André Carlos Ponce de Leon Ferreira de Carvalho.

Infectious diseases, transmitted directly or indirectly, are among the main causes of epidemics, or even pandemics. Despite recent achievements, there are several open challenges for predicting possible epidemics, detecting variants, contact tracing, discovering new drugs, and fighting misinformation. Artificial Intelligence (AI) can provide tools to deal with these scenarios, having shown effective results in fighting infectious diseases, e.g., the COVID-19 pandemic. Although AI creates new opportunities, its proper use requires advanced knowledge of computing, statistics, and mathematics, limiting their use by non-experts, e.g., biologists, physicians, and epidemiologists. Our objective is to develop an integrated and user-friendly tool that can be effectively employed by non-experts working with infectious diseases. This tool, named AutoAI-Pandemics, will provide robust solutions using Automated Machine Learning for (T1) epidemiologic analysis to detect possible epidemic scenarios and corresponding interventions to safely suppress disease spread with minimal social impact; (T2) bioinformatics analysis, helping life scientists with pathogen genome mining; and (T3) fighting misinformation to assist the search for reliable information sources. We will provide a platform to work on various critical stages of an epidemic/pandemic. AutoAI-Pandemics can be used by policymakers and other stakeholders, healthcare professionals, pharmaceutical industries, genomic surveillance organizations, and for combating disinformation. AutoAI-Pandemics will comply with what is expected by responsible AI solutions, which include fairness, privacy protection, sustainability, and no form of prejudice. Finally, to deal with the complex aspects of this project, we assembled an interdisciplinary team of researchers with expertise in computer science, AI, bioinformatics, and infectious diseases epidemiology.

O projeto EMERITUS pretende lançar as bases de uma nova geração de ferramentas tecnológicas orquestradas através de uma plataforma de ponto de entrada única ao serviço das Autoridades Policiais (LEA) e Guardas de Fronteira (BG) para melhorar as capacidades de deteção e recolha de provas contra crimes ambientais relacionados com resíduos . Para isso, a EMERITUS criará e implementará um protocolo para investigação eficaz de crimes ambientais, principalmente combinando tecnologias inovadoras de monitoramento e análise com um programa de treinamento complementar para promover as capacidades de inteligência e investigação de LEAs e BGs, tanto em nível nacional quanto internacional. A ambição da EMERITUS é explorar e demonstrar como essas tecnologias e treinamento especializado podem melhorar a eficiência da detecção de crimes ambientais e o perfil de risco inteligente para otimizar recursos, reduzir o risco para os operadores e dissuadir os infratores.

Este projeto vai abordar temas que têm despertado grande atenção nas comunidades de pesquisa em ciência de dados e em aprendizado de máquina, a automação de etapas do uso de algoritmos de aprendizado de máquina, a extração de características capazes de descrever os principais aspectos presentes em um conjunto de dados, a interpretabilidade de modelos gerados por algoritmos de aprendizado de máquina e o uso de práticas eticamente responsáveis no emprego de algoritmos de aprendizado de máquina em pesquisas e aplicações em problemas reais. Neste projeto, usaremos o termo aprendizado de máquina para significar aprendizado de máquina de ponta-a-ponta, ou do início-ao-fim, que incorpora, além das pesquisas em aprendizado de máquina, pesquisas em aspectos anteriores e posteriores à tarefa de modelagem de dados por meio de algoritmos de aprendizado de máquina, como pre-processamento de dados e validação de modelos. A área de pesquisa de aprendizado de máquina automatizado tem por metas reduzir a carga de trabalho manual e repetitiva em tarefas de aprendizado de máquina, permitir o bom uso de algoritmos de aprendizado de máquina por leigos e permitir que especialistas em aprendizado de máquina possam fazer mais em menos tempo, além de aumentar a dedicação a tarefas mais complexas e criativas. Em muitas aplicações de aprendizado de máquina a problemas reais, é importante identificar como os modelos induzidos tomam internamente suas decisões, permitindo assim a interpretação desses modelos. O terceiro tema está associado aos riscos inerentes ao crescente uso de algoritmos de aprendizado de máquina, como a criação de modelos preconceituosos, a incorporação de informações que permitam identificar a origem dos dados coletados, a ausência de dados que permitam a reprodutibilidade de experimentos científicos e o desenvolvimento que ponham seres vivos em situação perigosas.

Plataforma Robusta para mitigação do risco hidrológico utilizando inteligência artificial

Este projeto investigará o uso de algoritmos de Aprendizado de Máquina e de Processamento de Linguagem Natural para encontrar soluções para problemas de interesse da Câmara dos Deputados, nos temas Análise de argumentos / opiniões e Pesquisa prévia. No primeiro tema, o objetivo é o reconhecimento, agrupamento e sumarização dos principais argumentos favoráveis e contrários às propostas legislativas manifestados nos diferentes canais de participação popular (enquetes, mídias sociais etc.).. Para o segundo tema, o objetivo é a pesquisa de propostas existentes nas bases de dados do Sistema de Tramitação Legislativa e do Sistema de Demandas da Consultoria Legislativa sobre assunto similar ao especificado na solicitação a ser atendida pela Consultoria a pedido do parlamentar.

Este projeto busca fomentar as atividades de pesquisa e desenvolvimento tecnológico em inteligência artificial aplicada à ciência de dados da área jurídica, utilizando-se algoritmos de aprendizagem de máquinas com vistas ao desenvolvimento de ferramentas computacionais piloto para a análise de documentos ou dados processuais, conforme Convênio de Cooperação para Desenvolvimento Científico e Tecnológico em Ciência e Engenharia Dados, celebrado entre o Tribunal de Justiça do Estado de São Paulo (TJSP) e a Universidade de São Paulo (USP).

Delay and cost overrun have been a common problem in projects across many global sectors such as infrastructure construction, healthcare and IT. One major factor that has been identified as reasons for cost overrun and delay is the lack of effective project management, especially in dealing with large sociotechnical elements where many uncertainties arising from variability in human aspects. The rise of Artificial intelligence (AI) is making global impact to many parts of our society, and has the potential to revolutionize the practice of project management. In this project, we aim to bring together the highly complementary skillsets among the researchers from UGPN universities to identify and analyse the requirements for novel framework where cutting-edge AI technologies are leveraged to provide project management support. We
also aim to develop an initial architectural design of this AI-powered framework which will assist many aspects of project management, such as automating repetitive, high-volume tasks, enabling project analytics for estimation and risk prediction, facilitating project planning, providing actionable
recommendations, and even making timely decisions. This will potentially be a distinctive game changer for
project management in helping accelerate productivity and boosting project success rates, making
significant impact to projects in many sectors globally.

Visceral leishmaniasis (VL) is a zoonotic vector-borne disease of public health concern worldwide, with high incidence in Brazil, the Indian Sub-Continent and some countries in East Africa. Optimal VL control has proven challenging given the wide array of interventions targeting the vector, animal host (especially domestic dogs), and human populations. There are two types of VL parasite species (L. Donovani and L. Infantum) and their spatial heterogeneity further complicates effective control strategies. Optimization of the portfolio of surveillance alternatives and interventions is thus a complex, spatially-explicit and dynamic endeavour. This proposal aims to support national programmes for control of VL, mainly in Brazil, combining mathematical modelling, geo-spatial mapping, disease ecology and machine learning.

A mobilidade tem um papel central nas diversas atividades relacionadas que fazemos, principalmente no trabalho, comércio, indústria e lazer. O estudo da mobilidade para diferentes finalidades (e.g., econômicas, serviços públicos, estudo acadêmico) deve ser feito de forma sistemática já que do ponto de vista científico é a questão mais fundamental que deve ser estudada para, a partir daí, soluções serem aplicadas. Assim, este projeto tem como objetivo investigar como ocorre a mobilidade de entidades móveis em ambientes urbanos para podermos projetar algoritmos, protocolos, aplicações e serviços que sejam apropriados tanto para o cenário que temos atualmente quanto para cidades inteligentes. O projeto "Mobilidade na Computação Urbana: Caracterização, Modelagem e Aplicações (MOBILIS) inova e avança o estado da arte ao pesquisar questões fundamentais individualmente e de forma integrada desses diferentes aspectos de uma forma mais ampla que temos atualmente.

Research center funded by Intel to stimulate research in artificial intelligence, in particular machine learning.

Com o crescente volume de dados, a Ciência dos Dados tornou-se uma parte relevante de muitas aplicações. Muitas empresas estão aplicando a Ciência de Dados em áreas como Finanças, Jogos, Assistência Médica, Cidades Inteligentes, entre muitas outras. A maioria das soluções da Ciência de Dados dependem do Aprendizado de Máquina (AM), em particular AM do início ao fim. Uma solução de AM do início ao fim inclui todas as etapas necessárias para a criação de um sistema bem-sucedido baseado em AM, como pré-processamento de dados, engenharia de atributos, seleção de modelos e ajuste de hiperparâmetros. No entanto, seu processo de desenvolvimento ainda depende fortemente de especialistas humanos, o que é raro e caro. À medida que a complexidade dessas tarefas aumenta, também aumenta a demanda por soluções automatizadas (Automated ML - AutoML). O AutoML investiga como apoiar o cientista de dados e não especialistas, automatizando o design de soluções de AM End-to-End. Várias empresas, como Google, Facebook e Microsoft, estão investindo nessa nova e excitante área. AutoML foca em usuários com pouco ou nenhum conhecimento em AM, também fornecendo novas ferramentas e funcionalidades para especialistas avançar o estado-da-arte.

Este projeto tem como objetivo o aprimoramento do serviço de atendimento e a elevação do patamar de qualidade da
experiência de clientes de empresas de Telecom ? no caso, a ALGAR-TELECOM - por meio
de técnicas de Inteligência Artificial e de Ciência de Dados. Esse objetivo geral será perseguido
por meio de duas frentes de trabalho:
- Estudar as bases de dados de OS?s disponíveis com a finalidade de produzir métodos automáticos
de agilizar e de melhorar o atendimento ao cliente;
- Implementar métodos automáticos de predição de experiência do cliente capazes de
antecipar a probabilidade de ocorrência de problemas (o que, consequentemente, trará
uma vantajosa redução no volume de emissão de OS?s

No comprehensive study comparing lncRNAs in animal and plant domains is available. To fill this gap, this project aims to integrating research groups to perform an in-depth study of lncRNAs in both domains, to identify features that could be used in machine learning approaches for annotation.

We are using technologies based on Machine Learning in a growing number of systems and tools. This growing use of Machine Learning has made many dangerous, monotonous and tiring activities safer, more reliable and more accurate. However, new demands require the development of new Machine Learning techniques, or their use in new and innovative ways, taking into account ethical and legal issues - including in particular, the right to appropriate privacy, transparency and fairness.

Recent studies have approached these themes from different perspectives. However, most of them assume the possibility to assess and analyze a static model, induced from a static dataset. In most real applications, data are continuously generated in streams, which can come with very high speed and volume, and present concept changes along the time. In this situation, a model can rapidly become outdated. Learning algorithms able to continuously update models are an increasingly important research issue and many current applications are being developed in this area.

This project will study the challenges faced to ensure appropriate transparency and fairness when models need to be continuously and autonomously adapted.

A Internet das Coisas (IoT - Internet of Things) se refere à extensão da Internet e da Web ao mundo físico através do uso em larga escala de dispositivos distribuídos identificáveis e com capacidade de sensoreamento e atuação. Estes dispositivos são genericamente denominados Smart Objects - SOs. A IoT não está relacionada somente com a interconexão de dispositivos à Internet, mas também em se obter uma percepção de espaços físicos através de dados coletados por sensores, a capacidade
de análise e raciocínio sobre estes dados e a possibilidade de atuação sobre o espaço físico. A IoT é uma das bases fundamentais para a construção das Cidades Inteligentes (CI). Cidades inteligentes são sistemas de pessoas interagindo e usando energia, materiais, serviços e financiamento para catalisar o desenvolvimento econômico e a melhoria da qualidade de vida. Esses fluxos de interação são considerados inteligentes por fazer uso estratégico de infraestrutura e serviços e de informação e comunicação com planejamento e gestão urbana para dar resposta às necessidades sociais e econômicas da sociedade. Desta forma, o espaço urbano é palco de experiências de uso intensivo de tecnologias de comunicação e Internet das Coisas, de gestão urbana e ação social dirigidos por dados (Data-Driven Urbanism)

Resumo em Português 	Sem percebermos, estamos usando tecnologias baseadas em algoritmos de Aprensizado de Máquina (AM) em um número crescente de nossas atividades diárias. O uso do ML tem feito várias atividades rotineiras e de riscos e mais seguras, mais confiáveis e mais precisas. Apesar dessas contribuições, novas demandas exigem o desenvolvimento de novos algoritmos de AM, ou utilização desses algoritmos de maneiras diferentes e inovadoras. Duas demandas atuais importantes são tratar com eficiência os dados que chegam em fluxos contínuos, onde novidades podem aparecer e conceitos podem mudar, e como melhorar o uso dos algoritmos de ML mais adequados, além de valores mais apropriados para os Hyper-parâmetros dos algoritmos selecionados para uma nova tarefa. Este projeto irá pesquisar novas abordagens para lidar eficientemente com essas demandas.

Dados são gerados e consumidos a uma taxa e volume cada vez maiores. Junto com esses aumentos, cresce também o reconhecimento dos benefícios da extração de conhecimento útil e relevante desses dados, pelos setores público e privado, no Brasil e no exterior. Avanços científicos e tecnológicos na área de Mineração de Dados, muitas delas baseadas em Aprendizado de Máquina, têm levado ao desenvolvimento de ferramentas capazes da extração desse conhecimento. Esses avanços são acompanhados da criação de grupos de pesquisa em Mineração de Dados e Aprendizado de Máquina nos meios acadêmico e empresarial. Grupos de pesquisa nessas áreas já existem nas principais universidades brasileiras. Este projeto vai investigar três temas de pesquisa dessas áreas: pré-processamento de dados, meta-aprendizado e mineração de fluxos contínuos de dados.

Neste projeto de pesquisa, objetivamos desenvolver metodologias computacionais capazes de sincronizar eventos específicos no espaço e no tempo (X-coherence), checar fatos quanto à sua veracidade e padrão de espalhamento, e buscar conteúdos específicos de interesse a partir de fontes diversas e heterogêneas, incluindo --- mas não limitado a --- internet, redes sociais e imagens de vigilância. Para isso, iremos explorar fontes heterogêneas de informação buscando sincronizar informações textuais e visuais em torno da posição de um evento ou objeto de interesse, bem como ordená-los espacial e temporalmente de modo a permitir uma melhor compreensão sobre o que aconteceu antes, durante e logo após o dito evento. Após a organização automática das informações obtidas e do entendimento da ordem dos fatos, objetivamos desenvolver soluções para mineração (busca) de pessoas, objetos e lugares de interesse para possíveis análises de busca de suspeitos, verificação de fatos ou até mesmo para entender a natureza do ocorrido. A partir da exploração das possíveis conexões existentes entre diferentes tipos de informação, buscaremos desenvolver ferramentas de análise de integridade de mídia para verificar possíveis falsificações existentes nos dados, detectar conteúdo sensível (por exemplo, conteúdo violento, pornografia infantil) e inferir os padrões de espalhamento de objetos digitais multimídia online. Com a sofisticação dos crimes digitais e ameaças terroristas cada vez mais presentes em nosso dia-a-dia, bem como o advento e propagação de notícias falsas nos mais variados meios, buscamos ser capazes de utilizar as soluções desenvolvidas para nos ajudar a responder às quatro questões mais importantes nas Ciências Forenses em relação a um evento de interesse: "quem participou", "em quais circunstâncias", "por quê" e "como foi tal participação", identificando as principais características e circunstâncias em que ocorreu o evento em questão.

Aprendizado de máquina e otimização têm provido soluções eficientes para muitos problemas práticos. Embora muitas iniciativas relevantes para unir pesquisadores dessas áreas têm sido realizadas, elas ainda seguem caminhos independentes. Muitos desafios de pesquisa seriam beneficiados a partir de uma cooperação mais forte entre pesquisadores dessas áreas. Esse projeto tenta caminhar nessa direção trazendo pesquisadores de aprendizado de máquina e otimização para explorar novas maneiras onde os conhecimentos dessas duas áreas de pesquisa podem ser combinados, resultados em novas e eficientes soluções para aplicações relevantes. Por um lado, técnicas de otimização podem economizar recursos computacionais e humanos explorando diferentes regiões do espaço de busca por meio de técnicas exaustivas e força bruta, as quais possuem alta propensão a falhas. Assim sendo, aprendizado de máquina possuem um conjunto grande de aplicações que técnicas de otimizações podem ser avaliadas e utilizadas para testes. Nesse trabalho, pretendemos focar em aplicações relacionadas à bioinformática, com atenção especial à análise de expressão gênica de câncer de mama e dados de ressonância magnética funcional para análise de Autismo. (AU)

Os dispositivos com recursos escassos como a Internet das Coisas (IoT) estão cada vez mais onipresentes coletando dados no intuito de melhorar e otimizar o cotidiano de um ambiente como uma smart city. A IoT normalmente consiste de sensores e objetos que interagem e trabalham em conjunto, estando ao mesmo tempo conectados a Internet. A IoT é considerada como fazendo parte da Internet do Futuro e incorpora dispositivos como sensores, smartphones, câmeras, automóveis, VANTs e/ou qualquer dispositivo doméstico. Como mais objetos/sensores estão conectados, um maior volume de dados (inclusive voz, vídeo e imagem) é gerado e transportado, demandando assim uma maior inteligência para tratar adequadamente tais dados. Entretanto, o maior problema reside em que grande parte do dispositivo IoT como os sensores e objetos domésticos são dispositivos que possuem pouca memória e poder de processamento. Assim, este projeto de pesquisa tem como objetivo prover um maior grau de inteligência nestes dispositivos com poucos recursos já citados. O desafio chave é prover esta inteligência nos próprios dispositivos a despeito dos recursos limitados de memória e poder de processamento que tais dispositivos dispõem. As técnicas adequadas devem ser investigadas e utilizadas, para que possamos otimizar o uso dos poucos recursos disponíveis e muitas vezes ociosos. O projeto envolve estudar as técnicas de inteligência artificial e de evolução existentes na literatura. Além disso, a proposta compreende também pesquisar a abordagem centralizada ou distribuída das inteligência nos nós (i.e. centralizar toda inteligência em um nó ou distribui-la entre os dispositivos da rede). Há várias aplicações a serem exploradas neste projeto e uma delas é o uso da inteligência artificial para classificar o estado emocional dos usuários de smartphones. Uma outra aplicação é embarcar a inteligência nos sensores para prever enchentes em rios urbanos no contexto de uma smart city. Outros cenários envolvem o uso de VANTs "inteligentes" para pulverizar defensivos químicos com uma rota ajustada (ou "evoluída") em tempo de execução, levando-se em consideração as condições climáticas impostas, como as mudanças no sentido e na velocidade do vento. Outras aplicações poderão ser investigadas ao longo do progresso desta pesquisa. Finalmente, ressalta-se que os primeiros resultados desta pesquisa foram publicados na Revista Pesquisa FAPESP de Janeiro de 2015 (como parte do resultado do projeto Regular). Deseja-se dar continuidade a estes resultados promissores através deste novo projeto proposto.

Árvores de Decisão constituem uma técnica poderosa e amplamente utilizada em tarefas de aprendizado de máquina e mineração de dados, principalmente em virtude da facilidade de interpretação do conhecimento adquirido. Em contraste com os algoritmos tradicionais de indução de árvores de decisão - todos manualmente desenvolvidos por humanos - o algoritmo HEAD-DT constitui uma abordagem de hiper-heurística evolutiva para construção automática de algoritmos de indução de árvores de decisão. HEAD-DT trabalha sobre diversos componentes manualmente desenvolvidos para indução de árvores de decisão, combinando os componentes mais adequados para o problema em questão. Recentemente, foi introduzido o conceito de árvores de decisão com múltiplos testes (MTDT, do inglês Multi-Test Decision Trees), uma nova forma de representação de árvores de decisão. Nas MTDT, cada nó da árvore pode ser composto por múltiplos testes univariados, o que pode ser visto como um caso intermediário (em termos de interpretabilidade) entre as árvores de decisão univariadas e as árvores de decisão multivariadas. Em relação aos algoritmos tradicionais de árvores de decisão univariadas, os algoritmos de indução das MTDT possuem certas particularidades. O critério de split é um exemplo claro, em que pode ser conduzido por um mecanismo de votação majoritária em que todos os testes univariados têm a mesma importância. No entanto, diversas outras estratégias podem ser desenvolvidas para realizar essa tarefa. Nesse contexto, o presente projeto propõe estender o algoritmo HEAD-DT em dois principais aspectos: (i) construir automaticamente algoritmos de indução de árvores de decisão com múltiplos testes, e algumas extensões; e (ii) adotar três abordagens multi-objetivas para guiar o processo evolutivo. Embora muitos trabalhos utilizem algoritmos evolutivos para indução de árvores de decisão, o que se propõe aqui é algo totalmente diferente, pois a ideia é evoluir algoritmos genéricos para indução de árvores de decisão de múltiplos testes, ou seja, o resultado final do método será um algoritmo de indução, e não apenas uma árvore de decisão. Isso caracteriza um algoritmo de meta-learning, pois o objetivo é aprender um algoritmo de aprendizagem.

Elementos Transponíveis (TEs) são sequências de DNA que podem se mover de um local para outro dentro do genoma de uma célula. Eles contribuem para a diversidade genética das espécies, e seus mecanismos de transposição podem afetar a funcionalidade dos genes. A correta identificação e classificação de TEs é útil para a compreensão de seus efeitos no processo evolutivo dos genomas. Os TEs são organizados em uma taxonomia hierárquica, com famílias e superfamílias. Geralmente, a identificação e classificação de TEs é realizada por meio de ferramentas de Bioinformática que utilizam homologia, comparando uma sequência com várias sequências de um conjunto de dados com TEs já identificados. Esse método apresenta limitações, pois a homologia entre sequências ignora as propriedades bioquímicas das mesmas, e também os relacionamentos hierárquicos entre as diferentes famílias e superfamílias de TEs. Assim, neste projeto, serão investigados e propostos diferentes métodos de classificação hierárquica de TEs utilizando Aprendizado de Máquina (AM). Inicialmente, diferentes conjuntos de dados serão construídos com sequências de nucleotídeos e de aminoácidos já com TEs previamente identificados. Para a construção desses conjuntos de dados, serão utilizadas ferramentas de Bioinformática desenvolvidas para extrair características bioquímicas de sequências, e também diferentes estratégias para conversão de sequências em valores de atributos adequados para a utilização em técnicas de AM. Os conjuntos de dados serão, então, estruturados hierarquicamente, de acordo com as famílias e superfamílias de TEs a que pertencem. Os métodos de classificação propostos serão comparados com métodos existentes na literatura, e avaliados por meio de medidas de avaliação específicas para problemas de classificação hierárquica.

Esse projeto diz respeito a uma pesquisa conjunta em que técnicas de Aprendizado de Máquina (AM), com ênfase em uma abordagem baseada em múltiplas estratégias. De uma perspectiva da abordagem baseada em múltiplas estratégias, os objetivos são estudar \textit{trade-offs} entre diferentes estratégias de aprendizado e desenvolver sistemas de aprendizado que empregam múltiplas estratégias de inferência ou paradigmas computacionais em um processo de aprendizado. Como consequência, 
sistemas baseados em múltiplas estratégias têm o potencial de serem aplicáveis a um vasto grupo de problemas. A maioria dos problemas abordados será no contexto de aprendizado não supervisionado, ou análise de agrupamento. Por exemplo, nos iremos analisar a sinergia e os trade-offs entre agrupamento com restrições por programação com restrições (grupo francês) e agrupamento evolutivo multi-objetivo (grupo brasileiro). Os aspectos práticos das técnicas propostas serão abordados, por exemplo, no contexto de mineração e modelagem de dados biológicos, provenientes de texto e temporais. Outro importante objetivo do projeto é estimular a cooperação internacional reunindo pesquisadores brasileiros e Francês para a troca de idéias e experiências. Os grupos do Brasil e da França já possuem um histórico de colaboração que pode ser fortalecida com este projeto.

Um sistema de recuperação de imagens por conteúdo (CBIR) é um sistema computacional para navegar, pesquisar e recuperar imagens de grandes bases de dados. Em tais sistemas, usualmente, o conteúdo da imagem é representado por características extraídas automaticamente, como cor, forma ou textura e representadas por valores reais normalizados no intervalo [0,1]. A cada imagem é associado um vetor de características. A distância entre dois vetores de características indica o grau de (dis)similaridade entre as respectivas imagens. Esta abordagem é utilizada na maioria dos sistemas CBIR encontrados na literatura. No entanto, o uso apenas de características obtidas diretamente da imagem, comumente referenciadas como características de baixo nível, não se mostraram suficientes para descrever os conceitos de uma imagem. Há um distanciamento entre a descrição da imagem e o seu conceito semântico, conhecido como descontinuidade semântica. Para reduzir a descontinuidade semântica na busca por similaridade, surge no cenário da recuperação de imagens o termo recuperação de imagens baseada em semântica . Varias abordagens são usadas para endereçar esse problema, no entanto, é importante notar que os métodos que utilizam alguma técnica de aprendizagem de máquina para, de alguma forma, treinar os conceitos semânticos limitam-se a bases de treinamento que não se alteram durante o tempo. É importante lembrar que o cenário da recuperação de imagens é dinâmico e os conceitos semânticos definidos num determinado momento podem evoluir, novos conceitos podem surgir ou conceitos estabelecidos podem desaparecer; Este projeto tem como objetivo recuperar imagens levando em consideração questões semânticas, em um contexto em que a base de imagens ou as preferências do usuário podem se modificar ao longo do tempo. Para tanto propomos quatro sub-projetos, cada um abordando um problema importante, ainda em aberto, na área de recuperação de imagens: 1) Construção do Dicionário de Palavras Visuais para a Técnica de BoVW em Contexto Dinâmico; 2) Diversidade de Respostas em Contexto Dinâmico apoiada por Ferramentas Visuais; 3) Sistema de Recomendação de Imagens baseado em Informações Visuais e Não Visuais em Contexto Dinâmico; 4) Exploração de Estratégias para Transformar Realimentação de Relevância em Restrições para Detecção Semi-Supervisionada de Agrupamentos de Imagens em Contexto Dinâmico. Esse projeto envolve pesquisadores nacionais e internacionais.

Este projeto, que possui um elevado grau de interdisciplinaridade, diz respeito a pesquisa e ao desenvolvimento de um sistema para armazenamento e gerenciamento inteligente de energia para VE, utilizando modelos de algoritmos de inteligência computacional, controle e identificação e dispositivos móveis.

We propose a focused, interdisciplinary research project on data mining and data visualization with a specific focus on marine data. This data is particularly challenging for data mining as it presents only a very sparse set of data points with respect to the volume of the marine space that is being modelled and investigated. It also presents a set of challenges in visualization of data and of modelling results, as the data are inherently three-dimensional and from an unfamiliar context relative to data from on land. We will work in an interdisciplinary team with researchers in data mining, data visualization, and marine biology to develop visualization methods that will be appropriate for marine biology applications of data mining. The data may be derived from multiple disparate sources, including fisheries or scientific surveys, autonomous sensors, satellite data or field studies. For model outputs, we will particularly work on the visualization of results from a new generation of ecosystem model, analogous to the general circulation models used to predict global climate. This model includes all organism types on both land and sea. We face the challenge that it can produce gigabytes to terabytes of outputs, including tracking all organism interactions, individual states, and the spatial distribution of individuals. Thus we need to summarize, extract, and visualize outputs at multiple scales including that of individuals, ecological communities, and the globe. These data need to be visualized in a manner that will then be useful and interpretable for the international policy community.

Predicting an organism's or a cell's response to a therapeutical intervention lies at the heart of medical research. In a functional cellular experiment, one can intervene in the expression of a gene x using RNA interference technologies and collect the downstream effects in the entire transcriptome using high throughput technologies like microarrays or RNAseq. This experiment gives us a class of genes that respond to the intervention in x (class A) and a class of genes that do not (class B). We hypothesize that also observational data that does not involve perturbations of gene x holds information whether a gene is in class A or B, since the biological mechanisms that drive the expression of these classes of genes must be different. This yields a standard classification problem: Predict whether a gene belongs to a class A or B by considering only observational data. In this project, we will investigate machine learning-based solutions to this problem by evolving decision tree induction algorithms. Decision tree induction is one of the most employed methods to extract knowledge from data, since the representation of knowledge is very intuitive and easily understandable by humans. The most successful strategy for inducing decision trees, the greedy top-down approach has been continuously improved by researchers over the years. This work, following recent breakthroughs in the automatic design of machine learning algorithms, proposes a hyper-heuristic evolutionary algorithm for automatically generating decision-tree induction algorithms, named HEAD-DT. We aim to automatically designing a decision tree induction algorithm tailored to a specific domain: Detecting functional gene-gene interactions from observational gene expression data. If successful, both the designed algorithm and their induced classifiers could be seen as a first step to develop a platform for "virtual intervention experiments" that could be used to prioritize genes for further biological experimental studies. (AU)

Predicting an organism s or a cell s response to a therapeutical intervention lies at the heart of medical research. In a functional cellular experiment, one can intervene in the expression of a gene x using RNA interference technologies and collect the downstream effects in the entire transcriptome using high throughput technologies like microarrays or RNAseq. This experiment gives us a class of genes that respond to the intervention in x (class A) and a class of genes that do not (class B). We hypothesize that also observational data that does not involve perturbations of gene x holds information whether a gene is in class A or B, since the biological mechanisms that drive the expression of these classes of genes must be different. This yields a standard classification problem: Predict whether a gene belongs to a class A or B by considering only observational data. In this project, we will investigate machine learning-based solutions to this problem by evolving decision tree induction algorithms. Decision tree induction is one of the most employed methods to extract knowledge from data, since the representation of knowledge is very intuitive and easily understandable by humans. The most successful strategy for inducing decision trees, the greedy top-down approach has been continuously improved by researchers over the years. This work, following recent breakthroughs in the automatic design of machine learning algorithms, proposes a hyper-heuristic evolutionary algorithm for automatically generating decision-tree induction algorithms, named HEAD-DT. We will automatically design a decision tree induction algorithm tailored to tdetecting functional gene-gene interactions from observational gene expression data. The designed algorithm and its induced classifiers may be a first step to develop a platform for virtual intervention experiments that could be used to prioritize genes for further biological experimental studies.

Esse projeto tenta preencher uma lacuna quanto ao desenvolvimento de Tecnologias Assistivas para independência e autonomia no envelhecimento, nomeadamente: validação do uso de um sensor baseado em aceleração para a detecção e a prevenção da queda em idosos e tecnologia em Web 2.0 para dispositivos táteis. Os resultados podem apontar a validade de equipamentos de baixo custo, baixo nível de erro, e boa receptividade possibilitando a geração de produtos que permitam a manutenção da independência do idoso frágil.

O valor crescente dos dados produzidos por diferentes áreas do conhecimento e a complexidade dos problemas a serem tratados computacionalmente indicam a necessidade de novas ferramentas computacionais capazes de apoiar a análise dos dados pelos usuários. Muitas das ferramentas computacionais atuais que permitem uma análise automática e eficiente dos dados são baseadas em conceitos de Inteligência Artificial, particularmente do Aprendizado de Máquina (AM). Além de Inteligência Artificial, o AM está associado a outras áreas, como estatística, probabilidade, cognição, teoria da computação, neurociência, teoria da informação, para citar algumas. Existem vários centros de pesquisa bem estabelecidos no exterior para análise de dados utilizando técnicas de AM, nas universidades e empresas. No Brasil, apesar do grande número e da alta qualidade da pesquisa em AM, não há um centro de pesquisa equivalente. Assim, este projeto propõe a criação do Centro Núcleo de Apoio à Pesquisa de Aprendizado de Máquina em Análise de Dados, NAP-AMDA. O principal objetivo do NAP-AMDA é o estabelecimento de um centro interdisciplinar e multidisciplinar de excelência no uso de AM em Aanálise de dados em São Paulo, Brasil, de reconhecimento internacional. O centro também vai estimular colaborações com empresas e instituições governamentais cujos dados podem ser analisados através de técnicas de AM. O uso dessas técnicas pelas empresas pode levar a melhores produtos e serviços, aumentando a competitividade das empresas brasileiras. O uso pelo governo pode melhorar a qualidade dos serviços públicos. O centro vai promover e organizar reuniões e workshops com os membros das instituições participantes para discutir os problemas de análise de dados a serem resolvidos. O NAP-AMDA é composto por docentes, pesquisadores e estudantes da Universidade de São Paulo e de outras Universidades e Centros de Pesquisa, do Brasil e do exterior. O NAP-AMDA será baseado no Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo.

Com o volume cada vez maior de dados gerados e a importância crescente da economia baseada em conhecimento, a Descoberta de Conhecimento de Bases de Dados, principalmente sua etapa de Mineração de Dados, é cada vez mais adotada em empresas e órgãos governamentais. A complexidade dos problemas a serem tratados por Mineração de Dados leva a necessidade de novos métodos e ferramentas computacionais capazes de apoiar a análise dos dados pelos usuários. Duas das principais etapas de Mineração de Dados são as de pré-processamento e de construção de modelos. Desafios relacionados a essas duas etapas são investigados neste projeto. Dados com baixa qualidade ou com problemas de elevada dimensão pode afetar significativamente o desempenho de algoritmos para construção de modelos. A etapa de construção de modelos permite induzir modelos descritivos e preditivos, frequentemente por algoritmos de Aprendizado de Máquina. Este projeto investigará as principais alternativas existentes para lidar com esses desafios assim como irá propor e investigar novos métodos para tal. Os métodos investigados serão experimentalmente avaliados de acordo com a metodologia correntemente utilizada pela comunidade de pesquisa das duas subáreas. Dado o elevado custo computacional associado aos experimentos nessas subáreas, serão investigados o uso de arquiteturas GPU e computação em nuvens. Deve ser observado que esse projeto continua pesquisas realizadas em projetos anteriores, com novas abordagens e desafios.

A quatidade de dados gerados por diferentes fontes tem crescido em escalas cada vez maiores. Um dos grandes desafios da computação definidos pela Sociedade Brasileira de Computação é a gestão desses grandes volumes de dados. A necessidade de analisar esses dados de forma automática e as dificuldades encontradas têm demandado o desenvolvimento de novos métodos de Aprendizado de Máquina que possam lidar com os vários problemas associados a esse desafio. Um desses problemas é a atualização de hipóteses induzidas por algoritmos de Aprendizado de Máquinas que permaneçam válidam quando novos dados são incluídos na base ou conjunto de dados. Esse problema é na área de pesquisa Data Streams ou Fluxos Contínuos de Dados. Este projeto investigará as principais alternativas investigadas pelos grupos de pesquisa brasileiro e argentino para lidar com esses problemas assim como irá propor novos métodos para tal. Os métodos investigados serão experimentalmente avaliados de acordo com a metodologia correntemente utilizada pela comunidade de pesquisa na área, utilizando para isso os testes estatísticos relevantes. Como resultado, espera-se contribuições científicas que levem ao avanço das pesquisas nesses dois temas, a formação pesquisadores que possam atuar com competência e autonomia nessas sub-áreas e a publicação de trabalhos científicos que permitam a divulgação dos resultados obtidos em veículos de qualidade.

O principal objetivo deste projeto é avançar o estado-da-arte na área de Aprendizado de Máquina em problemas de classificação e agrupamentos de dados aplicados a problemas relevantes na área de Bioinformática. Processo: APQ-1188-1.03/10. 
Coordenado pela Profa Teresa Ludermir

Árvores de Decisão constituem uma técnica poderosa e amplamente utilizada em tarefas de mineração de dados. Geralmente, algoritmos de indução de árvores de decisão usam uma estratégia gulosa, top down e com particionamento recursivo para a construção das árvores. No entanto, há pelo menos dois problemas relacionados a essas características: (i) estratégias gulosas geralmente produzem soluções ótimas locais ao invés de globais, (ii) particionamento recursivo degrada iterativamente a qualidade do dataset e, consequentemente, a qualidade dos resultados obtidos. Para lidar com essas dificuldades, diferentes abordagens foram sugeridas, tais como Options Trees, ensembles (ex: boosting e bagging), e algoritmos evolutivos. No entanto, tais algoritmos evolutivos são usados para evoluir árvores de decisão específicas para cada problema de classificação, e não para evoluir algoritmos genéricos para indução de árvores de decisão para qualquer problema de classificação. Uma das subáreas de algoritmos evolutivos, a Programação Genética (PG) é uma ferramenta adequada para evoluir programas de computadores. Um programa evoluído por Programação Genética pode produzir a mesma solução desenvolvida por um humano para solucionar um problema, mas também pode produzir algo completamente diferente e talvez melhor. Nesse contexto, o objetivo deste projeto é estudar programação genética com o intuito de utilizá-la para evoluir algoritmos de indução de árvores de decisão. A ideia é evoluir algoritmos genéricos para indução de árvores de decisão, ou seja, o resultado final da PG será um algoritmo de indução árvores de decisão, e não apenas uma árvore de decisão. Nesse sentido, pode-se considerar um algoritmo de meta-learning, pois o objetivo é aprender um algoritmo de aprendizagem.

A análise de agrupamento é muito utilizada em diversas áreas. Porém, mesmo as abordagens mais recentes apresentam dificuldades que limitam o seu uso por especialistas de outras áreas. Este projeto de pesquisa se refere ao desenvolvimento de uma nova abordagem para análise de agrupamento que possibilite a obtenção de uma variedade maior de clusters com potencial de fornecer informações úteis aos especialistas se comparadas com as técnicas tradicionais e mesmo as mais recentes como ensembles de agrupamento e as estratégias multi-objetivo. A abordagem proposta visa ser um mecanismo para a obtenção de todos os (ou a maioria dos) clusters relevantes presentes em um determinado conjunto de dados, independente da estrutura mais complexa a que eles pertençam (ex. uma partição). Para isso, busca-se clusters independentemente do nível de refinamento em que ocorrem ou do critério de agrupamento que satisfazem, ou se há sobreposição entre eles. Assim, visa-se fornecer uma descrição o mais completa possível dos dados, facilitando o trabalho dos especialistas no domínio dos dados e aumentando a quantidade de conhecimento que pode ser extraída dos dados a partir da aplicação de uma única ferramenta.

Dentre as aplicações mais comuns envolvendo microarrays, pode-se destacar a classificação de amostras de tecido, essencial para a identificação correta do tipo de câncer. Esta classificação é realizada com a ajuda de algoritmos de Aprendizagem de Máquina (AM). Neste projeto, o candidato vai utilizar meta-aprendizagem para melhorar a classificação de dados de expressão gênica. Além de estudar maneiras de selecionar os melhores algoritmos de AM para cada caso, em conjunto com seus parâmetros ótimos, pretende-se investigar técnicas que sugiram ao usuário não apenas soluções simples, mas conjuntos de classificadores que trabalhem juntos para resolver o problema, os chamados Ensembles. Outro ponto a ser explorado com o auxílio de meta-aprendizagem e a utilização de técnicas de Seleção de Atributos (SA) integradas ao esquema de aprendizagem, propiciando soluções mais adequadas às propriedades dos dados de expressão gênica. Além de utilizar meta-aprendizagem para determinar os algoritmos de SA, é objetivo utilizar AS para selecionar as (meta-) características que melhor descrevem os problemas.

A quatidade de dados gerados por diferentes fontes tem crescido em escalas cada vez maiores. Um dos grandes desafios da computação definidos pela Sociedade Brasileira de Computação é a gestão desses grandes volumes de dados. A necessidade de analisar esses dados de forma automática e as dificuldades encontradas têm demandado o desenvolvimento de novos métodos de Aprendizado de Máquina que possam lidar com os vários problemas associados a esse desafio. Dois desses problemas são a atualização de hipóteses induzidas por algoritmos de Aprendizado de Máquinas que permaneçam válidam quando novos dados são incluídos na base ou conjunto de dados e a escolha do algoritmo mais promissor para induzir hipéteses a partir de um conjunto de dados. O primeiro problema é investigado em uma sub-área de Aprendizado de Máquina denominada Data Streams ou Fluxos Contínuos de Dados e o segundo na sub-area de Meta-Aprendizado. Este projeto investigará as principais alternativas existentes para lidar com esses problemas assim como irá propor novos métodos para tal. Os métodos investigados serão experimentalmente avaliados de acordo com a metodologia correntemente utilizada pela comunidade de pesquisa das duas sub-áreas, utilizando para isso os testes estatísticos relevantes. Como resultado, espera-se contribuições científicas que levem ao avanço das pesquisas nesses dois temas, a formação pesquisadores que possam atuar com competência e autonomia nessas sub-áreas e a publicação de trabalhos científicos que permitam a divulgação dos resultados obtidos em veículos de qualidade.

Nessa cooperação serão investigados diferentes temas nas duas linhas, com ênfase para os temas de meta-aprendizado e análise de fluxos de dados. Participarão deste projeto pesquisadores de três Universidades brasileiras (Universidade de São Paulo, Universidade Federal de Pernambuco e Universidade Federal do Rio Grande do Norte) e duas portuguesas (Universidade do Porto e Universidade de Aveiro).

Esclerose Múltipla (EM) é uma doença inflamatória e desmielinizante do sistema nervoso central (SNC) que afeta principalmente adultos jovens. É considerada uma doença auto-imune em que o sistema imune reconhece erroneamente a bainha de mielina do SNC como um elemento externo e então o ataca, resultando em inflamação e danos. Embora os fatores que acionam a mudança patológica em EM permaneçam pouco compreendidos devido a complexidade das alterações patológicas, nos últimos anos novas terapias têm sido propostas para o tratamento dessa doença. O imageamento multimodal de ressonância magnética tem sido usado clinicamente com muito sucesso para o diagnóstico e monitoramento da EM devido sua alta resolução, boa diferenciação de tecidos moles, e por permitir a obtenção de diferentes informações de contraste. O método convencional de medição do volume das lesões de EM é o delineamento manual das lesões em imagens de Ressonância Magnética (RM), realizada por especialistas com ajuda limitada do computador. Entretanto, tal procedimento é árduo, consome muito tempo, é custoso e propenso a grande variabilidade inter- e intra-observadores. Portanto, o principal objetivo desse projeto é a pesquisa e o desenvolvimento de técnicas computacionais automáticas para a detecção e medição do volume de placas de EM em imagens de RM, visando diminuir as medidas de variabilidade e permitir a análise automática e quantitativa da EM. O desenvolvimento de tais técnicas permitirá mais facilmente o acompanhamento da evolução dessa patologia e uma melhoria no poder de detecção de possíveis efeitos terapêuticos em ensaios clínicos. Além disso, busca-se com esse projeto a criação e nucleação de um grupo de excelência na área de processamento de imagens médicas com ênfase no estudo de doenças do cérebro

O projeto contou com a colaboração de pessoal dos grupos de aprendizado de maquina do ICMC-USP, do CIN-UFPE e do DIMAP-UFRN. Este projeto investigará a utilização de duas grandes áreas em que sistemas híbridos de Aprendizado de Máquina podem ser utilizados: classificação de dados e agrupamento de dados. 
O coordendar geral do projeto eh o Prof Andre C P L F de Carvalho do ICMC-USP. Os coordenadores locais sao a Profa. Teresa Ludermir, CIn-UFPE e o Prof. Marcilio Souto, DIMAP-UFRN

Este projeto investiga a utilização de técnicas Bio-inspiradas de Aprendizado de Máquina em problemas de classificação de dados. Pretende-se investigar estratégias de classificação que permitam lidar com os seguintes problemas de classificação: classificação hierárquica, que são problemas de classificação em que as classes estão organizadas de forma hierárquica; classificação multi-rótulo, que são problemas em que exemplos podem ser simultaneamente classificados em mais de uma classe; escolha de algoritmos de classificação por meio da utilização de técnicas de meta-aprendizado, que procuram associar características presentes nos dados a serem analisados à técnica de classificação mais adequada; e ajuste de parâmetros de classificadores, que investiga diferentes abordagens que podem ser utilizadas para o ajuste automático dos parâmetros livres de classificadores.

O objetivo deste projeto é contribuir para um avanço no estado-da-arte da integração dos paradigmas simbólico e conexionista através do desenvolvimento de sistemas híbridos inteligentes. Vários sistemas híbridos diferentes serão propostos e testados ao longo do projeto.

Este projeto investiga a utilização de técnicas avançadas de classificação em problemas de Aprendizado de Máquina. Os problemas de classificação investigados são aqueles em que o perfil das classes pode mudar com o passar do tempo, em que classificadores binários precisam ser combinados para lidar com problemas que apresentam mais de duas classes e em que as classes estão organizadas de forma hierárquica.

Neste projeto, serão investigadas e propostas novas técnicas para a construção de SIHs: métodos de otimização global para o projeto automático de redes neurais artificiais, extração de regras simbólicas de redes neurais artificiais, e técnicas de comitês aplicadas a algoritmos de agrupamento. Uma vez terminado o projeto, os recursos humanos formados estarão aptos a desempenhar funções de ensino e pesquisa na área de Inteligência Computacional, particularmente em redes neurais, sistemas inteligentes híbridos, aprendizagem de máquina.

Uma empresa manufatureira competitiva é viável apenas se o desempenho de seus sistemas fabris é bem controlado e mantido em alto nível. Equipamentos fabris distribuídos vêm sendo controlados por sistemas CNC modernos de arquitetura aberta capazes de receber e enviar informações sobre o processo através de conexões Ethernet ou HSSB (High Speed Serial Bus). Sistemas manuais são sujeitos a falhas tais como a confiabilidade, atualização, detecção de não-conformidades e outros fatores que afetam negativamente o sistema de produção. Assim, a proposta deste projeto é desenvolver ferramentas baseadas em técnicas de Inteligência Computacional (I.C.) para o monitoramento e controle remoto de processos de retificação. Através de uma rede de dados de alto desempenho, as informações coletadas pelos sensores da máquina-ferramenta poderão ser remotamente processadas por computadores com capacidade computacional maior que a do computador acoplado ao CNC da máquina-ferramenta, visando principalmente: (i) reduzir a sensibilidade a distúrbios do sistema de monitoramento do processo de retificação, (ii) reduzir o número de peças defeituosas geradas na usinagem e (iii) aumentar a velocidade de produção das peças.

Os objetivos gerais do Instituto Fábrica do Milênio (IFM) podem ser entendidos como a proposição, o desenvolvimento e a disseminação de mecanismos para o aumento da competitividade e do conhecimento científico e tecnológico das indústrias de manufatura, especialmente as de bens de capital, instaladas no país. Tais objetivos podem inicialmente parecer muito abrangentes e pretensiosos. Entretanto, o conjunto de instituições e projetos envolvidos forma uma massa crítica que os capacitam a desenvolverem um espectro de pesquisas, que abrangem desde o desenvolvimento de tecnologias industriais básicas até elementos de gestão, e podem, se organizadas de forma integrada, contribuir efetivamente para o desenvolvimento das indústrias brasileiras.

O papel principal do IFM torna-se o de gerir a integração destes projetos e promover a difusão de seus resultados. Com esse propósito, uma das metas deste instituto é a FIM - Fábrica Integrada Modelo: um mecanismo de integração e disseminação de resultados.

A FIM será um modelo de empresa ideal que poderá ser visitada pelos profissionais brasileiros, tanto presencialmente quanto pela internet, para que todos resultados do projeto possam ser absorvidos de forma mais rápida, efetiva e sustentável. O projeto inova no sentido de promover uma ação conjunta e em rede, que abrange diversas áreas do conhecimento, e cujo resultado integrado pode efetivamente aumentar a competitividade de empresas de manufatura do setor de bens de capital e metal-mecânico no Brasil.

Os projetos Genoma estão gerando uma grande massa de dados biológicos. Diversas pesquisas correntes em Bioinformática têm sido dedicada à análise destes dados para a descoberta de padrões e aquisição de novos conhecimentos. Ou seja, o foco mudou do acúmulo dessas informações para uma análise das mesmas. Porém, a realização desta tarefa de forma manual, em laboratórios, se mostra impraticável e muito custosa.
	Técnicas computacionais capazes de extrair conhecimento dos dados clínicos e biológicos de forma automática se tornam especialmente adequadas neste caso. É crescente a utilização de Algoritmos de Aprendizado de Máquina (AM) em diferentes domínios de aplicação onde o principal objetivo é a implementação de sistemas capazes de adquirir conhecimento de forma automatizada. Este projeto tem como objetivo a investigação e uso de técnicas de Aprendizado de Máquina para o auxílio na resolução de problemas computacionais envolvendo a análise de expressão gênica e previsão da estrutura de proteínas.

Este projeto tem por objetivo a investigação do desempenho de técnicas de Aprendizado de Máquina em problemas de Biologia Molecular através de:

· Análise do desempenho de máquinas de vetores de suporte para problemas com mais de duas classes;
· Análise do desempenho de diferentes técnicas de clusterização para análise de expressão gênica;
· Estudo de alternativas para combinação de técnicas de clusterização em comitês para análise de expressão gênica;
· O desenvolvimento de ferramentas computacionais para auxílio à solução de problemas de Biologia Molecular utilizando os resultados obtidos nos experimentos realizados.

O projeto genoma EST do camarão Litopenaeus vannamei visa seqüenciar 300.000 ESTs ( Expressed Sequence Tags) ou 50.000 clusters nos próximos 3 anos, através da formação de uma rede de laboratórios, de maneira a colocar o Brasil dentre os países de vanguarda nos estudos genômicos dessa espécie, subsidiando o desenvolvimento de modernas tecnologias de base genética para o setor produtivo brasileiro, tais como mapeamento genético, identificação de genes relacionados a caracteres de interesse econômico e seleção assistida por marcadores moleculares.

Projeto coordenado pelo Prof. Pedro Galetti da UFSCar

Este projeto tem como objetivo a investigação e uso de técnicas de Aprendizado de Máquina para o auxílio na resolução de problemas envolvendo o reconhecimento de genes em seqüências de nucleotídeos, em particular a identificação de sítios de splice alternativos, e a extração de conhecimento de bases de dados clínicas e biológicas. Estes dados estão sendo gerados pelo projeto "Clinical Genomics".

Este projeto investiga a utilização de uma língua eletrônica que emprega sensores poliméticos para o monitoramento da qualidade da água. Dados obtidos pelos sensores serão repassados para uma rede neural artificial que será treinada para efetuar de forma automática a classificação de amostras de água.

Projeto desenvolvido na Emprapa Instrumentação Agropecuária de São Carlos sob a coordenação do Dr. Luis Mattoso.

A Embrapa Instrumentação tem se dedicado ao desenvolvimento de novas metodologias, instrumentos, sensores e tecnologias relacionadas à instrumentação que, contribuam para a melhoria da competência e sustentabilidade do agronegócio brasileiro e preservação do meio ambiente, temas de extrema importância para o país. Neste contexto, o objetivo deste projeto é a preparação, caracterização e desenvolvimento de sensores poliméricos, sendo investigados na Embrapa, para a avaliação de paladar, aroma e qualidade de diversos tipos de bebidas (vinho, café, sucos de fruta e leite) e a avaliação da qualidade da água através da detecção de pesticidas e substâncias húmicas. O sensor será constituído por diferentes unidades sensoriais nas quais são depositados filmes de polímeros condutores com composições otimizadas e selecionadas de forma a se obter um padrão de resposta elétrico característico do tipo de bebida em estudo, com a posterior análise destes padrões por técncias de Inteligência Artificial (Redes Neurais).

Projeto desenvolvido na Emprapa Instrumentação Agropecuária de São Carlos sob a coordenação do Dr. Luis Mattoso.