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

Bacharel em Física pela Universidade do Estado do Rio de Janeiro (2009), Mestrado em Engenharia Civil pela COPPE-UFRJ (2011) com ênfase em Geofísica Computacional, onde trabalhou com Propagação de Ondas Sísmicas e Modelagem Computacional. Doutorado em Engenharia Mecânica na PUC-Rio (2018), na área de Reologia de Materiais Complexos e Mecânica dos Fluidos Não-Newtonianos, sob orientação do Professor Paulo Roberto de Souza Mendes, trabalhando no desenvolvimento de modelos constitutivos tixotrópicos.

Possui graduação em Matemática (Bacharelado) pela Universidade Federal do Espírito Santo (2018), mestrado em Matemática pelo Programa de Pós-Graduação em Matemática da mesma instituição e atualmente é doutoranda no Instituto de Matemática Pura e Aplicada (IMPA), com foco na área de Probabilidade. Tem interesse nas áreas de Probabilidade, Estatística e Machine Learning.

ÁREAS DE INTERESSE: 

Doutor em Matemática Aplicada e Ciência de Dados pela Escola de Matemática Aplicada (EMAp) da Fundação Getulio Vargas (FGV). Possuo Mestrado em Modelagem Matemática, também pela FGV, e sou graduado em Engenharia Civil pela Universidade Federal do Ceará (UFC).

ÁREAS DE INTERESSE: 

• Transporte Ótimo aplicado à Machine Learning
• Teoria de Categorias para Programação Funcional
• Visualização de Dados com Gramáticas de Gráfico

Julie é uma matemática aplicada, fisicista e cientista de dados, com doutorado em Matemática Aplicada e Ciência de Dados. Possui mestrado e bacharelado em Física. Sua pesquisa se concentra na modelagem matemática de epidemias, com ênfase no uso de redes neurais informadas por modelos epidemiológicos (PINNs) para capturar dinâmicas complexas da dengue. Além disso, tem experiência em aprendizado de máquina, inferência causal e desenvolvimento de pipelines de dados para análise epidemiológica.

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: