Especialistas Seniores em Covid-19 com atuação no Brasil

Eduardo Soares Ogasawara

Sou professor do Departamento de Ciência da Computação do Centro Federal de Educação Tecnológica do Rio de Janeiro (CEFET/RJ) desde 2010. Sou Mestre e Doutor em Engenharia de Sistemas e Computação pela COPPE/UFRJ. Entre 2000 e 2007, trabalhei na área de Tecnologia da Informação (TI), onde adquiri vasta experiência em workflows e gerenciamento de projetos. Tenho uma sólida formação em bancos de dados e meu interesse principal é ciência de dados. Atualmente, estou interessado em mineração de dados, workflows e séries temporais. Sou membro do IEEE, ACM, INNS e SBC. Ao longo da minha carreira, venho apresentando um número consistente de artigos publicados e projetos aprovados por agências de fomento, como CNPq e FAPERJ. Também sou revisor de vários periódicos e conferências internacionais, incluindo IEEE Transactions on Big Data, Future Generations Computer Systems, SIAM Data Mining (SDM) e Very Large Databases (VLDB). Liderei a criação do Programa de Pós-Graduação em Ciência da Computação (PPCIC) do CEFET/RJ, onde fui coordenador de 2016 a meados de 2021. (Texto informado pelo autor)

  • https://lattes.cnpq.br/0528303491410251 (14/10/2021)
  • Rótulo/Grupo:
  • Bolsa CNPq: Nível 2
  • Período de análise:
  • Endereço: Centro Federal de Educação Tecnológica Celso Suckow da Fonseca, DIPPG. Av. Maracanã, 229 - Bloco E sala 504/23 Maracanã 20271110 - Rio de Janeiro, RJ - Brasil Telefone: (21) 25663179 Ramal: 238 URL da Homepage: https://eic.cefet-rj.br/~eogasawara/
  • Grande área: Ciências Exatas e da Terra
  • Área: Ciência da Computação
  • Citações: Google Acadêmico

Produção bibliográfica

Produção técnica

Produção artística

Orientações em andamento

Supervisões e orientações concluídas

Projetos de pesquisa

Prêmios e títulos

Participação em eventos

Organização de eventos

Lista de colaborações

Produção bibliográfica

Produção técnica

Produção artística

Orientações em andamento

Supervisões e orientações concluídas

Projetos de pesquisa

  • Total de projetos de pesquisa (11)
    1. 2019-Atual. Programa de Pos-graduacao em Ciencia da Computacao
      Descrição: Processo: E-26/010.001353/2019, Programa: FAPERJ Apoio Emergencial a Programas de Pós-graduação do Rio de Janeiro, Valor financiado: R$39.879,98. O Programa de Pós-graduação em Ciência da Computação (PPCIC) do CEFET/RJ engloba o curso de Mestrado em Ciência da Computação. O Programa foi aprovado pelo CTC da CAPES em abril/2016. O PPCIC está inserido na área de conhecimento e área de concentração de Ciência da Computação. Em 2016, o programa passou por sua primeira avaliação, recebendo conceito bom em todos os quesitos aplicáveis da CAPES, porém foi classificado como nível 3 dada a não existência de egressos naquele momento. O PPCIC visa a formação de egressos capacitados para pesquisar, ensinar e desenvolver conhecimento científico e tecnológico na área de Ciência da Computação. Em particular, o programa tem uma ênfase na formação dos cientistas de dados, profissional com visão multidisciplinar, responsável por formular problemas sob uma perspectiva centrada em dados, transformando-os em conhecimento. Essa abordagem adotada por nosso grupo está aderente ao processo multidisciplinar da Computação. O PPCIC está organizado nas linhas Análise de Dados e Aplicações e Aprendizado de Máquina e Otimização, as quais contemplam um conjunto de projetos de pesquisa. O programa tem quatorze docentes, treze disciplinas e infraestrutura de laboratórios e biblioteca.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (45) . Integrantes: Eduardo Soares Ogasawara - Coordenador.
      Membro: Eduardo Soares Ogasawara.
    2. 2019-Atual. Metodos resilientes a nao-estacionariedade no contexto de Ciencia de Dados
      Descrição: Processo: 303536/2018-7, Programa: PQ 2018, Valor financiado: R$39.600,00. O fenômeno do Big Data vem sendo produzido pelas ciências, empresas e governos. Ele se apresenta como um dos grandes desafios para a atual sociedade do conhecimento. A necessidade de extração de conhecimento no contexto de Ciência de Dados cresce significativamente, recaindo na exploração de métodos de Mineração de Dados para predição, classificação e descoberta de padrões. Diversos dos fenômenos estudados correspondem a ambientes não-estacionários, frequentemente associados ao tempo e espaço. Tal propriedade torna a Mineração de Dados bem mais complexa. Este projeto de pesquisa visa aumentar a eficiência e eficácia das abordagens nestes ambientes, focando-se tanto na gerência quanto na análise de dados. Para tanto, pretende-se atuar em três frentes de trabalho: (i) gerência de dados, (ii) métodos para descoberta de padrões, (iii) métodos de predição. A pesquisa combina o estudo aplicado de séries espaço-temporais com as pesquisas básicas em gerência e análise de dados visando entender a fundo em que circunstâncias tais abordagens podem ser refinadas para apoiar a não-estacionariedade.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (8) / Mestrado profissional: (10) / Doutorado: (2) . Integrantes: Eduardo Soares Ogasawara - Coordenador. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa.
      Membro: Eduardo Soares Ogasawara.
    3. 2018-Atual. Gerencia e Analise de Series Espaco-Temporais: Metodos & Aplicacoes
      Descrição: Processo: E-26/203.239/2017, Programa: Jovem Cientista do Nosso Estado (JCNE), Valor financiado: R$75.600,00. O tratamento do dilúvio de dados que vêm sendo produzido pelas ciências, corporações e por bilhões de usuários de serviços de Internet globais se apresenta como um dos grandes desafios para a atual sociedade do conhecimento. A necessidade de gerência, análise e extração de conhecimento a partir desses dados cresce significativamente. Um subconjunto de aplicações relevantes nesse processo engloba o estudo de séries temporais e espaço-temporais. A Mineração de Dados em séries espaço-temporais comumente recai na exploração de métodos de representação, transformação, predição, classificação e padrões frequentes. Para cada método, existem inúmeros algoritmos. A solução de um determinado problema pode envolver a combinação de diferentes métodos e algoritmos. Este projeto de pesquisa visa contribuir para o aumento da eficiência e eficácia das abordagens na gerência e análise de dados de séries espaço-temporais em diferentes aplicações. Para tanto, pretende-se atuar em três frentes: (i) Gerência de dados, (ii) Métodos de pré-processamento e análise de dados, (iii) Aplicações em problemas de predição, classificação e padrões frequentes. A pesquisa combina o estudo aplicado de séries temporais e espaço-temporais em problemas de Mineração de Dados com as pesquisas básicas em gerência e análise de dados visando entender a fundo em quais circunstâncias tais abordagens podem ser refinadas para apoiar às séries espaço-temporais. A partir dessa compreensão, será possível investir com propriedade na resolução de problemas reais propostos para cenários de predição, classificação e padrões frequentes em séries espaço-temporais.. Situação: Em andamento; Natureza: Pesquisa. Integrantes: Eduardo Soares Ogasawara - Coordenador. Financiador(es): Centro Federal de Educação Tecnológica Celso Suckow da Fonseca - Bolsa.
      Membro: Eduardo Soares Ogasawara.
    4. 2017-2019. SciDISC - Scientific data analysis using Data-Intensive Scalable Computing
      Descrição: This project is an international collaborative project between Brazil and France, funded by the French side. --Inria (France) supports "Associate Teams" to strengthen scientific collaboration between Inria project teams and top-level research teams worldwide. -- Data-intensive science requires the integration of two fairly different paradigms: high-performance computing (HPC) and data-intensive scalable computing (DISC). Spurred by the growing need to analyze big scientific data, the convergence between HPC and DISC has been a recent topic of interest. This project will address the grand challenge of scientific data analysis using DISC (SciDISC), by developing architectures and methods to combine simulation and data analysis. The expected results of the project are: new data analysis methods for SciDISC systems; the integration of these methods as software libraries in popular DISC systems, such as Apache Spark; and extensive validation on real scientific applications, by working with our scientific partners such as INRA and IRD in France and Petrobras and the National Research Institute (INCT) on e-medicine (MACC) in Brazil. https://www.inria.fr/en/associate-team/scidisc.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Eduardo Soares Ogasawara - Integrante / Daniel Cardoso Moraes de Oliveira - Integrante / Marta Lima de Queiros Mattoso - Coordenador / Kary Ocana - Integrante / Fábio Porto - Integrante / Patrick Valduriez - Integrante / Esther Pacitti - Integrante / Alvaro L. G. A. Coutinho - Integrante / Florent Masseglia - Integrante / Dennis Shasha - Integrante / José Camata - Integrante / Ji Liu - Integrante. Financiador(es): Institut National de Recherche en Informatique et en Automatique - Siège - Cooperação.
      Membro: Eduardo Soares Ogasawara.
      Descrição: SciDISC (Scientific data analysis using Data-Intensive Scalable Computing) is an associated team (?équipe associée?), between Zenith and 4 teams in the state of Rio de Janeiro (LNCC, COPPE/UFRJ, UFF and CEFET) since january 2017. SciDISC is headed by Marta Mattoso (COPPE/UFRJ) and Patrick Valduriez (Zenith).. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Doutorado: (8) . Integrantes: Alvaro Luiz Gayoso de Azeredo Coutinho - Integrante / Marta Lima de Queiros Mattoso - Coordenador / Camata, Jose J. - Integrante / SILVA, VÍTOR - Integrante / Renan Francisco de Souza - Integrante. Financiador(es): INRIA - Cooperação.
      Membro: Alvaro Luiz Gayoso de Azeredo Coutinho.
    5. 2017-2019. Programa de Pos-graduacao em Ciencia da Computacao
      Descrição: Processo: E-26/200.906/2017, Programa: FAPERJ Apio Emergencial a Programas de Pós-graduação do Rio de Janeiro, Valor financiado: R$45.000,00. O Programa de Pós-graduação em Ciência da Computação (PPCIC) do CEFET/RJ, aprovado pelo CTC da CAPES em abril/2016, está inserido na área de conhecimento e área de concentração de Ciência da Computação. O PPCIC engloba o curso de Mestrado em Ciência da Computação e, por ser um programa recém criado, está avaliado como nível 3. O PPCIC visa a formação de egressos capacitados para pesquisar, ensinar e desenvolver conhecimento científico e tecnológico na área de Ciência da Computação. Em particular, o programa tem uma ênfase na formação dos cientistas de dados, profissional com visão multidisciplinar, responsável por formular problemas sob uma perspectiva centrada em dados, transformando-os em conhecimento. Por meio deste foco, o programa combina pesquisa básica com aplicada. Essa é uma característica presente no perfil dos pesquisadores do quadro docente atual e esperado para os futuros docentes a serem incorporados ao programa. Essa combinação estabelece uma estratégia promissora, uma vez que ao mesmo tempo em que se estabelece resultados teóricos que subsidiam a construção de novas aplicações para solução de questões práticas, os problemas práticos muitas vezes propiciam a elaboração de novos arcabouços teóricos. Essa abordagem adotada por nosso grupo está aderente ao processo multidisciplinar da Computação. O PPCIC está organizado nas linhas Gerência de Dados e Aplicações e Métodos Baseado em Dados, as quais contemplam um conjunto de projetos de pesquisa. O programa tem doze docentes, dez disciplinas e infraestrutura de laboratórios e biblioteca.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Mestrado acadêmico: (44) . Integrantes: Eduardo Soares Ogasawara - Coordenador. Financiador(es): FAPERJ - Bolsa.
      Membro: Eduardo Soares Ogasawara.
    6. 2016-2019. Ciencia de Dados em Series Espaco-Temporais: Gerencia de Dados & Applications
      Descrição: Processo: 302993/2015-0, Programa: PQ 2015, Valor financiado: R$39.600,00. Ciência de Dados é uma disciplina de extração de conhecimento a partir dos dados. Um subconjunto de aplicações relevantes de Ciência de Dados engloba o estudo de séries temporais e espaço-temporais. As séries temporais correspondem a uma sequencia de observações, enquanto as séries espaço-temporais apresentam uma posição associada a essa sequência. Essas observações podem ser univariadas, multivariadas e ter domínios diferentes, trazendo um caráter heterogêneo aos dados. As aplicações em séries espaço-temporais comumente recaem na exploração de métodos de representação, indexação, predição, classificação e padrões frequentes. Para cada método, existem inúmeros algoritmos associados. A solução de um determinado problema pode envolver a combinação de diferentes métodos e algoritmos. Nesse contexto, a gerência dos dados passa a ser um ponto chave no processo de extração de conhecimento. Desta forma, este trabalho de pesquisa visa contribuir para o aumento da eficiência e eficácia das abordagens na gerência de dados de séries espaço-temporais em diferentes aplicações. Para tanto, pretende-se atuar em três frentes: (i) Armazenamento e Paralelismo de Dados, (ii) Métodos de Preprocessamento, (iii) Aplicações em Problemas de Predição, Classificação e Padrões Frequentes. A pesquisa combina o estudo aplicado de séries temporais e espaço-temporais em problemas de predição, classificação e padrões frequentes com as pesquisas básicas em gerência de dados (armazenamento, paralelismo e métodos de preprocessamento) visando entender a fundo em quais circunstâncias a gerência de dados em séries espaço-temporais precisa ser refinada. A partir dessa análise, será possível investir com propriedade na resolução de problemas reais propostos para cenários de predição, classificação e padrões frequentes em séries espaço-temporais.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (5) / Mestrado acadêmico: (4) . Integrantes: Eduardo Soares Ogasawara - Coordenador. Financiador(es): Conselho Nacional de Desenvolvimento Científico e Tecnológico - Bolsa.
      Membro: Eduardo Soares Ogasawara.
    7. 2016-Atual. Identificacao de Motifs em Series Espaco-Temporais: Aplicacoes & Metodos
      Descrição: Processo: E-26/210.525/2016, Programa: APQ1 2015/02, Valor financiado: R$10.000,00. A extração de conhecimento a partir dos dados é uma atividade extremamente importante e demandada por diversas organizações existentes no eixo empresarial, governamental e científico. A Ciência de Dados é uma área interdisciplinar que aborda a resolução de tal atividade considerando grandes volumes de dados em suas variações de formatos (estruturados e não-estruturados). Um subconjunto de problemas importantes abordados em Ciência de Dados engloba o estudo de séries temporais e espaço-temporais. As séries temporais correspondem a uma sequência de observações, enquanto as séries espaço-temporais apresentam uma posição associada a essa sequência. Essas observações podem ser univariadas, multivariadas e terem diferentes domínios e periodicidade, trazendo um caráter heterogêneo aos dados. As pesquisas em séries temporais comumente recaem na exploração de métodos de representação, indexação e identificação de \emph{motifs} sobre os dados. Um \emph{motif} é definido como uma subsequência, previamente desconhecida, que frequentemente se repete, sem sobreposição, ao longo de uma série temporal. Já no contexto das séries espaço-temporais, apesar de não ser difícil elencar um conjunto de aplicações que demanda esse tipo de análise, o estudo de \emph{motifs} encontra-se pouco explorado. Sendo assim, este projeto explora essa lacuna, combinando pesquisa básica e aplicada no contexto de identificação de \emph{motifs} em séries espaço-temporais. A pesquisa, portanto, é dividida no estudo de novos métodos identificação de \emph{motifs} em séries espaço-temporais e a aplicação em diferentes problemas existentes nas áreas de aviação, mobilidade urbana, astronomia e sísmica.. Situação: Em andamento; Natureza: Pesquisa. Alunos envolvidos: Graduação: (7) / Mestrado acadêmico: (4) / Doutorado: (1) . Integrantes: Eduardo Soares Ogasawara - Coordenador / Fábio Porto - Integrante / Gustavo Paiva Guedes e Silva - Integrante / Kele Belloze - Integrante / Esther Pacitti - Integrante / Florent Masseglia - Integrante / Jorge de Abreu Soares - Integrante / Laura Silva de Assis - Integrante. Financiador(es): Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ - Auxílio financeiro.
      Membro: Eduardo Soares Ogasawara.
    8. 2015-Atual. Grupo de Pesquisa em Ciencia de Dados
      Descrição: Edital de Grupo de Pesquisa do CEFET/RJ 2016 e 2017: Valores financiados: R$6.992,00 e R$142.337,40. No que se refere ao processo de ciência dos dados, existe uma necessidade urgente de usar o processamento de alto desempenho (HPC) para obter uma análise de dados em grande escala. Há importantes desafios ao estabelecer essas análises, comumente modeladas como fluxos de trabalho. Nesses fluxos de trabalho, atividades e dados são direcionados para a execução em algum ambiente HPC (por exemplo, clusters, grades, nuvens). Devido à diversidade das plataformas existentes para ambientes HPC, um dos grandes desafios é estabelecer uma representação desses fluxos de trabalho agnósticos para o meio ambiente em que serão executados e, pelo menos, otimizar sua execução no ambiente alvo. Existem inúmeros desafios no gerenciamento e análise de grandes volumes de dados. As diferentes aplicações, ao se apresentarem como pesquisas aplicadas, muitas vezes oferecem a oportunidade de elaborar novos quadros teóricos na pesquisa básica de paralelismo baseado em dados. Em particular, as características espaciais e temporais da série spatiotemporal trazem vários aspectos importantes e, ao mesmo tempo, específicos que requerem algoritmos diferenciados para gerenciar esses dados. No contexto das séries espaço-temporais, explore as mais recentes soluções tecnológicas para potencializar ou permitir as diferentes formas de organização e armazenamento de dados, incluindo abordagens baseadas em sistemas de armazenamento distribuídos (HDFS), bancos de dados objeto-relacionais, NoSQL e NewSQL, e paralelismo baseado em dados usando abordagens baseadas em Map-Reduce, Spark ou álgebra para fluxos de trabalho. Situação: Em andamento; Natureza: Pesquisa. Integrantes: Eduardo Soares Ogasawara - Coordenador / Kele Belloze - Integrante / Jorge de Abreu Soares - Integrante / Rafaelli Coutinho - Integrante.
      Membro: Eduardo Soares Ogasawara.
    9. 2013-2014. Tecnicas de Transformacao de Dados para Previsoes de Series Temporais por Meio de Redes Neurais
      Descrição: Processo: E-26/111.386/2013, Programa: APQ1 2013/01, Valor financiado: R$13.000,00. No contexto de previsões de séries temporais por meio de mineração de dados, identificar se é necessário realizar transformações de dados na etapa de pré-processamento pode ser um passo fundamental para se atingir uma boa acurácia. Esta preocupação se torna maior, principalmente, no caso de utilização de redes neurais. Isto é decorrente ao fato de que a maioria dos métodos tradicionais de mineração de dados por meio de redes neurais fazem suposições que podem não ser válidas. O primeiro pressuposto é que as séries temporais são estacionárias, ou seja, suas propriedades estatísticas, tais como média e desvio padrão, não mudam ao longo do tempo. O segundo pressuposto é que elas têm homocedasticidade, i.e., a volatilidade destas séries temporais não varia. Na maioria das séries temporais macroeconômicas, por exemplo, estes pressupostos não são válidos. A consequência disto é que a capacidade de previsão de uma rede neural fica comprometida nesta situação. Assim, este projeto visa abordar o problema e estudar as séries temporais não-estacionárias com heterocedasticidade.. Situação: Concluído; Natureza: Pesquisa. Alunos envolvidos: Graduação: (2) / Mestrado acadêmico: (3) . Integrantes: Eduardo Soares Ogasawara - Coordenador / Eduardo Bezerra - Integrante / Jorge de Abreu Soares - Integrante.
      Membro: Eduardo Soares Ogasawara.
    10. 2012-2015. Grupo de Pesquisa em Computacao Aplicada
      Descrição: Edital de Grupo de Pesquisa do CEFET/RJ 2012, 2013 e 2014: Valores financiados: R$2.949,63, R$129.404,74 e R$4.753,95. O desenvolvimento dos trabalhos de conclusão do curso (TCC) cobre várias tarefas: pesquisa bibliográfica, definição, escopo, modelagem, design e implementação da solução. Um produto importante de uma TCC geralmente envolve a elaboração de algum artefato computacional per se. Os alunos envolvidos em sua TCC têm que superar vários desafios. Geralmente é sua primeira grande experiência em termos de desenvolvimento de software. Observa-se que esses alunos enfrentam dificuldades técnicas, falta de experiência prática e também dificuldades administrativas para realizar trabalhos grupais. Apesar desses desafios, muitas ideias e produtos interessantes são desenvolvidos em toda a TCC. No entanto, em várias ocasiões, avaliações adequadas das soluções propostas e uma análise mais aprofundada dos resultados obtidos não são apresentadas nessa TCC. Uma das principais desvantagens é a falta de experiência dos alunos na realização de experimentos. Este projeto visa estudar abordagens ou estruturas simplificadas para apoiá-los na avaliação desses artefatos.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Eduardo Soares Ogasawara - Coordenador / João Roberto de Toledo Quadros - Integrante / Leonardo Lignani - Integrante / Joel dos Santos - Integrante.
      Membro: Eduardo Soares Ogasawara.
    11. 2012-2013. Paralelizacao de Workflows Cientificos para Apoiar Aplicacoes de e-Science
      Descrição: Processo: E-26/112.442/2012, Programa: Auxilio Instalação 2012/01, Valor financiado: R$4.650,00. Os workflows científicos emergiram como uma abstração para estruturar experimentos científicos baseados em simulações computacionais. Em muitas situações, estes workflows são intensivos, seja computacionalmente seja quanto em relação à manipulação de dados, exigindo a execução em ambientes de processamento de alto desempenho. Comumente a paralelização da execução destes workflows científicos requer programação trabalhosa, de modo ad hoc e em baixo nível de abstração, o que torna difícil a exploração das oportunidades de otimização. Recentemente, o pesquisador propôs em sua tese de doutorado o uso de abordagem algébrica para workflows científicos como uma forma de ascender o nível de abstração para especificar workflows científicos visando à diminuição da complexidade de paralelização destes workflows. Entretanto, embora tenha alcançado resultados promissores, o estudo foi feito utilizando-se um modelo de execução específico para clusters homogêneos em ambientes de disco compartilhado, o que nem sempre é uma realidade para áreas científicas reais como bioinformática e astronomia. Assim, torna-se necessário realizar novos estudos e explorar os desafios inerentes a ambientes diferenciados, o que inclui cenários como discos não compartilhados e dados geograficamente dispersos, heterogeneidade e dinamismo computacional (entrada e saída de recursos computacionais a qualquer momento). Este projeto inclui pesquisa teórica e experimental visando a avaliar o uso de abordagens que viabilizem a paralelização de workflows científicos. O projeto prevê estudos destas abordagens no apoio a aplicações reais em e-Science como, por exemplo, bioinformática, mineração de dados e astronomia nos próximos dois anos.. Situação: Concluído; Natureza: Pesquisa. Integrantes: Eduardo Soares Ogasawara - Coordenador. Financiador(es): Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do RJ - Auxílio financeiro.
      Membro: Eduardo Soares Ogasawara.

Prêmios e títulos

  • Total de prêmios e títulos (15)
    1. Jovem Cientista do Nosso Estado, FAPERJ.. 2021.
      Membro: Eduardo Soares Ogasawara.
    2. Melhor dissertação de mestrado: Benchmarking Nonstationary Time Series Prediction (Rebecca Salles), SBBD - IV Concurso de Teses e Dissertações em Banco de Dados (CTDBD).. 2021.
      Membro: Eduardo Soares Ogasawara.
    3. Melhor artigo (best paper) (categoria: short, vision, industry): Modelo autorregressivo de integração adaptativa, SBBD - Simpósio Brasileiro de Banco de Dados.. 2019.
      Membro: Eduardo Soares Ogasawara.
    4. Aprovação da Bolsa de Produtividade em Pesquisa, CNPq.. 2019.
      Membro: Eduardo Soares Ogasawara.
    5. Melhores revisores, SBBD - Simpósio Brasileiro de Banco de Dados.. 2019.
      Membro: Eduardo Soares Ogasawara.
    6. Jovem Cientista do Nosso Estado, FAPERJ.. 2018.
      Membro: Eduardo Soares Ogasawara.
    7. Terceiro lugar em Orientação de Iniciação Científica: Avaliação de Agregação Temporal na Previsão da Temperatura de Superfície do Mar do Oceano Atlântico, CTIC - Congresso da Sociedade Brasileira de Computação (CSBC).. 2017.
      Membro: Eduardo Soares Ogasawara.
    8. Aprovação da Bolsa de Produtividade em Pesquisa, CNPq.. 2016.
      Membro: Eduardo Soares Ogasawara.
    9. Aprovação da criação do Programa de Pós-graduação em Ciência da Computação do CEFET/RJ (APCN), CAPES.. 2016.
      Membro: Eduardo Soares Ogasawara.
    10. Menção honrosa com o artigo: Exploring Multiple Clustering in Attributed Graphs, ACM/SIGAPP Symposium On Applied Computing.. 2015.
      Membro: Eduardo Soares Ogasawara.
    11. Menção honrosa com o artigo: Uma Abordagem para Programas de Bonificação Baseada em Redes Sociais, Brazilian Workshop on Social Network Analysis and Mining.. 2014.
      Membro: Eduardo Soares Ogasawara.
    12. Paraninfo: Turmas 6AINFO 2012/1 e 6BINFO 2012/2 do Curso Técnico de Informática, CEFET/RJ.. 2013.
      Membro: Eduardo Soares Ogasawara.
    13. Melhor artigo (best paper): Construção de Ambiente para Desenvolvimento de Jogos Educacionais Baseados em Interface de Gestos, Seminário Nacional de Inclusão Digital.. 2013.
      Membro: Eduardo Soares Ogasawara.
    14. Paraninfo: Turmas 6AINFO 2011/1 e 6BINFO 2011/2 do Curso Técnico de Informática, CEFET/RJ.. 2012.
      Membro: Eduardo Soares Ogasawara.
    15. Melhor artigo: Cloud-based Phylogenomic Inference of Evolutionary Relationships: A Performance Study, Workshop on Cloud Computing and Scientific Applications.. 2012.
      Membro: Eduardo Soares Ogasawara.

Participação em eventos

  • Total de participação em eventos (40)
    1. Brazilian e-Science Workshop.Membro de Comitê de Programa. 2021. (Oficina).
    2. CSBC - Concurso de Teses e Dissertações. Membro de Comitê de Programa. 2021. (Congresso).
    3. IPAW - International Provenance and Annotation Workshop.Membro de Comitê de Programa. 2021. (Oficina).
    4. Simpósio Brasileiro de Banco de Dados.Membro de Comitê de Programa. 2021. (Simpósio).
    5. Brazilian e-Science Workshop.Membro de Comitê de Programa. 2020. (Oficina).
    6. DECOR@ICDE2020. Membro de Comitê de Programa. 2020. (Congresso).
    7. Simpósio Brasileiro de Banco de Dados.Membro de Comitê de Programa. 2020. (Simpósio).
    8. AICCSA. Membro de Comitê de Programa. 2019. (Congresso).
    9. Brazilian e-Science Workshop.Membro de Comitê de Programa. 2019. (Oficina).
    10. CNMAC 2019. Membro de Comitê de Programa. 2019. (Congresso).
    11. Simpósio Brasileiro de Banco de Dados.Membro de Comitê de Programa. 2019. (Simpósio).
    12. BIDU@VLDB. Membro de Comitê de Programa. 2018. (Congresso).
    13. Brazilian e-Science Workshop. Brazilian e-Science Workshop. 2018. (Congresso).
    14. demos@VLDB. Membro do Comitê de Programa. 2018. (Congresso).
    15. SIAM International Conference on Data Mining. Membro do Comitê de Programa. 2018. (Congresso).
    16. Simpósio Brasileiro de Banco de Dados. Membro de Comitê de Programa. 2018. (Congresso).
    17. Brazilian e-Science Workshop. Membro do Comitê de Programa. 2017. (Congresso).
    18. ERAD-RJ. Membro do Comitê de Programa. 2017. (Congresso).
    19. SIAM International Conference on Data Mining. Membro do Comitê de Programa. 2017. (Congresso).
    20. Simpósio Brasileiro de Banco de Dados. Membro do Comitê de Programa. 2017. (Congresso).
    21. Brazilian e-Science Workshop. Membro do Comitê de Programa. 2016. (Congresso).
    22. ERAD-RJ. Membro do Comitê de Programa. 2016. (Congresso).
    23. Simpósio Brasileiro de Banco de Dados. Membro do Comitê de Programa. 2016. (Congresso).
    24. WPerformance. Membro do Comitê de Programa. 2016. (Congresso).
    25. Brazilian e-Science Workshop. Membro do Comitê de Programa. 2015. (Congresso).
    26. demos@SIGMOD. Membro do Comitê de Programa. 2015. (Congresso).
    27. ERAD-RJ. Membro do Comitê de Programa. 2015. (Congresso).
    28. SIAM International Conference on Data Mining. Membro do Comitê de Programa. 2015. (Congresso).
    29. Simpósio Brasileiro de Banco de Dados. Membro do Comitê de Programa. 2015. (Congresso).
    30. Brazilian e-Science Workshop. Membro do Comitê de Programa. 2014. (Congresso).
    31. Simpósio Brasileiro de Banco de Dados. Membro do Comitê de Programa. 2014. (Congresso).
    32. Simpósio Brasileiro de Banco de Dados. Workshop de Dissertações e Teses. 2014. (Congresso).
    33. WWP@IEEE-e-Science. Membro do Comitê de Programa. 2014. (Congresso).
    34. Brazilian e-Science Workshop. Membro do Comitê de Programa. 2013. (Congresso).
    35. SEMISH. Membro do Comitê de Programa. 2013. (Congresso).
    36. Simpósio Brasileiro de Banco de Dados. Membro do Comitê de Programa. 2013. (Congresso).
    37. Brazilian e-Science Workshop. Membro do Comitê de Programa. 2012. (Congresso).
    38. Congresso Brasileiro de Informática na Educação. 2012. (Congresso).
    39. Brazilian e-Science Workshop. Avaliador Externo. 2011. (Congresso).
    40. SEMISH. Avaliador Externo. 2011. (Congresso).

Organização de eventos

  • Total de organização de eventos (12)
    1. OGASAWARA, E.; COUTINHO, R.. XXXVI Simpósio Brasileiro de Banco de Dados. 2021. Congresso
    2. OGASAWARA, E.; SANTOS, J. ; BELLOZE, K.. VIII Workshop da Escola de Informática & Computação. 2020. Outro
    3. OGASAWARA, E.; DE OLIVEIRA, DANIEL. CSBC - XIII e-Science Workshop. 2019. Congresso
    4. OGASAWARA, E.; SANTOS, J.. VII Workshop da Escola de Informática & Computação. 2019. Outro
    5. OGASAWARA, E.; ZIVIANI, A. ; HARA, C. ; MACEDO, J. A. ; VALDURIEZ, PATRICK. Latin America Data Science Workshop. 2018. Congresso
    6. BELLOZE, K. ; SANTOS, J. ; OGASAWARA, E.. V Workshop da Escola de Informática & Computação. 2017. Outro
    7. OGASAWARA, E.. IV Workshop da Escola de Informática & Computação. 2016. (Outro).. . 0.
    8. OGASAWARA, E.. III Workshop da Escola de Informática e Computação. 2015. (Outro).. . 0.
    9. PORTO, FABIO ; OGASAWARA, E.. XXX Simpósio Brasileiro de Banco de Dados. 2015. Congresso
    10. OGASAWARA, E.; BEZERRA, E. ; MAURO, R. C. ; QUADROS, J. R. ; SOUZA, U.. II Workshop da Escola de Informática e Computação. 2014. Outro
    11. OGASAWARA, E.; QUADROS, J. R. ; BEZERRA, E.. I Workshop da Escola de Informática & Computação. 2013. Outro
    12. OGASAWARA, E.; BEZERRA, E.. CSBC - VI e-Science Workshop. 2012. Congresso

Lista de colaborações

  • Colaborações endôgenas (6)
    • Eduardo Soares Ogasawara ⇔ Daniel Cardoso Moraes de Oliveira (50.0)
      1. MARINHO, ANDERSON ; DE OLIVEIRA, DANIEL ; OGASAWARA, EDUARDO ; SILVA, VITOR ; OCAÑA, KARY ; MURTA, LEONARDO ; BRAGANHOLO, VANESSA ; MATTOSO, MARTA. Deriving scientific workflows from algebraic experiment lines: A practical approach. Future Generation Computer Systems. v. 68, p. 111-127, issn: 0167-739X, 2017.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      2. OGASAWARA, E.; OLIVEIRA, D. ; PASCHOAL JR, F. ; CASTANEDA, R. ; AMORIM, M. ; MAURO, R. C. ; SOARES, J. ; QUADROS, J. R. ; BEZERRA, E.. A Forecasting Method for Fertilizers Consumption in Brazil. International Journal of Agricultural and Environmental Information Systems. v. 4, p. 23-36, issn: 1947-3192, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      3. OLIVEIRA, D. ; OCANA, K. ; Ogasawara, Eduardo ; DIAS, J. ; GONÇALVES, J. ; BAIÃO, F. ; MATTOSO, M. L. Q.. Performance evaluation of parallel strategies in public clouds: A study with phylogenomic workflows. Future Generation Computer Systems. v. 29, p. 1816-1825, issn: 0167-739X, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      4. OCANA, K. ; OLIVEIRA, D. ; DIAS, J. ; OGASAWARA, E. ; MATTOSO, M. L. Q.. Designing a parallel cloud based comparative genomics workflow to improve phylogenetic analyses. Future Generation Computer Systems. v. 30, p. 2205-2219, issn: 0167-739X, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      5. GONÇALVES, J. ; DE OLIVEIRA, DANIEL ; OLIVEIRA, D. ; OCANA, K. ; OGASAWARA, E. ; DIAS, J. ; MATTOSO, M. L. Q.. Performance Analysis of Data Filtering in Scientific Workflows. Journal of Information and Data Management - JIDM. v. 4, p. 17-26, issn: 2178-7107, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      6. QUADROS, J. ; CASTANEDA, R. ; AMORIM, M. ; HERZOG, G. ; CARNEIRO, L. ; MENEZES, K. ; PINHEIRO, M. ; OLIVEIRA, D. ; OGASAWARA, E.. Construção de ambiente para desenvolvimento de jogos educacionais baseados em interface de gestos. Revista Brasileira de Computação Aplicada. v. 5, p. 110-119, issn: 2176-6649, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      7. Ogasawara, Eduardo; DIAS, JONAS ; SILVA, VITOR ; CHIRIGATI, FERNANDO ; DE OLIVEIRA, DANIEL ; PORTO, FABIO ; VALDURIEZ, PATRICK ; MATTOSO, MARTA. Chiron: a parallel engine for algebraic scientific workflows. Concurrency and Computation. v. 25, p. 2327-2341, issn: 1532-0626, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      8. GUERRA, G. ; ROCHINHA, F. A. ; ELIAS, R. ; Oliveira, D. ; OGASAWARA, E. ; DIAS, J. ; Mattoso, Marta ; MATTOSO, M. L. Q. ; COUTINHO, A. L. G. A., Alvaro L.G.A. Coutinho. UNCERTAINTY QUANTIFICATION IN COMPUTATIONAL PREDICTIVE MODELS FOR FLUID DYNAMICS USING A WORKFLOW MANAGEMENT ENGINE. International Journal for Uncertainty Quantifications (Print). v. 2(1), p. 53-71, issn: 2152-5080, 2012.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      9. OLIVEIRA, D. ; OGASAWARA, E. ; OCANA, K. ; BAIÃO, FERNANDA ; MATTOSO, M. L. Q.. An Adaptive Parallel Execution Strategy for Cloud-based Scientific Workflows. CONCURRENCY AND COMPUTATION-PRACTICE & EXPERIENCE. v. 24, p. 1531-1550, issn: 1532-0626, 2012.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      10. OLIVEIRA, D. ; OGASAWARA, E. ; DIAS, J. ; BAIÃO, FERNANDA ; MATTOSO, M. L. Q.. Ontology-based Semi-automatic Workflow Composition. Journal of Information and Data Management. Journal of Information and Data Management - JIDM. v. 3, p. 61-72, issn: 2178-7107, 2012.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      11. SOUSA, V. ; CHIRIGATI, F. ; MAIA, K. ; OGASAWARA, E. ; OLIVEIRA, D. ; BRAGANHOLO, V. ; MURTA, L. ; MATTOSO, M. L. Q.. Similarity-based Workflow Clustering. Journal of Computational Interdisciplinary Sciences. v. 2, p. 23-35, issn: 1983-8409, 2011.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      12. COUTINHO, F. ; OGASAWARA, E. ; OLIVEIRA, D. ; BRAGANHOLO, V. ; LIMA, A. A. ; DAVILLA, A. M. R. ; MATTOSO, M. L. Q.. Many Task Computing for Orthologous Genes Identification in Protozoan Genomes Using Hydra. Concurrency and Computation. v. 23, p. 2326-2337, issn: 1532-0626, 2011.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      13. Ogasawara, Eduardo; DIAS, JONAS ; DE OLIVEIRA, DANIEL ; PORTO, FÁBIO ; VALDURIEZ, PATRICK ; MATTOSO, MARTA. An Algebraic Approach for Data-Centric Scientific Workflows. Proceedings of the VLDB Endowment. v. 4, p. 1328-13369, issn: 2150-8097, 2011.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      14. Mattoso, Marta ; Werner, Claudia ; TRAVASSOS, G. H. ; Braganholo, Vanessa ; Ogasawara, Eduardo ; Oliveira, Daniel De ; Cruz, Sergio Manuel Serra Da ; Martinho, Wallace ; Murta, Leonardo. Towards supporting the life cycle of large scale scientific experiments. International Journal of Business Process Integration and Management (Print). v. 5, p. 79-92, issn: 1741-8763, 2010.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      15. VALDURIEZ, PATRICK ; MATTOSO, MARTA ; AKBARINIA, R. ; BORGES, H. ; CAMATA, J. ; COUTINHO, ALVARO L. G. A. ; GASPAR, D. ; LEMUS, N. ; LIU, J. ; LUSTOSA, H. ; MASSEGLIA, F. ; SILVA, F. N. ; SILVA, VÍTOR ; SOUZA, R. ; OCANA, KARY ; OGASAWARA, E. ; OLIVEIRA, D. ; PACITTI, ESTHER ; PORTO, F. ; SHASHA, D.. Scientific Data Analysis Using Data-Intensive Scalable Computing: the SciDISC Project. Em: 1st LADaS - Latin American Data Science Workshop, p. 1-8, 2018.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      16. MATTOSO, M. L. Q. ; DIAS, J. ; COSTA, FLAVIO ; OLIVEIRA, D. ; OGASAWARA, E.. Experiences in using provenance to optimize the parallel execution of scientific workflows steered by users. Em: Workshop of Provenance Analytics, 2014.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      17. COSTA, FLAVIO ; SILVA, VÍTOR ; DE OLIVEIRA, DANIEL ; OCAÑA, KARY ; Ogasawara, Eduardo ; DIAS, JONAS ; MATTOSO, MARTA. Capturing and querying workflow runtime provenance with PROV. Em: the Joint EDBT/ICDT 2013 Workshops, p. 282-289, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      18. SOUSA, V. ; DIAS, J. ; OLIVEIRA, D. ; OGASAWARA, E. ; MATTOSO, M. L. Q.. Uma Arquitetura P2P de Distribuição de Atividades para Execução Paralela de Workflows Científicos. Em: VII Brazilian e-Science Workshop, p. 1795-1802, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      19. ARAÚJO, IGOR ; DIAS, J. ; OLIVEIRA, D. ; OGASAWARA, E. ; MATTOSO, M. L. Q.. DynAdapt: Alterações na Definição de Atividades de Workflows Científicos em Tempo de Execução. Em: VII Brazilian e-Science Workshop, p. 1831-1838, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      20. MATTOSO, MARTA ; OCAÑA, KARY ; HORTA, FELIPE ; DIAS, JONAS ; Ogasawara, Eduardo ; SILVA, VITOR ; DE OLIVEIRA, DANIEL ; COSTA, FLAVIO ; ARAÚJO, IGOR. User-steering of HPC workflows. Em: the 2nd ACM SIGMOD Workshop, p. 1-10, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      21. QUADROS, J. R. ; OLIVEIRA, D. ; QUEIROZ, A. ; OGASAWARA, E.. Towards a Reference Model for ODL: a Case Study in the Tourism Undergraduate Course. Em: International Conference on Interactive Computer aided Blended Learning (ICBL 2013), p. 151-158, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      22. DIAS, JONAS ; Ogasawara, Eduardo ; DE OLIVEIRA, DANIEL ; PORTO, FABIO ; VALDURIEZ, PATRICK ; MATTOSO, MARTA. Algebraic dataflows for big data analysis. Em: 2013 IEEE International Conference on Big Data, p. 150-155, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      23. ARAUJO, I. ; DIAS, J. ; OLIVEIRA, DANIEL DE ; OGASAWARA, E. ; OCAÑA, K. ; MATTOSO, M.. Runtime Dynamic Structural Changes of Scientific Workflows in Clouds. Em: 2013 IEEE/ACM 6th International Conference on Utility and Cloud Computing (UCC), p. 417-422, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      24. DE OLIVEIRA, DANIEL ; VIANA, VITOR ; Ogasawara, Eduardo ; OCANA, KARY ; MATTOSO, MARTA. Dimensioning the virtual cluster for parallel scientific workflows in clouds. Em: the 4th ACM workshop, p. 5-12, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      25. CHIRIGATI, F. ; SOUSA, V. ; Ogasawara, Eduardo ; OLIVEIRA, D. ; DIAS, J. ; PORTO, F. ; VALDURIEZ, P. ; MATTOSO, M. L. Q.. Evaluating Parameter Sweep Workflows in High Performance Computing. Em: The 1st international workshop on Scalable Workflow Enactment Engines and Technologies (SWEET'12), p. 1, 2012.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      26. OLIVEIRA, D. ; OCANA, K. ; OGASAWARA, E. ; DIAS, J. ; GONÇALVES, J. ; MATTOSO, M. L. Q.. Cloud-based Phylogenomic Inference of Evolutionary Relationships: A Performance Study. Em: 2nd International Workshop on Cloud Computing and Scientific Applications (CCSA), 2012.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      27. GONÇALVES, J. ; OLIVEIRA, D. ; OGASAWARA, E. ; OCANA, K. ; MATTOSO, M. L. Q.. Using Domain-Specific Data to Enhance Scientific Workflow Steering Queries. Em: 4th International Provenance and Annotation Workshop, v. 7525, p. 152-167, 2012.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      28. COSTA, FLAVIO ; OLIVEIRA, D. ; OCANA, K. ; OGASAWARA, E. ; MATTOSO, M. L. Q.. Enabling Re-Executions of Parallel Scientific Workflows Using Runtime Provenance Data. Em: 4th International Provenance and Annotation Workshop, v. 7525, p. 229-232, 2012.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      29. OCANA, K. ; OLIVEIRA, D. ; HORTA, FELIPE ; DIAS, J. ; OGASAWARA, E. ; MATTOSO, M. L. Q.. Exploring Molecular Evolution Reconstruction Using a Parallel Cloud-based Scientific Workflow. Em: Brazilian Symposium on Bioinformatics 2012, v. 7409, p. 179-191, 2012.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      30. GONÇALVES, J. ; OLIVEIRA, D. ; OCANA, K. ; Ogasawara, Eduardo ; DIAS, J. ; MATTOSO, M. L. Q.. Using Provenance Analyzers to Improve the Performance of Scientific Workflows in Cloud Environments. Em: 27º Simpósio Brasileiro de Bancos de Dados (SBBD 2012), p. 1-8, 2012.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      31. COSTA, FLAVIO ; OLIVEIRA, DANIEL DE ; OCANA, KARY ; Ogasawara, Eduardo ; DIAS, JONAS ; MATTOSO, MARTA. Handling Failures in Parallel Scientific Workflows Using Clouds. Em: The 7th Workshop on Workflows in Support of Large-Scale Science, p. 129, 2012.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      32. OCANA, KARY A. C. S. ; DE OLIVEIRA, DANIEL ; DIAS, JONAS ; Ogasawara, Eduardo ; MATTOSO, MARTA. Discovering drug targets for neglected diseases using a pharmacophylogenomic cloud workflow. Em: 2012 IEEE 8th International Conference on EScience (eScience), p. 1, 2012.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      33. GUERRA, GABRIEL ; DIAS, JONAS ; OLIVEIRA, DANIEL DE ; Ogasawara, Eduardo ; MATTOSO, MARTA ; COUTINHO, ALVARO L. G. A. ; ROCHINHA, FERNANDO A.. Analysis of flow-induced vibration model under uncertainties using an iterative workflow. Em: 1st International Symposium on Uncertainty Quantification and Stochastic Modeling (Uncertainties 2012), 2012.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      34. SOUSA, V. ; CHIRIGATI, F. ; OGASAWARA, E. ; DIAS, J. ; OLIVEIRA, D. ; PORTO, F. ; VALDURIEZ, P. ; MATTOSO, M. L. Q.. Uma avaliação da Distribuição de Atividades Estática e Dinâmica em Ambientes Paralelos usando o Hydra. Em: CSBC 2011 - e-Science Workshop, 2011.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      35. OLIVEIRA, D. ; OGASAWARA, E. ; BAIÃO, FERNANDA ; MATTOSO, M. L. Q.. Adding Ontologies to Scientific Workflow Composition. Em: XXVI Simposio Brasileiro de Banco de Dados, 2011.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      36. VIANA, VITOR ; OLIVEIRA, D. ; OGASAWARA, E. ; MATTOSO, M. L. Q.. SciCumulus-ECM: Um Serviço de Custos para a Execução de Workflows Científicos em Nuvens Computacionais. Em: XXVI Simposio Brasileiro de Banco de Dados, 2011.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      37. DIAS, J. ; OGASAWARA, E. ; OLIVEIRA, D. ; PORTO, F. ; COUTINHO, ALVARO L. G. A. ; MATTOSO, M. L. Q.. Supporting Dynamic Parameter Sweep in Adaptive and User-Steered Workflows. Em: Workshop on Workflows in Support of Large-Scale Science (WORKS 2011), 2011.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      38. OCANA, KARY A.C.S. ; DE OLIVEIRA, DANIEL ; DIAS, JONAS ; Ogasawara, Eduardo ; MATTOSO, MARTA. Optimizing Phylogenetic Analysis Using SciHmm Cloud-based Scientific Workflow. Em: 2011 IEEE 7th International Conference on EScience (eScience), p. 62, 2011.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      39. DE OLIVEIRA, DANIEL ; OCANA, KARY ; Ogasawara, Eduardo ; DIAS, JONAS ; BAIAO, FERNANDA ; MATTOSO, MARTA. A Performance Evaluation of X-ray Crystallography Scientific Workflow Using SciCumulus. Em: Fourth IEEE 2011 International Conference on Cloud Computing (CLOUD 2011), p. 708, 2011.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      40. OGASAWARA, E.; MARTINEZ, L. C. ; OLIVEIRA, D. ; ZIMBRAO, G. ; PAPPA, G. L. ; MATTOSO, M. L. Q.. Adaptive Normalization: A Novel Data Normalization Approach for Non-Stationary Time Series. Em: IEEE International Joint Conference on Neural Networks, p. 606-613, 2010.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      41. COUTINHO, F. ; OGASAWARA, E. ; OLIVEIRA, D. ; BRAGANHOLO, V. ; LIMA, A. A. B. ; DAVILA, A. M. R. ; MATTOSO, M.. Data Parallelism in Bioinformatics Workflows Using Hydra. Em: HPDC - Emerging Computational Methods for the Life Sciences Workshop, p. 507-515, 2010.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      42. SILVA, E. ; OGASAWARA, E. ; OLIVEIRA, D. ; BENEVIDES, M. ; MATTOSO, M. L. Q.. Especificação Formal e Verificação de Workflows Científicos. Em: Brazilian e-Science Workshop, p. 193-200, 2010.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      43. SOUSA, V. ; CHIRIGATI, F. ; MAIA, K. ; OGASAWARA, E. ; OLIVEIRA, D. ; BRAGANHOLO, V. ; MURTA, L. ; MATTOSO, M. L. Q.. SimiFlow: Uma Arquitetura para Agrupamento de Workflows por Similaridade. Em: Brazilian e-Science Workshop, p. 201-208, 2010.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      44. OLIVEIRA, D. ; OGASAWARA, E. ; CHIRIGATI, F. ; SOUSA, V. ; MURTA, L. ; MATTOSO, M. L. Q.. GExpLine: A Tool for Supporting Experiment Composition. Em: Third International Provenance and Annotation Workshop (IPAW2010), p. 251-259, 2010.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      45. DIAS, J. ; RODRIGUES, C. ; OGASAWARA, E. ; OLIVEIRA, D. ; BRAGANHOLO, V. ; PACITTI, ESTHER ; MATTOSO, M. L. Q.. SciMulator: Um Ambiente de Simulação de Workflows Científicos em Redes P2P. Em: Workshop de Redes Dinâmicas e Sistemas P2P (WP2P 2010), 2010.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      46. OLIVEIRA, D. ; OGASAWARA, E. ; BAIÃO, FERNANDA ; MATTOSO, M. L. Q.. An Adaptive Approach for Workflow Activity Execution in Clouds. Em: International Workshop on Challenges in e-Science, 2010.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      47. DE OLIVEIRA, DANIEL ; Ogasawara, Eduardo ; BAIÃO, FERNANDA ; MATTOSO, MARTA. SciCumulus: A Lightweight Cloud Middleware to Explore Many Task Computing Paradigm in Scientific Workflows. Em: 2010 IEEE International Conference on Cloud Computing (CLOUD), p. 378-385, 2010.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      48. DIAS, JONAS ; Ogasawara, Eduardo ; DE OLIVEIRA, DANIEL ; PACITTI, ESTHER ; MATTOSO, MARTA. Improving Many-Task Computing in Scientific Workflows Using P2P Techniques. Em: 3rd IEEE Workshop on Many-Task Computing on Grids and Supercomputers (MTAGS2010), p. 1-10, 2010.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      49. HORTA, FELIPE ; SOUSA, V. ; COSTA, FLAVIO ; OLIVEIRA, D. ; OCANA, K. ; OGASAWARA, E. ; DIAS, J. ; MATTOSO, M. L. Q.. Provenance traces from Chiron parallel workflow engine. Em: ProvBench: A Provenance Repository for Benchmarking (joint with BigProv 2013), 2013, Genova, Itália. EDBT '13 Proceedings of the Joint EDBT/ICDT 2013 Workshops. New York: ACM Press, p. 337-338, 2013.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      50. HORTA, FELIPE ; DIAS, JONAS ; OCANA, KARY A.C.S. ; DE OLIVEIRA, DANIEL ; Ogasawara, Eduardo ; MATTOSO, MARTA. Abstract: Using Provenance to Visualize Data from Large-Scale Experiments. Em: 2012 SC Companion: High Performance Computing, Networking, Storage and Analysis (SCC), 2012, Salt Lake City. 2012 SC Companion: High Performance Computing, Networking Storage and Analysis, p. 1418, 2012.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]

    • Eduardo Soares Ogasawara ⇔ Alvaro Chrispino (3.0)
      1. BARONI, LAIS ; PEDROSO, MARCEL ; BARCELLOS, CHRISTOVAM ; SALLES, REBECCA ; SALLES, SAMELLA ; PAIXÃO, BALTHAZAR ; Chrispino, Alvaro ; GUEDES, GUSTAVO ; OGASAWARA, EDUARDO. An integrated dataset of malaria notifications in the Legal Amazon. BMC RESEARCH NOTES. v. 13, p. 274, issn: 1756-0500, 2020.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      2. BARONI, LAIS RIBEIRO ; PAIXÃO, BALTHAZAR ; Chrispino, Alvaro ; GUEDES, GUSTAVO ; BARCELLOS, CHRISTOVAM ; PEDROSO, MARCEL ; OGASAWARA, EDUARDO. Análise Exploratória da Malária na Amazônia Brasileira por Meio da Plataforma de Ciência de Dados aplicada à Saúde. Em: XIII Brazilian eScience Workshop, v. 1, p. 1-8, 2019.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      3. ALVES, V. F. ; SOUZA, Cristina Gomes de ; OGASAWARA, E. ; Chrispino, Alvaro. Segurança Cibernética e Políticas Públicas no Brasil. Em: XI Simpósio de Excelência em Gestão e Tecnologia, v. 1, p. 1-1, 2014.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]

    • Eduardo Soares Ogasawara ⇔ Alvaro Luiz Gayoso de Azeredo Coutinho (2.0)
      1. GUERRA, G. ; ROCHINHA, F. A. ; ELIAS, R. ; Oliveira, D. ; OGASAWARA, E. ; DIAS, J. ; Mattoso, Marta ; MATTOSO, M. L. Q. ; COUTINHO, A. L. G. A., Alvaro L.G.A. Coutinho. UNCERTAINTY QUANTIFICATION IN COMPUTATIONAL PREDICTIVE MODELS FOR FLUID DYNAMICS USING A WORKFLOW MANAGEMENT ENGINE. International Journal for Uncertainty Quantifications (Print). v. 2(1), p. 53-71, issn: 2152-5080, 2012.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      2. VALDURIEZ, PATRICK ; MATTOSO, MARTA ; AKBARINIA, R. ; BORGES, H. ; CAMATA, J. ; COUTINHO, ALVARO L. G. A. ; GASPAR, D. ; LEMUS, N. ; LIU, J. ; LUSTOSA, H. ; MASSEGLIA, F. ; SILVA, F. N. ; SILVA, VÍTOR ; SOUZA, R. ; OCANA, KARY ; OGASAWARA, E. ; OLIVEIRA, D. ; PACITTI, ESTHER ; PORTO, F. ; SHASHA, D.. Scientific Data Analysis Using Data-Intensive Scalable Computing: the SciDISC Project. Em: 1st LADaS - Latin American Data Science Workshop, p. 1-8, 2018.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]

    • Eduardo Soares Ogasawara ⇔ Christovam Barcellos (2.0)
      1. BARONI, LAIS ; PEDROSO, MARCEL ; BARCELLOS, CHRISTOVAM ; SALLES, REBECCA ; SALLES, SAMELLA ; PAIXÃO, BALTHAZAR ; Chrispino, Alvaro ; GUEDES, GUSTAVO ; OGASAWARA, EDUARDO. An integrated dataset of malaria notifications in the Legal Amazon. BMC RESEARCH NOTES. v. 13, p. 274, issn: 1756-0500, 2020.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      2. BARONI, LAIS ; SALLES, REBECCA ; SALLES, SAMELLA ; GUEDES, GUSTAVO ; PORTO, FABIO ; BEZERRA, EDUARDO ; BARCELLOS, Christovam ; PEDROSO, MARCEL ; OGASAWARA, EDUARDO. An Analysis of Malaria in the Brazilian Legal Amazon Using Divergent Association Rules. JOURNAL OF BIOMEDICAL INFORMATICS. v. 103512, p. 103512-103512, issn: 1532-0464, 2020.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]

    • Eduardo Soares Ogasawara ⇔ Nelson Francisco Favilla Ebecken (2.0)
      1. PASCHOAL JR, F. ; RIBEIRO, G. V. S. ; DE ARAGAO DAQUER, LEANDRO MONIZ ; MAURO, R. C. ; OGASAWARA, E. ; EBECKEN, N.. Identificação de Padrões Comportamentais de Usuários de Aplicativos Sociais para a Predição do Comportamento Saudável do Usuário. Em: Ibero-Latin American Congress on Computational Methods in Engineering, v. 1, p. 120-132, 2016.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]
      2. FAbio Paschoal Junior ; GAbriel Vinicius Siva Ribeiro ; Leandro Moniz de Aragão Daquer ; Renato Campos Mauro ; Eduardo Soares Ogasawara ; EBECKEN, N. F. F.. FitRank ? Desenvolvimento de aplicativo para a Identificação de padrões comportamentais de atividades físicas a partir de aplicativos para redes sociais. Em: XXXVI Iberian Latin-American Congress on Computational Methods in Engineering, p. 1-15, 2015.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]

    • Eduardo Soares Ogasawara ⇔ Guilherme Horta Travassos (1.0)
      1. Mattoso, Marta ; Werner, Claudia ; TRAVASSOS, G. H. ; Braganholo, Vanessa ; Ogasawara, Eduardo ; Oliveira, Daniel De ; Cruz, Sergio Manuel Serra Da ; Martinho, Wallace ; Murta, Leonardo. Towards supporting the life cycle of large scale scientific experiments. International Journal of Business Process Integration and Management (Print). v. 5, p. 79-92, issn: 1741-8763, 2010.
        [ citações Google Scholar | citações Microsoft Acadêmico | busca Google ]




(*) Relatório criado com produções desde 2010 até 2021
Data de processamento: 06/11/2021 15:23:38