Daniel Furtado Leite

Ciência da Computação

O engenheiro de controle e automação Daniel Leite é um obstinado corredor. Além da pesquisa científica, o engenheiro marca presença em eventos de corrida de rua. Graduado pela Pontifícia Universidade Católica de Minas Gerais, Daniel também é mestre em engenharia elétrica pela mesma instituição. O doutorado em engenharia elétrica foi obtido na Universidade Estadual de Campinas. O pesquisador também passou pela Universidade de Ljubljana, Eslovênia, para o período de pós-doutorado, além da Universidade Federal de Minas Gerais. Sua pesquisa é uma exploração de novos algoritmos de inteligência artificial. Quando o trabalho permite, Daniel descansa a mente jogando xadrez e viajando. Ele já conheceu um pouco dos seis continentes.

Site
LattesORCID

Chamadas

Chamada 2
Array
(
    [0] => WP_Post Object
        (
            [ID] => 7494
            [post_author] => 6
            [post_date] => 2020-03-24 20:07:24
            [post_date_gmt] => 2020-03-24 20:07:24
            [post_content] => A obtenção de modelos matemáticos de sistemas cada vez mais complexos tem se tornado difícil. Modelos são úteis para previsão de comportamentos futuros; detecção de padrões; e controle de robôs e agentes virtuais. Questiona-se se algoritmos “inteligentes” são capazes de aprender em tempo real as leis que governam a interação entre as variáveis de um sistema. Propomos algoritmos para construção autônoma de modelos de propósito geral. Os algoritmos processam fluxos de dados diversos – como dados de imagens, movimentos, sons, eletrodos, redes sociais, e da linguagem humana. Diferente de outros algoritmos de inteligência artificial, os algoritmos propostos capturam grânulos de informação para raciocinar aproximadamente. Os modelos melhoram seu desempenho sem a intervenção humana, conforme experiências passadas e interações com o ambiente e com agentes. Temos construído os ingredientes para obtenção de um grau maior de inteligência em softwares e robôs. Esperamos avançar a inteligência das máquinas na direção de cenários realísticos. Assumimos uma percepção evolutiva do mundo, e grânulos de informação em espaços abstratos.
            [post_title] => Similaridade, agregação e aprendizado de fluxos de dados heterogêneos: em direção a uma maior autonomia e flexibilidade da inteligência artificial
            [post_excerpt] => 
            [post_status] => publish
            [comment_status] => closed
            [ping_status] => closed
            [post_password] => 
            [post_name] => similaridade-agregacao-e-aprendizado-de-fluxos-de-dados-heterogeneos-em-direcao-a-uma-maior-autonomia-e-flexibilidade-da-inteligencia-artificial
            [to_ping] => 
            [pinged] => 
            [post_modified] => 2024-09-10 20:06:15
            [post_modified_gmt] => 2024-09-10 20:06:15
            [post_content_filtered] => 
            [post_parent] => 0
            [guid] => https://serrapilheira.org/?post_type=projeto&p=7494
            [menu_order] => 0
            [post_type] => projeto
            [post_mime_type] => 
            [comment_count] => 0
            [filter] => raw
        )

)

Projetos

Similaridade, agregação e aprendizado de fluxos de dados heterogêneos: em direção a uma maior autonomia e flexibilidade da inteligência artificial
Ciência / Ciência da Computação

A obtenção de modelos matemáticos de sistemas cada vez mais complexos tem se tornado difícil. Modelos são úteis para previsão de comportamentos futuros; detecção de padrões; e controle de robôs e agentes virtuais. Questiona-se se algoritmos “inteligentes” são capazes de aprender em tempo real as leis que governam a interação entre as variáveis de um sistema. Propomos algoritmos para construção autônoma de modelos de propósito geral. Os algoritmos processam fluxos de dados diversos – como dados de imagens, movimentos, sons, eletrodos, redes sociais, e da linguagem humana. Diferente de outros algoritmos de inteligência artificial, os algoritmos propostos capturam grânulos de informação para raciocinar aproximadamente. Os modelos melhoram seu desempenho sem a intervenção humana, conforme experiências passadas e interações com o ambiente e com agentes. Temos construído os ingredientes para obtenção de um grau maior de inteligência em softwares e robôs. Esperamos avançar a inteligência das máquinas na direção de cenários realísticos. Assumimos uma percepção evolutiva do mundo, e grânulos de informação em espaços abstratos.

Recursos investidos

Grant 2019: R$ 89.572,00

Instituições

  • Universidad Adolfo Ibáñez
    (atual)
  • Universidade Federal de Lavras
    (até 2022)

Notícias relacionadas