Inscrições abertas
Pesquisador Ciência de Dados e Inteligência Artificial
Bolsa de Treinamento Técnico (TT-5 FAPESP)
- Híbrido
- 40 horas
- R$ 9.046,80 (líquido)
- Graduado em Ciências da Computação ou Engenharias correlatas
REQUISITOS
Espera-se que o pesquisador selecionado tenha pelo menos 5 anos de experiência nas áreas de Ciência de Dados e Inteligência Artificial, com conhecimentos em algoritmos de machine learning, deep learning, processamento de linguagem natural, visão computacional e outras técnicas relevantes, além de um bom entendimento de conceitos estatísticos e matemáticos, de modo a auxiliar na orientação e no desenvolvimento dos projetos em andamento no Núcleo de Sistemas Eletrônicos Embarcados (NSEE) do Instituto Mauá de Tecnologia (IMT).
DESEJADO
A continuidade do pesquisador no IMT após o final da bolsa é desejável, de modo a dar sequência aos projetos e ministrar algumas aulas de graduação/pós-graduação relacionadas às áreas de Ciência de Dados e Inteligência Artificial.
O QUE É BOLSA DE TREINAMENTO TÉCNICO
Bolsa disponibilizada para garantir apoio técnico aos projetos de pesquisa a partir do estimulo ao aperfeiçoamento de profissionais de nível superior com interação prática em atividades lideradas por profissionais competentes na área.
SOBRE A BOLSA
A bolsa terá duração de 12 meses, estando dentro do projeto ConeCta-SP da FAPESP, onde o IMT trabalha em colaboração com a Faculdade de Saúde Pública da USP, Fundação Oncocentro de São Paulo (FOSP) e AC Camargo.
QUEM SOMOS
O Núcleo de Sistemas Eletrônicos Embarcados (NSEE) é um laboratório de pesquisa do Instituto Mauá de Tecnologia, especializado na investigação de sistemas críticos com aplicação direta na indústria aeroespacial. Nossa equipe de pesquisadores altamente qualificados se empenha em desenvolver soluções inovadoras que impulsionam o avanço tecnológico e contribuem para o setor aeroespacial.
Algumas linhas de pesquisa do NSEE, com estudos já iniciados ou por iniciar que apresentam relação com a bolsa, são:
Aplicação de algoritmos de IA em conjuntos de dados de pacientes com câncer para realizar predições: análises de sobrevida, anos de vida perdidos, anos de incapacidade e anos desabilitados;
Comparação dos modelos de IA com modelos estatísticos: buscar modelos estatísticos utilizados na área da saúde, identificar os pontos fortes e fracos de ambos os tipos de modelos;
Predição cruzada: predizer sobrevida entre tipos diferentes de câncer, comparar exatidão entre estados/países diferentes;
Criação de cenários: estudar o direcionamento de pacientes para os hospitais, criar cenários em casos de emergências, estudar os anos pandêmicos;
Tomografias de pulmão: aplicar algoritmos de deep learning para predizer o tipo do tumor, estimativa do tamanho, número de células.