Relatório de produção acadêmica da Universidade Federal de São Carlos (UFSCar)
Departamento de Computação (DC)

Centro de Ciências Exatas e de Tecnologia (CCET)
Campus São Carlos

Plataforma Lattes / outubro de 2020

Estevam Rafael Hruschka Junior

possui graduação em Ciências da Computação pela Universidade Estadual de Londrina (1994), mestrado em Ciência da Computação pela Universidade de Brasília (1997) e doutorado em Sistemas Computacionais de Alto Desempenho pela Universidade Federal do Rio de Janeiro (PEC/COPPE/UFRJ) (2003). Foi jovem pesquisador FAPESP, é pesquisador CNPq (PQ-2) desde 2008. Atualmente é professor associado da Universidade Federal de São Carlos e professor adjunto na Carnegie Mellon University em Pittsburgh, EUA, onde lidera (em conjunto com os professores Tom Mitchell e William Cohen) o projeto Read The Web (http://rtw.ml.cmu.edu) no qual o primeiro sistema computacional de aprendizado de máquina sem fim foi proposto e implementado e continua sendo investigado e desenvolvido. Estevam é também membro do Comitê Diretor do instituto AI4Good, sediado em Nova York, EUA. Tem experiência na área de Ciência da Computação, com ênfase em Aprendizado de Máquina, Mineração de Dados e atuando principalmente nos seguintes temas: aprendizado de máquina, aprendizado sem fim, modelos gráficos probabilísticos, modelos Bayesianos, algoritmos evolutivos e teoria dos grafos. É membro do comitê editorial dos periódicos Intelligent Data Analysis - IOS Press e Advances in Distributed Computing and Artificial Intelligence Journal (ADCAIJ). Tem experiência no desenvolvimento de projetos de cooperação internacional e nacional com universidades como Carnegie Mellon University (EUA), Stanford University (EUA), University of Washington (EUA), Oregon State university (EUA), Universidade do Porto (Portugal), Tsinghua University (China), University of Waterloo (CAN), University of Winnipeg (CAN), University of Manitoba (CAN), além de parcerias e colaborações com empresas nacionais e multinacionais como Google Inc. (EUA), Yahoo! Inc. (EUA), Bloomberg (EUA), BBN Inc. (EUA), CYC Corp. (EUA), Volvo Cars (Suécia), Nokia/Microsoft (Brasil e EUA), IBM Research (Brasil), E-BIZ Solutions (Brasil), Siena Idea (Brasil), etc.. Tem trabalhado como revisor para periódicos científicos relevantes, assim como participado do comitê de programa das conferências científicas nacionais e internacionais mais relevantes da área. (Texto informado pelo autor)

  • http://lattes.cnpq.br/2097340857065853 (16/02/2020)
  • Rótulo/Grupo:
  • Bolsa CNPq: Nível 1D
  • Período de análise: 2004-2019
  • Endereço: Universidade Federal de São Carlos, Centro de Ciências Exatas e de Tecnologia, Departamento de Computação. Rod. Washington Luiz, km 235 Monjolinho 13565905 - São Carlos, SP - Brasil - Caixa-postal: 676 Telefone: (16) 33518608 URL da Homepage: www.dc.ufscar.br/~estevam
  • Grande área: Ciências Exatas e da Terra
  • Área: Ciência da Computação
  • Citações: Google Acadêmico

Produção bibliográfica

Produção técnica

Produção artística

Orientações em andamento

Supervisões e orientações concluídas

Projetos de pesquisa

Prêmios e títulos

Participação em eventos

Organização de eventos

Lista de colaborações

Produção bibliográfica

Produção técnica

Produção artística

Orientações em andamento

Supervisões e orientações concluídas

Projetos de pesquisa

  • Total de projetos de pesquisa (13)
    1. 2016-Atual. Aprendizado Conversacional e Multilingue com base num sistema de Aprendizado Sem Fim
      Descrição: As pesquisas em aprendizado de máquina têm gerado um grande avanço e progresso nos resultados obtidos nas últimas décadas. Mesmo assim, não existem ainda muitos sistemas computacionais capazes de aprender de maneira autônoma e cumulativa para sempre e, mais importante, que se utilizem do conhecimento adquirido ontem para melhorar suas habilidades de aprender hoje (num processo contínuo e sem fim). O primeiro sistema de aprendizado sem fim é chamado NELL, o qual vem sendo desenvolvido por um grupo de pesquisa sediado na Carnegie Mellon University (EUA) em parceria com o laboratório de aprendizado de máquina da Universidade Federal de São Carlos (UFSCar). O principal objetivo do projeto proposto neste documento é contribuir nesta área de pesquisa através da investigação, proposição e implementação de métodos e algoritmos que permitam que sistemas de aprendizado sem-fim possam incorporar características conversacionais e multilígue.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (4) / Especialização: (0) / Mestrado acadêmico: (2) / Mestrado profissional: (0) / Doutorado: (4) . Integrantes: Estevam Rafael Hruschka Júnior - Coordenador / Tom Mitchell - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.
      Membro: Estevam Rafael Hruschka Junior.
    2. 2014-Atual. Aprendizado de Maquina Sem FIm - Fase II (Edital Universal CNPq - Faixa B)
      Descrição: A busca por um Sistema de Aprendizado Sem Fim (SASF) não é algo novo na comunidade de inteligência artificial. Entretanto, não há ainda uma metodologia bem definida para o desenvolvimento deste tipo de sistema, e nem tampouco um SASF capaz de apresentar todas as características essenciais para que possa aprender continuamente de maneira autônoma, autossupervisionada e autoreflexiva, expandindo sua base de conhecimento inicial automaticamente sempre que necessário. Resultados iniciais nesta linha de investigação foram obtidos pelo proponente deste projeto em cooperação com o grupo de pesquisa do Departamento de Aprendizado de Máquina da Carnegie Mellon University interessado neste mesmo problema . Tais resultados mostram a viabilidade da construção de um SASF com base na metodologia proposta em [2]. Entretanto, apesar de serem muito promissores, os resultados atuais trouxeram contribuições apenas na chamada Fase I do aprendizado sem fim. Há assim, a necessidade de continuidade dos trabalho investigativos em vários outros pontos importantes do novo paradigma de aprendizado sem fim, os quais são definidos como parte da Fase II. Assim, é na busca por tais contribuições ainda não alcançadas que este projeto se insere com objetivo de dar suporte à consolidação desta nova linha de pesquisa (aprendizado de máquina sem fim) nacional e internacionalmente.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (1) Doutorado: (3) . Integrantes: Estevam Rafael Hruschka Júnior - Coordenador / Saulo Domingos de Souza Pedro - Integrante / Tom Mitchell - Integrante / Maísa Cristina Duarte - Integrante / Ana Paula Appel - Integrante / Lucas Fonseca Navarro - Integrante / Edimilson B. dos Santos - Integrante / Rafael Garcia Miani - Integrante. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro. Número de produções C, T A: 6 / Número de orientações: 6
      Membro: Estevam Rafael Hruschka Junior.
    3. 2013-2015. Modelos e Algoritmos para o Aprendizado Sem Fim
      Descrição: As pesquisas em aprendizado de máquina têm gerado um grande avanço e progresso nos resultados obtidos nas últimas décadas. Mesmo assim, não existem ainda muitos sistemas computacionais capazes de aprender de maneira autônoma e cumulativa para sempre e, mais importante, que se utilizem do conhecimento adquirido ontem para melhorar suas habilidades de aprender hoje (num processo contínuo e sem fim). O primeiro (e talvez único) sistema de aprendizado sem fim é chamado NELL, o qual vem sendo desenvolvido por um grupo de pesquisa sediado na Carnegie Mellon University (EUA) em parceria com o laboratório de aprendizado de máquina da Universidade Federal de São Carlos (UFSCar). O principal objetivo do projeto proposto neste documento é propor e implementar métodos e algoritmos a serem acoplados em sistemas computacionais que apresentem estas características de aprendizado sem fim.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Estevam Rafael Hruschka Júnior - Coordenador. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro.
      Membro: Estevam Rafael Hruschka Junior.
    4. 2010-2013. Leitura da Web em Portugues - Edital Universal CNPq 014/2009
      Descrição: O principal objetivo do Aprendizado de Máquina é a busca por métodos e técnicas que permitem a concepção de sistemas computacionais capazes de melhorar seu desempenho, de maneira autônoma, usando informações obtidas ao longo de seu uso; tal característica pode, de certa forma, ser considerada como um dos mecanismos fundamentais que regem os processos de aprendizado automático. Entretanto, não existe ainda um sistema capaz de realizar um aprendizado continuo sempre em busca de novos conhecimentos e capaz de melhorar sua capacidade de aprendizado a cada dia. O principal objetivo da pesquisa descrita neste projeto é investigar, propor e implementar métodos e algoritmos que permitam a construção de um sistema computacional de aprendizado sem fim capaz de realizar a extração de conhecimento a partir da Web em português, por meio da criação de uma base de conhecimento consistente, que seja atualizada constantemente à medida que novos conhecimentos vão sendo extraídos. (O projeto teve sua duração extendida por mais um ano, por isso será finalizado em Janeiro de 2013). Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (0) / Mestrado acadêmico: (1) / Doutorado: (3) . Integrantes: Estevam Rafael Hruschka Júnior - Coordenador / Maria do Carmo Nicoletti - Integrante / Tom Mitchell - Integrante / Maísa Cristina Duarte - Integrante / Reginaldo Aparecido Gotardo - Integrante / Laurence Rodrigues do Amaral - Integrante. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro.Número de orientações: 2
      Membro: Estevam Rafael Hruschka Junior.
    5. 2010-2013. WorldlyKnowledge: Extracting Facts in Context.
      Descrição: Our main goal is to use machine learning techniques on web-scale corpora to build a large-scale knowledge base of facts grounded in space, time, and community.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (2) Doutorado: (1) . Integrantes: Estevam Rafael Hruschka Júnior - Integrante / Tom Mitchell - Coordenador / William Cohen - Integrante / Christos Faloutsos - Integrante / Garth Gibson - Integrante. Financiador(es): Carnegie Mellon University - Cooperação / Google Inc. - Auxílio financeiro. Número de produções C, T A: 3 / Número de orientações: 4
      Membro: Estevam Rafael Hruschka Junior.
    6. 2010-2011. Bayesian Networks applied to Oil and Gas Domain - Emerging Leaders in the Americas Program (2010-2011)
      Descrição: Bayesian Networks are graphical representations of probability distribution and have been widely used to representation of uncertainty in Artificial Intelligence. The development of automatic methods for learning Bayesian network structures directly from data is a relevant problem, and is considered a difficult task because the number of possible structures grows exponentially according to the number of variables. In order to reduce this search space, some constraints can be imposed during the induction process. One possible constraint is the definition of a variable ordering. The definition of a variable ordering can reduce the search space significantly and may play an important role in the process of Bayesian networks induction. Defining a suitable variable ordering is, however, a complex problem to be performed mainly because it requires prior knowledge about the model. We have developed Evolutionary Methods for dealing with variable ordering which have obtained satisfactory results. This international collaboration project proposes the application of the aforementioned methods in the oil and gas domain problems already being investigated at Waterloo University. The evolutionary methods are able to optimize the learning Bayesian network structures which can be used in classification or prediction tasks.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Doutorado: (1) . Integrantes: Estevam Rafael Hruschka Júnior - Integrante / Edimilson Batista dos Santos - Integrante / Ali Elkamel - Coordenador. Financiador(es): University of Waterloo - Cooperação / Foreign Affairs and International Trade Canada - Bolsa.Número de orientações: 1
      Membro: Estevam Rafael Hruschka Junior.
    7. 2009-2014. ERUDITE: uma maquina que le
      Descrição: Este projeto tem como objetivo principal a investigação, proposta e desenvolvimento de um sistema computacional capaz de transformar texto em conhecimento para um sistema de inteligência artificial sem a necessidade de auxílio de um especialista humano (engenheiro de conhecimento).São três os maiores desafios para a obtenção de resultados relevantes: * eliminar a lacuna existente entre texto e uma representação de conhecimento formal; * o desenvolvimento de técnicas ágeis de PLN; * obtenção de resultados com boa cobertura e precisão. O projeto é resultado de uma colaboração entre 4 universidades americanas (Carnegie Mellon University, Stanford UNiversity, University of Washington e Oregon State University), 3 empresas americanas (Cycorp, BBN e ISI) e tem a participação do professor Estevam Hruschka da Universidade Federal de São Carlos.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (0) / Especialização: (0) / Mestrado acadêmico: (2) / Mestrado profissional: (0) / Doutorado: (1) . Integrantes: Estevam Rafael Hruschka Júnior - Integrante / Tom Mitchell - Coordenador / Andrew Carlson - Integrante / Justin Betteridge - Integrante / Bryan Kisiel - Integrante / Burr Settles - Integrante / Jayant Krishnamurthy - Integrante. Financiador(es): BBN Technologies - Auxílio financeiro / Defense Advanced Research Projects Agency - Auxílio financeiro / Oregon State University - Cooperação / University of Washington - Cooperação / Stanford University - Cooperação / Carnegie Mellon University - Cooperação. Número de produções C, T A: 8 / Número de orientações: 4
      Membro: Estevam Rafael Hruschka Junior.
    8. 2008-2014. Read the Web - http://rtw.ml.cmu.edu
      Descrição: A evolução e os resultados atingidos por duas importantes áreas de pesquisa (e também a disponibilidade de um ?corpus? extremamente grande (a Web) para fins de aprendizado automático de máquina) podem ser vistos como grande motivação para a busca o desenvolvimento de um programa de computador capaz de, automaticamente, ler as páginas da web, extrair o conhecimento nelas disponível e armazena-lo de maneira estruturada. A primeira das duas áreas de pesquisa supracitadas é o processamento de linguagem natural para a extração de entidades nomeadas (NER ? Named Entity Recognition). Nesta linha de pesquisa, algoritmos de aprendizado de máquina tem sido aplicados com bastante sucesso. A segunda área está vinculada às técnicas de aprendizado de máquina com base no processo de ?bootstrap? (bootstrap learning algorithms), pois, com a utilização desta técnica bons resultados podem ser obtidos em problemas onde há um volume pequeno de dados rotulados (caracterizando aprendizado supervisionado) e um grande volume de dados não rotulados (caracterizando aprendizado não supervisionado). Desta forma este projeto tem como objetivo investigar, propor e implementar algoritmos e técnicas que permitam a construção de um programa de computador capaz de extrair conhecimento armazenado na Web e armazena-lo de forma estruturada.. Situação: Em andamento; Natureza: Pesquisa. Integrantes: Estevam Rafael Hruschka Júnior - Integrante / Tom Mitchell - Coordenador / Andrew Carlson - Integrante / Edith Lok Man Law - Integrante / Justin Betteridge - Integrante / Bryan Kisiel - Integrante / Burr Settles - Integrante / Jayant Krishnamurthy - Integrante / William Cohen - Integrante. Financiador(es): Carnegie Mellon University - Auxílio financeiro / Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Bolsa / Defense Advanced Research Projects Agency - Auxílio financeiro / Google Inc. - Cooperação / Microsoft Research - Bolsa / National Science Foundation - Auxílio financeiro / Yahoo! Inc. - Auxílio financeiro / Carnegie Mellon University - Cooperação. Número de produções C, T A: 10 / Número de orientações: 1
      Membro: Estevam Rafael Hruschka Junior.
    9. 2008-2011. Aprendizado de Maquina e a Mineracao de Dados (Processo CNPq 307403/2007-6)
      Descrição: O Aprendizado de Máquina (AM) pode ser visto como uma área de pesquisa que busca o desenvolvimento de programas de computador que possam evoluir à medida que vão sendo expostos a novas experiências. Estas experiências podem ser vistas como registros armazenados em meios eletrônicos e assim podem ser utilizados como fonte de informação para o aprendizado automático dos programas de computador. Já as técnicas de Descoberta de Conhecimento em Bancos de Dados (Knowledge Discovery in Databases - KDD), também chamadas de Mineração de Dados (MD), surgiram da grande necessidade de se obter mais informação sobre os dados armazenados por empresas e grandes corporações. O avanço da tecnologia fez com que a quantidade de informações armazenada em repositórios eletrônicos aumentasse muito. Desta forma, a análise destes dados passa a ser uma tarefa muito árdua para ser realizada por seres humanos. Isto ocorre, pois, além da quantidade, a forma com que as informações são armazenadas, muitas vezes, dificulta o processo de compreensão do significado associado aos fatos, e assim, os processos de tomada de decisão acabam desprezando muitas informações relevantes. As técnicas de AM são consideradas por muitos autores como fundamentais na etapa de descoberta do conhecimento de um processo de MD. Mas, além disso, o AM se revela adequado também em outras fases da Mineração de Dados. Desta forma, pode-se dizer que de uma maneira geral, este projeto tem como foco principal dar continuidade às pesquisas já iniciadas e investigar o potencial de técnicas de AM na etapa da descoberta de conhecimento e também em outras etapas da MD.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (2) Doutorado: (3) . Integrantes: Estevam Rafael Hruschka Júnior - Coordenador. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa / Carnegie Mellon University - Cooperação.Número de orientações: 2
      Membro: Estevam Rafael Hruschka Junior.
    10. 2008-2010. Pesquisa e Desenvolvimento em Inteligencia Artificial UFSCar/e-Biz Solution
      Descrição: Este projeto tem como objetivo investigar, propor, implementar e avaliar métodos de aprendizado supervisionado, não-supervisionado e semi-supervisionado como tarefas de descober ta de conhecimento em banco de dados de ocorrências policiais. No contexto de aprendizado supervisionado serão investigados algoritmos para otimização do aprendizado de redes bayesianas. Sob o enfoque de aprendizado não supervisionado e semi-supervisionado serão investigados algoritmos de agrupamento particional, hierárquico e fuzzy. O desenvolvimento do trabalho proposto visa promover uma aproximação entre o meio acadêmico e o meio empresarial, para possibilitar que os resultados de pesquisas desenvolvidas no âmbito do programa de Pós-Graduação em Ciências da Computação da UFSCar venahm a ser empregados na solução efetiva dos problemas encontrados pela empresa. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (2) . Integrantes: Estevam Rafael Hruschka Júnior - Integrante / Heloisa de Arruda Camargo - Coordenador. Financiador(es): EBIZ Solution Ltda - Bolsa. Número de produções C, T A: 3 / Número de orientações: 1
      Membro: Estevam Rafael Hruschka Junior.
    11. 2005-2012. Jovem Pesquisador FAPESP - Redes Bayesianas Aplicadas a Tarefas de Descoberta de Conhecimento em Bancos de Dados
      Descrição: As técnicas de Descoberta de Conhecimento em Bancos de Dados (KDD), também chamadas de Mineração de Dados, surgiram da grande necessidade de se obter mais informação sobre os dados arma-zenados por empresas e grandes corporações. As redes bayesianas (RBs) podem ser consideradas como uma forma de representação do conhecimento baseada no raciocínio probabilístico e possuem característi-cas que as tornam muito adequadas para tarefas de descoberta de conhecimento em bancos de dados. Por isso, este é um campo de aplicação efervescente nos últimos anos. Este projeto tem como objetivo principal propor, implementar e avaliar algoritmos para a otimização do aprendizado de redes bayesianas a partir de dados para a aplicação em tarefas de descoberta de conhecimento em bancos de dados. O método de apren-dizado bayesiano otimizado será aplicado mais especificamente na ?limpeza e integração?, na ?seleção e transformação?, na ?mineração? e na ?avaliação e apresentação? dos dados. Assim será definida uma me-todologia bayesiana integrada de descoberta de conhecimento em bancos de dados. Os resultados deste projeto contribuirão para o desenvolvimento teórico e prático da área de mineração de dados e redes baye-sianas. Neste sentido, as metodologias propostas levarão ao desenvolvimento de programas computacionais que automatizem as metodologias desenvolvidas e à produção de artigos científicos.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (1) / Mestrado acadêmico: (2) . Integrantes: Estevam Rafael Hruschka Júnior - Coordenador / Murilo Lacerda Yoshida - Integrante / Edimilson Batista dos Santos - Integrante / Sebastian David Carvalho de Oliveira Galvão - Integrante / Saulo Domingos de Souza Pedro - Integrante. Financiador(es): Fundação de Amparo à Pesquisa do Estado de São Paulo - Auxílio financeiro. Número de produções C, T A: 56 / Número de orientações: 5
      Membro: Estevam Rafael Hruschka Junior.
    12. 2005-2007. Preparacao de Dados para Mineracao - Processo CNPq 472719/2004-1
      Descrição: O presente projeto aborda dois assuntos fundamentais sobre preparação de dados: substituição (preenchimento) de valores ausentes e a seleção de atributos relevantes. E tem por objetivos principais propor, implementar e avaliar algoritmos para preparação de dados especificamente projetados para selecionar atributos relevantes e para preencher valores ausentes, tanto em problemas de classificação quanto em problemas de agrupamento (clustering). Conquanto aparentemente existam duas linhas de pesquisa distintas (seleção de atributos e substituição de valores ausentes), cumpre enfatizar que se pretende investigar os dois aspectos supramencionados num contexto mais amplo, no qual uma base de dados dita preparada é usada para mineração. Neste cenário, pode-se dividir o processo de preparação de dados em duas etapas: (i) substituição dos valores ausentes; e (ii) seleção dos atributos relevantes. Em outras palavras, assume-se que bases de dados com valores ausentes podem ser inicialmente tratadas e, a partir destas bases tratadas pode-se selecionar os atributos mais relevantes para a modelagem (mineração) propriamente dita. Em linhas gerais, a eficácia das abordagens propostas para substituição de valores ausentes será avaliada sob dois aspectos: capacidade de previsão e inserção de tendências. No primeiro aspecto, serão realizadas simulações (eliminação de alguns valores da base de dados) para verificar a semelhança do valor substituído em relação ao original. No segundo aspecto, avaliar-se-á a eficácia dos métodos propostos no contexto de algoritmos de mineração, e.g. algoritmos de agrupamento, árvores de classificação, redes Bayesianas, redes neurais, etc. No contexto da seleção de atributos, serão consideradas tanto as abordagens wrapper (a seleção é realizada com base nos resultados da mineração propriamente dita, isto é, empacotada no algoritmo de mineração) quanto filter (o método para selecionar atributos é aplicado anteriormente ao processo de mineração. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (1) . Integrantes: Estevam Rafael Hruschka Júnior - Integrante / Nelson F. F. Ebecken - Coordenador / Eduardo Raul Hruschka - Integrante / Diego Pagliarini Vivencio - Integrante / Thiago Ferreira Covões - Integrante / Antônio Jesus Tallo Garcia - Integrante. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Auxílio financeiro. Número de produções C, T A: 3
      Membro: Estevam Rafael Hruschka Junior.
    13. 2004-2006. Ferramenta para a Substituicao Automatica de Valores Ausentes em Bancos de Dados
      Descrição: Com a crescente utilização dos computadores nas mais variadas áreas do conhecimento e o início, do que é chamado por muitos, de Sociedade da Informação, o volume de informações armazenadas em bases de dados gerenciadas por computadores tem aumentado de forma muito rápida nos últimos anos. Mas um dos grandes problemas encontrados é a falta de qualidade nos dados armazenados que impõe uma perda na qualidade dos resultados de análises baseadas nestes repositórios. Buscando-se minimizar estas perdas, a substituição de valores ausentes é um tema muito importante neste contexto. O objetivo geral deste projeto de pesquisa é o estudo e a aplicação de técnicas de inteligência artificial para o desenvolvimento de uma ferramenta para a substituição automática de valores ausentes em bancos de dados por valores plausíveis. Assim, pode-se obter maior qualidade e confiabilidade nas informações contidas em bancos de dados das mais diversas áreas do conhecimento.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) . Integrantes: Estevam Rafael Hruschka Júnior - Coordenador / Diego Pagliarini Vivencio - Integrante / André Willik Valenti - Integrante. Financiador(es): Universidade Federal de São Carlos - Bolsa / Universidade Federal de São Carlos - Auxílio financeiro. Número de produções C, T A: 1 / Número de orientações: 1
      Membro: Estevam Rafael Hruschka Junior.

Prêmios e títulos

  • Total de prêmios e títulos (7)
    1. Reconhecimento formal de demonstrada excelência em pesquisa em Aprendizado de Máquina e Convite para continuar atuando como professor adjunto da Carnegie Mellon, Departamento de Aprendizado de Máquina da Universidade Carnegie Mellon (www.ml.cmu.edu).. 2019.
      Membro: Estevam Rafael Hruschka Júnior.
    2. Google Research Awards for Latin America, Google AI.. 2018.
      Membro: Estevam Rafael Hruschka Júnior.
    3. IJCAI-16 outstanding reviewer ribbon for exemplary PC service, IJCAI.. 2016.
      Membro: Estevam Rafael Hruschka Júnior.
    4. Reconhecimento formal de demonstrada excelência em pesquisa em Aprendizado de Máquina e Convite para atuar como professor adjunto da Carnegie Mellon, Departamento de Aprendizado de Máquina da Universidade Carnegie Mellon (www.ml.cmu.edu).. 2016.
      Membro: Estevam Rafael Hruschka Júnior.
    5. Projeto NELL selecionado como uma das mais significativas inovações em tecnologia no contexto mundial no ano de 2010, Netexplorateur Observatory (http://en.www.netexplorateur.org/).. 2011.
      Membro: Estevam Rafael Hruschka Júnior.
    6. co-autor de artigo científico selecionado como um dos 5 melhores da conferência ISDA´07, International Fuzzy Systems Association - IFSA.. 2007.
      Membro: Estevam Rafael Hruschka Júnior.
    7. co-autor de artigo científico selecionado como um dos 5 melhores da conferência DaWaK 2007, Sociedade Européia de Banco de Dados e Sistema Especialista - DEXA Society (www.dexa.org).. 2007.
      Membro: Estevam Rafael Hruschka Júnior.

Participação em eventos

  • Total de participação em eventos (39)
    1. Dagstuhl Seminar 15201 - Seminar Series.NELL as a Knowledge Graph building tool. 2015. (Encontro).
    2. KET2015 - Knowledge Extraction from Text at WWW 2015. Abertura do Workshop e Coordenação das sessões. 2015. (Congresso).
    3. WWW2015 - the 24th World Wide Web Conference. 2015. (Congresso).
    4. 20th ACM SIG-KDD Conference Knowledge discovery and Data Mining. 2014. (Congresso).
    5. Brazilian Conference on Intelligent Systems (BRACIS-2014). 2014. (Congresso).
    6. Conference on Data Mining and Data Warehouses (SiKDD 2014). Conference on Data Mining and Data Warehouses (SiKDD 2014). 2014. (Congresso).
    7. Workshop NewsKDD: Data Science for News Publishing. at KDD 2014, New York, United States, August 24, 2014. Markov Logic Scalability in a Never-Ending Language Learning System. 2014. (Congresso).
    8. KET2013 - Knowledge Extraction from Text - Workshop at NIPS. Machine Reading the Web: a quick overview. 2013. (Congresso).
    9. NIPS2013 - The Twenty-seventh Annual Conference on Neural Information Processing Systems (NIPS)-. 2013. (Congresso).
    10. The World Wide Web Conference. Machine Reading The Web. 2013. (Congresso).
    11. WWW Workshop on Web Intelligence and Communities #WiC2013. 2013. (Congresso).
    12. XLIKE Project Meeting.Machine Reading The Web. 2013. (Encontro).
    13. 13th Ibero-American Conference on Artificial Intelligence - IBERAMIA 2012. Contradiction Detection and Ontology Extension in a Never-Ending Learning System. 2012. (Congresso).
    14. Ciclo de Palestras Comemorativo dos 5 anos do Pós-Graduação em Engenharia da Informação da Universidade Federal do ABC.Palestra Convidada: Aprendizado de Máquina Sem-Fim. 2012. (Seminário).
    15. The European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD). Coupled Bayesian Sets Algorithm for Semi-supervised Learning and Information Extraction. 2012. (Congresso).
    16. 14ª Semana da Computação da USP São Carlos.Palestra Convidada: Aprendizado de Máquina sem fim e Leitura na Web. 2011. (Encontro).
    17. Conference on Empirical Methods in Natural Language Processing - EMNLP. Discovering Relations between Noun Categories. 2011. (Congresso).
    18. Congresso da Sociedade Brasileira de Computação. Aprendizado de Máquina Sem Fim e a Leitura da Web. 2011. (Congresso).
    19. VI SAC - 6º Semana Acadêmica da Computação.Aprendizado de Máquina Sem Fim: podem as máquinas aprender continuamente como fazem os seres humanos?. 2011. (Encontro).
    20. 2010 IEEE Congress on Evolutionary Computation (CEC-2010). A Distance-Based Mutation Operator for Learning Bayesian Network Structures using Evolutionary Algorithms. 2010. (Congresso).
    21. The Ninth International Conference on Machine Learning and Applications (ICMLA 2010). Evolutionary Algorithm using Random Multi-point Crossover Operator for Learning Bayesian Network Structures. 2010. (Congresso).
    22. the Third ACM International Conference on Web Search and Data Mining (WSDM).Coupled Semi-Supervised Learning for Information Extraction. 2010. (Simpósio).
    23. AAAI 2009 Spring Symposium on Learning by Reading and Learning to Read.Toward Never Ending Language Learning. 2009. (Simpósio).
    24. DARPA Machine Reading Kick-off meeting.Ontology Extension in Coupled Semi-Supervised Learning. 2009. (Encontro).
    25. NAACL HLT 2009 Workshop on Semi-supervised Learning for Natural Language Processing. Coupling Semi-Supervised Learning of Categories and Relations. 2009. (Congresso).
    26. NSF Sponsored Symposium on Semantic Knowledge Discovery, Organization and Use.Continuous Discovery of Semantic Knowledge. 2008. (Simpósio).
    27. 18th Annual IRMA (International Resources Management Association) International Conference. Adapting Supervised Feature Selection Methods for Clustering Tasks. 2007. (Congresso).
    28. 7th International Conference on Hybrid Intelligent Systems. Variable Ordering in the Conditional Independence Bayesian Classifier Induction Process: An Evolutionary Approach. 2007. (Congresso).
    29. ECML/PKDD-2007 International Workshop on Knowledge Discovery from Ubiquitous Data Streams (IWKDUDS-2007). Quasi-Incremental Bayesian Classifier. 2007. (Congresso).
    30. IEEE International Conference on Fuzzy Systems - FUZZ-IEEE2007. BayesFuzzy: using a Bayesian Classifier to Induce a Fuzzy Rule Base. 2007. (Congresso).
    31. the 9th International Conference on Data Warehousing and Knowledge Discovery (DaWaK 2007). A Markov Blanket based strategy to optimize the induction of Bayesian Classifiers when using Conditional Independence Learning Algorithms. 2007. (Congresso).
    32. the 9th International Conference on Data Warehousing and Knowledge Discovery (DaWaK 2007). A Markov Blanket based strategy to optimize the induction of Bayesian Classifiers when using Conditional Independence Learning Algorithms. 2007. (Congresso).
    33. The seventh International Conference on Intelligent Systems Design and Applications (ISDA 2007). Session B-III: Intelligent Data Mining. 2007. (Congresso).
    34. The seventh International Conference on Intelligent Systems Design and Applications (ISDA 2007). Biomass Based Weed-Crop Competitiveness Classification Using Bayesian Networks. 2007. (Congresso).
    35. The seventh International Conference on Intelligent Systems Design and Applications (ISDA 2007). Data Mining using Bayesian Networks: a unified approach for Data Preparation, Learning and Visualization. 2007. (Congresso).
    36. International Joint Conference Iberamia - SBIA - SBRN. CTDIA Technical Session 2 - Machine Learning and Uncertainty. 2006. (Congresso).
    37. AI-2005: the twenty-fifth Annual International Conference of the British Computer Society's Specialist Group on Artificial Intelligence (SGAI).. Applying Bayesian Networks for Meteorological Data Mining. 2005. (Congresso).
    38. The Fifth International Conference on Hybrid Intelligent Systems. Feature Selection for Clustering Problems: a Hybrid Algorithm that Iterates Between k-means and a Bayesian Filter. 2005. (Congresso).
    39. The Seventeenth Canadian Conference on Artificial Intelligence. The Seventeenth Canadian Conference on Artificial Intelligence. 2004. (Congresso).

Organização de eventos

  • Total de organização de eventos (10)
    1. Grobelnik, M. ; Witbrock, M. ; Fortuna, B. ; Hruschka Jr., E. R.. General Co-chair of the KET2015 - Knowledge Extraction from Text at WWW 2015. 2015. Congresso
    2. CAMARGO, Heloisa de Arruda ; HRUSCHKA JR., ER. General Co-Chair of the BRACIS/ENIAC (Brazilian Conference on Intelligent Systems (BRACIS) and Encontro Nacional de Inteligência Artificial e Computacional (ENIAC)). 2014. Congresso
    3. Hruschka Jr., E. R.; Grobelnik, M. ; Fortuna, B. ; Witbrock, M.. Co-Chair of the NIPS 2013 Workshop on Knowledge Extraction from Text. 2013. Congresso
    4. de Carvalho, ACPLF ; Ciferri, C. ; HRUSCHKA, E. R. ; Hruschka Jr., E. R. ; Batista, G.E.A.P.A. ; Basgalupp, M.. Member of the Organizing Committee of The second school on Machine Learning and Knowledge Discovery in Databases, II MLKDD. 2013. Outro
    5. HRUSCHKA JR., ER. General Chair for the International conference on Integrated Computing Technology - InTech. 2011. (Congresso).. . 0.
    6. HRUSCHKA JR., ER. Program co-chair of the Second International Conference on the Applications of Digital Information and Web Technologies (ICADIWT 2009). 2009. (Congresso).. . 0.
    7. NICOLETTI, Maria Do Carmo ; Zangirolami, TC ; HRUSCHKA JR., ER. General Co-Chair of Invited Session on Computational Intelligent Techniques for Bioprocess Modelling, Monitoring and Control. 2008. Congresso
    8. CAMARGO, Heloisa de Arruda ; NICOLETTI, Maria Do Carmo ; HRUSCHKA JR., ER. Co-chair of the AUTOMATIC METHODS FOR CONSTRUCTING AND OPTIMIZING FUZZY KNOWLEDGE BASES special session at (IEA-AIE 2008) THE TWENTY FIRST INTERNATIONAL CONFERENCE ON INDUSTRIAL, ENGINEERING OTHER APPLICATIONS OF APPLIED INTELLIGENT SYSTEMS. 2008. Congresso
    9. HRUSCHKA JR., ER. Tutorial Chair - 7th International Conference on Intelligent System Design and Applications ISDA2007. 2007. (Congresso).. . 0.
    10. HRUSCHKA JR., ER. Executive Chair - 5th Hybrid Intelligent Systems International Conference. 2005. (Congresso).. . 0.

Lista de colaborações

  • Colaborações endôgenas (5)



Data de processamento: 12/10/2020 22:29:19