aprendizado profundo
Trajetória
-
Artigo: Uma Nova Abordagem para Detecção de Cabeçalhos SMTP Falsos usando Aprendizado Profundo e Geração de Dados Sintéticos Aceito na Main Track do SBSeg 2025, o principal simpósio de cibersegurança do Brasil, alcançando a distinção máxima (Quatro Selos de Aprovação).
- Excelência: Um dos poucos artigos selecionados que recebeu todos os quatro selos de aprovação, validando sua profundidade técnica e inovação.
- Inovação: Propôs uma nova arquitetura combinando Aprendizado Profundo e Dados Sintéticos para detectar ataques de phishing sofisticados.
- Reconhecimento: Derivado da minha tese de graduação e apresentado presencialmente em Foz do Iguaçu, representando o CEFET/RJ.
-
Provedor: Alura
Focado em arquiteturas de dados sequenciais, utilizei PyTorch para projetar e implementar Long Short-Term Memory (LSTM) e Gated Recurrent Units (GRU), abordando efetivamente o problema do gradiente que desaparece para manter dependências temporais em tarefas complexas de time-series e linguagem natural.
-
Provedor: Alura
Análise aprofundada na mecânica matemática do treinamento. Explorou a lógica por trás da retropropagação, descida de gradiente e otimização de funções de perda para ajustar pesos internos e garantir convergência do modelo.
-
Provedor: Alura
Implementação prática de redes neurais usando a API de alto nível Keras. Focado em preparação de dados, construção de modelos Sequential, e execução de ciclos de treinamento para tarefas de aprendizado supervisionado.
-
Provedor: Alura
Aplicação de Keras para modelagem preditiva, focando em ajuste de hiperparâmetros, métricas de avaliação de modelos e otimização de redes neurais para previsões de alta precisão em ambientes de produção.
-
Provedor: Alura
Implementação fundamental de redes neurais. Cobriu pré-processamento de dados para aprendizado profundo, construção de modelos sequenciais e compreensão de funções de ativação em contexto de aprendizado supervisionado.
-
Provedor: Alura
Treinamento abrangente cobrindo o ciclo de vida completo de modelos de aprendizado profundo. Focado em operações com tensores, construção de arquiteturas neurais customizadas e implementação de ciclos de treinamento usando PyTorch para problemas não-lineares complexos.
-
Provedor: Alura
Dominei a mecânica de otimização de modelos profundos configurando solvers avançados como Adam e SGD, enquanto aplicava estrategicamente métodos de regularização como Dropout e weight decay para garantir generalização robusta e prevenir overfitting durante o processo de retropropagação.
-
Provedor: Alura
Focado em arquiteturas de dados sequenciais, utilizei PyTorch para projetar e implementar Long Short-Term Memory (LSTM) e Gated Recurrent Units (GRU), abordando efetivamente o problema do gradiente que desaparece para manter dependências temporais em tarefas complexas de time-series e linguagem natural.
-
Provedor: Alura
Implementação avançada de modelos de visão computacional. Focado em design de arquitetura CNN, incluindo camadas convolucionais, pooling e estratégias de dropout para extração de características e tarefas de classificação de imagens.
-
Provedor: Alura
Este certificado focou na implementação de baixo nível de arquiteturas neurais usando Tensors e grafos computacionais, onde aproveitei o módulo torch.nn para construir Perceptrons Multicamadas e definir estratégias customizadas de inicialização de pesos para desafios de classificação não-linear.