Leonardo Tomazeli Duarte graduou-se em Engenharia Elétrica pela Universidade Estadual de Campinas (Unicamp) (2004). É Mestre em Engenharia Elétrica pela Unicamp (2006), Doutor pelo Institut Polytechnique de Grenoble (Grenoble INP - Université Grenoble Alpes, França) (2009), na modalidade "Signal, Image, Parole, Télécom", e Livre-Docente pela Unicamp (2020). Realizou estágio pós-doutoral na Université Toulouse III Paul Sabatier (França) (2023). É Professor Associado (MS 5.2) na Faculdade de Ciências Aplicadas (FCA) da Unicamp. Sua pesquisa se insere nas áreas de processamento de sinais, aprendizado de máquina e métodos de apoio à decisão multicritério, em tópicos que incluem aprendizado não supervisionado; separação de sinais e análise de variáveis latentes (ICA, SCA, NMF); compensação de distorções não lineares; agregação de dados via integral de Choquet; equidade e interpretabilidade em aprendizado de máquina. É Pesquisador Principal do Centro de Pesquisa Aplicada em Inteligência Artificial BI0S (Brazilian Institute of Data Science), iniciativa conjunta FAPESP-MCTI. Foi Coordenador do Programa de Pós-graduação em Engenharia de Produção e de Manufatura (PPGEPM) da FCA (2015-2017) e Coordenador de Pós-graduação da FCA (2017-2021). Atuou como Assessor na Pró-Reitoria de Pesquisa (PRP) da Unicamp (2021-2023). É Senior Member do Institute of Electrical and Electronics Engineers (IEEE), e é, desde 2019, membro do Comitê Técnico "Signal Processing Theory and Methods (SPTM)" da IEEE Signal Processing Society (IEEE-SPS). Atuou como professor visitante na École de Génie Industriel (Grenoble INP, França) em 2016 e na Université Paris Cité em 2024. Recebeu da UNICAMP, em 2017, o Prêmio de Reconhecimento Acadêmico "Zeferino Vaz". É autor dos livros "Nonlinear Blind Source Separation and Blind Mixture Identification", publicado pela Springer em 2021, e "Source Separation in Physical-Chemical Sensing", publicado pela Wiley-IEEE Press em 2023. Em 2022, foi eleito Membro Afiliado da Academia Brasileira de Ciências (ABC), período 2023-2027, na área de Ciências da Engenharia. (Fonte: Currículo Lattes)
| Matéria(s) publicada(s) na Agência FAPESP sobre o(a) pesquisador(a) |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |
O Centro de Pesquisa em Inteligência Artificial - Brazilian Institute of Data Science (BI0S) tem como principal objetivo desenvolver soluções de estado da arte em ciência dos dados e inteligência artificial (IA), propondo soluções para problemas relevantes e conectando a academia, empresas, startups, a sociedade e o setor público em um ecossistema integrado de inovação. Ele vai contribuir…
O problema de separação cega de fontes (BSS) se trata da recuperação de um conjunto de sinais fontes a partir exclusivamente de um conjunto de misturas, ou seja, de maneira não-supervisionada. A BSS, intensamente estudada em processamento de sinais e por outras comunidades relacionadas à análise de dados, apresenta uma gama interessante de aplicações práticas, que vão desde a separação de…
Um dos problemas centrais na análise de decisão multicritério diz respeito ao desenvolvimento de métodos quantitativos capazes de ordenar um conjunto de alternativas levando em conta diferentes critérios de decisão. Tais métodos vêm sendo intensamente aplicados em problemas presentes em diferentes áreas do conhecimento. No entanto, a despeito do expressivo grau de desenvolvimento da análi…
Um tema que vem ganhando destaque na literatura científica é o desenvolvimento de algoritmos de inteligência artificial (IA) - especialmente de aprendizado de máquina - adaptados para execução em computadores quânticos, com vistas a se beneficiar de potenciais ganhos de desempenho computacional proporcionados pela computação quântica. Um dos desafios centrais nessa frente é que os paradi…
Decisões em diversos âmbitos, como pessoal, social ou governamental, geralmente são tomadas considerando múltiplos aspectos relevantes. Esses aspectos podem ser critérios de decisão, objetivos conflitantes ou até mesmo múltiplos modos de informação (multimídia). Decisões envolvendo múltiplos aspectos muitas vezes são um desafio, pois exigem um esforço significativo na análise dos dados e…
Uma questão central no estudo de métodos de aprendizado de máquina diz respeito à busca por mecanismos de interpretabilidade dos modelos obtidos após fase de treinamento. De fato, além de fornecer ao tomador de decisão elementos sobre como o modelo está utilizando a informação disponível numa dada tarefa, a interpretabilidade é requisito fundamental para o avanço na busca de métodos mais …
Técnicas de aprendizado de máquina vêm sendo utilizadas na construção de sistemas automáticos a fim de lidar com diversos problemas práticos. Exemplos são as aplicações em sistemas de liberação de créditos, os quais avaliam se um indivíduo levará a uma possível inadimplência no pagamento do crédito recebido, ou em sistemas judiciais, os quais preveem se o réu sob julgamento pode vir a ser…
Atualmente, a comunidade de pesquisa tem se esforçado no desenvolvimento de mecanismos que melhoram a interpretabilidade e a equidade em problemas de aprendizado de máquina. Trabalhos recentes abordaram a interpretabilidade por meio do método agnóstico denominado SHAP. Este método é baseado no valor de Shapley, um conceito clássico da teoria dos jogos cooperativos que indica a contribuiçã…
O gráfico de controle é uma das principais ferramentas do controle estatístico de processos (CEP) e serve para determinar se a variabilidade observada é inerente ao processo sob análise, ou se decorre de causas ditas especiais, resultantes, por exemplo, de erros de operadores ou falhas de equipamentos. Quando há uma causa especial atuando no processo, é importante classificar o tipo da an…
CV Lattes
ORCID