Portfólio

👨‍💻 GitHub – Júlio César da Silva Soares

Bem-vindo ao meu espaço no GitHub! 🚀
Aqui você encontrará projetos relacionados à Visão Computacional, Aprendizado de Máquina e Deep Learning, com foco especial em classificação de grãos de pólen e em aplicações práticas de redes neurais.

🌟 Áreas de interesse

• Inteligência Artificial aplicada à classificação de imagens

• Redes Neurais Híbridas com mecanismos de atenção

• Aprendizado semi-supervisionado (pseudo-rotulação)

• Processamento e análise de imagens biomédicas

• Desenvolvimento de aplicações em Python e Django

🌟 IA aplicada à Administração

Uso a inteligência artificial como ferramenta de trabalho em quatro frentes, sempre com alunos de Administração no centro:

• Análise de dados e BI: alunos transformam planilhas e bases públicas em painéis e decisões.

• Desenvolvimento democrático: alunos sem formação em programação criam sistemas com ferramentas no-code e low-code.

• Protótipos com IA como copiloto: a IA ajuda a escrever requisitos, telas e código; o aluno decide e confere.

• Orientação de TCC: a IA apoia pesquisa, escrita e revisão, com checagem de fontes e declaração de uso.

📂 Projetos em destaque

• Extensão: SigRU. 

  • Sistemas de Informações Gerenciais aplicados ao Restaurante Universitário da UFPI, campus de Floriano (CAFS).

  • Projeto de extensão (PJ08/2025-CAFS, vigência de 01/03/2026 a 01/03/2028) em que alunos do 7º período de Administração desenvolvem protótipos digitais (MVPs) para o Restaurante Universitário, com IA como copiloto e ferramentas no-code e low-code.

  • Problema: filas, desperdício e controle de estoque no RU.

  • Metas: reduzir filas em pelo menos 20%, reduzir desperdício em pelo menos 15% e alcançar pelo menos 80% de satisfação.

  • Método: MVP-Copiloto, um guia em 7 fases baseado no ciclo PDCA, construído a partir dos relatos das turmas.

  • Próximo passo: piloto do Almoxarifado Digital com a PRAEC e a STI. [CONFERIR: situação atual do piloto e da parceria com cursos técnicos]

  • O que o projeto mostra: um administrador não precisa programar para criar um sistema útil. Precisa entender o problema, decidir o que construir e conferir o que a IA produziu.

• Pesquisa:

  • Linha de visão computacional e IA, com projetos coordenados pelo Prof. Kelson Romulo Teixeira Aires (DC/CCN-UFPI) e projetos próprios na área de IA e no-code.

  • PICCN14812-2026: Investigação de Métodos Baseados em Aprendizado Profundo e Explicabilidade Aplicados à Análise de Imagens em Múltiplos Domínios. Colaborador. Em andamento.

  • PI 15390-2026: Proteção de dados, uso de inteligência artificial e riscos éticos em escolas: um estudo aplicado no município de Floriano (PI). Coordenador. Aprovado.

  • PI 15395-2026: Desenvolvimento e avaliação de abordagem no-code para sistemas inteligentes de governança em IA e conformidade à LGPD em instituições de ensino. Coordenador. Aprovado.

  • PICCN13132-2025: Análise e processamento de imagens utilizando técnicas de aprendizagem e redes profundas. Integrante. Concluído; gerou artigo aceito no ENIAC 2026, com apresentação em outubro de 2026 (BRACIS 2026).

  • PICCN9598-2022: Aprendizado profundo em processos de classificação de imagens e reconhecimento de padrões. Integrante. Concluído.

• Pollen Classification → Classificação de grãos de pólen usando CNNs, redes híbridas e separação de vistas equatorial/polar.

• Pseudo-labeling Pollen → Estratégias de pseudo-rotulação para aumentar desempenho em bases reduzidas.
  Django Web → Projeto web para demonstração e deploy de aplicações com redes neurais.
  Traffic Light Detection (IJCNN 2018) → Metodologia baseada em textura, cor e forma para reconhecimento de semáforos.

🔗 Conecte-se

• GitHub: github.com/jczars

👨‍💻 Júlio César da Silva Soares – Kaggle

🌟 Áreas de exploração no Kaggle

• Transformers em visão computacional
  Trabalhos com Vision Transformers (ViT), MobileViT e variantes, aplicados a classificação de imagens e análise de gradientes.

• Modelos CNN clássicos e híbridos
  Uso de arquiteturas como DenseNet, comparações com outras CNNs, e testes de integração com mecanismos de atenção.

• Explainable AI (XAI)
  Experimentos com GradCAM, GradCAM++ e ScoreCAM, aplicados à interpretação de modelos de classificação de imagens.

• Redes especializadas

  • Siamese Networks com triplet loss para reconhecimento de faces.

  • Testes de pseudo-rotulação e datasets customizados.

📊 Objetivo dos estudos no Kaggle

• Avaliar o desempenho de diferentes arquiteturas (CNNs, ViTs, híbridos).

• Explorar técnicas de explicabilidade para aumentar a transparência dos modelos.

• Testar treinamento do zero x fine-tuning em bases específicas.

• Criar pipelines práticos e replicáveis em TensorFlow e Keras.
  
  

🔬 Interesses atuais

• Aplicar ViTs em contextos biomédicos, especialmente em classificação de grãos de pólen.
  
  

• Investigar como diferentes técnicas de attention e feature visualization podem impactar a performance.
  
  

• Explorar aprendizado semi-supervisionado em bases desbalanceadas.

🔗 Conecte-se

• kaggle: kaggle.com/jczars