Bruno Magalhães Nogueira

Pós-doutorado

Formação complementar

Idiomas

Áreas de atuação

Organização de eventos

Participação em eventos

Participação em bancas

Orientou

Produções bibliográficas

• GOLO, M. ; SOUZA, M. C. ; ROSSI, R. G. ; REZENDE, S. O. ; NOGUEIRA, B. M. ; MARCACINI, R. M. . One-class learning for fake news detection through multimodal variational autoencoders. ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE , v. 122, p. 106088, 2023.

• ALVES, L. F. ; VASCONCELLOS, F. J. S. ; NOGUEIRA, B. M. . SeSG: A Search String Generator for Secondary Studies with Hybrid Search Strategies Using Text Mining. EMPIRICAL SOFTWARE ENGINEERING , v. 27, p. 105, 2022.

• SOUZA, M. C. ; NOGUEIRA, B. M. ; ROSSI, R. G. ; MARCACINI, R. M. ; SANTOS, B. N. ; REZENDE, S. O. . A network-based positive and unlabeled learning approach for fake news detection. MACHINE LEARNING , v. 1, p. 1-44, 2021.

• 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.

• VICTORIO, L. S. ; ARAUJO, A. V. ; BORGES, V. A. ; TURINE, M. A. S. ; NOGUEIRA, B. M. . VERITAS: A Multi-Agent Verification-Based Framework for Reliable Intelligent Tutoring Systems. In: The 41st ACM/SIGAPP Symposium on Applied Computing (ACM SAC 2026), 2026, Thessaloniki, Grécia. Proceedings of The 41st ACM/SIGAPP Symposium on Applied Computing (SAC '26), 2026.

• FIRMINO, V. P. ; LOPES, J. N. S. ; NOGUEIRA, B. M. ; REIS, V. Q. . Retrato_Cantado: Criação e Análise de um Corpus para Representações de Identidade em Letras de Músicas Brasileiras. In: 17th International Conference on Computational Processing of Portuguese (PROPOR 2026), 2026, Salvador. Proceedings of the 17th International Conference on Computational Processing of Portuguese (PROPOR 2026), 2026. v. 1. p. 687-696.

• LOPES, J. N. S. ; FIRMINO, V. P. ; NOGUEIRA, B. M. ; REIS, V. Q. . Viés e Justiça em Modelos de Linguagem: Evidências de Uma Literatura Linguística, Social e Culturalmente Assimétrica. In: 3rd Student Research Workshop (SRW) of the 17th International Conference on Computational Processing of Portuguese (PROPOR), 2026, Salvador. Proceedings of the 17th International Conference on Computational Processing of Portuguese (PROPOR 2026), 2026. v. 2. p. 191-200.

• BITENCOURT, C. ; TURINE, M. A. S. ; BORGES, V. A. ; NOGUEIRA, B. M. . Combining Textual Embeddings and Graph Neural Networks for Agile Software Effort Estimation. In: The 41st ACM/SIGAPP Symposium on Applied Computing (ACM SAC 2026), 2026, Thessaloniki, Grécia. Proceedings of The 41st ACM/SIGAPP Symposium on Applied Computing (SAC '26), 2026.

• SAKIYAMA, K. M. ; RODRIGUES, L. S. ; NOGUEIRA, B. M. ; MATSUBARA, E. T. ; ROMERO, R. A. F. . A Framework for Controversial Political Topics Identification Using Twitter Data. In: Brazilian Conference on Intelligent Systems (BRACIS), 2023, Belo Horizonte. Proceedings of the 12th Brazilian Conference on Intelligent Systems, 2023. v. 14197. p. 1-8.

• RODRIGUES, L. S. ; SAKIYAMA, K. M. ; SOUZA, L. F. ; NOGUEIRA, B. M. ; MATSUBARA, E. T. . Successful Youtube video identification using Multimodal Deep Learning. In: 10th Symposium on Knowledge Discovery, Mining and Learning (KDMiLe), 2022, Campinas. Proceedings of the 10th Symposium on Knowledge Discovery, Mining and Learning (KDMiLe), 2022.

• GOLO, M. ; SOUZA, M. C. ; ROSSI, R. G. ; REZENDE, S. O. ; NOGUEIRA, B. M. ; MARCACINI, R. M. . Learning Textual Representations from Multiple Modalities to Detect Fake News Through One-Class Learning. In: Brazilian Symposium on Multimedia and the Web (WebMedia '21), 2021. Proceedings of the Brazilian Symposium on Multimedia and the Web (WebMedia '21). New York, NY: Association for Computing Machinery. p. 197-204.

• SOUZA, M. C. ; NOGUEIRA, B. M. ; ROSSI, R. G. ; MARCACINI, R. M. ; REZENDE, S. O. . A Heterogeneous Network-based Positive and Unlabeled Learning Approach to Detecting Fake News. In: 10th Brazilian Conference on Intelligent Systems (Bracis' 21), 2021, São Paulo. Proceedings of the 10th Brazilian Conference on Intelligent Systems (Bracis' 21), 2021.

• SORGATTO, D. W. ; NOGUEIRA, B. M. ; CACERES, E. N. ; MONGELLI, H. . Avaliação de classificadores para relacionar características escolares a indicadores educacionais. In: XXXII Simpósio Brasileiro de Informática na Educação (SBIE), 2021. Anais do XXXI Simpósio Brasileiro de Informática na Educação (SBIE), 2021.

• VILHAGRA, L. A. ; FERNANDES, E. R. ; NOGUEIRA, B. M. . TextCSN: A Semi-Supervised Approach for Text Clustering using Pairwise Constraints and Convolutional Siamese Networks. In: 35th ACM/SIGAPP Symposium On Applied Computing (ACM SAC), 2020, Brno. Proceedings of ACM/SIGAPP Symposium On Applied Computing, 2020. p. 1135-1142.

• CARVALHO, V. F. ; GIACON, B. ; NASCIMENTO, C. ; NOGUEIRA, B. M. . Machine learning for suicidal ideation identification on Twitter for the Portuguese language. In: 9th Brazilian Conference on Intelligent Systems (BRACIS), 2020, Rio Grande. Proceedings of the 9th Brazilian Conference on Intelligent Systems (BRACIS), 2020.

• 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.

• 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.

• 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.

• 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).

Outras produções

Projetos de pesquisa

• 2025 - Atual

  Automação ágil na análise e redação de atos jurídicos com inteligência artificial para o Tribunal de Justiça do Estado de Mato Grosso do Sul, Descrição: O projeto propõe o desenvolvimento de um sistema de Inteligência Artificial para auxiliar na redação de peças jurídicas, com base em jurisprudência e precedentes de tribunais superiores. A solução busca aumentar a eficiência, a qualidade e a padronização da produção jurídica, apoiando juízes e assessores. O sistema seguirá as diretrizes do CNJ (Resolução n 615/2025), com foco em transparência, confiabilidade, auditabilidade e redução de alucinações, utilizando Retrieval-Augmented Generation (RAG) com checagem de fatos para garantir precisão e rastreabilidade. O projeto será desenvolvido em parceria entre a UFMS e o TJMS, com a UFMS responsável pela execução técnica.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Integrante / Edson Takashi Matsubara - Coordenador / Wesley Nunes Gonçalves - Integrante / Marcelo Augusto do Santos Turine - Integrante / Anderson Bessa da Costa - Integrante / Awdren de Lima Fontão - Integrante., Financiador(es): TRIBUNAL DE JUSTICA DO ESTADO MATO GROSSO DO SUL - Auxílio financeiro.

• 2024 - Atual

  Observatório da Evolução do Sistema Nacional de Pós-Graduação no atendimento à Agenda Nacional de Formação de Pessoal de Nível Superior, Descrição: Desenvolver e implantar o Observatório da Evolução do Sistema Nacional de Pós-Graduação no atendimento à Agenda Nacional de Formação de Pessoal de Nível Superior para realizar a governança permanente do progresso da política pública de formação de mestres e doutores, bem como de desenvolvimento de produção intelectual, nas áreas estratégicas prioritárias declaradas pelas 27 Unidades da Federação do Brasil.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Integrante / Ricardo Marcondes Marcacini - Integrante / Solange Oliveira Rezende - Integrante / Edson Takashi Matsubara - Integrante / Vanessa Araujo Borges - Integrante / Mariana Caravanti de Souza - Integrante / Marcos Gôlo - Integrante / Jonathan de Andrade Silva - Integrante / Marcelo Augusto do Santos Turine - Coordenador / Nalvo Franco de Almeida Junior - Integrante., Financiador(es): Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Auxílio financeiro.

• 2022 - Atual

  Aplicação de conceitos de Automação Robótica de Processos e Inteligência Artificial para a automação de processos judiciais na área de execução fiscal, Descrição: A adoção do processo judicial eletrônico no Estado de Mato Grosso do Sul fomentou a integral migração dos atos jurídicos para o Sistema de Automação da Justiça (SAJ). Assim, os procuradores gerais do estado podem ter acesso a todos os processos jurídicos dentro de um único ambiente digital. Dentro do sistema, a Procuradoria Geral do Estado de Mato Grosso do Sul produz e consume diariamente uma vasta quantidade de documentos jurídicos em formato digital. Entretanto, apesar da digitalização, o uso de ferramentas computacionais inteligentes capazes de ler e extrair informações textuais ainda é incipiente. O presente projeto tem por objetivo preencher esta lacuna pela utilização de algoritmos de Inteligência Artificial para a transformação de dados textuais não estruturados em informações e conhecimentos úteis para os procuradores. Assim, o presente projeto destina-se à pesquisa e ao desenvolvimento de ferramentas que permitam a utilização de modelos de linguagem para o processamento e extração de informação de documentos jurídicos produzidos ou consumidos pelo PGE com foco em processos de execução fiscal. O projeto será conduzido em parceria com a UFMS e sob a orientação desta, que também se encarregará da execução, aproveitando-se de tal modo do notório conhecimento de seus corpos docente e discente na área de IA para dados textuais.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Integrante / Edson Takashi Matsubara - Coordenador / Eraldo Luis Rezende Fernandes - Integrante / Edson Norberto Cáceres - Integrante / Jonathan de Andrade Silva - Integrante / Wesley Nunes Gonçalves - Integrante / Patrícia Gomes Fernandes Matsubara - Integrante.

• 2021 - Atual

  Mineração de Textos com poucos dados rotulados: algoritmos e aplicações, Descrição: Aplicações que envolvam a análise de dados textuais têm ganhado notoriedade nos últimos anos, frente à enorme quantidade de dados textuais disponíveis e à rápida expansão da capacidade da produção destes dados. O grande desafio que se coloca para a exploração dessas grandes massas de dados textuais é conseguir obter conhecimento inovador e potencialmente útil por meio de porções reduzidas de dados rotulados, ou mesmo sem nenhum dado rotulado. A geração de dados rotulados necessita, por exemplo, da análise por especialistas para a indicação de rótulo a toda a coleção, ou para uma grande porção da mesma, o que é um processo caro e que consome muito tempo. Existem, na literatura, diversos algoritmos que visam tanto à classificação quanto ao agrupamento de dados utilizando poucos dados rotulados. Para dados textuais, entretanto, ainda são poucas as iniciativas, deixando algumas lacunas. Neste projeto, o objetivo é investigar e explorar algoritmos que conseguem lidar com poucos dados rotulados (algoritmos não supervisionados, semissupervisionados e baseados em uma única classe) para a obtenção e gestão de conhecimento em bases de dados textuais. Em sua parte teórica, este projeto de pesquisa visa explorar pontos ainda em aberto destes algoritmos, a otimização dos conjuntos de dados rotulados por meio de aprendizado ativo; a utilização de aprendizado profundo e transferência de aprendizado para classificação de documentos e aprendizado de métricas para problemas de agrupamento; e a utilização de algoritmos baseados em uma única classe para tarefas de classificação de documentos. Por sua vez, em sua parte de aplicações, este projeto visa à aplicação destes algoritmos em uma vasta gama de aplicações reais para as quais conta-se com bases de dados, como detecção de notícias falsas, análise de sentimentos, mineração de dados educacionais, análise de artigos científicos e análise de dados jurídicos.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Coordenador / Rafael Geraldeli Rossi - Integrante / Edson Takashi Matsubara - Integrante / Eraldo Luis Rezende Fernandes - Integrante / Vanessa Araujo Borges - Integrante / Francisco José Silveira de Vasconcellos - Integrante.

• 2020 - Atual

  Representações semanticamente enriquecidas para mineração de textos em português: Modelos e Aplicações, Projeto certificado pelo(a) coordenador(a) Solange Oliveira Rezende em 10/02/2021., Descrição: Com a crescente geração e disponibilização de textos, seja internamente nas organizações ou na Web, técnicas de Mineração de Textos têm se tornado essenciais no apoio à análise e extração de conhecimento desses dados. Independentemente da aplicação ou técnica utilizada, o tratamento semântico dos textos é um grande desafio do processo de mineração. Esse desafio é ainda maior quando se considera textos escritos no idioma português, visto as particularidades do idioma e o limitado volume de recursos e pesquisas desenvolvidas. Nesse contexto, este projeto visa avançar as pesquisas da área de Mineração de Textos, com foco no idioma português, e disseminar o conhecimento da área por meio da aplicação em diferentes problemas do mundo real. Assim, serão investigados e propostos modelos de representação de textos semanticamente enriquecidos, abordando tanto representações no modelo espaço-vetorial quanto representações em rede, bem como sua aplicação no aprendizado baseado em uma única classe. Para viabilizar a pesquisa, coleções de textos escritos em português serão coletadas, preparadas e caracterizadas, disponibilizando à comunidade informações consolidadas sobre coleções rotuladas e disponibilizadas para pesquisa. Por fim, as representações semanticamente enriquecidas serão avaliadas e aplicadas em diferentes problemas práticos de Mineração de Textos, como análise de sentimentos, sistemas de recomendação, detecção de notícias falsas, descoberta baseada em literatura e mineração de eventos.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Integrante / Ricardo Marcondes Marcacini - Integrante / Solange Oliveira Rezende - Coordenador / Rafael Geraldeli Rossi - Integrante / Alípio M. Jorge - Integrante / Marcos Aurélio Domingues - Integrante / Roberta Akemi Sinoara - Integrante / Camila Vaccari Sundermann - Integrante / Veronica Oliveira de Carvalho - Integrante / Dildre Georgiana Vasques - Integrante / Ricardo Scheicher - Integrante / Vitor Rodrigues Tonon - Integrante / Brucce Neves dos Santos - Integrante / Mariana Caravanti de Souza - Integrante.

• 2019 - 2022

  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: Concluído; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Integrante / Bruno Barbieri de Pontes Cafeo - Coordenador / André Cavalcante Hora - Integrante., Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.

• 2019 - 2021

  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: Concluído; 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.

• 2019 - Atual

  Decisão Orientada a Dados no Contexto Educacional, Descrição: Sistemas educacionais, dados abertos e outras fontes de informação, possuem grandes quantidades de dados potencialmente úteis, capazes de apoiar decisores (professores, gestores, entre outros) durante o processo educacional. Para explorar esses dados, pesquisas em Learning Analytics, Academic Analytics e Mineração de Dados Educacionais, vêm sendo conduzidas a fim de analisar dados provenientes do processo educacional utilizando processamento analítico e técnicas de mineração de dados. No entanto, há uma série de fatores que dificultam a gestão eficiente do processo educacional a partir dos dados de sistemas educacionais. Dentre esses fatores, podemos citar a transformação de dados de diferentes fontes de dados, como Sistemas de Gestão de Aprendizagem, Sistemas Acadêmicos, dados públicos abertos, além da natureza heterogênea dos dados, considerando diferentes stakeholders, várias perspectivas e níveis de granularidade. Sob essa perspectiva, em continuidade ao trabalho realizado por Borges (2017), este projeto de pesquisa tem como principal objetivo investigar dados educacionais e propor extensões e melhorias ao modelo de referência proposto inicialmente. Assim, a partir do modelo existente, busca-se ampliar sua capacidade analítica para que os dados possam ser explorados de forma abrangente, contemplando várias fontes de dados, níveis de granularidade e, ainda, considerando diferentes atores e perspectivas. Além disso, pretende-se definir padrões de dados para que o modelo permita a realização de inferências utilizando modelos de mineração de dados.. , Situação: Em andamento; Natureza: Pesquisa. , Integrantes: Bruno Magalhães Nogueira - Integrante / Vanessa Araujo Borges - Coordenador.

• 2018 - 2022

  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: Concluído; 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 - 2021

  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: Concluído; 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 - 2021

  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: Concluído; 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.

• 2017 - 2018

  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: Concluído; 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.

• 2016 - 2018

  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: Concluído; 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 produções C, T & A: 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

Prêmios