Bolsa de PD em Aprendizado de Máquina

Post-Doctoral Fellowship in Machine Learning

• Resumo Summary

  A pesquisa concentra-se no avanço das Optimum-Path Forest Networks (OPFNets), uma arquitetura inovadora que integra aprendizado profundo de representações com operadores do Optimum-Path Forest (OPF). O projeto busca aprimorar as OPFNets investigando estratégias de inicialização de codificadores, configuração de projetores, camadas de decisão baseadas em OPF e pipelines de aprendizado semi-supervisionado. O objetivo é projetar soluções que reduzam a necessidade de anotações, ao mesmo tempo em que capturam distribuições complexas e sobrepostas em conjuntos de imagens reais de aplicações industriais e científicas.

  O candidato deverá apresentar: amplo conhecimento em aprendizado de máquina e processamento de imagens; bons fundamentos em matemática e programação; experiência prévia com aprendizado profundo e métodos baseados em grafos será considerada um diferencial.

  O candidato selecionado conduzirá pesquisa no âmbito do Ciência de Dados para a Indústria Inteligente (CDI2), um dos Centros de Pesquisa Aplicada em Inteligência Artificial (CPA-IA) selecionados pelo edital da FAPESP, em parceria com o Ministério da Ciência, Tecnologia e Inovação (MCTI) e o Comitê Gestor da Internet no Brasil (CGI.br).

  Documentos necessários para inscrição: carta de motivação; carta de recomendação de um supervisor/orientador anterior; Curriculum Vitae contendo lista de publicações, formação e experiência; cópia do diploma de doutorado em Ciência da Computação ou áreas afins. As candidaturas devem ser enviadas para o Prof. Alexandre Xavier Falcão (afalcao@unicamp.br), vice-coordenador do CDI2.

  Prazo limite de inscrição: 10 de março de 2026.

  A vaga está aberta a brasileiros e estrangeiros. O selecionado receberá Bolsa de Pós-Doutorado da FAPESP no valor de R$ 12.570,00 mensais e Reserva Técnica equivalente a 10% do valor anual da bolsa para atender a despesas imprevistas e diretamente relacionadas à atividade de pesquisa.

  This fellowship is part of the project entitled “Data Science for Smart Industry – CDI2” (, FAPESP 2023/14427-8), coordinated by José Alberto Cuminato, from the University of São Paulo's Institute of Mathematical and Computer Sciences (CMC-USP), in São Carlos (São Paulo state, Brazil) and vice-coordinated by Alexandre Xavier Falcão from the Institute of Computing of the State University of Campinas (IC-UNICAMP), also in São Paulo state.

  CDI2 is one of the Applied Research Centers in Artificial Intelligence (ARC-AI) selected through a call of notice issued by FAPESP, the São Paulo Research Foundation, in conjunction with Brazil's Ministry of Sciences, Technology and Innovation and the Brazilian Internet Steering Committee (CGI.br).

  The research focuses on advancing Optimum-Path Forest Networks (OPFNets), a novel architecture that integrates deep representation learning with Optimum-Path Forest (OPF) operators. The project aims to advance OPFNets by investigating encoder initialization strategies, projector configuration, OPF-based decision layers, and semi-supervised learning pipelines. The goal is to design solutions that reduce annotation demands while capturing complex, overlapping distributions in real-world image datasets from industrial and scientific applications.

  Candidate profile: strong background in machine learning and image processing; solid mathematical and programming skills; and experience with deep learning and graph-based methods is desirable.

  Application materials: motivation letter; recommendation letter from a previous supervisor; Curriculum Vitae with publications, education, and experience; and copy of PhD certificate in Computer Science or related areas. Applications should be sent to Prof. Alexandre Xavier Falcão (afalcao@unicamp.br).

  Deadline for applications: March 10th, 2026.

  This opportunity is open to candidates of any nationality. The selected candidate will receive a FAPESP Post-Doctoral fellowship in the amount of R$ 12,570.00 monthly and a research contingency fund, equivalent to 10% of the annual value of the fellowship which should be spent on items directly related to the research activity.