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:
Matheus Secco Torres da Silva é doutor em Matemática pela Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio), tendo concluído seus estudos sob orientação do professor Simon Griffiths. Após um pós-doutorado na Czech Academy Of Sciences (República Tcheca), trabalhou como quant no Goldman Sachs e na Giant Steps e atualmente é co-portfolio manager de um fundo quantitatuvo no Asa. Tem interesse nas áreas de Combinatória, Probabilidade e Finanças Quantitativas. Participou de diversas olimpíadas internacionais no ensino médio e na universidade.
Professor associado da FGV-EMAp desde Novembro de 2023. Em 2002 obteve a graduação em Matemática pela Universidade de Lisboa, e o Mestrado em Matemática em 2005 na mesma instituição. Em 2008 Doutorou-se em Matemática na Université Paris 6 Pierre et Marie Curie (hoje Sorbonne Université). De 2008 a 2013 foi Pós-doutorando e Pesquisador "Ciência 2008" no Centro de Matemática e Aplicações Fundamentais da Universidade de Lisboa, e em 2013 ingressou como Professor na Universidade Federal do Rio de Janeiro.
Após iniciar o curso de engenharia eletrônica na UFRJ em 2003 e realizar uma iniciação científica em redes neurais para construção de classificadores especialistas no Laboratório de Processamento de Sinais (COPPE/UFRJ), participou do programa de duplo diploma com a École polytechnique - Paris (França) onde concluiu o bacharelado em engenharia em 2006. No ano seguinte cursou primeiro ano de mestrado da École polytechnique, concluído com um trabalho sobre os "Dessins d'enfants" de Grothendieck.
Meus interesses de pesquisa revolvem em torno de Inferência Bayesiana, Deep Learning, e a combinação dos anteriores. A longo prazo, meus objetivos são: I) estender a aplicabilidade de inferência Bayesiana sob diferentes condições (e.g., dados distribuídos, larga escala, e observações incertas); e II) promover o pragmatismo em métodos de Deep Learning, iluminando conceitos pouco compreendidos e criando modelos mais simples. Antes de me juntar à EMAp, eu obtive meu doutorado na Aalto University (Finlândia).
ÁREAS DE INTERESSE:
Possui graduação em Matemática - Universidad de Buenos Aires (1971), mestrado em Matemática - Stanford University (1979) e doutorado em Matemática - Stanford University (1981). Atualmente é pesquisador titular iii do Instituto Nacional de Matemática Pura e Aplicada. e Professor Titular da Escola de Matemática Aplicada (EMAp) da Fundação Getúlio Vargas (FGV) , atuando principalmente no seguinte tema: Otimização.
ÁREAS DE INTERESSE:
Dário Oliveira graduou-se em Engenharia Elétrica pela Universidade do Estado do Rio de Janeiro (UERJ) em 2007, com especialização em Computação e Sistemas. Em 2009, ele concluiu o mestrado em engenharia elétrica com ênfase em Análise de Imagens e Visão Computacional pela Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio), desenvolvendo parte de seu mestrado no Instituto Superior Técnico, Lisboa, Portugal. Ele recebeu seu Ph.D. pela Puc-Rio em 2013, fazendo parte de seu doutorado na Universidade Leibniz de Hannover, Alemanha.
Possui graduação em Engenharia da Computação (2004), Mestrado em Engenharia da Computação: Redes de Computadores e Sistemas Distribuídos e Doutorado em Engenharia da Computação: Interação Humano-Computador pela Pontifícia Universidade Católica do Rio de Janeiro.
Especialista em Matemática: Criptografia pela Universidade Federal Fluminense e Especialista em Gerenciamento de Projetos de Software pela Pontifícia Universidade Católica do Rio de Janeiro.
Possui graduação em Matemática Aplicada (2007) e mestrado em Estatística (2010), ambos pela Universidade Federal do Rio de Janeiro (UFRJ) e doutorado em Estatística (2016) pelo University College London (UCL). Atualmente é Professor Adjunto na Escola de Matemática Aplicada (EMAp) da Fundação Getulio Vargas (FGV-RJ) e Visiting Associate Professor no Department of Statistics and Applied Probability da University of California, Santa Barbara (UCSB).
Tem graduação em Microbiologia e Imunologia (2012) pela Universidade Federal do Rio de Janeiro (UFRJ) e doutorado (2018) em Biologia Evolutiva pela University of Edinburgh, no Reino Unido.
Tem interesse em estatística (bayesiana) aplicada às biociências, atuando nas seguintes áreas: cadeias de Markov Monte Carlo (MCMC) para espaços discretos; métodos de combinação de distribuições de probabilidade; modelagem estatística em Epidemiologia, Medicina, Genética e áreas afins.
ÁREAS DE INTERESSE: