Mestre em Computação Aplicada no Instituto Nacional de Pesquisas Espaciais (INPE), com foco em previsões climáticas na América do Sul por meio de técnicas de aprendizado de máquina e aprendizado profundo, incluindo redes neurais convolucionais, recorrentes, modelos Transformer e redes neurais de grafos. Bolsista CAPES, integra o Laboratório de Inteligência ARtificial para Aplicações AeroEspaciais e Ambientais (LIAREA) e o projeto IDeepS. É graduado em Física com ênfase em Física Computacional pela Universidade Federal Fluminense (UFF), onde desenvolveu pesquisa na área de espalhamento de ondas eletromagnéticas, com ênfase na análise avançada de campos elétricos e magnéticos. Possui também experiência em ensino, tendo atuado como professor de Física em pré-vestibular social e como monitor da disciplina de Introdução à Matemática Superior. Doutorando em Computação Aplicada
Experiência em Pesquisa e Atuação Profissional
Instituto Nacional de Pesquisas Espaciais (INPE) | Bolsista de Pós-Graduação (CAPES)
Atuação no Laboratório de Inteligência ARtificial para Aplicações AeroEspaciais e Ambientais (LIAREA), vinculado à Coordenação de Pesquisa Aplicada e Desenvolvimento Tecnológico (COPDT/INPE), com foco no desenvolvimento e aplicação de técnicas avançadas de inteligência artificial em problemas científicos e tecnológicos.
- Desenvolvimento, treinamento e avaliação de modelos de aprendizado de máquina e aprendizado profundo
- Processamento e análise de grandes volumes de dados científicos e geoespaciais
- Modelagem de relações espaciais e temporais utilizando grafos e mecanismos de atenção
- Implementação de pipelines computacionais em ambientes Linux e infraestrutura HPC
- Atuação em projetos interdisciplinares com pesquisadores e colaboradores externos
Habilidades Técnicas
- Python
- C
- C++
- Java
- C#
- Fortran
- Java
- JavaScript
- PHP
- VBA
- Node.js
- Git
- Flask
- Bootstrap
- HTML
- CSS
- SQL
- mySQL
- Conhecimento em análise de dados aplicada a problemas ambientais
- Análise estatística descritiva e exploratória de grandes conjuntos de dados
- Análise de frequências, distribuições e padrões estatísticos
- Identificação de tendências, sazonalidades e variabilidade temporal
- Inferência estatística e testes de hipóteses
- Análise de correlação, dependência espacial e regressão
- Avaliação estatística de modelos preditivos e análise de desempenho
- Pré-processamento, limpeza e validação da qualidade dos dados
- Aprendizado de máquina e aprendizado profundo aplicados a dados complexos
- Análise, classificação e segmentação de dados multidimensionais
- Processamento de imagens e dados geoespaciais
- Modelagem de relações espaciais e estruturais em grafos
- Aprendizado de representações para dados estruturados
- Modelos baseados em mecanismos de atenção
- Representações globais para dados espaciais e temporais
- Análise e interpretação dos resultados de modelos de inteligência artificial
- Aplicação de métodos de explicabilidade para modelos de aprendizado profundo
- Uso de SHAP Values para análise de importância de variáveis e contribuição de atributos
- Interpretação global e local do comportamento dos modelos
- Aplicação de Grad-CAM para visualização e interpretação de modelos convolucionais
- Análise espacial das regiões mais relevantes para a tomada de decisão dos modelos
- Avaliação da coerência física e estatística das previsões a partir de métodos explicáveis
- Interpolação numérica para estimativa de valores intermediários
- Integração numérica (Trapézio, Simpson e métodos adaptativos) para cálculo aproximado de integrais
- Soluções numéricas de EDOs (Equações Diferenciais Ordinárias), como métodos de Euler e Runge-Kutta
- Soluções numéricas de PDEs (Equações Diferenciais Parciais), incluindo métodos de diferenças finitas e elementos finitos
- Métodos de solução de sistemas lineares e matrizes: eliminação de Gauss, decomposição LU, métodos iterativos (Jacobi, Gauss-Seidel e Gradiente Conjugado)
- Análise de sinais no domínio do tempo e da frequência.
- Transformada de Fourier (DFT/FFT) e análise espectral.
- Filtragem digital (passa-baixa, passa-alta, passa-faixa).
- Clusters Linux (Ubuntu)
- SLURM e computação paralela
- Workflows científicos
- Montagem e desmontagem de computadores.
- Identificação e substituição de componentes de hardware (placa-mãe, memória RAM, HD/SSD, fonte e periféricos)
- Instalação, configuração e manutenção de sistemas operacionais
- Configuração de BIOS/UEFI e diagnóstico de falhas de inicialização
- Formatação, particionamento de discos e backup de dados
- Noções de redes: configuração básica de rede, cabeamento e compartilhamento de recursos
- Práticas de manutenção preventiva e corretiva
- Desenvolvimento de soluções em Microsoft Excel
- Automatização de tarefas por meio de VBA (Visual Basic for Applications)
- Criação de macros para processamento e controle de dados
- Estruturação lógica de fluxos de dados
Experiência em Ensino
Atuação em curso pré-vestibular social desenvolvido por alunos e professores da Universidade Federal Fluminense (UFF), em parceria com a Prefeitura de Volta Redonda (RJ), com foco na democratização do acesso ao ensino superior.
Atuação como monitor da disciplina Introdução à Matemática Superior, com apoio à aprendizagem de estudantes das áreas de ciências exatas, por meio de atendimentos síncronos e suporte assíncrono.