento semissupervisioando de dados; 2017; Trabalho de Conclusão de Curso; (Graduação em Engenharia de Computação) - Universidade Federal de Mato Grosso do Sul; Orientador: Bruno Magalhães Nogueira;

Doglas Wendll Sorgatto

Aplicação de técnicas de Mineração de Dados em Learning Management Systems; 2016; Trabalho de Conclusão de Curso; (Graduação em Análise de Sistemas) - Universidade Federal de Mato Grosso do Sul; Orientador: Bruno Magalhães Nogueira;

Vitor Hugo Pereira Ribeiro

Exploração de métodos de aprendizado de máquina para predição de evasão de acadêmicos em cursos do ensino superior; 2018; Iniciação Científica; (Graduando em Engenharia de Computação) - Universidade Federal de Mato Grosso do Sul; Orientador: Bruno Magalhães Nogueira;

Alison Iuri Oghino de Moura

Agrupamento hierárquico semissupervisionado de documentos baseado em aprendizado de distâncias; 2017; Iniciação Científica; (Graduando em Análise de Sistemas) - Universidade Federal de Mato Grosso do Sul; Orientador: Bruno Magalhães Nogueira;

Pedro Henrique da Silva Souza

Aplicação de Algoritmos de Agrupamento Semissupervisionado de Dados para Segmentação de Mercado; 2017; Iniciação Científica; (Graduando em Análise de Sistemas) - Universidade Federal de Mato Grosso do Sul; Orientador: Bruno Magalhães Nogueira;

Doglas Wendll Sorgatto

Mineração de Perfis de Alunos em Ambientes Educacionais por meio de Agrupamento Semissupervisionado de Dados; 2016; Iniciação Científica; (Graduando em Análise de Sistemas) - Universidade Federal de Mato Grosso do Sul; Orientador: Bruno Magalhães Nogueira;

Victória Serra de Lima Moraes

Agrupamento hierárquico semissupervisionado de documentos baseado em aprendizado de distâncias; 2016; Iniciação Científica; (Graduando em Engenharia de Computação) - Universidade Federal de Mato Grosso do Sul; Orientador: Bruno Magalhães Nogueira;

Bruno Nazário Rodrigues

Mineração de perfis de alunos em ambientes educacionais por meio de agrupamento semissupervisionado de dados; 2016; Iniciação Científica; (Graduando em Análise de Sistemas) - Universidade Federal de Mato Grosso do Sul; Orientador: Bruno Magalhães Nogueira;

Seção coletada automaticamente pelo Escavador

Foi orientado por

Solange Oliveira Rezende

Seleção não-supervisionada de atributos para Mineração de Textos; 2009; Dissertação (Mestrado em Ciências de Computação e Matemática Computacional) - Instituto de Ciências Matemáticas e de Computação, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior; Orientador: Solange Oliveira Rezende;

Solange Oliveira Rezende

Agrupamento hierárquico semissupervisionado ativo baseado em confiança e sua aplicação para a extração de hierarquias de tópicos a partir de coleções de documentos; 2014; Tese (Doutorado em Ciências da Computação e Matemática Computacional) - Instituto de Ciências Matemáticas e de Computação, Coordenação de Aperfeiçoamento de Pessoal de Nível Superior; Orientador: Solange Oliveira Rezende;

Luis Enrique Zárate

Análise de Robustez de Técnicas de Construcão de Modelos Preditivos frente a Dados Aussentes; 2006; Trabalho de Conclusão de Curso; (Graduação em Ciência da Computação) - Pontifícia Universidade Católica de Minas Gerais, Conselho Nacional de Desenvolvimento Científico e Tecnológico; Orientador: Luis Enrique Zárate Gálvez;

Luis Enrique Zárate

Representação do Conhecimento de Redes Neurais Artificiais, previamente treinadas, através da Análise Formal de Conceitos; 2005; 0 f; Iniciação Científica; (Graduando em Ciência da Computação) - Pontifícia Universidade Católica de Minas Gerais, Conselho Nacional de Desenvolvimento Científico e Tecnológico; Orientador: Luis Enrique Zárate Gálvez;

Luis Enrique Zárate

Recuperação de dados aussentes para Data Mining; 2004; 0 f; Iniciação Científica - Pontifícia Universidade Católica de Minas Gerais; Orientador: Luis Enrique Zárate Gálvez;

Seção coletada automaticamente pelo Escavador

Produções bibliográficas

  • BORGES, V. A. ; NOGUEIRA, B. M. ; BARBOSA, E. F. . Uma análise exploratória de tópicos de pesquisa emergentes em Informática na Educação. Revista Brasileira de Informática na Educação , v. 23, p. 85-96, 2015.

  • DIAS, S. M. ; NOGUEIRA, B. M. ; ZARATE, L. E. . Adaptation of FCANN Method to Extract and Represent Comprehensible Knowledge from Neural Networks. In: Nguyen, Ngoc Thanh; Katarzyniak, Radoslaw. (Org.). New Challenges in Applied Intelligence Technologies. Berlim: Springer, 2008, v. 134, p. 163-172.

  • NOGUEIRA, B. M. ; TOMAS, Y. K. B. ; MARCACINI, R. M. . Integrating distance metric learning and cluster-level constraints in semi-supervised clustering. In: The 2017 International Joint Conference on Neural Networks (IJCNN 2017), 2017, Anchorage, Alaska. Proceedings of the 2017 International Joint Conference on Neural Networks (IJCNN 2017), 2017. p. 4118-4125.

  • RODRIGUES, L. S. ; MATSUBARA, E. T. ; NOGUEIRA, B. M. . Learning a Fast Bipartite Ranker for Text Documents using Lexicographical Rankers and ROC Curves. In: The 14th IAPR International Conference on Document Analysis and Recognition (ICDAR), 2017, Kyoto. Proceedings of The 14th IAPR International Conference on Document Analysis and Recognition, 2017. p. 1-8.

  • ISEKI, M. ; NOGUEIRA, B. M. ; SILVA JUNIOR, B. A. . Save the Data! An Intelligent Approach to Avoid Data Loss. In: Encontro Nacional de Inteligência Artificial e Computacional (ENIAC), 2017, Uberlândia. Anais do XIV Encontro Nacional de Inteligência Artificial e Computacional, 2017.

  • MARCACINI, R. M. ; ROSSI, R. G. ; NOGUEIRA, B. M. ; MARTINS, L. V. C. ; CHERMAN, E. A. ; REZENDE, S. O. . Websensors Analytics: Learning to sense the real world using web news events. In: Workshop on Tools and Applications - 23th Brazilian Symposium on Multimedia and the Web, 2017, Gramado. Proceedings of the Workshop on Tools and Applications - 23th Brazilian Symposium on Multimedia and the Web, 2017. p. 169-173.

  • FLORENCE, R. ; NOGUEIRA, B. M. ; MARCACINI, R. M. . Constrained Hierarchical Clustering for News Events. In: 21st International Database Engineering & Applications Symposium (IDEAS), 2017, Bristol. Proceedings of the 21st International Database Engineering & Applications Symposium. New York: ACM Press, 2017. p. 49-56.

  • BORGES, V. A. ; NOGUEIRA, B. M. ; BARBOSA, E. F. . A multidimensional data model for the analysis of learning management systems under different perspectives. In: Frontiers in Education, 2016, Erie, PA, EUA. Proceedings of the 46th Anual Frontiers in Education Conference, 2016. p. 1-9.

  • MOTTA, R. ; NOGUEIRA, B. M. ; JORGE, A. M. ; LOPES, A. A. ; REZENDE, S. O. ; OLIVEIRA, M. C. . Comparing Relational and Non-relational Algorithms for Clustering Propositional Data. In: XXVIII Symposium on Applied Computing, 2013, Coimbra, Portugal. Proceedings of the 28th ACM Symposium on Applied Computing, 2013. p. 150-155.

  • NOGUEIRA, B. M. ; JORGE, A. M. ; REZENDE, S. O. . On the Comparison of Semi-Supervised Hierarchical Clustering Algorithms in Text Mining Tasks. In: 1st Symposium on Knowledge Discovery, Mining and Learning (KDMiLe), 2013, São Carlos. Proceedings of the 1st Symposium on Knowledge Discovery, Mining and Learning (KDMiLe), 2013. p. 1-8.

  • DOMINGUES, M. A. ; CHERMAN, E. A. ; NOGUEIRA, B. M. ; CONRADO, M. S. ; ROSSI, R. G. ; PADUA, R. ; MARCACINI, R. M. ; SOUZA, V. M. A. ; BATISTA, G. E. A. P. A. ; REZENDE, S. O. . A Comparative Study of Algorithms for Recommending Given Names. In: The Second International Conference on Informatics & Applications (ICIA2013), 2013, Lodz, Polônia. Proceedings of The Second International Conference on Informatics & Applications (ICIA2013), 2013. v. 1. p. 66-71.

  • NOGUEIRA, B. M. ; JORGE, A. M. ; REZENDE, S. O. . HCAC: Semi-supervised Hierarchical Clustering Using Confidence-Based Active Learning. In: 15th International Conference on Discovery Science, 2012, Lyon. Lecture Notes in Computer Science. Alemanha: Springer Verlag, 2012. v. 7569. p. 139-153.

  • NOGUEIRA, B. M. ; REZENDE, S. O. . Avaliação de métodos não-supervisionados de seleção de atributos para Mineração de Textos. In: VII Concurso de Teses e Dissertações em Inteligência Artificial (CTDIA 2010) - XX Simpósio Brasileiro de Inteligência Artificial (SBIA 2010), 2010, São Bernardo do Campo, SP. Anais do VII Concurso de Teses e Dissertações em Inteligência Artificial, 2010. v. 1. p. 1-10.

  • NOGUEIRA, B. M. ; REZENDE, S. O. . Dois novos métodos para seleção não-supervisionada de atributos em Mineração de Textos. In: XXXV Latin American Informatics Conference (CLEI 2009), 2009, Pelotas, RS. Congresso Latino Americano de informática. Pelotas, RS: UFPEL, 2009. v. 1. p. 1-10.

  • NOGUEIRA, B. M. ; REZENDE, S. O. . Análise comparativa de duas abordagens para o agrupamento semi-supervisionado particional de documentos: sementes iniciais e restrições pareadas. In: IV Congresso da Academia Trinacional de Ciências (C3N 2009), 2009, Foz do Iguaçu, PR. Anais do IV Congresso da Academia Trinacional de Ciências. Foz do Iguaçu, PR: Unioeste, 2009. v. 1. p. 1-12.

  • DIAS, S. M. ; ZARATE, L. E. ; NOGUEIRA, B. M. ; VIEIRA, N. J. . Extração e representação de conhecimento de Redes Neurais Artificiais utilizando o Reticulado Conceitual Iceberg e extração de regras de implicação no método FCANN. In: V Workshop em Algoritmos e Aplicações de Mineração de Dados (V WAAMD) - XXIV Simpósio Brasileiro de Banco de Dados (SBBD 2009), 2009, Fortaleza, CE. Anais do V Workshop em Algoritmos e Aplicações de Mineração de Dados, 2009. v. 1. p. 10-17.

  • NOGUEIRA, B. M. ; MOURA, M. F. ; CONRADO, M. S. ; ROSSI, R. G. ; MARCACINI, R. M. ; REZENDE, S. O. . Winning Some of the Document Preprocessing Challenges in a Text Mining Process. In: IV Workshop em Algoritmos e Aplicações de Mineração de Dados(WAAMD 2008) ? XXIII Simpósio Brasileiro de Banco de Dados (SBBD 2008), 2008, Campinas, SP. Anais do IV Workshop em Algoritmos e Aplicações de Mineração de Dados, 2008. p. 10-18.

  • NOGUEIRA, B. M. ; MOURA, M. F. ; CONRADO, M. S. ; REZENDE, S. O. . Avaliação de métodos não-supervisionados de seleção de atributos para Mineração de Textos. In: I Workshop on Web and Text Intelligence (WTI) - XIX Simpósio Brasileiro de Inteligência Artificial (SBIA), 2008, Salvador, BA. Proceedings of I Workshop on Web and Text Intelligence. São Carlos, SP: ICMC/USP, 2008. v. 1. p. 59-66.

  • MOURA, M. F. ; NOGUEIRA, B. M. ; CONRADO, M. S. ; SANTOS, F. F. ; REZENDE, S. O. . Making Good Choices of Non-Redundant N-gram Words. In: International Workshop on Data Mining and Artificial Intelligence (DMAI) - International Conference on Computer and Information Technology (ICCT), 2008, Khulna. Proceedings of I IEEE International Workshop On Data Mining and Artificial Intelligence. Khulna, Bangladesh: Khulna University of Engineering and Technology, 2008. v. 1. p. 64-71.

  • NOGUEIRA, B. M. ; SANTOS, T. R. A. ; ZARATE, L. E. . Comparison of Classifiers Efficiency on Missing Values Recovering: Application in a Marketing Database with Massive Missing Data. In: IEEE Symposium on Computational Intelligence and Data Mining, 2007, Honolulu, Hawaii. Proceedings of IEEE Symposium on Computational Intelligence and Data Mining, 2007. v. 1. p. 66-72.

  • DIAS, S. M. ; NOGUEIRA, B. M. ; ZARATE, L. E. . Extração de conhecimento de Redes Neurais Artificiais através da metodologia FCANN - Um estudo de caso. In: II Congresso da Academia Trinacional de Ciências, 2007, Foz do Iguaçu. Anais do II Congresso da Academia Trinacional de Ciência, 2007. p. 1-10.

  • ZARATE, L. E. ; PEREIRA, E. M. D. ; OLIVEIRA, L. A. R. ; GIL, V. P. ; NOGUEIRA, B. M. ; SANTOS, T. R. A. . Representation of a Thermosiphon System Via Neural Networks Considering Installation Parameters. In: International Conference on Engineering of Intelligent Systems, 2006, Islamabad. Proceedings of 1st International Conference on Engineering of Intelligent Systems (sponsered IEEE IES), 2006. p. 1-6.

  • ZARATE, L. E. ; SONG, M. A. J. ; NOGUEIRA, B. M. ; ALVAREZ, A. A. N. ; SOARES, B. C. B. A. ; DIAS, S. M. ; SANTOS, T. R. A. ; VIEIRA, N. J. . An Approach to Knowledge Extraction From ANN Through Formal Concept Analysis - Computational Tool Proposal: SOPHIANN. In: 15th International Symposium on Industrial Electronics, 2006, Montreal. Proceedings of 15th International Symposium on Industrial Electronics, 2006. v. 1. p. 43-48.

  • ZARATE, L. E. ; PEREIRA, E. M. D. ; OLIVEIRA, L. A. R. ; GIL, V. P. ; NOGUEIRA, B. M. ; SANTOS, T. R. A. . Techniques for Training Sets Selection in the Representation of a Thermosiphon System Via ANN. In: 16th International Joint Conference on Neural Networks, 2006, Vancouver. Proceedings 16th International Joint Conference on Neural Networks, 2006. v. 1. p. 2736-2741.

  • SONG, M. A. J. ; ZARATE, L. E. ; NOGUEIRA, B. M. ; ALVAREZ, A. A. N. ; SOARES, B. C. B. A. ; SANTOS, T. R. A. ; DIAS, S. M. ; VIEIRA, N. J. ; VIMIEIRO, R. . SOPHIANN: A Tool for Extraction Knowledge Rules from ANN Previously Trained - A Case Study. In: Eighteenth International Conference on Software Engineering and Knowledge Engineering, 2006, San Francisco. Proceedings of the Eighteenth International Conference on Software Engineering and Knowledge Engineering, 2006. v. 1. p. 631-638.

  • ZARATE, L. E. ; NOGUEIRA, B. M. ; SANTOS, T. R. A. ; SONG, M. A. J. . Techniques for Missing Value Recovering in Imbalanced Databases - Application in a Marketing Databases with Massive Missing Data. In: 19th International Conference on Systems, Man, and Cybernetics, 2006, Taipei. Proceedings of 19th International Conference on Systems, Man, and Cybernetics, 2006. v. 3. p. 2658-2664.

  • ZARATE, L. E. ; NOGUEIRA, B. M. ; SANTOS, T. R. A. . Recuperação de Dados Ausentes Através de Redes Neurais Artificiais - Estudo de Caso para uma Base de Dados Mercadológica. In: VII CBRN - Congresso Brasileiro de Redes Neurais, 2005, Natal, RN. Anais do VII CBRN, 2005. p. 1-6.

  • ZARATE, L. E. ; SONG, M. A. J. ; NOGUEIRA, B. M. ; ALVAREZ, A. A. N. ; SOARES, B. C. B. A. ; DIAS, S. M. ; SANTOS, T. R. A. . SOPHIANN: Aprendizado de Processos Através da Extração de Conhecimento via Redes Neurais. In: XVI SBIE - Simpósio Brasileiro de Informática na Educação, 2005, Juiz de Fora, MG. Anais do XVI Simpósio Brasileiro de Informática na Educação, 2005. p. 394-404.

  • NOGUEIRA, B. M. ; JORGE, A. M. ; REZENDE, S. O. . Hierarchical confidence-based active clustering. In: 27th Symposium On Applied Computing (ACM SAC), 2012, Riva del Garda, Itália. Proceedings of 27th Symposium On Applied Computing, 2012. v. 1. p. 535-536.

  • MOURA, M. F. ; MARCACINI, R. M. ; NOGUEIRA, B. M. ; CONRADO, M. S. ; REZENDE, S. O. . A proposal for building domain topic taxonomies. In: I Workshop on Web and Text Intelligence (WTI) - XIX Simpósio Brasileiro de Inteligência Artificial (SBIA), 2008, Salvador, BA. Proceedings of I Workshop on Web and Text Intelligence. São Carlos, SP: ICMC/USP, 2008. v. 1. p. 83-84.

  • NOGUEIRA, B. M. ; SANTOS, T. R. A. ; ZARATE, L. E. . Representação do Conhecimento de Redes Neurais Artificiais, previamente treinadas, através da Análise de Conceitos Formais. In: 13º Seminário de Iniciação Científica - PUC Minas, 2005, Belo Horizonte. Resumos do 13º Seminário de Iniciação Científica Puc Minas, 2005. v. 1. p. 356-357.

  • NOGUEIRA, B. M. ; SANTOS, T. R. A. ; ZARATE, L. E. . Recuperação de dados ausentes através de Redes Neurais Artificiais - Estudo de caso para uma base de dados mercadológica. In: 13º Seminário de Iniciação Científica - PUC Minas, 2005, Belo Horizonte. Resumos do 13º Seminário de Iniciação Científica Puc Minas, 2005. v. 1. p. 1-2.

  • NOGUEIRA, B. M. . Hierarchical confidence-based active clustering. 2012. (Apresentação de Trabalho/Congresso).

  • NOGUEIRA, B. M. . HCAC: Semi-supervised Hierarchical Clustering Using Confidence-Based Active Learning. 2012. (Apresentação de Trabalho/Congresso).

  • NOGUEIRA, B. M. . Dois novos métodos para seleção não-supervisionada de atributos para Mineração de Textos. 2009. (Apresentação de Trabalho/Congresso).

  • NOGUEIRA, B. M. . Análise comparativa de duas abordagens para o agrupamento semi-supervisionado particional de documentos: sementes iniciais e restrições pareadas. 2009. (Apresentação de Trabalho/Congresso).

  • NOGUEIRA, B. M. . Winning Some of the Preprocessing Challenges in a Text Mining Process. 2008. (Apresentação de Trabalho/Simpósio).

  • NOGUEIRA, B. M. . Avaliação de métodos não-supervisionado de seleção de atributos para Mineração de Textos. 2008. (Apresentação de Trabalho/Seminário).

  • NOGUEIRA, B. M. . Extração de conhecimento de Redes Neurais Artificiais através da metodologia FCANN - Um estudo de caso. 2007. (Apresentação de Trabalho/Congresso).

  • NOGUEIRA, B. M. . Recuperação de Dados Ausentes Através de Redes Neurais Artificiais - Estudo de Caso para uma Base de Dados Mercadológica. 2005. (Apresentação de Trabalho/Congresso).

  • NOGUEIRA, B. M. ; JORGE, A. M. ; REZENDE, S. O. . A Confidence-based Active Approach for Semi-supervised Hierarchical Clustering. São Carlos, SP: ICMC/USP, 2011 (Relatório Técnico ICMC-USP).

  • MOURA, M. F. ; MARCACINI, R. M. ; NOGUEIRA, B. M. ; CONRADO, M. S. ; REZENDE, S. O. . Uma Abordagem Completa para a Construção de Taxonomias de Tópicos em um Domínio. São Carlos - SP: ICMC - USP, 2008 (Relatório Técnico ICMC-USP).

Seção coletada automaticamente pelo Escavador

Outras produções

ZARATE, L. E. ; NOGUEIRA, B. M. ; ALVAREZ, A. A. N. ; DIAS, S. M. ; SANTOS, T. R. A. ; SOARES, B. C. B. A. ; SONG, M. A. J. . SOPHIANN 1.0 - Um ambiente para Extração de Conhecimento de Redes Neurais previamente treinadas através da Análise Formal de Conceitos. 2005.

NOGUEIRA, B. M. . Revista Eletrônica de Iniciação Científica (1 revisão). 2018.

NOGUEIRA, B. M. . Brazilian Conference on Intelligent Systems (BRACIS - 4 revisões). 2018.

NOGUEIRA, B. M. . Concurso de Teses e Dissertações em Inteligência Artificial e Computacional (CTDIAC - 1 revisão). 2018.

NOGUEIRA, B. M. . Symposium on Knowledge Discovery, Mining and Learning (KDMILE - 2 revisões). 2018.

NOGUEIRA, B. M. . Brazilian Conference on Intelligent Systems (3 revisões). 2017.

NOGUEIRA, B. M. . International C* Conference on Computer Science & Software Engineering (1 revisão). 2017.

NOGUEIRA, B. M. . Frontiers in Education (1 revisão). 2017.

NOGUEIRA, B. M. . Symposium on Knowledge Discovery, Mining and Learning (3 revisões). 2017.

NOGUEIRA, B. M. . Congresso Brasileiro de Agroinformática (3 revisões). 2017.

NOGUEIRA, B. M. . Edital nº 50-2016 - Projetos de Pesquisa Sem Fomento (1 parecer). 2017.

NOGUEIRA, B. M. . EDITAL Nº 30-2017_SEM FOMENTO UFMS/PROPP (1 parecer). 2017.

NOGUEIRA, B. M. . International C* Conference on Computer Science & Software Engineering (3 revisões). 2016.

NOGUEIRA, B. M. . Encontro Nacional de Inteligência Artificial e Computacional (1 revisão). 2016.

NOGUEIRA, B. M. . Frontiers in Education (1 revisão). 2016.

NOGUEIRA, B. M. . Symposium on Knowledge Discovery, Mining and Learning (1 revisão). 2016.

NOGUEIRA, B. M. . Data Mining and Knowledge Discovery (1 revisão). 2015.

NOGUEIRA, B. M. . Congresso Brasileiro de Inteligência Computacional (2 revisões). 2015.

NOGUEIRA, B. M. . Information Sciences (1 revisão). 2015.

NOGUEIRA, B. M. . Computers and Electronics in Agriculture (1 revisão). 2015.

ZARATE, L. E. ; NOGUEIRA, B. M. ; SANTOS, T. R. A. ; DIAS, S. M. . Representação do Conhecimento de Redes Neurais Artificiais, previamente treinadas, através da Análise Formal de Conceitos. 2006. (Relatório de pesquisa).

Seção coletada automaticamente pelo Escavador

Projetos de pesquisa

  • 2019 - Atual

    COMVIP-SC: Combatendo Violações de Padrões de Uso de APIs em Sistemas Configuráveis, Descrição: APIs (Application Programming Interface) têm sido vastamente adotada no desenvolvimento de software. Com isso, é comum que funções de API sejam utilizadas em diferentes contextos, assim como também frequentemente aplicadas de maneira conjunta de modo que seus usos seguem algumas regras ou padrões de uso. No entanto, não se sabe se violações nos padrões de uso ocorrem em sistemas configuráveis implementados com diretivas de pré-processamento. Ainda pior, não se sabe quais os impactos dessas violações em atributos de qualidade. Dessa forma, o objetivo deste projeto é verificar se e como ocorrem violações de padrões de uso em sistemas configuráveis devido a diretivas de pré-processamento. Além disso, espera-se identificar atributos de qualidade que sejam impactados por violações de padrões de uso de APIs. Por fim, espera-se fornecer uma ferramenta que se integrará a uma IDE de desenvolvimento para auxiliar o desenvolvedor na identificação de violações de padrões de uso de APIs durante a codificação... , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Coordenador / Bruno Barbieri de Pontes Cafeo - Integrante / André Cavalcante Hora - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.

  • 2019 - Atual

    Aprendizado de Websensors para Agronegócios, Descrição: O agronegócio é uma das principais atividades econômicas do Brasil, representando anualmente (desde 2006) uma média de 21% do PIB brasileiro, acumulando um crescimento de 4,4% em 2016, mesmo em período de recessão econômica. Por outro lado, a cadeia produtiva do agronegócio é considerada complexa devido aos muitos fatores envolvidos, como efeitos climáticos, controle de pragas e doenças, controle de insumos (e.g. fertilizantes, sementes, defensivos, vacinas e máquinas), serviços de crédito (e.g. câmbio e taxas de juros), as atividades de produção de agricultura e pecuária propriamente ditas; e as etapas pós-produção, como embalagem, armazenagem, industrialização, transporte e distribuição. Esta diversidade de fatores é responsável pelo conceito de riscos e incertezas da cadeia produtiva do agronegócio, com a principal consequência de que o preço de venda durante a etapa de comercialização foge ao controle do produtor. Assim, uma gestão moderna do agronegócio incorpora instrumentos para gerenciamento de riscos com o objetivo de amenizar tais incertezas e conferir uma estabilidade mínima ao produtor. Nesse contexto, o gerenciamento de riscos com uso de mercado de futuros, como a Bolsa de Mercadorias e Futuros da BOVESPA (BM&F-BOVESPA) tem se tornado cada vez mais popular, atingindo 1.860.877 contratos de derivativos relacionados ao agronegócio em 2016. Neste mercado, o produtor (avesso ao risco) transfere o risco de oscilação do preço para empresas e/ou indivíduos que operam no mercado de futuros e que esperam receber um prêmio para assumir tal risco. Definir boas estratégias de gerenciamento de riscos depende de um conjunto adequado de informações sobre problema para determinar intervalos de variação de preços no futuro. Neste projeto é proposto um produto denominado Websensors Analytics para inovar o gerenciamento de riscos em agronegócios. Websensors é um framework de aprendizado de máquina com o diferencial de coletar e combinar grandes bases de informações disponíveis em diversas fontes sobre agronegócios, como notícias e boletins especializados, e utilizar tais bases de dados em conjunto com indicadores oficiais (como cotações de preços) para melhorar tarefas de análise preditiva de preços. Esta proposta de inovação tecnológica é baseada em 4 anos de pesquisa na área, com resultados promissores para apoiar o desenvolvimento deste produto. Além da ausência de produtos nacionais similares nesta área específica, o agronegócios está em acentuada expensão e exigirá cada vez mais de soluções inovadoras para aumentar a eficiência deste setor.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Integrante / Maria Fernanda Moura - Integrante / Ricardo Marcondes Marcacini - Coordenador / Solange Oliveira Rezende - Integrante / Rafael Geraldeli Rossi - Integrante / Edson Takashi Matsubara - Integrante / Eraldo Luis Rezende Fernandes - Integrante / Rafael Giusti - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.

  • 2018 - Atual

    Aprendizado de Máquina Baseado em Uma Única Classe: Algoritmos e Aplicações, Descrição: A quantidade de dados disponível em formato digital na rede mundial de computadores aumenta a cada dia. Esses dados estão em diferentes formatos, como (i) textos produzidos dentro das empresas, portais de notícias, blogs e redes sociais; (ii) imagens produzidas por satélites, drones, câmeras digitais e exames médicos; (iii) dados numérios produzidos por resultados por exames ou aparelhos de mensuração que gerem tais dados e (iv) sequencias de genes. É humanamente impossível realizar tarefas como a organização, gerenciamento, e uma das principais, a extração de conhecimento de grandes volumes de dados, os quais são úteis tanto na área acadêmica quanto comercial. Uma das técnicas para se realizar tais tarefas automaticamente é a classificação automática. Para que se possa relizar a classificação automática, é preciso construir um modelo de classificação. Esse modelo é normalmente construído por técnicas de aprendizado de máquina, as quais visam extrair padrões de exemplos e respectivos rótulos (identificadores de classe). A maioria das pesquisas e aplicações práticas ainda fazem uso do aprendizado supervisionado multi-classe. Neste cenário, o usuário ou especialista de domínio responsável pela rotulação deve definir todas as classes nas quais os documentos poderão ser atribuídos, bem como uma grande quantidade de exemplos de documentos pertencentes a cada uma dessas classes (documentos rotulados). Isso pode ser oneroso ao rotulador e demandar conhecimento absoluto sobre o problema a ser tratado. Uma situação mais prática seria o usuário fornecer apenas exemplos de seu conhecimento ou se seu interesse. Além disso, neste mesmo cenário, será atribuído à um exemplo não rotulado sempre uma das categorias que foram informadas durante a construção do modelo de classificação, mesmo que a classe real desse exemplo não seja uma das classes previamente informada. Para sanar essas dificuldades do aprendizado supervisionado multi-classe tradicionalmente utilizado, e para deixar mais prática a aplicação da classificação automática em situações em que o usuário esteja interessado em uma única classe (também denominada classe alvo ou classe de interesse), têm ganhado interesse nos últimos anos a área de aprendizado baseado em uma única classe. Neste tipo de aprendizado, são informados apenas exemplos da classe de interesse para construir o modelo de classificação, e portanto, diminuindo o esforço do usuário de rotulação e conhecimento do domínio por parte do usuário. Nesta abordagem, o classificador irá classificar um exemplo como sendo da classe de interesse ou não sendo da classe de interesse (também denominado outlier).. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Integrante / Ricardo Marcondes Marcacini - Integrante / Solange Oliveira Rezende - Integrante / Rafael Geraldeli Rossi - Coordenador / Alneu Andrade Lopes - Integrante / Vinícius Mourão de Alves Souza - Integrante / Edson Takashi Matsubara - Integrante / Diego Furtado Silva - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.

  • 2017 - Atual

    Algoritmos de Aprendizado de Máquina para Dados Brutos, Descrição: Algoritmos de aprendizado de máquina tradicionais utilizam como formato de entrada de dados uma tabela no formato atributo valor, similares a uma planilha de dados. Dados não estruturados como texto, imagens e vídeos precisam ser convertidos para o formato atributo valor para realizar o aprendizado. A literatura reporta que na maioria dos problemas de aprendizado, o tempo gasto para esta conversão dura 80% para a indução do classificador, devido a extração de características relevantes ser feita manualmente. Neste trabalho é proposto modificar algoritmos de aprendizado, para que recebam diretamente dados não estruturados, em seu formato bruto, para a indução do classificador. Espera-se que com o desenvolvimento destes algoritmos não seja necessário fazer a conversão e pré-processamento, reduzindo-se assim o tempo para a obtenção de classificadores precisos.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Integrante / Ricardo Marcondes Marcacini - Integrante / Edson Takashi Matsubara - Coordenador / Eraldo Luis Rezende Fernandes - Integrante / Anderson Viçoso de Araújo - Integrante.

  • 2017 - Atual

    Mineração de Dados para Predição de Evasão em Ambientes de Ensino a Distância, Descrição: Estratégias de combate à evasão no ensino superior têm recebido grande atenção nos últimos anos. As estratégias tradicionais são baseadas na revisão dos projetos pedagógicos dos cursos, além da implantação de políticas de assistência estudantil, como apoio financeiro e psicológico aos alunos. O uso destas estratégias tradicionais é mais desafiador quando o principal meio de interação com os alunos é pelo ambiente computacional EAD. No entanto, esses ambientes armazenam um rico conjunto de dados que refletem o comportamento dos alunos, desde o registro de acesso e tempo utilizado nos recursos didáticos, atividades de avaliação, até a interação do aluno em fóruns de discussão. Métodos para Mineração de Dados são promissores para extrair conhecimento útil desses dados e, assim, apoiar processos de tomada de decisão. Assim, o objetivo deste projeto é desenvolver uma plataforma de Mineração de Dados com foco na predição de evasão para o sistema UAB. Na etapa de extração de conhecimento da plataforma, serão desenvolvidos algoritmos de aprendizado de modelos preditivos, ou seja, que identificam padrões nos dados históricos dos perfis de alunos desistentes; sendo capaz de predizer se um novo perfil entrou no grupo de risco da evasão. Como resultado, a plataforma será distribuída livremente, permitindo integrar com qualquer ambiente EAD.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Integrante / Ricardo Marcondes Marcacini - Coordenador / Solange Oliveira Rezende - Integrante / Rafael Geraldeli Rossi - Integrante / Renan Pádua - Integrante / Edson Takashi Matsubara - Integrante / Eraldo Luis Rezende Fernandes - Integrante / Vitor Mesaque Alves de Lima - Integrante / Nilton Cesar Carraro - Integrante., Financiador(es): Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Auxílio financeiro.

  • 2017 - Atual

    Aplicação de algoritmos de aprendizado de máquina semissupervisionado para a descoberta e gestão de conhecimento em bases de dados, Descrição: Algoritmos de aprendizado de máquina semissupervisionado têm ganhado notoriedade nos últimos anos por sua capacidade de, misturando dados rotulados e não rotulados, conseguir bom desempenho em uma vasta gama de aplicações. Existem, na literatura, diversos algoritmos que visam tanto à classificação semissupervisionada quanto ao agrupamento semissupervisionado de dados. Neste projeto, o objetivo é investigar e explorar algoritmos destas natureza para a obtenção e gestão de conhecimento em bases de dados. Em sua parte teórica, este projeto de pesquisa visa explorar pontos ainda em aberto do aprendizado de máquina semissupervisionado, como a incorporação de mecanismos incrementais em algoritmos de agrupamento semissupervisionado e o desenvolvimento e melhoria de métodos de aprendizado de distâncias em algoritmos de agrupamento e classificação semissupervisionada. Por sua vez, em sua parte de aplicações, este projeto visa à aplicação de algoritmos semissupervisionados em uma vasta gama de aplicações reais para as quais conta-se com bases de dados, como Mineração de Dados Educacionais, análise de dados e notícias da internet e dados oriundos de redes sociais. Nestas aplicações, será dada especial atenção a coleções de dados de instituições de ensino e dados relativos ao setor agropecuário e agroindustrial, de grande demanda no estado do Mato Grosso do Sul, auxiliando especialistas e usuários na gestão do conhecimento destes setores.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (4) / Mestrado acadêmico: (2) . , Integrantes: Bruno Magalhães Nogueira - Coordenador / Ricardo Marcondes Marcacini - Integrante / Rafael Geraldeli Rossi - Integrante / Edson Takashi Matsubara - Integrante / Eraldo Luis Rezende Fernandes - Integrante.

  • 2016 - Atual

    Aprendizado não Supervisionado de Websensors aplicado em Desafios de Big Data para Agronegócios, Descrição: Motivada pela diversidade de aplicações que podem ser derivadas por meio de algoritmos para extração de conhecimento da web, uma nova direção de pesquisa denominada Websensors tem como objetivo converter padrões extraídos de várias fontes da web em um conjunto de sinais, representado por meio de séries temporais, que permitem observar, estudar e monitorar o comportamento de um fenômeno de interesse. Devido ao grande volume de dados, variedade de fontes de informação e requisitos de velocidade para análise desses dados, os websensors são modelos computacionais com grande potencial para lidar com os desafios atuais relacionados à temática de Big Data; que recentemente tem recebido muita atenção na literatura e indústria pelos resultados promissores obtidos na resolução de tarefas complexas de tomadas de decisão. Nesse contexto, entre as atividades recentes desenvolvidas pelos membros do GEPIC (Grupo de Estudo e Pesquisa em Inteligência Computacional - UFMS), há um particular interesse em explorar websensors aplicado em desafios de Big Data para o domínio de agronegócios. Atividades prévias, como a coleta e organização de uma base de 14 anos de notícias (composta por milhões de registros) e resultados preliminares tem demonstrado que este é um caminho promissor. Dessa forma, a proposta geral deste projeto é utilizar conhecimento implícito em uma base histórica de milhões notícias sobre agronegócios no Brasil para aprender padrões, ao longo do tempo, que possam ser explorados para explicar o comportamento passado e predizer comportamento futuro no domínio de agronegócios, com apoio de algoritmos de aprendizado não supervisionado de máquina. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Integrante / Maria Fernanda Moura - Integrante / Ricardo Marcondes Marcacini - Coordenador / Solange Oliveira Rezende - Integrante / Rafael Geraldeli Rossi - Integrante / Edson Takashi Matsubara - Integrante / Eraldo Luis Rezende Fernandes - Integrante / Valguima Victoria Viana Aguiar Odakura - Integrante / Andre Steffens Moraes - Integrante / Vitor Mesaque Alves de Lima - Integrante / Fabiana Villa Alves - Integrante / Ana Carolina Chiozi Zanetta - Integrante / Julio César Carnevali - Integrante / Luan Vinicius de Carvalho Martins - Integrante / João Domingos Ferreira Mundim - Integrante., Financiador(es): Fundação de Apoio e Desenvolvimento do Ensino, Ciência e Tecnologia do MS - Auxílio financeiro.

  • 2015 - 2017

    Algoritmos de agrupamento semissupervisionados e incrementais para geração de hierarquias de tópicos a partir de coleções de documentos, Descrição: Uma tendência na gestão de informação textual é a organização de coleções textuais sob grupos significativos por meio de algoritmos de agrupamento. Diversas dessas aplicações exploram o agrupamento hierárquico dos tópicos detectados, fornecendo diferentes níveis de abstração. Algoritmos de agrupamento não supervisionado e semissupervisionado são utilizados na obtenção dos grupos hierárquicos. Iniciativas semissupervisionadas, foco deste trabalho, são raras na literatura e utilizam informações acerca do conhecimento de domínio do usuário, tornando os grupos mais inteligíveis. Abordagens não supervisionadas ou semissupervisionadas não obtêm bom desempenho em dois contextos: (i) em cenários dinâmicos; e (ii) em cenários com grandes bases de dados. Estes cenários são comuns, dado que bases de conhecimento contêm muitos documentos e, como o conhecimento não é estático, as bases de documentos que refletem este conhecimento são dinâmicas. Métodos de agrupamento incrementais são bastante interessantes para a gestão dessas grandes bases de documento dinâmicas sem reprocessamento redundante. Não existem, entretanto, algoritmos que efetuem o processo de agrupamento de maneira semissupervisionada e incremental, embora seja factível a união destes conceitos. Por consequência, não existem processos para a obtenção de hierarquias de tópicos semissupervisionadas e incrementais. Este projeto de pesquisa visa explorar os campos de pesquisa em aberto demonstrados. Primeiramente, serão estudados métodos de agrupamento semissupervisionado, buscando incorporar o conhecimento do usuário por meio de maneiras mais eficientes que nos métodos presentes na literatura. Posteriormente, estruturas incrementais serão incorporadas nestes algoritmos. A junção destes conceitos formará novos algoritmos de agrupamento que serão incorporados em frameworks para obtenção de hierarquias de tópicos.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (1) . , Integrantes: Bruno Magalhães Nogueira - Coordenador / Victoria Serra de Lima Moraes - Integrante / Doglas Wendll Sorgatto - Integrante / Yuri Karan Benevides Tomas - Integrante., Número de orientações: 2

  • 2014 - 2016

    Aprendizado de Máquina para WebSensors: Algoritmos e Aplicações, Projeto certificado pelo(a) coordenador(a) Solange Oliveira Rezende em 30/10/2014., Descrição: A popularização de plataformas web para publicação de conteúdo textual tem motivado o desenvolvimento de métodos para extração automática de conhecimento implícito nos textos. Em particular, uma nova gama de estudos e aplicações tem sido proposta para explorar a web como um grande e poderoso "sensor social", permitindo identificar e monitorar vários tipos de eventos a partir de textos publicados em portais de notícias e redes sociais, como detecção de epidemias, análise de sentimentos, e a extração de indicadores políticos e econômicos. Atualmente, a construção de um sensor da web (websensor) é uma tarefa complexa, pois depende de especialistas de domínio para definição dos parâmetros do sensor, isto é, expressões para busca, filtros e monitoramentos de conteúdo textual da web. A necessidade de especialistas de domínio geralmente limita as aplicações envolvendo websensors, uma vez que em muitos problemas não há compreensão clara dos fenômenos que se deseja monitorar. Em vista disso, neste projeto de pesquisa são investigados métodos de aprendizado de máquina para apoiar a construção automática de websensors. A ideia básica é utilizar uma amostra de documentos textuais do domínio do problema e, em conjunto com algoritmos de aprendizado de máquina semi/não supervisionados, extrair padrões dos textos e assim apoiar a construção de websensors. Dessa forma, espera-se reduzir a dependência de um especialista para definição dos parâmetros dos sensores. Cada websensor aprendido a partir dos textos representa um determinado fenômeno relacionado ao domínio do problema que, então, pode ser monitorado ao longo do tempo e utilizado para apoiar processos de tomada de decisão.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Mestrado acadêmico: (3) Doutorado: (6) . , Integrantes: Bruno Magalhães Nogueira - Integrante / Ricardo Marcondes Marcacini - Integrante / Solange Oliveira Rezende - Coordenador / Rafael Geraldeli Rossi - Integrante / Fabiano Fernandes dos Santos - Integrante / Renan Pádua - Integrante / Gustavo Enrique de Almeida Prado Alves Batista - Integrante / Roberta Akemi Sinoara - Integrante / Ivone Penque Matsuno - Integrante / Camila Vaccari Sundermann - Integrante / Veronica Oliveira de Carvalho - Integrante / Antonio Rafael Sabino Parmezan - Integrante / Diego Furtado Silva - Integrante / Tatiana Ximenes - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.

  • 2012 - 2013

    Métodos de agrupamento hierárquico para organização automática de resultados de motores de busca, Descrição: Projeto Regular da Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) - Processo 2011/19850-9. , Situação: Concluído; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Integrante / Ricardo Marcondes Marcacini - Integrante / Merley da Silva Conrado - Integrante / Solange Oliveira Rezende - Coordenador / Rafael Geraldeli Rossi - Integrante / Fabiano Fernandes dos Santos - Integrante / Tatiane Marques Nogueira - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.

  • 2010 - 2014

    TIENA - Tecnologias Inovadoras em Mineração de Textos para espacialização de notícias agrícolas-piloto cana de açúcar, Situação: Concluído; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Integrante / Maria Fernanda Moura - Coordenador / Ricardo Marcondes Marcacini - Integrante / Merley da Silva Conrado - Integrante / Solange Oliveira Rezende - Integrante / Rafael Geraldeli Rossi - Integrante / Fabiano Fernandes dos Santos - Integrante / Alípio M. Jorge - Integrante / Laurimar Gonçalves Vendrusculo - Integrante., Financiador(es): Empresa Brasileira de Pesquisa Agropecuária - Cooperação.

  • 2005 - 2006

    Representação do Conhecimento de Redes Neurais Artificiais, previamente treinadas, através da Análise Formal de Conceitos, Descrição: O objetivo principal deste projeto é o desenvolvimento de uma metodologia implementada em software para aplicação da AFC na extração e representação de conhecimento de uma rede neural previamente treinada. As regras que pretendemos obter são do tipo SE....ENTÃO e serão obtidas diretamente da análise do diagrama. Para este projeto pretende-se implementar um algoritmo que de forma automática possa identificá-las. Este projeto aborda um tema de grande relevância para aplicações onde redes neurais artificiais são utilizadas para representar processos, onde procura-se compreender a relação causa-efeito de uma observação. Projeto executado pelo GICAP - Grupo de Inteligência Computacional Aplicada.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (2) . , Integrantes: Bruno Magalhães Nogueira - Integrante / Luis Enrique Zárate - Coordenador / Tadeu Renato André Santos - Integrante / Newton José Vieira - Integrante / Mark Alan Junho Song - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa., Número de produções C, T & A: 4

  • 2004 - 2006

    Recuperação de Dados Ausentes para Data Mining, Descrição: Aplicação de métodos de Inteligência Artificial na recuperação de dados ausentes para Data Mining.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (2) . , Integrantes: Bruno Magalhães Nogueira - Integrante / Luis Enrique Zárate - Coordenador / Tadeu Renato André Santos - Integrante., Número de produções C, T & A: 3

Seção coletada automaticamente pelo Escavador

Prêmios

2005

Menção Honrosa: Melhor trabalho de iniciação científica da área de tecnologia no SETIC 2005, Pontifícia Universidade Católica de Minas Gerais.

2003

Destaque Acadêmico do Período, Pontifícia Universidade Católica de Minas Gerais.

Histórico profissional

Seção coletada automaticamente pelo Escavador

Endereço profissional

  • Universidade Federal de Mato Grosso do Sul, Faculdade de Computação - FACOM. , Fundação Universidade Federal de Mato Grosso do Sul - Cidade Universitária, Universitário, 79070900 - Campo Grande, MS - Brasil - Caixa-postal: 549, Telefone: (67) 33457455, URL da Homepage:

Seção coletada automaticamente pelo Escavador

Experiência profissional

  • 2014 - Atual

    Universidade Federal de Mato Grosso do Sul

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

    Atividades

    • 02/2019

      Ensino, Sistema de Informação, Nível: Graduação,Disciplinas ministradas, Algoritmos e Programação Orientada a Objetos I, Inteligência Artificial

    • 02/2015

      Conselhos, Comissões e Consultoria, Faculdade de Computação - FACOM, .,Cargo ou função, Membro do Colegiado do Curso de Análise de Sistemas.

    • 02/2015

      Conselhos, Comissões e Consultoria, Faculdade de Computação - FACOM, .,Cargo ou função, Membro do.

    • 07/2014

      Pesquisa e desenvolvimento , Faculdade de Computação - FACOM, .,Linhas de pesquisa

    • 08/2018 - 12/2018

      Ensino, Sistema de Informação, Nível: Graduação,Disciplinas ministradas, Algoritmos e Programação Orientada a Objetos II

    • 02/2018 - 07/2018

      Ensino, Sistema de Informação, Nível: Graduação,Disciplinas ministradas, Algoritmos e Programação Orientada a Objetos I

    • 08/2017 - 12/2017

      Ensino, Análise de Sistemas, Nível: Graduação,Disciplinas ministradas, Algoritmos e Programação Orientada a Objetos II, Inteligência Artificial

    • 10/2016 - 03/2017

      Ensino, Engenharia de Computação, Nível: Graduação,Disciplinas ministradas, Banco de Dados

    • 08/2016 - 12/2016

      Ensino, CIÊNCIA DA COMPUTAÇÃO, Nível: Pós-Graduação,Disciplinas ministradas, Inteligência Artificial

    • 05/2016 - 09/2016

      Ensino, Análise e Desenvolvimento de Sistemas, Nível: Graduação,Disciplinas ministradas, Algoritmos e Programação Orientada a Objetos I

    • 05/2016 - 09/2016

      Ensino, Engenharia de Computação, Nível: Graduação,Disciplinas ministradas, Inteligência Artificial

    • 11/2015 - 07/2016

      Direção e administração, Faculdade de Computação - FACOM, .,Cargo ou função, Coordenador do Curso de Análise de Sistemas.

    • 09/2015 - 04/2016

      Ensino, Análise de Sistemas, Nível: Graduação,Disciplinas ministradas, Algoritmos e Programação Orientada a Objetos I

    • 02/2015 - 08/2015

      Ensino, Análise de Sistemas, Nível: Graduação,Disciplinas ministradas, Inteligência Artificial, Algoritmos e Programação Orientada a Objetos I

    • 08/2014 - 12/2014

      Ensino, Análise de Sistemas, Nível: Graduação,Disciplinas ministradas, Inteligência Artificial

    • 08/2014 - 12/2014

      Ensino, Engenharia de Computação, Nível: Graduação,Disciplinas ministradas, Fundamentos de Teoria da Computação

  • 2013 - 2014

    Instituto Federal de São Paulo

    Vínculo: Servidor Público, Enquadramento Funcional: Professor Temporário, Carga horária: 40

    Atividades

    • 04/2013 - 07/2014

      Ensino, Análise e Desenvolvimento de Sistemas, Nível: Graduação,Disciplinas ministradas, Programação Orientada a Objetos, Redes de Computadores 2

  • 2007 - 2013

    Universidade de São Paulo

    Vínculo: Pesquisador, Enquadramento Funcional: Aluno pós-graduação

  • 2012 - 2012

    Universidade de São Paulo

    Vínculo: Estágio de docência, Enquadramento Funcional: Estagiário PAE, Carga horária: 6

    Outras informações:
    Estagiário do Programa de Aperfeiçoamento do Ensino (PAE) Disciplina: Algoritmos e Estruturas de Dados II.

  • 2012 - 2012

    Universidade de São Paulo

    Vínculo: Estágio de docência, Enquadramento Funcional: Estagiário PAE, Carga horária: 6

    Outras informações:
    Estagiário do Programa de Aperfeiçoamento do Ensino (PAE) Disciplina: Inteligência Artificial.

  • 2010 - 2010

    Universidade de São Paulo

    Vínculo: Estágio de docência, Enquadramento Funcional: Estagiário PAE, Carga horária: 6

    Outras informações:
    Estagiário do Programa de Aperfeiçoamento do Ensino (PAE) Disciplina: Metodologia de Pesquisa para Computação.

  • 2008 - 2008

    Universidade de São Paulo

    Vínculo: Estágio de Docência, Enquadramento Funcional: Estagiário PAE, Carga horária: 6

    Outras informações:
    Estagiario do Programa de Aperfeiçoamento do Ensino (PAE). Disciplina: Empreendedores em Informática

  • 2007 - 2007

    Universidade de São Paulo

    Vínculo: Monitor Voluntário, Enquadramento Funcional: Monitor, Carga horária: 3

  • 2007 - 2007

    Universidade de São Paulo

    Vínculo: Estágio de Docência, Enquadramento Funcional: Estagiário PAE, Carga horária: 6

    Outras informações:
    Estagiario do Programa de Aperfeiçoamento do Ensino (PAE). Disciplina: Inteligência Artificial

    Atividades

    • 03/2007

      Pesquisa e desenvolvimento , Instituto de Ciências Matemáticas e de Computação, .,Linhas de pesquisa

    • 03/2007 - 07/2007

      Outras atividades técnico-científicas , Instituto de Ciências Matemáticas e de Computação, Instituto de Ciências Matemáticas e de Computação.,Atividade realizada, Monitoria de disciplina: Sistemas Inteligentes.

    • 02/2007 - 02/2007

      Extensão universitária , Instituto de Ciências Matemáticas e de Computação, .,Atividade de extensão realizada, Ministrante do Curso de Extensão Universitária "Empreendedorismo em Ciências de Computação e Matemática Computacional".

  • 2004 - 2006

    Pontifícia Universidade Católica de Minas Gerais, PUC Minas

    Vínculo: Iniciação Científica, Enquadramento Funcional: Pesquisador - Iniciação Científica, Carga horária: 20

    Atividades

    • 01/2004 - 12/2006

      Pesquisa e desenvolvimento , Departamento de Ciência da Computação - ICEI/PUC Minas, Laboratório de Inteligência Computacional Aplicada - LICAP.,Linhas de pesquisa