Léo Françoso dal Piccol Sotto

Possui graduação em Ciência da Computação pela Universidade Federal de São Paulo (2015). Tem experiência na área de Ciência da Computação, com ênfase em Ciência da Computação, atuando principalmente nos seguintes temas: symbolic regression, linear genetic programming, hyper-heuristic, game e bloat control.

Informações coletadas do Lattes em 21/10/2019

Acadêmico

Seção coletada automaticamente pelo Escavador

Formação acadêmica

Doutorado em andamento em Ciência da Computação

2016 - Atual

Universidade Federal de São Paulo
Título: Desenvolvimento de um Algoritmo de Estimação de Distribuição usando a técnica Programação Genética Linear com aplicação em Aprendizado de Máquina Supervisionado,
Orientador: em Johannes Gutenberg University of Mainz ( Franz Rothlauf)
com Márcio Porto Basgalupp. Bolsista do(a): Fundação de Amparo à Pesquisa do Estado de São Paulo, FAPESP, Brasil. Palavras-chave: Programação Genética Linear; Algoritmos de Estimação de Distribuição; Aprendizado de Máquina; Mineração de Dados.Grande área: Ciências Exatas e da TerraGrande Área: Ciências Exatas e da Terra / Área: Ciência da Computação / Subárea: Genetic Programming.

Graduação em Ciência da Computação

2012 - 2015

Universidade Federal de São Paulo

Seção coletada automaticamente pelo Escavador

Idiomas

Inglês

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

Português

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

Alemão

Compreende Razoavelmente, Fala Razoavelmente, Lê Razoavelmente, Escreve Razoavelmente.

Seção coletada automaticamente pelo Escavador

Áreas de atuação

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

Seção coletada automaticamente pelo Escavador

Participação em eventos

GECCO 2019 - Genetic and Evolutionary Computation Conference. On the Role of Non-effective Code in Linear Genetic Programming. 2019. (Congresso).

GECCO '17 - The Genetic and Evolutionary Computation Conference. A probabilistic linear genetic programming with stochastic context-free grammar for solving symbolic regression problems. 2017. (Congresso).

Maratona de Programação (ACM International Collegiate Programming Contest). 2014. (Olimpíada).

Semana da Matemática e Computação. 2014. (Seminário).

XII Simpósio Brasileiro de Jogos e Entretenimento Digital.A Hyper-Heuristic Genetic Algorithm To Evolve a Commander For a Capture The Flag Game. 2013. (Simpósio).

Seção coletada automaticamente pelo Escavador

Comissão julgadora das bancas

Reginaldo Massanobu Kuroshu

MELO, V. V.; CASALI, K. R.;Kuroshu, R.M.. Uso de Programação Kaizen com Programação Genética Linear-λ e Floresta Aleatória para a Construção Automática de Atributos e Classificação de Sinais Arrítmicos de Eletrocardiograma. 2015. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) - Universidade Federal de São Paulo.

Seção coletada automaticamente pelo Escavador

Foi orientado por

Vinícius Veloso de Melo

Programação Genética Linear Probabilística e aplicação em Programação Kaizen; Início: 2016; Tese (Doutorado em Ciência da Computação) - Universidade Federal de São Paulo, Campus São José dos Campos, Fundação de Amparo à Pesquisa do Estado de São Paulo; (Orientador);

Márcio Porto Basgalupp

Programação Genética Linear Probabilística e aplicação em Programação Kaizen; Início: 2019; Tese (Doutorado em Ciência da Computação) - Universidade Federal de São Paulo, Fundação de Amparo à Pesquisa do Estado de São Paulo; (Orientador);

Márcio Porto Basgalupp

Evolução automática de árvores de comportamento para um agente inteligente; 2015; Iniciação Científica; (Graduando em Bacharelado em Ciência da Computação) - Universidade Federal de São Paulo, Fundação de Amparo à Pesquisa do Estado de São Paulo; Orientador: Márcio Porto Basgalupp;

Seção coletada automaticamente pelo Escavador

Produções bibliográficas

  • Sotto, Léo Françoso Dal Piccol ; DE MELO, VINÍCIUS VELOSO ; BASGALUPP, MÁRCIO PORTO . $${lambda }$$ λ -LGP: an improved version of linear genetic programming evaluated in the Ant Trail problem. Knowledge and Information Systems (Print) , v. 1, p. 1-21, 2017.

  • SOTTO, L. F. D. P. ; MELO, V. V. . Studying bloat control and maintenance of effective code in linear genetic programming for symbolic regression. Neurocomputing (Amsterdam) , v. 1, p. 1/1, 2015.

  • Sotto, Léo Françoso Dal Piccol ; ROTHLAUF, FRANZ . On the role of non-effective code in linear genetic programming. In: the Genetic and Evolutionary Computation Conference, 2019, Prague. Proceedings of the Genetic and Evolutionary Computation Conference on - GECCO '19. New York: ACM Press, 2019. p. 1075.

  • Sotto, Léo Françoso Dal Piccol ; DE MELO, VINÍCIUS VELOSO . A probabilistic linear genetic programming with stochastic context-free grammar for solving symbolic regression problems. In: the Genetic and Evolutionary Computation Conference, 2017, Berlin. Proceedings of the Genetic and Evolutionary Computation Conference on - GECCO '17. New York: ACM Press, 2017. p. 1017.

  • SOTTO, L. F. D. P. ; MELO, V. V. ; BASGALUPP, M. P. . An improved λ-Linear Genetic Programming evaluated in solving the Santa Fe Ant Trail problem. In: Symposium on Applied Computing, 2016, Pisa. Symposium on Applied Computing Proceedings, 2016. v. 1. p. 1-1.

  • SOTTO, LÉO F.D.P. ; COELHO, REGINA C. ; DE MELO, VINÍCIUS V. . Classification of Cardiac Arrhythmia by Random Forests with Features Constructed by Kaizen Programming with Linear Genetic Programming. In: the 2016, 2016, Denver. Proceedings of the 2016 on Genetic and Evolutionary Computation Conference - GECCO '16, 2016. p. 813.

  • SOTTO, L. F. D. P. ; MELO, V. V. . Investigation of Linear Genetic Programming Techniques for Symbolic Regression. In: Brazilian Conference on Intelligent Systems (BRACIS), 2014, São Carlos. BRACIS Proceedings, 2014.

  • COSTA, V. C. ; SEILERT, A. T. ; SOTTO, L. F. D. P. ; MELO, V. V. . A Hyper-Heuristic Genetic Algorithm To Evolve a Commander For a Capture The Flag Game. In: XII Simpósio Brasileiro de Jogos e Entretenimento Digital, 2013, São Paulo. Proceedings do XII Simpósio Brasileiro de Jogos e Entretenimento Digital (SBGames 2013) - Trilha de Computação, 2013. p. 64-70.

  • Sotto, Léo Françoso Dal Piccol ; DE MELO, VINÍCIUS VELOSO . Solving the Lawn Mower problem with Kaizen Programming and λ-Linear Genetic Programming for Module Acquisition. In: the 2016, 2016, Denver. Proceedings of the 2016 on Genetic and Evolutionary Computation Conference Companion - GECCO '16 Companion, 2016. p. 113.

  • Sotto, Léo Françoso Dal Piccol ; DE MELO, VINÍCIUS VELOSO . Comparison of linear genetic programming variants for symbolic regression. In: the 2014 conference companion, 2014, Vancouver. Proceedings of the 2014 conference companion on Genetic and evolutionary computation companion - GECCO Comp '14. New York: ACM Press, 2014. p. 135-136.

Seção coletada automaticamente pelo Escavador

Projetos de pesquisa

  • 2016 - Atual

    Desenvolvimento de um Algoritmo de Estimação de Distribuição usando a técnica Programação Genética Linear com aplicação em Aprendizado de Máquina Supervisionado, Descrição: Programação Genética Linear (PGL) é um tipo de algoritmo capaz de evoluir códigos em linguagens de programação, e tem sido aplicada em diversos problemas, como Aprendizado de Máquina (AM), navegação e roteamento. Assim como em outros Algoritmos Evolutivos (AEs), seu processo de busca estocástica não tem conhecimento para gerar soluções boas nem é capaz de evitar soluções ruins, o que reduz sua eficácia. Para lidar com esse problema nos EAs, foram propostos os Algoritmos de Estimação de Distribuição (AEDs), que usam um modelo de probabilidades para amostrar soluções promissoras, que são, por sua vez, usadas para atualizar o modelo. Neste trabalho, propõe-se o estudo e implementação de modelos de probabilidade para originar a Programação Genética Linear Probabilística. Diferentes modelos deverão ser estudados e propostos, entre eles modelos univariados, bivariados e multivariados, e as técnicas de PGLP resultantes serão aplicadas em problemas de AM Supervisionado, como regressão e classificação. A adaptação de modelos existentes ou a implementação de novos modelos específicos para a estrutura linear da PGL é o aspecto original do trabalho, enquanto a principal relevância é a aplicação em problemas de AM Supervisionado.. , Situação: Em andamento; Natureza: Pesquisa. , Alunos envolvidos: Doutorado: (1) . , Integrantes: Léo Françoso Dal Piccol Sotto - Integrante / Vinícius Veloso de Melo - Integrante / Márcio Porto Basgalupp - Coordenador / Franz Rothlauf - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Bolsa.

  • 2014 - 2015

    Evolução automatizada de um agente inteligente por meio de programação genética linear, Projeto certificado pelo(a) coordenador(a) Vinícius Veloso de Melo em 18/07/2016., Descrição: Este teve o objetivo de aprimorar o algoritmo evolutivo desenvolvido na primeira etapa do Projeto FAPESP e aplicá-lo em outros problemas de navegação de agentes virtuais. Naquela etapa do projeto, a hipótese de que um código gerado automaticamente por um algoritmo evolutivo fosse capaz de superar um código desenvolvimento por um especialista foi provada verdadeira. Antes dela, o algoritmo evolutivo foi validado em um problema de menor custo computacional, denominado Santa Fe Ant Trail. Os resultados superaram aqueles alcançados por diversos trabalhos da literatura e motivaram a continuação da investigação nesta segunda etapa do projeto. Portanto, novas características foram inseridas no algoritmo para resolver problemas similares. O sucesso deste projeto implica investigações futuras em aplicações reais, como navegação de robôs e drones.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) . , Integrantes: Léo Françoso Dal Piccol Sotto - Integrante / Vinícius Veloso de Melo - Coordenador / Márcio Porto Basgalupp - Integrante., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Bolsa.

  • 2013 - 2014

    Evolução automática de árvores de comportamento para um agente inteligente, Descrição: Este projeto tem o objetivo de estudar a aplicação de Programação Genética Linear na evolução automática de árvores de comportamento de um agente inteligente. Esse agente é o comandante de um pequeno esquadrão militar que age contra outro esquadrão em um exercício de segurança conhecido como ?Capture The Flag? (CTF), em que o objetivo é conseguir capturar e trazer a bandeira do inimigo para o campo aliado. Para que o agente inteligente consiga realizar essa tarefa será evoluída uma árvore de comportamento, tomando como base a árvore de comportamento de um comandante já existente para a ferramenta. Pretende-se avaliar a capacidade da técnica de Programação Genética Linear em evoluir uma ou mais árvores de comportamento que apresentem desempenho superior ao da original.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) . , Integrantes: Léo Françoso Dal Piccol Sotto - Integrante / Vinícius Veloso de Melo - Coordenador., Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Bolsa.

Seção coletada automaticamente pelo Escavador

Prêmios

2015

Destaque Acadêmico do Curso, Sociedade Brasileira de Computação.

Histórico profissional

Seção coletada automaticamente pelo Escavador

Experiência profissional