Da pesquisa
ao produto.

Plataforma B2B2C para o setor de eventos ao vivo. Unifica ticketing, pagamentos cashless, estacionamento, controle de estoque, software de consumo e analytics de comportamental em um único ecossistema cobrindo app do produtor, validação e app do consumidor.

App iOS que combina ML on-device e serviços em nuvem para rastreamento inteligente de gastos. Usa MLX-Swift com modelos fine-tuned via QLoRA para inferência local e integra APIs do Open Finance para sincronização bancária automática. Em preparação para beta no App Store.

Implementação completa de um SLM baseada nos ensinamentos do Dr. Raj Dandekar (PhD MIT em ML). Cobre todo o pipeline: criação do dataset, tokenização, construção de pares input-target, design da arquitetura do modelo, configuração e execução do pré-treinamento e inferência. Também explora a teoria por trás: Backpropagation, funções de ativação (ReLU & GeLU) e o raciocínio por trás de cada decisão arquitetural.

Rede social construída do zero em C++11 com SQLite3, usando OOP e arquitetura MVC. Possui ranking de pontuação em tempo real, relações de seguimento bidirecionais e mecânicas de gamificação com tratamento robusto de exceções.

Jogo Space Invaders construído do zero em C, usando ALLEGRO para gráficos e áudio. Possui mecânicas de jogo clássicas, padrões de movimento de inimigos e sistema de power-ups.

Modelo XGBoost para score de perfil imobiliário com Target Encoding, Feature Engineering e Cross Validation de 5 folds. Melhoria de 53% no RMSE em relação à baseline, com features como poder_compra e razao_valor_renda eliminando overfitting por profissão.

Rede neural construída do zero com NumPy para score de perfil de leads imobiliários. Implementa propagação forward e backward, gradiente descendente e funções de ativação sem frameworks de ML — cobrindo todo o pipeline dos dados brutos à predição.

Análise bibliométrica de 12.209 publicações científicas sobre LLM e Knowledge Distillation, extraídas do Scopus. Redes de co-ocorrência no VOSviewer e gráficos de tendências em Python — mapeando para onde o campo de pesquisa está indo e quais termos emergentes estão ganhando força.