PPCIC scriptLattes

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. É mestre e doutor em Engenharia de Sistemas e Computação pela COPPE/UFRJ. Entre 2000 e 2007, atuou na área de Tecnologia da Informação (TI), onde adquiriu ampla experiência em workflows e gerenciamento de projetos. Ele tem uma sólida experiência em banco de dados e seu principal interesse é Ciência de Dados. Atualmente está interessado em Mineração de Dados e Análise de Séries Temporais. Ele é membro do IEEE, ACM, INNS e SBC. Ao longo de sua carreira, apresentou um número consistente de artigos publicados e projetos aprovados por agências de fomento, como CNPq e FAPERJ. É editor associado do IEEE Latin America Transactions. Ele também é revisor de periódicos e conferências internacionais, incluindo SIAM Data Mining (SDM). Liderou a criação do Programa de Pós-Graduação em Ciência da Computação (PPCIC) do CEFET/RJ, onde foi coordenador de 2016 a meados de 2021. (Texto informado pelo autor)

  • http://lattes.cnpq.br/0528303491410251 (11/01/2024)
  • 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: 238 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 (2)
    1. 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.
    2. 2017-2019. Programa de Pos-graduacao em Ciencia da Computacao
      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.

Prêmios e títulos

  • Total de prêmios e títulos (1)
    1. 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.

Participação em eventos

  • Total de participação em eventos (4)
    1. Brazilian e-Science Workshop. Membro do Comitê de Programa. 2017. (Congresso).
    2. ERAD-RJ. Membro do Comitê de Programa. 2017. (Congresso).
    3. SIAM International Conference on Data Mining. Membro do Comitê de Programa. 2017. (Congresso).
    4. Simpósio Brasileiro de Banco de Dados. Membro do Comitê de Programa. 2017. (Congresso).

Organização de eventos

  • Total de organização de eventos (3)
    1. BELLOZE, K. ; SANTOS, J. ; OGASAWARA, E.. V Workshop da Escola de Informática Computação. 2017. Outro
    2. OGASAWARA, E.. IV Workshop da Escola de Informática Computação. 2016. (Outro).. . 0.
    3. OGASAWARA, E.. III Workshop da Escola de Informática e Computação. 2015. (Outro).. . 0.

Lista de colaborações

  • Colaborações endôgenas (3)
    • Eduardo Soares Ogasawara ⇔ Eduardo Bezerra da Silva (1.0)
      1. SALLES, REBECCA ; ASSIS, LAURA ; GUEDES, Gustavo Paiva ; BEZERRA, E. ; PORTO, FABIO ; OGASAWARA, E.. A Framework for Benchmarking Machine Learning Methods Using Linear Models for Univariate Time Series Prediction. Em: IJCNN - IEEE International Joint Conference on Neural Networks, p. 2338-2345, 2017.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
        Qualis: A2 (IEEE International Joint Conference on Neural Networks)

    • Eduardo Soares Ogasawara ⇔ Gustavo Paiva Guedes e Silva (1.0)
      1. SALLES, REBECCA ; ASSIS, LAURA ; GUEDES, Gustavo Paiva ; BEZERRA, E. ; PORTO, FABIO ; OGASAWARA, E.. A Framework for Benchmarking Machine Learning Methods Using Linear Models for Univariate Time Series Prediction. Em: IJCNN - IEEE International Joint Conference on Neural Networks, p. 2338-2345, 2017.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
        Qualis: A2 (IEEE International Joint Conference on Neural Networks)

    • Eduardo Soares Ogasawara ⇔ Laura Silva de Assis (1.0)
      1. SALLES, REBECCA ; ASSIS, LAURA ; GUEDES, Gustavo Paiva ; BEZERRA, E. ; PORTO, FABIO ; OGASAWARA, E.. A Framework for Benchmarking Machine Learning Methods Using Linear Models for Univariate Time Series Prediction. Em: IJCNN - IEEE International Joint Conference on Neural Networks, p. 2338-2345, 2017.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
        Qualis: A2 (IEEE International Joint Conference on Neural Networks)




(*) Relatório criado com produções desde 2017 até 2017
Data de processamento: 05/03/2024 22:20:36