Aprendizado de Máquina e Deep Learning

Os métodos de machine learning e deep learning revolucionaram muitas áreas da sociedade humana nos últimos anos, desde a classificação de imagens e processamento de vídeo (CV - Computer Vision), o reconhecimento de fala (SP - Signal Processing) até a compreensão da linguagem natural (NLP - Natural Language Processing).  As áreas de data science e big data são fortemente correlacionadas com esse tema, pois compartilham diversas características em comum. Por serem métodos com grande flexibilidade estamos abertos a trabalhar com qualquer domínio aplicação de machine learning e deep learning, indo desde classificação supervisionada, não-supervisionada, auto-aprendizado (self-learning), e aprendizado por reforço.

Grafos Convolucionais

Comumente os dados são normalmente representados no espaço euclidiano. No entanto, há um número crescente de aplicações em que os dados são gerados a partir de domínios não euclidianos e são representados como grafos com relacionamentos complexos e interdependência entre objetos. A complexidade dos grafos impôs desafios significativos aos algoritmos de aprendizado de máquina existentes. Recentemente, muitos estudos sobre a extensão de abordagens de deep learning para dados grafos surgiram (GCN - Graph Convolutional Network). Nessa linha como pesquisador procuro desenvolver tanto a parte teórica quanto aplicações de tais métodos nas mais diversas áreas, indo desde o estudo de redes sociais, redes de energia elétrica, imagens, voz, sinais. 

Redes Complexas

Embora o conceito de grafos seja muito antigo, os recentes avanços no uso de tais estruturas para modelar sistemas do mundo real deram origem a uma nova área de pesquisa conhecida como teoria de redes, na qual um grafo é comumente chamado de rede complexa. Quase qualquer sistema discreto pode ser representado como uma rede complexa. Portanto, as ferramentas da teoria de redes podem ser usadas em diversas áreas de pesquisa, como elétrica, genética, ciências sociais, redes elétricas, sistemas industriais e análise das redes via grafos convolucionais.