Dia 26 de maio, às 15h, acontecerá o seminário “Engenharia de Software para Ciência de Dados: Conheça o Livro Pioneiro! “, proferido pelo professor Marcos Kalinowski.
Resumo do Seminário: Os avanços recentes na área de Ciência de Dados — em especial em Machine Learning — e a disponibilidade de grandes quantidades de dados têm tornado viável e de relevância prática a incorporação de componentes de Machine Learning em sistemas de software. Esses componentes permitem às soluções de software aprender a partir dos dados e realizar predições inteligentes. Entretanto, sistemas que envolvem este tipo de componente muitas vezes são construídos sem considerar boas práticas da área de Engenharia de Software, levando muitos projetos de Ciência de Dados ao fracasso, com soluções que acabam não sendo implantadas na prática por não atenderem às necessidades dos clientes.
Neste seminário os autores Marcos Kalinowski, Tatiana Escovedo, Hugo Villamizar e Helio Lopes do DI PUC-Rio apresentam o primeiro livro sobre Engenharia de Software para Ciência de Dados, cuidadosamente elaborado a partir de evidências científicas e experiências práticas em diversos projetos. O livro teve seu lançamento em um evento realizado no dia 04/05 que lotou o auditório do RDC da PUC-Rio e está tendo excelente resposta de cientistas de dados e engenheiros de software, permanecendo como best seller entre livros de processamento de dados nas semanas seguintes. O objetivo do livro é estabelecer uma referência para a área, compartilhando conhecimento até então não consolidado para capacitar profissionais interessados ou atuantes em Ciência de Dados na construção de sistemas baseados em Machine Learning, mostrando como construir esses sistemas *end-to-end*, adaptando e aplicando as melhores práticas da Engenharia de Software para esse contexto.
Confira o livro na Amazon https://a.co/d/2JpiHJF ou direto na editora Casa do Código https://www.casadocodigo.com.br/products/livro-escd
Conheça os palestrantes:
Marcos Kalinowski é Professor Associado do DI PUC-Rio, onde orienta pesquisas de mestrado e doutorado e coordena projetos de pesquisa e desenvolvimento junto a diversas empresas nas áreas de Engenharia de Software e Ciência de Dados por meio da iniciativa ExACTa PUC-Rio. É doutor e mestre em Engenharia de Sistemas e Computação na área de Engenharia de Software e bacharel em Ciência da Computação, todos pela UFRJ. Antes de se tornar professor, atuou por mais de 10 anos na indústria de software (como desenvolvedor, consultor e diretor). É bolsista de produtividade do CNPq e possui mais de 150 artigos publicados nos principais veículos da sua área de atuação. Atua como membro do International Software Engineering Research Network e como Senior Advisor da iniciativa nacional MPS.BR, que tem como objetivo melhorar a capacidade de desenvolvimento de software da indústria brasileira. Mais informações podem ser encontradas no LinkedIn (https://www.linkedin.com/in/kalinowski/) e no Lattes (http://lattes.cnpq.br/1095304607841635).
Tatiana Escovedo é professora do DI PUC-Rio, onde coordena cursos de pós-graduação lato sensu, leciona em cursos de especialização, extensão e graduação e colabora com pesquisas nas áreas de Ciência de Dados e Engenharia de Software. Atua como gerente da área de Tecnologia, Gestão de Dados e Conhecimento da diretoria de Comercialização e Logística da Petrobras. É doutora em Engenharia Elétrica, na área de Métodos de Apoio à Decisão, mestre em Informática na área de Engenharia de Software e bacharel em Sistemas de Informação, todos pela PUC-Rio. É autora de diversos livros e artigos na sua área de atuação. Mais informações podem ser encontradas no LinkedIn (https://www.linkedin.com/in/tatiana-escovedo/) e no Lattes (http://lattes.cnpq.br/9742782503967999).
Hugo Villamizar é professor de cursos de extensão e especialização do DI PUC-Rio. Atua como Analista de Pesquisa e Desenvolvimento na iniciativa ExACTa PUC-Rio, trabalhando com engenharia de software para sistemas inteligentes envolvendo Machine Learning, desde a especificação até sua implantação na nuvem. É doutorando e mestre em Informática pelo Departamento de Informática da PUC-Rio, orientado pelo Prof. Dr. Marcos Kalinowski, com dissertação premiada e diversos artigos na sua área de atuação. Graduado em Sistemas de Informação pela Universidade Nacional da Colômbia. Mais informações podem ser encontradas no LinkedIn (https://www.linkedin.com/in/hrguarinv/) e no Lattes (http://lattes.cnpq.br/8070469401750344).
Hélio Lopes é Professor Associado do DI PUC-Rio, onde orienta pesquisas de mestrado e doutorado e coordena projetos de pesquisa e desenvolvimento junto a diversas empresas nas áreas de Ciência de Dados e Engenharia de Software por meio da iniciativa ExACTa PUC-Rio. É doutor em Matemática, mestre em Informática e graduado em Engenharia da Computação, todos pela PUC-Rio. Tem mais de 30 anos de experiência coordenando projetos de pesquisa e desenvolvimento junto a diversas empresas, tendo registrado patentes e acumulado premiações nesse contexto. É bolsista de produtividade do CNPq e possui mais de 150 artigos publicados nos principais veículos da sua área de atuação. Mais informações podem ser encontradas no LinkedIn (https://www.linkedin.com/in/helio-cortes-vieira-lopes) e no Lattes (http://lattes.cnpq.br/9199970180870105).
O seminário será transmitido ao vivo pelo Youtube, e você pode assistir através do link: https://www.youtube.com/live/rmqm6yaL-YQ?feature=share
A equipe do projeto GrADyS está comemorando a renovação do financiamento da pesquisa junto à AFOSR (Air Force Office of Scientific Research). O GrADyS é um projeto de pesquisa que investiga a estratégia de coordenação de enxames UAVs (drones) para um percorrimento eficiente e a coleta de dados de sensores posicionado no solo, se valendo de redes Mesh e redes Ad Hoc.Os sensores podem estar, por exemplo, em encostas íngremes e indicar o grau de saturamento de umidade do solo. A coleta dos dados, pode assim ser importante para estimar o risco de deslizamento de terra. O projeto realiza testes em mundo real com drones para a validação de testes simulados, trazendo assim achados sobre as discrepâncias entre as simulações e os cenários no mundo real. Também estimulados pela AFOSR, nos primeiros 2 anos do projeto os pesquisadores do DI PUC-Rio iniciaram também uma colaboração com Center of Excellence in Assured Autonomy in Contested Environments, dos EUA, liderado pela Universidade da Flórida, propiciando um intercâmbio de alunos.
Atualmente, o time do projeto é composto por:
Prof. Markus Endler
D.Sc. Bruno Olivieri como Pós Doc fellow e coordenador
D.Sc. Vitor Andrezo como Pós Doc
Marcelo Jucá Paulon, aluno de doutorado
Laércio Lucchesi, aluno de doutorado
Thiago Lamenza, aluno de mestrado
Breno Perricone, Bacharel em Ciência da Computação (formado)
Para ter mais informações sobre o projeto e suas publicações, acesse o link:
http://www.lac.inf.puc-rio.br/index.php/gradys/
Defesa de Tese de Doutorado do aluno Francisco Sergio de Freitas Filho.
Título da tese: “Aprendizado com Restrição de Tempo: Problemas de Classificação”
Resumo: Com a crescente quantidade de dados sendo gerados e coletados, torna-se mais comum cenários em que se dispõe de dados rotulados em larga escala, mas com recursos computacionais limitados, de modo que não seja possível treinar modelos preditivos utilizando todas as amostras disponíveis. Diante dessa realidade,adotamos o paradigma de Machine Teaching como uma alternativa para obter modelos eficazes utilizando um subconjunto representativo dos dados disponíveis.Inicialmente, consideramos um problema central da área de Machine Teaching que consiste em encontrar o menor conjunto de amostras necessário para obter uma dada hipótese alvo h*. Adotamos o modelo de ensino black-box learner introduzido em (DASGUPTA et al., 2019), em que o ensino é feito interativamente sem qualquer conhecimento sobre o algoritmo do \textit{learner} e sua classe de hipóteses, exceto que ela contém a hipótese alvo h*. Refinamos alguns resultados existentes para esse modelo e estudamos variantes dele. Em particular, estendemos um resultado de(DASGUPTA et al., 2019) para o cenário mais realista em que h* pode não estar contido na classe de hipóteses do learner e, portanto, o objetivo do teacher é fazer o learner convergir para a melhor aproximação disponível de h*. Também consideramos o cenário com black-box learners não adversários e mostramos que podemos obter melhores resultados para o tipo de learner que se move para a Departamento de Informática, PUC-Rio Página 2 de 4 Formulário para Marcação de Defesa – Doutorado Próxima hipótese de maneira suave, preferindo hipóteses que são mais próximas da hipótese atual.Em seguida, abordamos o problema de Aprendizado com Restrição de Tempo considerando um cenário em que temos um enorme conjunto de dados e um limite de tempo para treinar um dado learner usando esse conjunto. Propomos o método TCT, um algoritmo para essa tarefa, desenvolvido com base nos princípios de Machine Teaching. Apresentamos um estudo experimental envolvendo 5 diferentes learners e 20 datasets no qual mostramos que TCT supera métodos alternativos considerados. Finalmente, provamos garantias de aproximação para uma versão simplificada do TCT.
Orientador: Prof. Dr. Eduardo Sany Laber
Co-orientador: Prof Dr. Marco Serpa Molinaro
Banca:
Prof. Dr. Fabio Andre Machado Porto
Prof. Dr. Bianca Zadrozny
Prof. Dr. Edward Hermann Haeusler
Prof. Dr. Diego Parente Paiva Mesquita
Prof. Dr. Jose Alberto Rodrigues Pereira Sardinha
Prof. Dr. Sérgio Colcher
Assista a defesa pelo link: https://puc-rio.zoom.us/j/91012978004?pwd=dS9OWGJ1MlR6QytMVnhkYlpUcGE1QT09
Autor: Francisco Sergio de Freitas Filho
Orientador: Eduardo Sany Laber
Data e Hora: 24/05/2023 às 13:00
No dia 4 de maio, no auditório do RDC, aconteceu o lançamento oficial do livro “Engenharia de Software para Ciência de Dados”.
Durante o evento, o autor Marcos Kalinowski reforçou a necessidade que o mercado tinha de conteúdos como esse e destacou a importância do livro para o contexto Brasileiro, visando a produção de Sistemas de Software Inteligentes com qualidade.
Elaborado com base em evidências científicas e experiências práticas, é internacionalmente o primeiro livro sobre o assunto, com 476 páginas de conteúdo e boas práticas para a construção end-to-end de Sistemas Inteligentes envolvendo Machine Learning.
Os co-autores Tatiana Escovedo, Hugo Villamizar e Hélio Lopes também fizeram considerações, agradecendo a presença dos alunos, ex-alunos e professores, e reforçando a qualidade do conteúdo que o livro oferece.
“Engenharia de Software para Ciência de Dados” está tendo uma ótima resposta de vendas, assumindo a liderança na Amazon na categoria de livros de processamento de dados, logo após o lançamento.
Você pode comprar o livro através do link:
https://www.casadocodigo.com.br/products/livro-escd
Confira abaixo a relação dos capítulos:
Parte I – Introdução à Engenharia de Software e à Ciência de Dados
1 Introdução à Engenharia de Software
2 Introdução à Ciência de Dados
Parte II – Abordagens e Especificação de Sistemas Inteligentes
3 Abordagens para a Engenharia de Sistemas Inteligentes
4 Especificação de Sistemas de Software Inteligentes
Parte III – Programação com Boas Práticas de Projeto e Construção
5 Introdução à Linguagem Python
6 Orientação a Objetos em Python
7 Boas Práticas de Projeto e Construção de Sistemas
Parte IV – Tópicos de Ciência de Dados
8 Análise Exploratória e Visualização de Dados
9 Pré-Processamento de Dados
10 Algoritmos de Machine Learning para Classificação e Regressão
11 Recursos Avançados de Machine Learning
Parte V – Arquitetura, Projeto e Controle da Qualidade
12 Implantação de Modelos de Machine Learning
13 Arquitetura de Sistemas de Software Inteligentes
14 Projeto de Sistemas de Software Inteligentes
15 Controle da Qualidade de Sistemas de Software Inteligentes
16 Gerência de Configuração, DevOps e MLOps em Sistemas Inteligentes
Dia 12 de maio, às 15h, acontecerá o seminário “Propositional proofs compression”, proferido pelo professor Edward Hermann Haeusler. O Seminário será presencial, na sala 511 do RDC.
Seminário da Pós: Propositional proofs compression
Resumo do Seminário: This talk presents a novel compressing propositional proof task and its relevance in solving some computational complexity well-known conjectures.
Conheça o Professor: Edward Hermann Haeusler graduated with a bachelor’s degree in Mathematics (1983 at the University of Brasília. Brazil), he got a Master’s degree in Theoretical Computer Science (1986 at PUC-Rio, Brasil) and a DSc degree in Theoretical Computer Science (1990 at PUC-Rio, Brasil). He spent three post-doctoral stages: 1-BRICS, Aarhus University, Denmark, 1994; 2- Informatics Department, Tuebingen University, Germany, 2003 and INRIA-Paris, France, 2013-2014.
Edward Hermann Haeusler supervised more than 24 PhDs and published more than 70 journal articles in international journals with reviewing. He has been an associate professor at the Department of Informatics, PUC-Rio, since 1996, hired in 1991 as an assistant professor. He was a Brazilian Council for Scientific Research (CNPq) researcher from 1992 to 2020. He is a consultant of FAPERJ and CAPES. He was also the program chair and local chair of more than a dozen international and national conferences and workshops.
His main research fields are theoretical computer science, formal semantics, logic and proof theory. He coordinates TecMF, the Laboratory of Technology on Formal Methods.
Marcos Kalinowski, juntamente com seus co-autores Tatiana Escovedo, Hugo Villamizar e Hélio Lopes, anunciam o evento de lançamento do livro de Engenharia de Software para Ciência de Dados, que acontecerá no dia 04/05 às 18:30 no Auditório do RDC da PUC-Rio. Haverá uma apresentação dos autores sobre a obra, um coquetel de celebração e venda de livros com desconto especial de lançamento no local.
Trata-se internacionalmente do primeiro livro sobre Engenharia de Software para Ciência de Dados.
Com um conteúdo de 476 páginas, o objetivo do livro é consolidar e compartilhar conhecimento para capacitar profissionais interessados ou atuantes em Ciência de Dados na construção de sistemas baseados em Machine Learning end-to-end com as melhores práticas. O livro foi cuidadosamente elaborado a partir de evidências científicas e experiências práticas dos autores em diversos projetos. O livro já tem milhares de pessoas cadastradas na fila de espera e os autores esperam que o material possa ser útil para muitos.
Embora o livro tenha sido escrito em português, é o primeiro a compilar este conhecimento. Sim, dessa vez o Brasil saiu na frente! Já estão em progresso também os trabalhos da versão em inglês, junto com parceiros do Blekinge Institute of Technology, que assim como a PUC-Rio, possui uma iniciativa distinta de cooperação com a indústria na interseção entre estas áreas.
Confira a relação dos capítulos:
Parte I – Introdução à Engenharia de Software e à Ciência de Dados
1 Introdução à Engenharia de Software
2 Introdução à Ciência de Dados
Parte II – Abordagens e Especificação de Sistemas Inteligentes
3 Abordagens para a Engenharia de Sistemas Inteligentes
4 Especificação de Sistemas de Software Inteligentes
Parte III – Programação com Boas Práticas de Projeto e Construção
5 Introdução à Linguagem Python
6 Orientação a Objetos em Python
7 Boas Práticas de Projeto e Construção de Sistemas
Parte IV – Tópicos de Ciência de Dados
8 Análise Exploratória e Visualização de Dados
9 Pré-Processamento de Dados
10 Algoritmos de Machine Learning para Classificação e Regressão
11 Recursos Avançados de Machine Learning
Parte V – Arquitetura, Projeto e Controle da Qualidade
12 Implantação de Modelos de Machine Learning
13 Arquitetura de Sistemas de Software Inteligentes
14 Projeto de Sistemas de Software Inteligentes
15 Controle da Qualidade de Sistemas de Software Inteligentes
16 Gerência de Configuração, DevOps e MLOps em Sistemas Inteligentes
Esperamos vocês no lançamento!
Defesa de Dissertação de Mestrado do aluno Daniel Cesar Bosco de Miranda.
Título da Dissertação: Vision Transformers e Masked Autoencoders para segmentação de fácies sísmicas
Resumo: Desde a introdução dos Vision Transformers (ViT) no campo da visão computacional, esta arquitetura de Deep Learning (DL) e suas variantes têm obtido resultados de ponta em uma variedade de tarefas, superando as bem estabelecidas Convolutional Neural Networks (CNN). No entanto, sua aplicação à interpretação de dados sísmicos ainda está no começo. A ViT leva em conta a interação de longo alcance entre todas as partes de uma imagem de entrada e não tem a limitação de campos receptivos como as CNNs, que podem ser importantes para distinguir sutilezas na interpretação de dados sísmicos. Para avaliar isso, exploramos a segmentação semântica de dados sísmicos no Bloco F3, usando o benchmark realizado com CNNs por Alaudah et al. (2019) como referência. Em vez da tradicional arquitetura com encoder e decoder convolucionais, usamos um encoder ViT com um decoder convolucional simples, a arquitetura Segmentation Transformer (Zheng et al. 2021).A maneira padrão de usar uma arquitetura DL é pegar os pesos da rede do pré-treinada na tarefa de classificação do ImageNet e ajustar os pesos aos nossos dados e tarefas. Mas o recente progresso do Aprendizado auto-supervisionado permitiu o treinamento de Redes Neurais Profundas sem a necessidade de dados rotulados, o que é uma excelente oportunidade para explorar o potencial dos dados sísmicos. Para também avaliar o impacto dessa inovação na interpretação sísmica, neste trabalho pré-treinamos um ViT com três conjuntos de dados sísmicos usando uma técnica denominada Masked Autoencoders (He et al. 2022). Avaliamos o valor desse pré-treinamento comparando os ganhos na segmentação semântica do Bloco F3.
Orientador: Prof. Dr. Marcelo Gattass
Banca:
Prof. Dr. Alberto Barbosa Raposo
Prof. Dr. Aristófanes Corrêa Silva
Prof. Dr. Marcos de Carvalho Machado
Prof. Dr. Jan Jose Hurtado Jauregui
Assista a defesa pelo link https://puc-rio.zoom.us/j/94359396477?pwd=eFZkMi8wWTBCU3BpKzZMTStucUxnUT09
No início deste ano, o Departamento de Informática da PUC-Rio contratou três novos professores pesquisadores. Conheça um pouco mais sobre suas formações, áreas de atuação, interesses e pesquisas.
Paulo Ivson: Doutor e Mestre em Informática, com foco em Computação Gráfica, tendo se graduado em Engenharia de Computação pela PUC-Rio. Em 2023, assumiu o cargo de professor do quadro principal do Departamento de Informática da PUC-Rio, tendo atuado por mais de 18 anos como pesquisador da universidade em projetos de P&D&I com a indústria. Paulo Ivson possui produções científicas em conferências e periódicos nacionais e internacionais nas áreas de Visualização, Renderização em Tempo Real, Computer-Aided Design (CAD), Building Information Modeling (BIM) e Sistemas de Produção Lean.
Sua pesquisa atual busca combinar técnicas inovadoras de Computação Gráfica e Inteligência Artificial para aplicações de engenharia. Além de ser professor do Departamento de Informática da PUC-Rio, Paulo Ivson atua também no Instituto Tecgraf da universidade, onde participa de projetos de P&D&I produzindo softwares técnico-científicos para as indústrias de Óleo e Gás, Construção Civil, Manufatura e Logística. Os projetos envolvem colaborações com demais professores e órgãos da PUC-Rio como, por exemplo, os departamentos de Informática, Engenharia Elétrica, Engenharia Industrial e Engenharia Civil, além de startups do Instituto Gênesis. Nesta atuação, Paulo Ivson promove a pesquisa e desenvolvimento de tecnologias inovadoras baseadas em conceitos da Indústria 4.0 e Building Information Modeling (BIM), como Gêmeos Digitais, com o objetivo de tornar mais eficientes e ecossustentáveis as etapas de projeto, construção e gestão do ciclo de vida de ativos. As pesquisas envolvem desafios nas áreas de Visualização e Renderização 3D, Geometria Computacional, Processamento de Imagem e Visão Computacional, Ciência de Dados e Inteligência Artificial.
Greis Silva: Doutora e mestre em Informática com ênfase em Interação Humano-Computador (IHC) pela PUC-Rio. Obteve várias distinções acadêmicas e de pesquisa durante sua graduação (ciência da computação) e pós-graduação. Realizou pós-doutorado no Laboratório Nacional de Computação Científica (LNCC) e no Departamento de Informática da PUC-Rio. Pesquisadora e Consultora acadêmico-tecnológica no Instituto Tecgraf/PUC-Rio, liderando a equipe de Ciência de Dados no grupo “Realidade Estendida e Visão Computacional” em projetos junto à Petrobras. Tem participado na orientação de alunos de graduação, mestrado e doutorado em pesquisas nas áreas de IHC, Realidade Virtual e Machine Learning. Sua pesquisa tem resultado em várias publicações em revistas científicas e conferências nacionais e internacionais, obtendo premiações na categoria “Best Paper”. Seus interesses de pesquisa incluem a interseção entre IHC e Machine Learning (ML), tais como sistemas inteligentes aplicados a áreas da saúde, indústria e educação; técnicas de ML nos processos de IHC, como modelagem de usuário utilizando ML; design de IHC para sistemas inteligentes; jogos sérios, tecnologias assistivas, interação multimodal e computação afetiva. Sua intenção é contribuir no ensino, pesquisa e extensão, promovendo e realizando projetos interdisciplinares com parcerias nacionais e internacionais para continuar desenvolvendo pesquisa aplicada, de qualidade e com alto impacto social. Pesquisa também sustentada pela sua atuação no Instituto Tecgraf/PUC-Rio, participando de projetos de P, D & I junto a empresas parceiras.
Alberto Sardinha: O professor Alberto Sardinha fez o seu doutorado em Informática na PUC-Rio na área da Inteligência Artificial e Aprendizado de Máquina. Fez um pós-doutorado na Carnegie Mellon University e fez parte da equipe que desenvolveu um sistema multi-agente para comércio eletrônico que ficou em primeiro lugar na Trading Agent Competition, competição que reunia os principais pesquisadores da área da Inteligência Artificial (e.g., pesquisadores de CMU, Brown, Cornell, Michigan e Harvard). Recebeu uma bolsa Marie Curie da União Européia para desenvolver pesquisa na área de Sistemas Multi-Agente e Aprendizado de Máquina na Lancaster University. Orientou vários mestres e doutores que estão nas principais empresas de tecnologia (e.g., Google, IBM, Microsoft). Tem ampla experiência em projetos de P&D. Possui publicações em conferências e periódicos internacionais, tais como a ACL, AAMAS, IROS, EJOR, CL e JAAMAS.
Alberto Sardinha é professor e pesquisador em Inteligência Artificial e Aprendizado de Máquina, como foco em Sistemas Multi-Agente. Atualmente, tem feito pesquisa na área de Deep Reinforcement Learning, Multiagent Reinforcement Learning, Active Learning, NLP e Real Options. Já participou de vários projetos de P&D com parceiros acadêmicos internacionais e da indústria. Como coordenador, conseguiu projetos altamente competitivos de agências de fomento no exterior, tais como a Fundação para a Ciência e a Tecnologia de Portugal e a Air Force Office of Scientific Research dos EUA.
Desejamos boas-vindas aos novos professores!
Defesa de Dissertação de Mestrado do aluno Taylor Oliveira Fidelis.
Título da dissertação: Uma abordagem de ciências de dados e atuária para fundamentação de estratégias de diluição de riscos envolvendo ventos extremos no sul do Brasil
Resumo: Com o aumento da frequência de tempestades de ventos no Sul do Brasil, em especial após o evento conhecido como ”ciclone bomba” em junho de 2020, o setor segurador e ressegurador teme grandes perdas econômicas. A correlação espacial entre os danos pode inviabilizar a diversificação dos riscos por meio do teorema do limite central, colocando em risco as estratégias de precificação e diluição de riscos utilizadas atualmente. Neste contexto, este trabalho teve como objetivo classificar as áreas de risco no Sul do Brasil e compreender a correlação espacial do risco de tempestades de ventos, a fim de fornecer informações relevantes para a formulação de futuras estratégias de diluição de risco. Os principais resultados incluem a classificação das áreas de maior e menor risco e a coleta de informações para o desenvolvimento de estratégias de precificação e diluição de risco para perdas econômicas causadas por tempestades de vento na região sul do Brasil.
Orientador: Prof. Dr. Hélio Côrtes Vieira Lopes
Banca:
Prof. Dr. Bruno Fânzeres dos Santos
Prof. Dr. Cassio Freitas Pereira de Almeida
Prof. Dr. Marcos Kalinowski
Assista a defesa pelo link https://puc-rio.zoom.us/j/98653501159?pwd=V2lIaXEwb2REMzZYbjJaSmpVQVhoZz09
