Eduardo Raul Hruschka

Consultor de Ciência de Dados e também professor associado (livre-docente), em tempo parcial, do Departamento de Engenharia de Computação e Sistemas Digitais da Escola Politécnica da Universidade de São Paulo (USP). Listado como um dos top 2% cientistas mais influentes do mundo pela Stanford University / Public Library of Science (PLOS, 2019-2021). Entre 2021-2022, foi diretor sênior da área de Dados & Analytics para a América do Sul na AmBev/AB InBev. Entre 2016-2021, atuou como gerente, superintendente e cientista de dados chefe do Itaú Unibanco. Entre 2007 e 2018, atuou como professor no Departamento de Ciências da Computação da USP em São Carlos. Entre 2013-2016, foi cientista-chefe da startup Big Data, empresa brasileira pioneira em sua área de atuação, da qual foi co-fundador. Graduado em Engenharia Civil pela UFPR em 1995, concluiu mestrado e doutorado no Programa Interdisciplinar de Computação de Alto Desempenho da COPPE/UFRJ em 1998 e 2001 respectivamente. Realizou pós-doutoramento na University of Texas at Austin, USA, entre 2010-2012. Obteve seu título de Livre-Docente em Ciências de Computação pela USP (2012). Foi pesquisador nível 2 do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) entre 2003 e 2010 e pesquisador nível 1-D entre 2010-2018. Foi também Jovem Pesquisador da FAPESP. Foi editor associado do periódico científico Information Sciences (Elsevier) entre 2012-2016. Trabalhou como revisor para diversos periódicos científicos internacionais e também participou de diversos comitês de programas de conferências internacionais. Atua na área de ciência de dados, com particular ênfase em inteligência artificial e aprendizado de máquina.

graduate at Engenharia Civil from Universidade Federal do Paraná (1995), master's at Sistemas Computacionais from Universidade Federal do Rio de Janeiro (1998) and ph.d. at Computação de Alto Desempenho from Universidade Federal do Rio de Janeiro (2001). Has experience in Computer Science, acting on the following subjects: algoritmos genéticos, clustering / agrupamento, extração de regras de classificação, mineração de dados (data mining) and redes neurais.