Programa de Pós-Graduação Stricto Sensu em Engenharia de Produção e Sistemas - PPPRO - CEFET/RJ

Eduardo Soares Ogasawara

Eduardo Ogasawara é professor do Departamento de Ciência da Computação do Centro Federal de Educação Tecnológica do Rio de Janeiro (CEFET/RJ) desde 2010. Ele possui doutorado em Engenharia de Sistemas e Computação pela COPPE/UFRJ. Entre 2000 e 2007, trabalhou no setor de Tecnologia da Informação (TI), adquirindo ampla experiência em workflows e gerenciamento de projetos. Com uma sólida formação em Ciência de Dados, atualmente está focado em Mineração de Dados e Análise de Séries Temporais. É autor do livro: Event Detection in Time Series. Ao longo de sua carreira, publicou diversos artigos e liderou projetos financiados por agências como CNPq e FAPERJ. É membro do Senior da IEEE, ACM e SBC. Atualmente, ele lidera o Laboratório de Análise de Dados (DAL) no CEFET/RJ, onde continua a avançar nas pesquisas em Ciência de Dados. (Texto informado pelo autor)

  • http://lattes.cnpq.br/0528303491410251 (28/05/2025)
  • Rótulo/Grupo:
  • Bolsa CNPq: Nível 2
  • Período de análise:
  • Endereço: Centro Federal de Educação Tecnológica Celso Suckow da Fonseca, DIPPG. Av. Maracanã, 229 - Bloco E sala 504/23 Maracanã 20271110 - Rio de Janeiro, RJ - Brasil Telefone: (21) 25663179 Ramal: 6009 URL da Homepage: http://eic.cefet-rj.br/~eogasawara/
  • Grande área: Ciências Exatas e da Terra
  • Área: Ciência da Computação
  • Citações: Google Acadêmico

Produção bibliográfica

Produção técnica

Produção artística

Orientações em andamento

Supervisões e orientações concluídas

Projetos de pesquisa

Prêmios e títulos

Participação em eventos

Organização de eventos

Lista de colaborações

Produção bibliográfica

Produção técnica

Produção artística

Orientações em andamento

Supervisões e orientações concluídas

Projetos de pesquisa

  • Total de projetos de pesquisa (15)
    1. 2022-Atual. Predição, Detecção de Eventos e Descoberta de Padrões em Séries Espaço-Temporais: Métodos & Aplicações
      Descrição: Processo: 309631/2021-1, Programa: PQ 2021, Valor financiado: R$39.600,00. O objetivo deste projeto consiste em explorar e desenvolver novos métodos para detecção de eventos, descoberta de padrões e predição em séries temporais e séries espaço-temporais. A exploração destes novos métodos está associada a resolução de problemas reais nos eixos da ciência-empresa-governo.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (5) / Mestrado acadêmico: (7) / Doutorado: (5) . Integrantes: Eduardo Soares Ogasawara - Coordenador. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa.
      Membro: Eduardo Soares Ogasawara.
    2. 2021-Atual. Detecção de Eventos, Descoberta de Padrões e Predição em Séries Temporais
      Descrição: Processo: E-26/201.304/2021, Programa: Jovem Cientista do Nosso Estado (JCNE), Valor financiado: R$86.400,00 O fenômeno do Big Data vem sendo produzido pelas ciências, empresas e governos. Ele se apresenta como um dos grandes desafios para a atual sociedade do conhecimento. A necessidade de extração de conhecimento nestes grandes volumes de dados cresce significativamente. Ademais, diversos fenômenos estudados correspondem a ambientes não-estacionários, frequentemente associados ao tempo e espaço. Este cenário típico de Ciência de Dados constantemente traz novos desafios à mineração de dados. Este projeto de pesquisa visa desenvolver novos métodos mais eficazes e eficientes nestes ambientes. Para tanto, pretende-se atuar em três principais temas: (i) métodos de detecção de eventos, (ii) métodos de descoberta de padrões, (iii) métodos de predição. Este projeto combina a pesquisa básica nestes três temas aliada à pesquisa aplicada nas análises em séries temporais e espaço-temporais. Essa sinergia visa entender a fundo em que circunstâncias tais abordagens podem ser refinadas para apoiar o contexto geral de não-estacionariedade.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (10) / Mestrado acadêmico: (7) / Doutorado: (5) . Integrantes: Eduardo Soares Ogasawara - Coordenador. Financiador(es): Centro Federal de Educação Tecnológica Celso Suckow da Fonseca - Auxílio financeiro.
      Membro: Eduardo Soares Ogasawara.
    3. 2021-Atual. Mapa da Mobilidade Urbana do Rio de Janeiro
      Descrição: Processo: E-26/290.123/2021, Programa: Programa de Apoio à Projetos Científicos e Tecnológicos em Mobilidade Urbana 2021, Valor financiado: R$333.010,00. A mobilidade urbana é um tema que tem despertado crescente atenção dos setores público, privado e acadêmico, justamente por afetar sobremaneira o quotidiano de milhares de pessoas em seus deslocamentos diários de casa para o trabalho ou outras atividades. De fato, a mobilidade é o grande desafio das cidades contemporâneas, em todas as partes do mundo. A reiterada opção pelo automóvel levou à paralisia do trânsito, com desperdício de tempo e combustível, além dos problemas ambientais de poluição atmosférica e de ocupação do espaço público. Com esse contexto, esta proposta enfoca a questão da mobilidade urbana na cidade do Rio de Janeiro, com o enfoque no transporte de passageiros, visando contribuir no desenho de políticas públicas e de planos de ação para a mobilidade urbana no Rio de Janeiro, por meio do entendimento de como os diferentes modos do transporte público se relacionam com o tripé: Demanda (Capacidade), Eficiência e Confiabilidade. Com relação ao aspecto técnico-científico do projeto, contempla-se o desenvolvimento de pesquisa de ponta incorporando técnicas e metodologias modernas à problemática da mobilidade em grandes centros, como o tratamento de grande volumes de dados (Big Data) de deslocamento de pessoas para mapeamento de demandas e dimensionamento de capacidades de transporte por corredor de transporte; o uso da técnica de Análise de Redes Sociais (Social Network Analysis) para o desenho e diagnóstico de confiabilidade do corredor de transporte; o uso da técnica de Análise Envoltória de Dados (Data Envelopment Analysis) para avaliação da eficiência e das folgas de capacidade por modal de transporte; e modelos espaço-temporais em alta-dimensão para modelagem do fluxo urbano, com fim de entender a dinâmica da malha viária e avaliar métricas como a contribuição da frota de ônibus para poluição urbana, inclusive com a transferência bidirecional de know-how entre as instituições partícipes (instituições de pesquisa e poder público).. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (10) / Mestrado acadêmico: (8) / Doutorado: (4) . Integrantes: Eduardo Soares Ogasawara - Coordenador / Rafael Barbastefano - Integrante / Cristina Gomes de Souza - Integrante / Diego Moreira de Araújo Carvalho - Integrante / Eduardo Fonseca Mendes - Integrante / Renato Rocha Souza - Integrante / Marcel de Moraes Pedroso - Integrante / Douglas E. M. de Oliveira - Integrante / Peter Fernandes Wanke - Integrante / João Luiz Martins Carabetta - Integrante.
      Membro: Eduardo Soares Ogasawara.
      Descrição: Processo: E-26/290.123/2021. Edital: Programa de Apoio à Projetos Científicos e Tecnológicos em Mobilidade Urbana - 2021. Valor financiado: R$166.505,00. A mobilidade urbana é um tema que tem despertado crescente atenção dos setores público, privado e acadêmico, justamente por afetar sobremaneira o quotidiano de milhares de pessoas em seus deslocamentos diários de casa para o trabalho ou outras atividades. De fato, a mobilidade é o grande desafio das cidades contemporâneas, em todas as partes do mundo. A reiterada opção pelo automóvel levou à paralisia do trânsito, com desperdício de tempo e combustível, além dos problemas ambientais de poluição atmosférica e de ocupação do espaço público. Com esse contexto, esta proposta enfoca a questão da mobilidade urbana na cidade do Rio de Janeiro, com o enfoque no transporte de passageiros, visando contribuir no desenho de políticas públicas e de planos de ação para a mobilidade urbana no Rio de Janeiro, por meio do entendimento de como os diferentes modos do transporte público se relacionam com o tripé: Demanda (Capacidade), Eficiência e Confiabilidade. Com relação ao aspecto técnico-científico do projeto, contempla-se o desenvolvimento de pesquisa de ponta incorporando técnicas e metodologias modernas à problemática da mobilidade em grandes centros, como o tratamento de grande volumes de dados (Big Data) de deslocamento de pessoas para mapeamento de demandas e dimensionamento de capacidades de transporte por corredor de transporte; o uso da técnica de Análise de Redes Sociais (Social Network Analysis) para o desenho e diagnóstico de confiabilidade do corredor de transporte; o uso da técnica de Análise Envoltória de Dados (Data Envelopment Analysis) para avaliação da eficiência e das folgas de capacidade por modal de transporte; e modelos espaço-temporais em alta-dimensão para modelagem do fluxo urbano, com fim de entender a dinâmica da malha viária e avaliar métricas como a contribuição da frota de ônibus para poluição urbana, inclusive com a transferência bidirecional de know-how entre as instituições partícipes (instituições de pesquisa e poder público).. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (10) / Mestrado acadêmico: (8) / Doutorado: (4) . Integrantes: Cristina Gomes de Souza - Integrante / Diego Moreira de Araújo Carvalho - Integrante / Peter Fernandes Wanke - Integrante / Eduardo Soares Ogasawara - Coordenador / Rafael Garcia Barbastefano - Integrante / Douglas de Oliveira Cardoso - Integrante / Eduardo Fonseca Mendes - Integrante / Renato Rocha Souza - Integrante / Marcel de Moraes Pedroso - Integrante / João Luiz Martins Carabetta - Integrante. Financiador(es): Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ - Auxílio financeiro.
      Membro: Cristina Gomes de Souza.
    4. 2019-2022. Métodos resilientes à não-estacionariedade no contexto de Ciência de Dados
      Descrição: Processo: 303536/2018-7, Programa: PQ 2018, Valor financiado: R$39.600,00. O fenômeno do Big Data vem sendo produzido pelas ciências, empresas e governos. Ele se apresenta como um dos grandes desafios para a atual sociedade do conhecimento. A necessidade de extração de conhecimento no contexto de Ciência de Dados cresce significativamente, recaindo na exploração de métodos de Mineração de Dados para predição, classificação e descoberta de padrões. Diversos dos fenômenos estudados correspondem a ambientes não-estacionários, frequentemente associados ao tempo e espaço. Tal propriedade torna a Mineração de Dados bem mais complexa. Este projeto de pesquisa visa aumentar a eficiência e eficácia das abordagens nestes ambientes, focando-se tanto na gerência quanto na análise de dados. Para tanto, pretende-se atuar em três frentes de trabalho: (i) gerência de dados, (ii) métodos para descoberta de padrões, (iii) métodos de predição. A pesquisa combina o estudo aplicado de séries espaço-temporais com as pesquisas básicas em gerência e análise de dados visando entender a fundo em que circunstâncias tais abordagens podem ser refinadas para apoiar a não-estacionariedade.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (8) / Mestrado profissional: (10) / Doutorado: (2) . Integrantes: Eduardo Soares Ogasawara - Coordenador. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa.
      Membro: Eduardo Soares Ogasawara.
    5. 2019-Atual. Programa de Pós-graduação em Ciência da Computação
      Descrição: Processo: E-26/010.001353/2019, Programa: FAPERJ Apoio Emergencial a Programas de Pós-graduação do Rio de Janeiro, Valor financiado: R$39.879,98. O Programa de Pós-graduação em Ciência da Computação (PPCIC) do CEFET/RJ engloba o curso de Mestrado em Ciência da Computação. O Programa foi aprovado pelo CTC da CAPES em abril/2016. O PPCIC está inserido na área de conhecimento e área de concentração de Ciência da Computação. Em 2016, o programa passou por sua primeira avaliação, recebendo conceito bom em todos os quesitos aplicáveis da CAPES, porém foi classificado como nível 3 dada a não existência de egressos naquele momento. O PPCIC visa a formação de egressos capacitados para pesquisar, ensinar e desenvolver conhecimento científico e tecnológico na área de Ciência da Computação. Em particular, o programa tem uma ênfase na formação dos cientistas de dados, profissional com visão multidisciplinar, responsável por formular problemas sob uma perspectiva centrada em dados, transformando-os em conhecimento. Essa abordagem adotada por nosso grupo está aderente ao processo multidisciplinar da Computação. O PPCIC está organizado nas linhas Análise de Dados e Aplicações e Aprendizado de Máquina e Otimização, as quais contemplam um conjunto de projetos de pesquisa. O programa tem quatorze docentes, treze disciplinas e infraestrutura de laboratórios e biblioteca.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (45) . Integrantes: Eduardo Soares Ogasawara - Coordenador.
      Membro: Eduardo Soares Ogasawara.
    6. 2019-Atual. Data Analytics Lab
      Descrição: O Data Analytics Lab (DAL) foi formalizado junto ao diretório de grupos de pesquisa do CNPq em 2019 como um divisão do Grupo de Pesquisa em Pesquisa Aplicada (GPCA). A pesquisa é voltada em Data Analytics, Mineração de Dados e especialmente associada a análise de séries temporais. O Data Analytics Lab (DAL) centraliza a sua pesquisa em três principais frentes: Detecção de eventos Descoberta de padrões e motifs Predição http://dgp.cnpq.br/dgp/espelhogrupo/9806930220192669. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (5) / Mestrado acadêmico: (8) / Doutorado: (5) . Integrantes: Eduardo Soares Ogasawara - Coordenador.
      Membro: Eduardo Soares Ogasawara.
    7. 2018-2021. Gerência e Análise de Séries Espaço-Temporais: Métodos & Aplicações
      Descrição: Processo: E-26/203.239/2017, Programa: Jovem Cientista do Nosso Estado (JCNE), Valor financiado: R$75.600,00. O tratamento do dilúvio de dados que vêm sendo produzido pelas ciências, corporações e por bilhões de usuários de serviços de Internet globais se apresenta como um dos grandes desafios para a atual sociedade do conhecimento. A necessidade de gerência, análise e extração de conhecimento a partir desses dados cresce significativamente. Um subconjunto de aplicações relevantes nesse processo engloba o estudo de séries temporais e espaço-temporais. A Mineração de Dados em séries espaço-temporais comumente recai na exploração de métodos de representação, transformação, predição, classificação e padrões frequentes. Para cada método, existem inúmeros algoritmos. A solução de um determinado problema pode envolver a combinação de diferentes métodos e algoritmos. Este projeto de pesquisa visa contribuir para o aumento da eficiência e eficácia das abordagens na gerência e análise de dados de séries espaço-temporais em diferentes aplicações. Para tanto, pretende-se atuar em três frentes: (i) Gerência de dados, (ii) Métodos de pré-processamento e análise de dados, (iii) Aplicações em problemas de predição, classificação e padrões frequentes. A pesquisa combina o estudo aplicado de séries temporais e espaço-temporais em problemas de Mineração de Dados com as pesquisas básicas em gerência e análise de dados visando entender a fundo em quais circunstâncias tais abordagens podem ser refinadas para apoiar às séries espaço-temporais. A partir dessa compreensão, será possível investir com propriedade na resolução de problemas reais propostos para cenários de predição, classificação e padrões frequentes em séries espaço-temporais.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Eduardo Soares Ogasawara - Coordenador. Financiador(es): Centro Federal de Educação Tecnológica Celso Suckow da Fonseca - Bolsa.
      Membro: Eduardo Soares Ogasawara.
    8. 2017-2019. SciDISC - Scientific data analysis using Data-Intensive Scalable Computing
      Descrição: This project is an international collaborative project between Brazil and France, funded by the French side. --Inria (France) supports "Associate Teams" to strengthen scientific collaboration between Inria project teams and top-level research teams worldwide. -- Data-intensive science requires the integration of two fairly different paradigms: high-performance computing (HPC) and data-intensive scalable computing (DISC). Spurred by the growing need to analyze big scientific data, the convergence between HPC and DISC has been a recent topic of interest. This project will address the grand challenge of scientific data analysis using DISC (SciDISC), by developing architectures and methods to combine simulation and data analysis. The expected results of the project are: new data analysis methods for SciDISC systems; the integration of these methods as software libraries in popular DISC systems, such as Apache Spark; and extensive validation on real scientific applications, by working with our scientific partners such as INRA and IRD in France and Petrobras and the National Research Institute (INCT) on e-medicine (MACC) in Brazil. https://www.inria.fr/en/associate-team/scidisc.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Eduardo Soares Ogasawara - Integrante / Daniel Cardoso Moraes de Oliveira - Integrante / Marta Lima de Queiros Mattoso - Coordenador / Kary Ocana - Integrante / Fábio Porto - Integrante / Patrick Valduriez - Integrante / Esther Pacitti - Integrante / Alvaro L. G. A. Coutinho - Integrante / Florent Masseglia - Integrante / Dennis Shasha - Integrante / José Camata - Integrante / Ji Liu - Integrante. Financiador(es): Institut National de Recherche en Informatique et en Automatique - Siège - Cooperação.
      Membro: Eduardo Soares Ogasawara.
    9. 2017-2019. Programa de Pós-graduação em Ciência da Computação
      Descrição: Processo: E-26/200.906/2017, Programa: FAPERJ Apio Emergencial a Programas de Pós-graduação do Rio de Janeiro, Valor financiado: R$45.000,00. O Programa de Pós-graduação em Ciência da Computação (PPCIC) do CEFET/RJ, aprovado pelo CTC da CAPES em abril/2016, está inserido na área de conhecimento e área de concentração de Ciência da Computação. O PPCIC engloba o curso de Mestrado em Ciência da Computação e, por ser um programa recém criado, está avaliado como nível 3. O PPCIC visa a formação de egressos capacitados para pesquisar, ensinar e desenvolver conhecimento científico e tecnológico na área de Ciência da Computação. Em particular, o programa tem uma ênfase na formação dos cientistas de dados, profissional com visão multidisciplinar, responsável por formular problemas sob uma perspectiva centrada em dados, transformando-os em conhecimento. Por meio deste foco, o programa combina pesquisa básica com aplicada. Essa é uma característica presente no perfil dos pesquisadores do quadro docente atual e esperado para os futuros docentes a serem incorporados ao programa. Essa combinação estabelece uma estratégia promissora, uma vez que ao mesmo tempo em que se estabelece resultados teóricos que subsidiam a construção de novas aplicações para solução de questões práticas, os problemas práticos muitas vezes propiciam a elaboração de novos arcabouços teóricos. Essa abordagem adotada por nosso grupo está aderente ao processo multidisciplinar da Computação. O PPCIC está organizado nas linhas Gerência de Dados e Aplicações e Métodos Baseado em Dados, as quais contemplam um conjunto de projetos de pesquisa. O programa tem doze docentes, dez disciplinas e infraestrutura de laboratórios e biblioteca.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (44) . Integrantes: Eduardo Soares Ogasawara - Coordenador. Financiador(es): FAPERJ - Bolsa.
      Membro: Eduardo Soares Ogasawara.
    10. 2016-2019. Ciência de Dados em Séries Espaço-Temporais: Gerência de Dados & Applications
      Descrição: Processo: 302993/2015-0, Programa: PQ 2015, Valor financiado: R$39.600,00. Ciência de Dados é uma disciplina de extração de conhecimento a partir dos dados. Um subconjunto de aplicações relevantes de Ciência de Dados engloba o estudo de séries temporais e espaço-temporais. As séries temporais correspondem a uma sequencia de observações, enquanto as séries espaço-temporais apresentam uma posição associada a essa sequência. Essas observações podem ser univariadas, multivariadas e ter domínios diferentes, trazendo um caráter heterogêneo aos dados. As aplicações em séries espaço-temporais comumente recaem na exploração de métodos de representação, indexação, predição, classificação e padrões frequentes. Para cada método, existem inúmeros algoritmos associados. A solução de um determinado problema pode envolver a combinação de diferentes métodos e algoritmos. Nesse contexto, a gerência dos dados passa a ser um ponto chave no processo de extração de conhecimento. Desta forma, este trabalho de pesquisa visa contribuir para o aumento da eficiência e eficácia das abordagens na gerência de dados de séries espaço-temporais em diferentes aplicações. Para tanto, pretende-se atuar em três frentes: (i) Armazenamento e Paralelismo de Dados, (ii) Métodos de Preprocessamento, (iii) Aplicações em Problemas de Predição, Classificação e Padrões Frequentes. A pesquisa combina o estudo aplicado de séries temporais e espaço-temporais em problemas de predição, classificação e padrões frequentes com as pesquisas básicas em gerência de dados (armazenamento, paralelismo e métodos de preprocessamento) visando entender a fundo em quais circunstâncias a gerência de dados em séries espaço-temporais precisa ser refinada. A partir dessa análise, será possível investir com propriedade na resolução de problemas reais propostos para cenários de predição, classificação e padrões frequentes em séries espaço-temporais.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (5) / Mestrado acadêmico: (4) . Integrantes: Eduardo Soares Ogasawara - Coordenador. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa.
      Membro: Eduardo Soares Ogasawara.
    11. 2016-2018. Identificação de Motifs em Séries Espaço-Temporais: Aplicações & Métodos
      Descrição: Processo: E-26/210.525/2016, Programa: APQ1 2015/02, Valor financiado: R$10.000,00. A extração de conhecimento a partir dos dados é uma atividade extremamente importante e demandada por diversas organizações existentes no eixo empresarial, governamental e científico. A Ciência de Dados é uma área interdisciplinar que aborda a resolução de tal atividade considerando grandes volumes de dados em suas variações de formatos (estruturados e não-estruturados). Um subconjunto de problemas importantes abordados em Ciência de Dados engloba o estudo de séries temporais e espaço-temporais. As séries temporais correspondem a uma sequência de observações, enquanto as séries espaço-temporais apresentam uma posição associada a essa sequência. Essas observações podem ser univariadas, multivariadas e terem diferentes domínios e periodicidade, trazendo um caráter heterogêneo aos dados. As pesquisas em séries temporais comumente recaem na exploração de métodos de representação, indexação e identificação de \emph{motifs} sobre os dados. Um \emph{motif} é definido como uma subsequência, previamente desconhecida, que frequentemente se repete, sem sobreposição, ao longo de uma série temporal. Já no contexto das séries espaço-temporais, apesar de não ser difícil elencar um conjunto de aplicações que demanda esse tipo de análise, o estudo de \emph{motifs} encontra-se pouco explorado. Sendo assim, este projeto explora essa lacuna, combinando pesquisa básica e aplicada no contexto de identificação de \emph{motifs} em séries espaço-temporais. A pesquisa, portanto, é dividida no estudo de novos métodos identificação de \emph{motifs} em séries espaço-temporais e a aplicação em diferentes problemas existentes nas áreas de aviação, mobilidade urbana, astronomia e sísmica.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (7) / Mestrado acadêmico: (4) / Doutorado: (1) . Integrantes: Eduardo Soares Ogasawara - Coordenador / Fábio Porto - Integrante / Gustavo Paiva Guedes e Silva - Integrante / Kele Belloze - Integrante / Esther Pacitti - Integrante / Florent Masseglia - Integrante / Jorge de Abreu Soares - Integrante / Laura Silva de Assis - Integrante. Financiador(es): Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ - Auxílio financeiro.
      Membro: Eduardo Soares Ogasawara.
    12. 2015-2018. Grupo de Pesquisa em Ciência de Dados
      Descrição: Edital de Grupo de Pesquisa do CEFET/RJ 2016 e 2017: Valores financiados: R$6.992,00 e R$142.337,40.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Eduardo Soares Ogasawara - Coordenador / Kele Belloze - Integrante / Jorge de Abreu Soares - Integrante / Rafaelli Coutinho - Integrante.
      Membro: Eduardo Soares Ogasawara.
    13. 2013-2014. Técnicas de Transformação de Dados para Previsões de Séries Temporais por Meio de Redes Neurais
      Descrição: Processo: E-26/111.386/2013, Programa: APQ1 2013/01, Valor financiado: R$13.000,00. No contexto de previsões de séries temporais por meio de mineração de dados, identificar se é necessário realizar transformações de dados na etapa de pré-processamento pode ser um passo fundamental para se atingir uma boa acurácia. Esta preocupação se torna maior, principalmente, no caso de utilização de redes neurais. Isto é decorrente ao fato de que a maioria dos métodos tradicionais de mineração de dados por meio de redes neurais fazem suposições que podem não ser válidas. O primeiro pressuposto é que as séries temporais são estacionárias, ou seja, suas propriedades estatísticas, tais como média e desvio padrão, não mudam ao longo do tempo. O segundo pressuposto é que elas têm homocedasticidade, i.e., a volatilidade destas séries temporais não varia. Na maioria das séries temporais macroeconômicas, por exemplo, estes pressupostos não são válidos. A consequência disto é que a capacidade de previsão de uma rede neural fica comprometida nesta situação. Assim, este projeto visa abordar o problema e estudar as séries temporais não-estacionárias com heterocedasticidade.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (3) . Integrantes: Eduardo Soares Ogasawara - Coordenador / Eduardo Bezerra - Integrante / Jorge de Abreu Soares - Integrante.
      Membro: Eduardo Soares Ogasawara.
    14. 2012-2015. Grupo de Pesquisa em Computação Aplicada
      Descrição: Edital de Grupo de Pesquisa do CEFET/RJ 2012, 2013 e 2014: Valores financiados: R$2.949,63, R$129.404,74 e R$4.753,95. O desenvolvimento dos trabalhos de conclusão do curso (TCC) cobre várias tarefas: pesquisa bibliográfica, definição, escopo, modelagem, design e implementação da solução. Um produto importante de uma TCC geralmente envolve a elaboração de algum artefato computacional per se. Os alunos envolvidos em sua TCC têm que superar vários desafios. Geralmente é sua primeira grande experiência em termos de desenvolvimento de software. Observa-se que esses alunos enfrentam dificuldades técnicas, falta de experiência prática e também dificuldades administrativas para realizar trabalhos grupais. Apesar desses desafios, muitas ideias e produtos interessantes são desenvolvidos em toda a TCC. No entanto, em várias ocasiões, avaliações adequadas das soluções propostas e uma análise mais aprofundada dos resultados obtidos não são apresentadas nessa TCC. Uma das principais desvantagens é a falta de experiência dos alunos na realização de experimentos. Este projeto visa estudar abordagens ou estruturas simplificadas para apoiá-los na avaliação desses artefatos.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Eduardo Soares Ogasawara - Coordenador / João Roberto de Toledo Quadros - Integrante / Leonardo Lignani - Integrante / Joel dos Santos - Integrante.
      Membro: Eduardo Soares Ogasawara.
    15. 2012-2013. Paralelização de Workflows Científicos para Apoiar Aplicações de e-Science
      Descrição: Processo: E-26/112.442/2012, Programa: Auxilio Instalação 2012/01, Valor financiado: R$4.650,00. Os workflows científicos emergiram como uma abstração para estruturar experimentos científicos baseados em simulações computacionais. Em muitas situações, estes workflows são intensivos, seja computacionalmente seja quanto em relação à manipulação de dados, exigindo a execução em ambientes de processamento de alto desempenho. Comumente a paralelização da execução destes workflows científicos requer programação trabalhosa, de modo ad hoc e em baixo nível de abstração, o que torna difícil a exploração das oportunidades de otimização. Recentemente, o pesquisador propôs em sua tese de doutorado o uso de abordagem algébrica para workflows científicos como uma forma de ascender o nível de abstração para especificar workflows científicos visando à diminuição da complexidade de paralelização destes workflows. Entretanto, embora tenha alcançado resultados promissores, o estudo foi feito utilizando-se um modelo de execução específico para clusters homogêneos em ambientes de disco compartilhado, o que nem sempre é uma realidade para áreas científicas reais como bioinformática e astronomia. Assim, torna-se necessário realizar novos estudos e explorar os desafios inerentes a ambientes diferenciados, o que inclui cenários como discos não compartilhados e dados geograficamente dispersos, heterogeneidade e dinamismo computacional (entrada e saída de recursos computacionais a qualquer momento). Este projeto inclui pesquisa teórica e experimental visando a avaliar o uso de abordagens que viabilizem a paralelização de workflows científicos. O projeto prevê estudos destas abordagens no apoio a aplicações reais em e-Science como, por exemplo, bioinformática, mineração de dados e astronomia nos próximos dois anos.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Eduardo Soares Ogasawara - Coordenador. Financiador(es): Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ - Auxílio financeiro.
      Membro: Eduardo Soares Ogasawara.

Prêmios e títulos

  • Total de prêmios e títulos (15)
    1. Menção honrosa (categoria: short papers): HD Pump: A Hybrid Detection Approach for Pump-and-Dump Schemes in Cryptocurrency Exchanges, SBBD - Simpósio Brasileiro de Banco de Dados.. 2024.
      Membro: Eduardo Soares Ogasawara.
    2. Best paper (categoria: short papers): Cutoff Frequency Adjustment for FFT-Based Anomaly Detectors, SBBD - Simpósio Brasileiro de Banco de Dados.. 2024.
      Membro: Eduardo Soares Ogasawara.
    3. Menção honrosa (categoria: demos): STMotif Explorer: A Tool for Spatiotemporal Motif Analysis, SBBD - Simpósio Brasileiro de Banco de Dados.. 2023.
      Membro: Eduardo Soares Ogasawara.
    4. Menção honrosa (categoria: full paper): A Data-Driven Model Selection Approach to Spatio-Temporal Prediction, SBBD - Simpósio Brasileiro de Banco de Dados.. 2022.
      Membro: Eduardo Soares Ogasawara.
    5. Melhor dissertação de mestrado: Benchmarking Nonstationary Time Series Prediction (Rebecca Salles), SBBD - IV Concurso de Teses e Dissertações em Banco de Dados (CTDBD).. 2021.
      Membro: Eduardo Soares Ogasawara.
    6. Melhores revisores, SBBD - Simpósio Brasileiro de Banco de Dados.. 2021.
      Membro: Eduardo Soares Ogasawara.
    7. Best paper (categoria:short papers): Modelo autorregressivo de integração adaptativa, SBBD - Simpósio Brasileiro de Banco de Dados.. 2019.
      Membro: Eduardo Soares Ogasawara.
    8. Melhores revisores, SBBD - Simpósio Brasileiro de Banco de Dados.. 2019.
      Membro: Eduardo Soares Ogasawara.
    9. Terceiro lugar em Orientação de Iniciação Científica: Avaliação de Agregação Temporal na Previsão da Temperatura de Superfície do Mar do Oceano Atlântico, CTIC - Congresso da Sociedade Brasileira de Computação (CSBC).. 2017.
      Membro: Eduardo Soares Ogasawara.
    10. Menção honrosa: Exploring Multiple Clustering in Attributed Graphs, ACM/SIGAPP Symposium On Applied Computing.. 2015.
      Membro: Eduardo Soares Ogasawara.
    11. Menção honrosa: Uma Abordagem para Programas de Bonificação Baseada em Redes Sociais, Brazilian Workshop on Social Network Analysis and Mining.. 2014.
      Membro: Eduardo Soares Ogasawara.
    12. Paraninfo: Turmas 6AINFO 2012/1 e 6BINFO 2012/2 do Curso Técnico de Informática, CEFET/RJ.. 2013.
      Membro: Eduardo Soares Ogasawara.
    13. Best paper: Construção de Ambiente para Desenvolvimento de Jogos Educacionais Baseados em Interface de Gestos, Seminário Nacional de Inclusão Digital.. 2013.
      Membro: Eduardo Soares Ogasawara.
    14. Paraninfo: Turmas 6AINFO 2011/1 e 6BINFO 2011/2 do Curso Técnico de Informática, CEFET/RJ.. 2012.
      Membro: Eduardo Soares Ogasawara.
    15. Melhor artigo: Cloud-based Phylogenomic Inference of Evolutionary Relationships: A Performance Study, Workshop on Cloud Computing and Scientific Applications.. 2012.
      Membro: Eduardo Soares Ogasawara.

Participação em eventos

  • Total de participação em eventos (51)
    1. DATA - International Conference on Data Science, Technology and Applications. Membro de Comitê de Programa. 2024. (Congresso).
    2. International Joint Conference on Neural Networks. Membro de Comitê de Programa. 2024. (Congresso).
    3. PAKDD - Pacific-Asia Conference on Knowledge Discovery and Data Mining. Membro de Comitê de Programa. 2024. (Congresso).
    4. SIAM International Conference on Data Mining. Membro de Comitê de Programa. 2024. (Congresso).
    5. Simpósio Brasileiro de Banco de Dados.Membro de Comitê de Programa. 2024. (Simpósio).
    6. International Joint Conference on Neural Networks. Membro de Comitê de Programa. 2023. (Congresso).
    7. SIAM International Conference on Data Mining. Membro de Comitê de Programa. 2023. (Congresso).
    8. Simpósio Brasileiro de Banco de Dados.Membro de Comitê de Programa. 2023. (Simpósio).
    9. SIAM International Conference on Data Mining. Membro de Comitê de Programa. 2022. (Congresso).
    10. Simpósio Brasileiro de Banco de Dados.Membro de Comitê de Programa. 2022. (Simpósio).
    11. VLDB. Membro de Comitê de Programa. 2022. (Congresso).
    12. Brazilian e-Science Workshop.Membro de Comitê de Programa. 2021. (Oficina).
    13. CSBC - Concurso de Teses e Dissertações. Membro de Comitê de Programa. 2021. (Congresso).
    14. IPAW - International Provenance and Annotation Workshop.Membro de Comitê de Programa. 2021. (Oficina).
    15. SIAM International Conference on Data Mining. Membro de Comitê de Programa. 2021. (Congresso).
    16. Simpósio Brasileiro de Banco de Dados.Membro de Comitê de Programa. 2021. (Simpósio).
    17. Brazilian e-Science Workshop.Membro de Comitê de Programa. 2020. (Oficina).
    18. DECOR@ICDE2020. Membro de Comitê de Programa. 2020. (Congresso).
    19. SIAM International Conference on Data Mining. Membro de Comitê de Programa. 2020. (Congresso).
    20. Simpósio Brasileiro de Banco de Dados.Membro de Comitê de Programa. 2020. (Simpósio).
    21. AICCSA. Membro de Comitê de Programa. 2019. (Congresso).
    22. Brazilian e-Science Workshop.Membro de Comitê de Programa. 2019. (Oficina).
    23. CNMAC 2019. Membro de Comitê de Programa. 2019. (Congresso).
    24. SIAM International Conference on Data Mining. Membro de Comitê de Programa. 2019. (Congresso).
    25. Simpósio Brasileiro de Banco de Dados.Membro de Comitê de Programa. 2019. (Simpósio).
    26. BIDU@VLDB. Membro de Comitê de Programa. 2018. (Congresso).
    27. Brazilian e-Science Workshop. Brazilian e-Science Workshop. 2018. (Congresso).
    28. demos@VLDB. Membro do Comitê de Programa. 2018. (Congresso).
    29. SIAM International Conference on Data Mining. Membro do Comitê de Programa. 2018. (Congresso).
    30. Simpósio Brasileiro de Banco de Dados. Membro de Comitê de Programa. 2018. (Congresso).
    31. Brazilian e-Science Workshop. Membro do Comitê de Programa. 2017. (Congresso).
    32. ERAD-RJ. Membro do Comitê de Programa. 2017. (Congresso).
    33. SIAM International Conference on Data Mining. Membro do Comitê de Programa. 2017. (Congresso).
    34. Simpósio Brasileiro de Banco de Dados. Membro do Comitê de Programa. 2017. (Congresso).
    35. Brazilian e-Science Workshop. Membro do Comitê de Programa. 2016. (Congresso).
    36. ERAD-RJ. Membro do Comitê de Programa. 2016. (Congresso).
    37. Simpósio Brasileiro de Banco de Dados. Membro do Comitê de Programa. 2016. (Congresso).
    38. WPerformance. Membro do Comitê de Programa. 2016. (Congresso).
    39. Brazilian e-Science Workshop. Membro do Comitê de Programa. 2015. (Congresso).
    40. demos@SIGMOD. Membro do Comitê de Programa. 2015. (Congresso).
    41. ERAD-RJ. Membro do Comitê de Programa. 2015. (Congresso).
    42. SIAM International Conference on Data Mining. Membro do Comitê de Programa. 2015. (Congresso).
    43. Simpósio Brasileiro de Banco de Dados. Membro do Comitê de Programa. 2015. (Congresso).
    44. Brazilian e-Science Workshop. Membro do Comitê de Programa. 2014. (Congresso).
    45. Simpósio Brasileiro de Banco de Dados. Membro do Comitê de Programa. 2014. (Congresso).
    46. Simpósio Brasileiro de Banco de Dados. Workshop de Dissertações e Teses. 2014. (Congresso).
    47. WWP@IEEE-e-Science. Membro do Comitê de Programa. 2014. (Congresso).
    48. Brazilian e-Science Workshop. Membro do Comitê de Programa. 2013. (Congresso).
    49. SEMISH. Membro do Comitê de Programa. 2013. (Congresso).
    50. Simpósio Brasileiro de Banco de Dados. Membro do Comitê de Programa. 2013. (Congresso).
    51. Brazilian e-Science Workshop. Membro do Comitê de Programa. 2012. (Congresso).

Organização de eventos

  • Total de organização de eventos (14)
    1. FERRO, M. ; PORTO, FABIO ; BEZERRA, EDUARDO ; OGASAWARA, E.. Data-Driven Extreme Events Analytics (DEXEA). 2022. Congresso
    2. OGASAWARA, E.; COUTINHO, R.. XXXVI Simpósio Brasileiro de Banco de Dados. 2021. Congresso
    3. COUTINHO, R. ; OGASAWARA, E.. IX Workshop da Escola de Informática & Computação. 2021. Outro
    4. OGASAWARA, E.; SANTOS, J. ; BELLOZE, K.. VIII Workshop da Escola de Informática & Computação. 2020. Outro
    5. OGASAWARA, E.; DE OLIVEIRA, DANIEL. CSBC - XIII e-Science Workshop. 2019. Congresso
    6. OGASAWARA, E.; SANTOS, J.. VII Workshop da Escola de Informática & Computação. 2019. Outro
    7. OGASAWARA, E.; ZIVIANI, A. ; HARA, C. ; MACEDO, J. A. ; VALDURIEZ, PATRICK. Latin America Data Science Workshop. 2018. Congresso
    8. BELLOZE, K. ; SANTOS, J. ; OGASAWARA, E.. V Workshop da Escola de Informática & Computação. 2017. Outro
    9. OGASAWARA, E.. IV Workshop da Escola de Informática & Computação. 2016. (Outro).. . 0.
    10. PORTO, FABIO ; OGASAWARA, E.. XXX Simpósio Brasileiro de Banco de Dados. 2015. Congresso
    11. OGASAWARA, E.. III Workshop da Escola de Informática e Computação. 2015. (Outro).. . 0.
    12. OGASAWARA, E.; BEZERRA, E. ; MAURO, R. C. ; QUADROS, J. R. ; SOUZA, U.. II Workshop da Escola de Informática e Computação. 2014. Outro
    13. OGASAWARA, E.; QUADROS, J. R. ; BEZERRA, E.. I Workshop da Escola de Informática & Computação. 2013. Outro
    14. OGASAWARA, E.; BEZERRA, E.. CSBC - VI e-Science Workshop. 2012. Congresso

Lista de colaborações

  • Colaborações endôgenas (9)
    • Eduardo Soares Ogasawara ⇔ Gustavo Paiva Guedes e Silva (16.0)
      1. MELLO, ANTONIO ; GIUSTI, LUCAS ; TAVARES, TARSILA ; ALEXANDRINO, FERNANDO ; GUEDES, GUSTAVO ; SOARES, JORGE ; Barbastefano, Rafael ; PORTO, FABIO ; Carvalho, Diego ; OGASAWARA, EDUARDO. D-AI2 -M: Ethanol Production Forecasting in Brazil Using Data-Centric Artificial Intelligence Methodology. IEEE Latin America Transactions. v. 22, p. 899-910, issn: 1548-0992, 2024.
      2. CARVALHO, FLAVIO ; JUNIOR, FABIO PASCHOAL ; OGASAWARA, EDUARDO ; FERRARI, LILIAN ; GUEDES, GUSTAVO. Evaluation of the Brazilian Portuguese version of linguistic inquiry and word count 2015 (BP-LIWC2015). Language Resources and Evaluation. v. 58, p. 203-222, issn: 1574-020X, 2024.
      3. BARONI, LAIS ; PEDROSO, MARCEL ; BARCELLOS, CHRISTOVAM ; SALLES, REBECCA ; SALLES, SAMELLA ; PAIXÃO, BALTHAZAR ; Chrispino, Alvaro ; GUEDES, GUSTAVO ; OGASAWARA, EDUARDO. An integrated dataset of malaria notifications in the Legal Amazon. BMC RESEARCH NOTES. v. 13, p. 1-3, issn: 1756-0500, 2020.
      4. RODRIGUES, RAFAEL G. ; Rodrigues, Kaio G. ; GOMES, R. R. ; FERRARI, LILIAN ; OGASAWARA, EDUARDO ; GUEDES, Gustavo Paiva. BRAPT: A New Metric for Translation Evaluation Based on Psycholinguistic Perspectives. IEEE Latin America Transactions. v. 18, p. 1264-1271, issn: 1548-0992, 2020.
      5. BARONI, L. ; SALLES, REBECCA ; SALLES, S. ; SILVA, G. P. G. E. ; BEZERRA, E. ; BARCELLOS, C. ; PEDROSO, M. M. ; OGASAWARA, E.. An Analysis of Malaria in the Brazilian Legal Amazon Using Divergent Association Rules. JOURNAL OF BIOMEDICAL INFORMATICS. v. 1, p. 103512, issn: 1532-0464, 2020.
      6. GUEDES, Gustavo Paiva; OGASAWARA, E. ; BEZERRA, E. ; XEXÉO, G. B.. Discovering top-k Non-Redundant Clusterings in Attributed Graphs. NEUROCOMPUTING. v. 2016, p. 1-10, issn: 0925-2312, 2016.
      7. SILVA, G. P. G. E. ; BEZERRA, E. ; OGASAWARA, E. ; XEXEO, G. B.. MAM: Método para Agrupamentos Múltiplos em Redes Sociais Online Baseado em Emoções, Personalidades e Textos. iSys - Revista Brasileira de Sistemas de Informação. v. 7, p. 38-55, issn: 1984-2902, 2014.
      8. PEDROSO, MARCEL ; CHRISPINO, ALVARO ; GUEDES, GUSTAVO ; BARONI, LAIS RIBEIRO ; Ogasawara, Eduardo ; BARCELLOS, CHRISTOVAM ; PAIXÃO, BALTHAZAR. Análise Exploratória da Malária na Amazônia Brasileira por Meio da Plataforma de Ciência de Dados Aplicada à Saúde. Em: XIII Brazilian eScience Workshop, v. 1, 2019.
      9. CARVALHO, FLAVIO ; SANTOS, LEONARDO FERREIRA DOS ; BORGES, HERALDO ; Ogasawara, Eduardo ; GUEDES, GUSTAVO PAIVA. Discovering Patterns in Sentimental Analysis. Em: Brazilian Symposium on Multimedia and the Web, p. 329, 2019.
      10. BEZERRA, EDUARDO ; LIMA, LEONARDO ; PORTO, FABIO ; CARVALHO, LEONARDO ; BARBASTEFANO, RAFAEL ; GUEDES, GUSTAVO ; ASSIS, LAURA ; Ogasawara, Eduardo ; ZIVIANI, ARTUR. Evaluating the Complementarity of Communication Tools for Learning Platforms. Em: 10th International Conference on Computer Supported Education (CSEDU 2018), v. 2, p. 142-153, 2018.
      11. SALLES, REBECCA ; ASSIS, LAURA ; GUEDES, GUSTAVO ; BEZERRA, EDUARDO ; PORTO, FABIO ; Ogasawara, Eduardo. A Framework for Benchmarking Machine Learning Methods Using Linear Models for Univariate Time Series Prediction. Em: 2017 International Joint Conference on Neural Networks (IJCNN), p. 2338, 2017.
      12. RODRIGUES, RAFAEL G. ; GUEDES, Gustavo Paiva ; OGASAWARA, EDUARDO. Towards a Model for Personality-Based Agents for Emotional Responses. Em: Brazilian Symposium on Multimedia and the Web, p. 359, 2016.
      13. MACHADO, EDUARDO ; SERQUEIRA, MARCELLO ; OGASAWARA, EDUARDO ; OGANDO, RICARDO ; MAIA, MARCIO A. G. ; DA COSTA, LUIZ NICOLACI ; CAMPISANO, RICCARDO ; GUEDES, Gustavo Paiva ; BEZERRA, EDUARDO. Exploring machine learning methods for the Star/Galaxy Separation Problem. Em: 2016 International Joint Conference on Neural Networks (IJCNN), p. 123, 2016.
      14. GUEDES, GUSTAVO PAIVA ; BEZERRA, EDUARDO ; Ogasawara, Eduardo ; XEXÉO, GERALDO. Exploring multiple clusterings in attributed graphs. Em: ACM Symposium on Applied Computing, p. 915, 2015.
      15. GOMES, WALTER ; CASTRO, PEDRO ; CARDOSO, EMANUELLA ; MALHEIRO, MARCELO ; CASTANEDA, RAFAEL ; GUEDES, GUSTAVO PAIVA ; MAURO, RENATO ; Ogasawara, Eduardo. Provendo um Serviço Web para Interação e Coleta de Dados de Aplicativos Educacionais. Em: XXVI Simpósio Brasileiro de Informática na Educação, p. 957, 2015.
      16. SILVA, A. ; ROSA, F. ; ROCHA, I. ; PASCHOAL JR, F. ; BEZERRA, E. ; SILVA, G. P. G. E. ; OGASAWARA, E.. RFIDBook: Uma Abordagem para Programas de Bonificação Baseada em Redes Sociais. Em: Brazilian Workshop on Social Network Analysis and Mining, p. 1-12, 2014.

    • Eduardo Soares Ogasawara ⇔ Diego Moreira de Araujo Carvalho (8.0)
      1. MELLO, ANTONIO ; GIUSTI, LUCAS ; TAVARES, TARSILA ; ALEXANDRINO, FERNANDO ; GUEDES, GUSTAVO ; SOARES, JORGE ; Barbastefano, Rafael ; PORTO, FABIO ; Carvalho, Diego ; OGASAWARA, EDUARDO. D-AI2 -M: Ethanol Production Forecasting in Brazil Using Data-Centric Artificial Intelligence Methodology. IEEE Latin America Transactions. v. 22, p. 899-910, issn: 1548-0992, 2024.
      2. STERNBERG, ALICE ; CARVALHO, DIEGO ; Murta, Leonardo ; SOARES, JORGE ; Ogasawara, Eduardo. An analysis of Brazilian flight delays based on frequent patterns. TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW. v. 95, p. 282-298, issn: 1366-5545, 2016.
      3. BARBOSA, BRUNO O. ; MARINHO, LUCAS A. B. ; SANTOS, MARCELO D. ; ALEXANDRINO, FERNANDO ; COUTINHO, RAFAELLI ; DE PAULA, UBIRATAM ; CARVALHO, DIEGO ; Ogasawara, Eduardo. Análise de Modelos Baseados em WiSARD para Classificação de Trajetórias de Ônibus no Contexto da Mobilidade Urbana. Em: Brazilian eScience Workshop, p. 1-7, 2024.
      4. ALEXANDRINO, FERNANDO ; PACHECO, CARLA ; CARVALHO, DIEGO ; Ogasawara, Eduardo. Aumento de dados e suavização integrada para predição de séries temporais baseada em aprendizado de máquina. Em: Brazilian eScience Workshop, p. 32-39, 2024.
      5. MELLO, ANTONIO ; CARVALHO, DIEGO ; Ogasawara, Eduardo. Predição da Produção de Etanol nos Estados Brasileiros. Em: Brazilian eScience Workshop, p. 120-127, 2024.
      6. SANTOS, FABIANA ; GIUSTI, LUCAS ; CARVALHO, DIEGO ; Ogasawara, Eduardo ; SOARES, JORGE. Avaliação de Desvios de Conceitos Reais e Virtuais nos Atrasos de Voos em São Paulo nos Períodos Pré, Intra e Pós-Pandemia. Em: XXXIX Simpósio Brasileiro de Bancos de Dados, v. 1, p. 827-833, 2024.
      7. LIMA, JANIO ; TAVARES, LUCAS GIUSTI ; PACITTI, ESTHER ; FERREIRA, JOÃO EDUARDO ; SANTOS, ISMAEL ; SIQUEIRA, ISABELA GUIMARÃES ; CARVALHO, DIEGO ; PORTO, FABIO ; COUTINHO, RAFAELLI ; Ogasawara, Eduardo. Online Event Detection in Streaming Time Series: Novel Metrics and Practical Insights. Em: 2024 International Joint Conference on Neural Networks (IJCNN), p. 1, 2024.
      8. CRUZ, ANA BEATRIZ ; FERREIRA, JOÃO ; CARVALHO, DIEGO ; MENDES, EDUARDO ; PACITTI, ESTHER ; COUTINHO, RAFAELLI ; PORTO, FABIO ; Ogasawara, Eduardo. Detecção de Anomalias Frequentes no Transporte Rodoviário Urbano. Em: Simpósio Brasileiro de Banco de Dados (SBBD), p. 271-276, 2018.

    • Eduardo Soares Ogasawara ⇔ Rafael Garcia Barbastefano (3.0)
      1. MELLO, ANTONIO ; GIUSTI, LUCAS ; TAVARES, TARSILA ; ALEXANDRINO, FERNANDO ; GUEDES, GUSTAVO ; SOARES, JORGE ; Barbastefano, Rafael ; PORTO, FABIO ; Carvalho, Diego ; OGASAWARA, EDUARDO. D-AI2 -M: Ethanol Production Forecasting in Brazil Using Data-Centric Artificial Intelligence Methodology. IEEE Latin America Transactions. v. 22, p. 899-910, issn: 1548-0992, 2024.
      2. MOSQUEIRA, L. ; BEZERRA, E. ; OGASAWARA, E. ; Barbastefano, Rafael Garcia. Proposta de modelo de avaliação de formas de adoção e acompanhamento de ferramentas de redes sociais corporativas. S & G. Sistemas & Gestão. v. 9, p. 504-517, issn: 1980-5160, 2014.
      3. BEZERRA, EDUARDO ; LIMA, LEONARDO ; PORTO, FABIO ; CARVALHO, LEONARDO ; BARBASTEFANO, RAFAEL ; GUEDES, GUSTAVO ; ASSIS, LAURA ; Ogasawara, Eduardo ; ZIVIANI, ARTUR. Evaluating the Complementarity of Communication Tools for Learning Platforms. Em: 10th International Conference on Computer Supported Education (CSEDU 2018), v. 2, p. 142-153, 2018.

    • Eduardo Soares Ogasawara ⇔ Alvaro Chrispino (2.0)
      1. BARONI, LAIS ; PEDROSO, MARCEL ; BARCELLOS, CHRISTOVAM ; SALLES, REBECCA ; SALLES, SAMELLA ; PAIXÃO, BALTHAZAR ; Chrispino, Alvaro ; GUEDES, GUSTAVO ; OGASAWARA, EDUARDO. An integrated dataset of malaria notifications in the Legal Amazon. BMC RESEARCH NOTES. v. 13, p. 1-3, issn: 1756-0500, 2020.
      2. PEDROSO, MARCEL ; CHRISPINO, ALVARO ; GUEDES, GUSTAVO ; BARONI, LAIS RIBEIRO ; Ogasawara, Eduardo ; BARCELLOS, CHRISTOVAM ; PAIXÃO, BALTHAZAR. Análise Exploratória da Malária na Amazônia Brasileira por Meio da Plataforma de Ciência de Dados Aplicada à Saúde. Em: XIII Brazilian eScience Workshop, v. 1, 2019.

    • Eduardo Soares Ogasawara ⇔ Cristina Gomes de Souza (2.0)
      1. PACHECO, CARLA ; GUIMARAES, MARIO ; BEZERRA, EDUARDO ; LOBOSCO, DACY ; SOARES, JORGE ; GONZALEZ, PEDRO HENRIQUE ; ANDRADE, ADALBERTO ; GOMES DE SOUZA, CRISTINA ; Ogasawara, Eduardo. Exploring Data Preprocessing and Machine Learning Methods for Forecasting Worldwide Fertilizers Consumption. Em: 2022 International Joint Conference on Neural Networks (IJCNN), p. 01, 2022.
      2. ANDRADE, ADALBERTO ; SALLES, REBECCA ; CARVALHO, FLAVIO ; DA SILVA, EDUARDO BEZERRA ; SOARES, JORGE ; SOUZA, CRISTINA ; GONZALEZ, PEDRO HENRIQUE ; Ogasawara, Eduardo. Uso de ciência de dados para predição do consumo de fertilizantes no Brasil. Em: Brazilian e-Science Workshop 2020, v. 1, p. 1-8, 2020.

    • Eduardo Soares Ogasawara ⇔ Augusto da Cunha Reis (1.0)
      1. BARONI, LAÍS ; SCORALICK, L. ; REIS, A. ; BELLOZE, K. ; PEDROSO, M. M. ; ALVES, RONALDO FERNANDES SANTOS ; BOCCOLINI, C. ; BOCCOLINI, P. ; OGASAWARA, E.. A contextual-compositional approach to discover associations between health determinants and health indicators for neonatal mortality rate monitoring in situations of anomalies. PLoS One. v. 19, p. 1-13, issn: 1932-6203, 2024.

    • Eduardo Soares Ogasawara ⇔ Carla Silva Oliveira (1.0)
      1. IZAÚ, LEONARDO ; FORTES, MARIANA ; RIBEIRO, VITOR ; MARQUES, CELSO ; OLIVEIRA, CARLA ; BEZERRA, EDUARDO ; PORTO, FABIO ; SALLES, REBECCA ; Ogasawara, Eduardo. Towards Robust Cluster-Based Hyperparameter Optimization. Em: Simpósio Brasileiro de Banco de Dados, p. 439-444, 2022.

    • Eduardo Soares Ogasawara ⇔ Celso Marques da Silva Junior (1.0)
      1. IZAÚ, LEONARDO ; FORTES, MARIANA ; RIBEIRO, VITOR ; MARQUES, CELSO ; OLIVEIRA, CARLA ; BEZERRA, EDUARDO ; PORTO, FABIO ; SALLES, REBECCA ; Ogasawara, Eduardo. Towards Robust Cluster-Based Hyperparameter Optimization. Em: Simpósio Brasileiro de Banco de Dados, p. 439-444, 2022.

    • Eduardo Soares Ogasawara ⇔ Dayse Haime Pastore (1.0)
      1. BELLOZE, KELE ; Ogasawara, Eduardo ; PASTORE, DAYSE ; RONALD, ARTHUR ; SALLES, REBECCA. Modelo Autorregressivo de Integração Adaptativa. Em: XXXIV Simpósio Brasileiro de Banco de Dados, p. 175, 2019.




(*) Relatório criado com produções desde 2012 até 2025
Data de processamento: 30/06/2025 10:42:02