Bem-vindo!

Meu nome é Leandro e sou engenheiro de aprendizado de máquina apaixonado por aproveitar dados para resolver problemas complexos.

Sobre mim

Com formação em Ciência da Computação, comecei a trabalhar com Machine Learning em 2007, durante meu mestrado. Depois disso, utilizei técnicas de Machine Learning para identificar padrões em pacientes com câncer de mama e de próstata. Durante meu doutorado, integrei e analisei dados de DNA e RNA de pacientes com TDAH para identificar padrões nos genes e funções biológicas subjacentes à doença.

Habilidades

• Programação em Python (incluindo Django e Flask), R, Bash, Javascript, C, PHP, Java, Perl
• Aprendizado de máquina (Scikit-Learn, PyTorch, Tensorflow)
• Análise estatística, redes complexas, processamento de linguagem natural, sistemas de recomendação
• Sistemas Linux/Unix e ambientes de computação paralela de alto desempenho
• Sistemas de gerenciamento de banco de dados relacional: MySQL, Postgres, SQLite

Ensino (Ciência de Dados e Ciência da Computação)

Fui professor de Ciência da Computação por 4.5 anos. Lecionei as seguintes disciplinas em uma universidade (FMU) no Brasil:

• Algoritmos Gráficos
• Projeto e Análise de Algoritmos
• Estruturas de dados
• Inteligência artificial
• Programação C
• Desenvolvimento de jogos com Python
• Teste de software
• Programação Orientada a Objetos com Java

Aprendizado de Máquina (projetos recentes)

No Gladstone Institutes, construí um pipeline de ponta a ponta para:

1. extrair, limpar e transformar recursos
2. treinar, testar e validar diferentes modelos de ML
3. use valores SHAP para verificar a importância do recurso
4. comparar as diferentes entradas e modelos usando ferramentas como Weights & Biases e Neptune.ai (a serem visualizados por biólogos)

Na Meta, trabalhei em um projeto para prever a popularidade/viralidade (número de visualizações) da maior parte do conteúdo (vídeos, fotos, posts, stories, etc.) no Facebook e Instagram. Eu fui responsável por:

1. Criação/remoção de log de recursos (PHP)
2. Adicionando novos recursos ao modelo (Python)
3. Treinar/testar o modelo offline
4. Testar o modelo on-line (para uma porcentagem pequena, mas crescente, de clientes/solicitações de API)
5. Verificar diversas métricas para garantir que o modelo possa ser implantado em todos os clientes, e
6. Implantar o modelo para todos os clientes se as métricas parecerem boas.

De forma independente, estou trabalhando em um projeto chamado “Videos to Books”, para aproveitar LLMs para criar livros baseados em uma playlist de vídeos.

Áreas de interesse

Embora tenha experiência com sistemas de recomendação e sistemas gerais de ML, também estou interessado em visão computacional e grandes modelos de linguagem.