Mestrando em Física Ambiental pela UFMT, com foco em Machine Learning aplicado ao estudo de fatalidades relacionadas a raios no Brasil. Graduado em Física pela mesma instituição, com experiência consolidada em modelagem computacional, fluidodinâmica e sensoriamento remoto da atmosfera.
- Expertise Técnica Multidisciplinar: Domínio em Machine Learning, modelagem computacional e física ambiental;
- Experiência em Pesquisa: 4+ anos atuando em projetos científicos (CNPq, UFMT, FAPEMAT, CAPES);
- Comunicação Científica: Apresentações em eventos nacionais (33° RAU, Mostra da Pós-Graduação UFMT);
- Liderança e Gestão: 2 anos como Representante Discente na Congregação do Instituto de Física;
- Divulgação Científica: Participação ativa em extensão universitária ("O Céu de Mato Grosso").
- Publicações Acadêmicas: Expandindo portfólio de artigos científicos publicados;
- Internacionalização: Desenvolvendo proficiência em inglês técnico-científico;
- Networking Internacional: Ampliando colaborações com pesquisadores fora do Brasil.
- Crescimento em ML/AI: Aplicação de técnicas avançadas de aprendizado de máquina em dados climáticos;
- Interdisciplinaridade: Ponte entre física ambiental, meteorologia e ciência de dados;
- Open Source: Desenvolvimento de ferramentas para comunidade científica em descargas atmosféricas;
- Impacto Social: Pesquisa com potencial de salvar vidas através da previsão de fatalidades por raios.
- Competitividade Acadêmica: Mercado crescente de pesquisadores em ML aplicado;
- Recursos Limitados: Dependência de bolsas e financiamento para pesquisa;
- Dados Escassos: Desafios na obtenção de dados de qualidade sobre fatalidades por raios.
- 🌩️ Descargas Atmosféricas e Raios;
- 🤖 Machine Learning Aplicado a Fenômenos Atmosféricos;
- 🌊 Dinâmica dos Fluidos e Microfluídica;
- 🛰️ Sensoriamento Remoto da Atmosfera;
- 🌡️ Evapotranspiração e Climatologia Regional.
Machine Learning Aplicado ao Estudo de Fatalidades Relacionadas a Raio no Brasil
- Orientadora: Profa. Dra. Daniela de Oliveira Maionchi
- Coorientador: Dr. Kleber Pinheiro Naccarato
- Bolsa CAPES
Modelagem Computacional de Escoamentos Microfluídicos Controlados por Microválvulas Tesla
- Apresentado no 33° Encontro Anual de Usuários do LNLS (2023)
- Linguagens: Python, R (em desenvolvimento);
- ML/Data Science: Scikit-learn, TensorFlow/PyTorch (em aprendizado), Pandas, NumPy;
- Modelagem: CFD, Simulações Computacionais;
- Ferramentas: Git, Jupyter, LaTeX;
- Análise de Dados: Climatologia, Estatística Aplicada.
