Disciplinas
BUSINESS INTELLIGENCE
Módulo:
1
Carga Horária:
52
Ciclo das medidas, data warehousing, dados que armazenam conhecimento, a inteligência estratégica de negócio e o desempenho do empreendimento, competitive intelligence; infraestrutura tecnológica: portal, OLAP (on-line analytical processing) e datawarehousing; ERP (enterprise resource planning), Visualização de Dados e Design de Dashboards, API (Application Programming Interface), API Google (maps, addwords, cloud, youtube), API (linkedin, twitter facebook).
Pré-Requisitos: Sem pré-requisito.
Bibliografia Principal:
- Joel Grus, Data Science from Scratch: First Principles with PythonApr 30, 2015
- Efraim Turban, Decision Support and Business Intelligence Systems (9th Edition) 9th Edition, ISBN-13: 978-0136107293
- Ramesh Sharda, Dursun Delen, Efraim Turban, Business Intelligence: A Managerial Perspective on Analytics (3rd Edition) 3rd Edition
Bibliografia Complementar:
- Cole Nussbaumer Knaflic, Storytelling with Data: A Data Visualization Guide for Business Professionals, Nov 2, 2015
- Ramesh Sharda and Dursun Delen Business Intelligence and Analytics: Systems for Decision Support (10th Edition)Jan 9, 2014
- Daniel Covingto, Analytics: Data Science, Data Analysis and Predictive Analytics for Business (Algorithms, Business Intelligence, Statistical Analysis, Dec 22, 2015
DATA MINING
Módulo:
1
Carga Horária:
36
Métodos de pré-processamento, limpeza e preenchimento de base de dados; algoritmos de mineração, classificação e segmentação de mercado; Softwares e Ferramentas de MD; R Studio, Rapidminer; Machine Learning; Matlab;
Nvidea deep learning, R studio.
Pré-Requisitos: Sem pré-requisito.
Bibliografia Principal:
- Data Mining: Practical Machine Learning Tools and Techniques 3th edition
- Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking 1st Edition
- Sebastian Raschka, Python Machine Learning,Sep 23, 2015
Bibliografia Complementar:
- LazyProgrammer, Convolutional Neural Networks in Python: Master Data Science and Machine Learning with Modern Deep Learning in…May 15, 2016
- Ian Goodfellow and Yoshua Bengio, Deep Learning (Adaptive Computation and Machine Learning series)Nov 18, 2016
SISTEMAS DE APOIO À DECISÃO
Módulo:
1
Carga Horária:
30
Componentes de DSS (Decision Support Systems); tipos e escolha de DSS; DSS Qualitativo e Quantitativo nos negócios; exemplos; exercício prático de construção de um DSS, como forma de avaliação do aluno; a racionalização dos processos de decisão; Teoria da decisão; Decisão multicritério; Incerteza e risco; Teoria dos Jogos, cooperação e conflito. Exemplos de previsão, otimização, classificação, agrupamento, etc em Excel e Matlab.
Pré-Requisitos: Sem pré-requisito.
Bibliografia Principal:
- Arshdeep Bahga and Vijay Madisetti, Big Data Science & Analytics: A Hands-On ApproachApr 15, 2016
- Vicki L. Sauter, Decision Support Systems for Business Intelligence, Willey, 2nd Edition, ISBN-13: 978-0470433744
- Casella & Berger, Statistical Inference, 2nd Edition
Bibliografia Complementar:
- Introduction to Optimization, https://www.princeton.edu/~stengel/MAE345Lecture10.pdf
- Foster Provost, Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking (2013)
- Edwin K. P. Chong, Stanislaw H. Zak, An Introduction to Optimization, 4th Edition
LOCALIZAÇÃO E USO DA INFORMAÇÃO EM NEGÓCIO
Módulo:
2
Carga Horária:
38
O processo de transferência de tecnologia das instituições de pesquisa para empresas; a informação e seus usos nos estágios do desenvolvimento da tecnologia; busca por informação: fontes e estratégias; planejando e conduzindo uma busca de informação, escolha das fontes de informação relevantes; avaliação da qualidade e da relevância dos resultados para o caso específico; Busca na Web: definições, características da informação na Web; Técnicas de busca na Web; Redes de sistemas e de repositórios de informação; e-commerce/e-business, CRM. Web Mining, Text Mining, Google Cloud, Azure Microsoft, Apache OPEN NLP (analise sentimental de texto); Big data Analitics, Map reduce, Hadoop, Pyton, Spark.
Pré-Requisitos: Sem pré-requisito.
Bibliografia Principal:
- Bing Liu, Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data 1st edition, Jul 1, 2011
- Bing Liu, Sentiment Analysis and Opinion Mining 1st edition, Jun 4, 2015
- Aravind Shenoy, Hadoop ExplainedJun 16, 2014
Bibliografia Complementar:
- Nathan Marz and James Warren, Big Data: Principles and best practices of scalable realtime data systemsMay 10, 2015
- Gerhard Weiss, Multiagent Systems (Intelligent Robotics and Autonomous Agents series)
MÉTODOS ESTATÍSTICOS DE APOIO À DECISÃO
Módulo:
2
Carga Horária:
32
Definições básicas: probabilidade, espaço amostral, eventos, propriedades das probabilidades; Variáveis aleatórias, densidades, função de distribuição, momentos; Probabilidade Condicional, Independência; Médias e Variâncias; Variáveis Discretas: Bernoulli, Binomial, Geométrica, Binomial Negativa, Poisson; Variáveis Contínuas: Uniforme, Exponencial, Gama, Qui-quadrado, LogNormal, Weibull, t, F, Beta, Normal, Normal bivariada; O teorema central do limite e a importância da distribuição Normal; Estimação por máxima verossimilhança e métodos de momentos, propriedades dos estimadores; Intervalos de confiança; Teste de hipótese para amostrais normais.
Pré-Requisitos: Sem pré-requisito.
Bibliografia Principal:
- Casella & Berger, Statistical Inference, 2nd Edition
- Spanos, Probability Theory and Statistical Inference: Econometric Modeling with Observational Data, Cambridge Press
- A.Papoulis and S. Pillai , Probability, Random Variables and Stochastic Processes, 4th Edition
Bibliografia Complementar:
- Magalhães, Noções de Probabilidade E Estatística, 7ª Edição, Ed. Usp
- Richard McElreath, Statistical Rethinking: A Bayesian Course with Examples in R and Stan (Chapman & Hall/CRC Texts in Statistical Science)Dec 21, 2015
PREVISÃO E INFERÊNCIA POR REDES NEURAIS
Módulo:
2
Carga Horária:
38
Características Básicas: Aprendizado, Associação, Generalização e Robustez; Histórico; Estrutura do Neurônio Artificial; Estruturas de Interconexão; Tipos de Aprendizado - Supervisionado e Não-Supervisionado; Algoritmos de Aprendizado: Perceptron, Back Propagation, Redes de Função de Base Radial, Mapas Auto-Organizáveis, Processamento Temporal; Aplicações.
Pré-Requisitos: Sem pré-requisito.
Bibliografia Principal:
- Haykin, S. (2000). Redes Neurais: Princípios e Práticas. Segunda Edição. Bookman.
- Hassoun, M. H. (1995). Fundamentals of artificial neural networks. MIT Press, Cambridge.
- Zurada, J.M. (1992) Introduction to Artificial Neural Systems, Publisher : West Pub. Co, US
Bibliografia Complementar:
- C. M. Bishop, Neural Networks for Pattern Recognition, Oxford University Press, 1995
- Sebastian Raschka, Python Machine Learning,Sep 23, 2015
APOIO À DECISÃO SOB INCERTEZAS
Módulo:
3
Carga Horária:
32
Incertezas; Representação de incertezas: distribuição de probabilidade, processos estocásticos, números fuzzy; Técnicas para o tratamento de incertezas: árvore de decisão, diferenças finitas, simulação Monte Carlo, Caos Polinomial, Simulação Monte Carlo distribuída; Risco e Incerteza; Relação Risco-Retorno; Teoria de Carteira de Ativos: Risco Diversificável e Risco Não-Diversificável; Carteira de Ativos Financeiros e Carteira de Projetos da Empresa; A Função Objetiva da Empresa; Teoria das Opções Reais e Valor da Informação, OR em Tempo Discreto e o Método Binomial; Avaliação de Projetos de Investimentos; Opções Financeiras e Opções Reais; Principais Tipos de Opções Financeiras: Europeias e Americanas; Opções de Compra e de Venda; As Decisões Gerenciais e suas Opções: Tipos de Opções Reais Mais Comuns; Irreversibilidade, Timing e Incerteza; Opções Finitas e Opções Perpétuas; Uso da Teoria das Opções em Empresas Modernas. Teorias de avaliação de projetos para avaliar a flexibilidade gerencial com incertezas; Análise de Investimentos com o Fluxo de Caixa Descontado.
Pré-Requisitos: Sem pré-requisito.
Bibliografia Principal:
- Dias, M.A.G. (2014): “Análise de Investimentos com Opções Reais: Teoria e Prática com Aplicações em Petróleo e em Outros Setores – Volume 1: Conceitos Básicos e Opções Reais em Tempo Discreto”. Rio de Janeiro: Editora Interciência, 322 pp. Publicado no final de novembro/2014. Acompanha CD-Rom.
- Dias, M.A.G. (2015): “Análise de Investimentos com Opções Reais: Teoria e Prática com Aplicações em Petróleo e em Outros Setores – Volume 2: Processos Estocásticos e Opções Reais em Tempo Contínuo”. Rio de Janeiro: Editora Interciência, 496 pp. Publicado no final de janeiro/2015. Acompanha CD-Rom.
- Pacheco, M.A.C. & M.M.B.R. Vellasco, Eds. (2009): “Intelligent Systems in Oil Field Development under Uncertainty”. Springer-Verlag Berlin Heidelberg, 2009, 287 pp. OBS: tem versão em português pela Ed. Interciência.
Bibliografia Complementar:
- Mykel J. Kochenderfer and Christopher Amato, Decision Making Under Uncertainty: Theory and Application (MIT Lincoln Laboratory Series)Jul 17, 2015
- Dr. Johnathan Mun (Author), Real Options Analysis (Third Edition): Tools and Techniques for Valuing Strategic Investments and Decisions with Integrated Risk Management and Advanced Quantitative Decision Analytics Paperback – January 30, 2016
CONFIABILIDADE
Módulo:
3
Carga Horária:
18
Incertezas e risco. Quantificação de riscos e incertezas. Tipos de riscos; Gerenciamento de riscos; Confiabilidade em finanças. Sistemas caracterização da confiabilidade humana para reduzir as possibilidades de erros humanos; Definição de erros humanos; Classificação de ações humanas e erros; Oportunidades para o erro humano; Fatores de Incidência no Desempenho; Aspectos organizacionais; Ergonomia; Ergonomia Cognitiva; Sistemas Homem-Máquina; Métodos da primeira geração em ACH (THERP – Technique for Human Error Rate Prediction. OAT – Operator Action Tree); Métodos da segunda geração em ACH (ATHEANA – A Technique for Human Event Analysis); Métodos de ACH em desenvolvimento; Tendências atuais de pesquisa; Confiabilidade Fuzzy.
Pré-Requisitos: Sem pré-requisito.
Bibliografia Principal:
- W. Karwowski; A. Mital, Applications of Fuzzy Set Theory in Human Factors (Advances in Human Factors/Ergonomics), 1986
- Charles Yoe, Principles of Risk Analysis: Decision Making Under Uncertainty, Sep 15, 2011
- Paul Schulman and Emery Roe Reliability and Risk: The Challenge of Managing Interconnected Infrastructures (High Reliability and Crisis Management)Apr 13, 2016
Biliografia Complementar:
- Mohammad Modarres and Mark P. Kaminskiy, Reliability Engineering and Risk Analysis: A Practical Guide, Third EditionNov 3, 2016
- Enrico Zio and Piero Baraldi, Basics of Reliability and Risk Analysis: Worked Out Problems and Solutions (Series on Quality, Reliability & Engineering...Apr 1, 2011
OTIMIZAÇÃO DE PLANEJAMENTO
Módulo:
3
Carga Horária:
18
Problemas flow shop, job shop e com restrição de precedência; Otimização de Planejamento por Algoritmos Genéticos e Co-Evolução Cooperativa; Representação de Problemas Baseados em Ordem; Problema do Caixeiro Viajante; Otimização de Planejamentos com Restrições de Precedência, Incorporação do conhecimento no domínio do problema (regras), scheduling multicritério; Exemplos de planejamento de embarque de minério em portos e planejamento de refinaria para a produção de derivados de petróleo.
Pré-Requisitos: Sem pré-requisito.
Bibliografia Principal:
- PACHECO, Marco Aurélio C., VELLASCO, Marley, Sistemas Inteligentes de Apoio à Decisão: Análise Econômica de Projetos de Desenvolvimento de Campos de Petróleo sob Incerteza. Rio de Janeiro: Interciência e PUC-Rio, 2007, v.01. p.306.
- Genetic Algorithms + Data Structures = Evolution Programs, Michalewicz, Z., 1996
- Kalyanmoy Deb, Multi-Objective Optimization Using Evolutionary Algorithms, Mar 2, 2009
Bibliografia Complementar:
- David Greiner and Blas Galván, Advances in Evolutionary and Deterministic Methods for Design, Optimization and Control in Engineering and Sciences…Nov 14, 2014
OTIMIZAÇÃO POR ALGORITMOS GENÉTICOS
Módulo:
3
Carga Horária:
36
Ementa:
Conceitos Básicos, Evolução e Seleção Natural; Componentes de um AG; Tamanho da População; Métodos de Reprodução, Seleção, Mutação e Crossover; Técnicas e Parâmetros; Aplicações em Machine Learning; Aplicações em Problemas de Otimização Combinatorial.
Pré-Requisitos: Sem pré-requisito.
Bibliografia Principal:
- Algoritmos Genéticos: Uma importante ferramenta da Inteligência Computacional, Ricardo Linden, 2006
- Genetic Algorithms + Data Structures = Evolution Programs, Michalewicz, Z., 1996
- Genetic Algorithms in search, optimization and machine Learning David E. Goldberg, 1989
Bibliografia Complementar:
- Marco Aurélio C. Pacheco e Marley Vellasco, Sistemas Inteligentes de Apoio à Decisão: Análise Econômica de Projetos de Desenvolvimento de Campos de Petróleo sob Incerteza, Série Business Intelligence, ISBN: 978-85-7193-172-5 (brochura), ISBN: 978-85-7193-173-2 (cartonada), 300 págs, Série Business Intelligence, Ed. Interciência e Ed. PUC-Rio, Junho 2007.
- J. Koza, Genetic Programming: On the Programming of Computers by Means of Natural Selection, MIT Press, 1992
SISTEMAS BASEADOS EM CONHECIMENTO POR LÓGICA FUZZY
Módulo:
3
Carga Horária:
16
Definições; Características Básicas; Formas de Imprecisão; Conjuntos Fuzzy, Propriedades e Características; Operações Lógicas; Definições de t-norm e t-conorm; Modificadores; Relações e Composições Fuzzy; Lógica Tradicional: Modus Ponens e Modus Tollens; Lógica Fuzzy: Modus Ponens Generalizado; Sistemas de Inferência Fuzzy: Base de Regras, Módulos de Inferência, Fuzzificação, Defuzzificação; Modelos Neuro-fuzzy; Exemplos; Aplicações.
Pré-Requisitos: Sem pré-requisito.
Bibliografia Principal:
- Timothy J. Ross, FUZZY LOGIC WITH ENGINEERING APPLICATIONS
- Klir-Yuan, FUZZY SETS AND FUZZY LOGIC THEORY AND APPLICATIONS
- MatLab, FUZZY LOGIC TOOLBOX™ USER’S GUIDE
Bibliografia Complementar:
- Sivanandam Sumathi and Deepa, INTRODUCTION TO FUZZY LOGIC USING MATLAB
- James M. Keller and Derong Liu, Fundamentals of Computational Intelligence: Neural Networks, Fuzzy Systems, and Evolutionary Computation (IEEE…Jul 12, 2016)
MONOGRAFIA
Módulo:
4
Carga Horária:
0
Trabalho de conclusão de curso.
PROJETO DE SISTEMAS INTELIGENTES DE APOIO À DECISÃO
Módulo:
4
Carga Horária:
14
Conceitos de Decisão, Problemas: Caracterização e Desafios. Inovação: Ciência e Tecnologia. Estratégia de desenvolvimento de projeto: pesquisa bibliográfica, modelagem da solução, desenvolvimento usando técnicas de apoio à decisão e plataformas computacionais, a técnicas para a produção de uma monografia e para apresentação oral
Pré-Requisitos: Sem pré-requisito.
Bibliografia:
- Adam Forbes, Agile Project Management: For Beginners - A Brief Introduction to Learning the Basics of Agile Project Management (Agile Project…Aug 12, 2016
- Pacheco, M.A.C. & M.M.B.R. Vellasco, Eds. (2009): “Intelligent Systems in Oil Field Development under Uncertainty”. Springer-Verlag Berlin Heidelberg, 2009, 287 pp. OBS: tem versão em português pela Ed. Interciência.
- Vicki L. Sauter, Decision Support Systems for Business Intelligence, Willey, 2nd Edition, ISBN-13: 978-0470433744
Bibliografia Complementar:
1. Daniel Covingto, Analytics: Data Science, Data Analysis and Predictive Analytics for Business (Algorithms, Business Intelligence, Statistical Analysis, Dec 22, 2015
2. Ramesh Sharda and Dursun Delen Business Intelligence and Analytics: Systems for Decision Support (10th Edition)Jan 9, 2014
![Marco Aurelio Cavalcanti Pacheco](javascript:preencher_modal('<img src="\\imagens\\pessoa\\0000\\00000695.jpg" class="img-docente" loading="lazy" /><br>', 'Marco Aurelio Cavalcanti Pacheco', '<p class="MsoNormal">Marco Aurélio Cavalcanti Pacheco é Engenheiro Eletrônico e
Mestre em Engenharia Elétrica pela PUC-Rio e PhD em Computer Science pelo University
College of London (1991). Desde 1977, é professor da Pontifícia Universidade
Católica do Rio de Janeiro e, desde 1992, é diretor do Laboratório de
Inteligência Computacional Aplicada, ICA. <o:p></o:p></p>
<p class="MsoNormal">Suas áreas de interesse de pesquisa incluem: Inteligência Artificial,
Métodos de Apoio à Decisão e Nanotecnologia. Propôs a Área de Concentração em
Nanotecnologia, criada em 2007 no Programa de Pós-Graduação do Departamento de
Engenharia Elétrica da PUC-Rio e, junto com pesquisadores do CTC da PUC-Rio,
liderou a criação do primeiro programa de Engenharia em Nanotecnologia da
América Latina. Em 2007, criou a
primeira pós-graduação lato sensu em Inteligência Artificial no Brasil,
Business Intelligence Master.<o:p></o:p></p>
<p class="MsoNormal">Suas áreas de interesse de pesquisa incluem: Inteligência
Artificial e Nanotecnologia. Já orientou 60 dissertações de Mestrado e 29 teses
de Doutorado, coordenou mais de 50 projetos de P&D nas áreas de óleo e gás
e energia elétrica e publicou 61 artigos em periódicos internacionais e mais de
300 artigos em conferências. Já ganhou cinco Prêmios Petrobras de Tecnologia e
um Prêmio Santander Universidades - Ciência e Inovação<o:p></o:p></p>', '');){kind=link}
![Anderson Silva do Nascimento](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0004\\00040224.jpg" class="img-docente" loading="lazy" /><br>', 'Anderson Silva do Nascimento', 'Mestre em Informática pela Universidade Federal do Estado do Rio de Janeiro (2015), possui pós-graduação em Análise, Projeto e Gerência de Sistemas pela PUC-RJ (2004) e Graduação em Sistemas de Informação pela Universidade do Grande Rio (2000). É Professor universitário desde 2005, Analista de Sistemas e Consultor na área de Banco de Dados e Business Intelligence (BI). Tem experiência em projetos na área de Sistemas de Informação, com ênfase em Banco de Dados, Business Intelligence, Engenharia de Software e Governança em Tecnologia da Informação. É conteudista de material didático e palestrante na área de BI. No Ensino Superior atua nas modalidades presencial e a distância (EAD), nos níveis de graduação e pós-graduação.');){kind=link}
![Evelyn Conceição Santos Batista](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0047\\00471524.jpg" class="img-docente" loading="lazy" /><br>', 'Evelyn Conceição Santos Batista', 'Possui graduação em Engenharia Elétrica pela Universidade do Estado do Rio de Janeiro e doutorado concluído em Engenharia Elétrica (Processamento de Sinais, Automação e Robótica) pela Pontifícia Universidade Católica do Rio de Janeiro. Possui mais de 10 anos de experiência em projetos de PD. Atualmente é especialista em Deep Learning e Reinforcement Learning. Tem experiência em desenvolvimento de sistemas de software, utilizando as liguagens C#, Java, Python e as ferramentas MATLAB, Visual Studio, Eclipse e Excel.');){kind=link}
![Leonardo Alfredo Forero Mendonza](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0040\\00408721.jpg" class="img-docente" loading="lazy" /><br>', 'Leonardo Alfredo Forero Mendonza', 'Possui graduação em engenharia eletrônica - Universidade Pontifícia Bolivariana (2002), mestrado em engenharia de telecomunicações pela Universidade Federal Fluminense (2009) e Doutorado em Engenharia Elétrica pela Pontifícia Universidade Católica do Rio de Janeiro (2013). Atualmente é pesquisador vinculado da Pontifícia Universidade Católica do Rio e professor do BI-Master da PUC-Rio. Tem experiência na área de inteligência artificial, atuando principalmente nos seguintes temas: NLP, neural network, glottal, pathology e recognition voice. Possui 10 anos de experiência como supervisor gerente e coordenador em projetos P&D.');){kind=link}
![Manoela Rabello Kohler](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0044\\00442113.jpg" class="img-docente" loading="lazy" /><br>', 'Manoela Rabello Kohler', 'Profissional com mais de 10 anos de experiência como pesquisadora, desenvolvedora e coordenadora de equipes em projetos de Pesquisa e Desenvolvimento. Especialista em métodos de apoio à decisão. Possui graduação em Engenharia de Computação pela Pontifícia Universidade Católica do Rio de Janeiro (2011), Mestrado em Engenharia Elétrica (linha de pesquisa: Métodos de Apoio à Decisão) na Pontifícia Universidade Católica do Rio de Janeiro (2013) e Doutorado em Engenharia Elétrica (linha de pesquisa: Métodos de Apoio à Decisão) na Pontifícia Universidade Católica do Rio de Janeiro (2017). Atualmente é pesquisadora sênior no Laboratório de Inteligência Computacional Aplicada e professora da PUC-Rio, ministrando aulas no curso de pós-graduação BI-Master (MBA) e cursos de extensão em Inteligência Artificial.');){kind=link}
![Marco Aurelio Cavalcanti Pacheco](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0000\\00000695.jpg" class="img-docente" loading="lazy" /><br>', 'Marco Aurelio Cavalcanti Pacheco', '<p class="MsoNormal">Marco Aurélio Cavalcanti Pacheco é Engenheiro Eletrônico e
Mestre em Engenharia Elétrica pela PUC-Rio e PhD em Computer Science pelo University
College of London (1991). Desde 1977, é professor da Pontifícia Universidade
Católica do Rio de Janeiro e, desde 1992, é diretor do Laboratório de
Inteligência Computacional Aplicada, ICA. <o:p></o:p></p>
<p class="MsoNormal">Suas áreas de interesse de pesquisa incluem: Inteligência Artificial,
Métodos de Apoio à Decisão e Nanotecnologia. Propôs a Área de Concentração em
Nanotecnologia, criada em 2007 no Programa de Pós-Graduação do Departamento de
Engenharia Elétrica da PUC-Rio e, junto com pesquisadores do CTC da PUC-Rio,
liderou a criação do primeiro programa de Engenharia em Nanotecnologia da
América Latina. Em 2007, criou a
primeira pós-graduação lato sensu em Inteligência Artificial no Brasil,
Business Intelligence Master.<o:p></o:p></p>
<p class="MsoNormal">Suas áreas de interesse de pesquisa incluem: Inteligência
Artificial e Nanotecnologia. Já orientou 60 dissertações de Mestrado e 29 teses
de Doutorado, coordenou mais de 50 projetos de P&D nas áreas de óleo e gás
e energia elétrica e publicou 61 artigos em periódicos internacionais e mais de
300 artigos em conferências. Já ganhou cinco Prêmios Petrobras de Tecnologia e
um Prêmio Santander Universidades - Ciência e Inovação<o:p></o:p></p>');){kind=link}
![Vitor Bento de Sousa](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0049\\00493422.jpg" class="img-docente" loading="lazy" /><br>', 'Vitor Bento de Sousa', '<p><span style="color: rgb(102, 102, 102); font-family: Tahoma, Geneva, sans-serif; font-size: 13px; text-align: justify; text-indent: 20px;">Possui graduação em Engenharia Elétrica pela Universidade Federal Fluminense (2017). Mestrado pela PUC-RIO em engenharia elétrica. Doutor pela PUC-RIO (DEE CAPES 7) Realiza pesqusas na área de Deep Learning. Pesquisas Voltadas para visão computacional. Professor Auxiliar de Visão Computacional e Deep Learning. Experiência em Coordenação de Projetos.</span><br></p>');){kind=link}