Possui mestrado em Modelagem Matemática da Informação pelo Fundação Getúlio Vargas (2019). Tem experiência na área de Probabilidade e Estatística, com ênfase em Estatística. 

ÁREAS DE INTERESSE: 

• Inferência Variacional
• Aprendizado por Reforço
• Decisão Sequencial

É doutor em Estatística pela Universidade da Pensilvânia (University of Pennsylvania). Sua pesquisa tem se concentrado em problemas de coloração de grafos oriundos da estatística não paramétrica, teoria de limites de grafos, U-estatísticas de ordem superior e expansões de caos. Conexões interessantes entre esses temas têm surgido recentemente, principalmente devido à presença ubíqua de dados em rede e ao uso crescente de métodos baseados em grafos na estatística moderna e no aprendizado de máquina.

Possui doutorado em Matemática Aplicada e Ciência de Dados pela Fundação Getulio Vargas(2025). Tem experiência na área de Ciência da Computação, com ênfase em Aprendizado de Máquina.

ÁREAS DE INTERESSE: 

• Aprendizado de Máquina 
• Aprendizado de representações
• Medicina de Rede

Possui graduação em Matemática pelo Instituto de Ciências Matemáticas e Computação da Universidade de São Paulo - ICMC/USP (2012), Mestrado (2017), e Doutorado (2022) em Matemática Aplicada pelo Instituto de Matemática, Estatística e Computação Científica da Universidade Estadual de Campinas - IMECC/Unicamp. É professora colaboradora voluntária do Programa de Pós-graduação em Matemática Aplicada do IMECC/Unicamp. É membro associado do Comitê de Biomatemática da Sociedade Brasileira de Matemática Aplicada - SBMAC desde 2017, e da IEEE Computational Intelligence Society desde 2025.

Possui graduação em Matemática pela Universidad Nacional de Colombia, Bogotá D.C. (2013), mestrado em Matemática Aplicada pela Universidade Federal do Rio de Janeiro (2016) e doutorado em Matemática pela Universidade Federal do Rio de Janeiro (2021).

ÁREAS DE INTERESSE:

• Teoria de controle e estabilização 
• Controle Ótimo

Pedro Juan Soto Vega é Doutor em Engenharia Elétrica pela Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio), 2021. Mestre em Engenharia Elétrica também pela PUC-Rio, 2016. Graduou-se em Engenharia de Telecomunicações e Eletrônica pela UO (Universidad de Oriente), Santiago de Cuba, Cuba em 2011. Possui artigos publicados em anais de congressos nacionais e internacionais. Participou de diversos projetos de pesquisa e inovação, a maioria deles no Laboratório de Visão Computacional (LVC) da PUC-Rio onde realizou os estudos de Doutorado e Mestrado.

Minha pesquisa é focada na teoria e na prática de aprendizado de máquina e estatística, com uma tendência para abordagens não paramétricas. Isso inclui a construção de métodos garantidamente robustos sob pressupostos mínimos, o desenvolvimento da teoria sobre práticas novas e existentes, o design de novos algoritmos com melhor desempenho e aplicações práticas. Obtive meu doutorado e minha graduação na EMAp e meu mestrado no IMPA.

ÁREAS DE INTERESSE: 

Obtive meu doutorado em Matemática Aplicada pela Escola de Matemática Aplicada da Fundação Getulio Vargas (FGV). Também possuo bacharelado e mestrado em Ciência de Dados pela mesma instituição. Durante meu doutorado, trabalhei com inferência amortizada (em larga escala) e teoria da aprendizagem estatística, com foco especial em GFlowNets. Em termos de pesquisa, sou amplamente interessado em inferência estatística aproximada e teoria da aprendizagem. Também atuo como Cientista de Dados no Rei do Pitaco.

ÁREAS DE INTERESSE: 

Possui graduação em Matemática pela Universidade de São Paulo (2016), mestrado em Matemática pela Universidade de São Paulo (2019) e doutorado em Doutorado em Matemática pela Universidade de São Paulo (2023), com período sanduíche na Heinrich Heine University Düsseldorf. Atualmente é professora substituta da Universidade Federal do Rio de Janeiro. Tem experiência na área de Matemática, com ênfase em Teoreia das Categorias, atuando principalmente nos seguintes temas: cohomologia de feixe, quantales, grothendieck topos e topos elementares.

Possui graduação em Ciências Atuariais pela Universidade Federal do Rio de Janeiro (UFRJ), mestrado e doutorado em Estatística pela mesma instituição. Trabalhou na indústria de consultoria como Cientista de Dados (Accenture). Atua utilizando métodos estatísticos (Bayesianos) em áreas como ciências sociais e saúde.

ÁREAS DE INTERESSE: 

• Inferência Bayesiana
• Regressão Quantílica
• Estatística Aplicada