Ver o conteúdo principal

Docentes

Biografia

João Fonseca concluirá em breve o seu doutoramento na NOVA IMS, durante o qual trabalhou com o Professor Fernando Bação em geração de dados sintéticos, focado em Imbalanced Learning e Active Learning, com aplicações em classificação de Uso e Ocupação do Solo. O seu doutoramento foi financiado com uma bolsa de doutoramento MIT Portugal (2020 FCT-MPP2030). Recentemente, trabalhou enquanto estagiário de investigação na Universidade de Nova Iorque, Tandon School of Engineering, no Center for Responsible AI, colaborando com a Professora Julia Stoyanovich em Multi-agent Algorithmic Recourse ao longo the múltiplos intervalos de tempo. No passado, trabalhou em métodos de classificação de uso e ocupação de solo para atualizar automaticamente mapas de ocupação de Portugal continental. O seu trabalho incluiu o desenvolvimento de pipelines para sistematizar o pré-processamento de imagens do satélite Sentinel-2 para um determinado período de tempo. Também desenvolveu e implementou diferentes tipos de algoritmos para várias tarefas, tais como filtragem de dados, redução de dimensionalidade, extração de características e classificação. João Fonseca foi também voluntário no DSSG Solve, onde integrou uma equipa de 4 cientistas de dados. O seu projeto centrou-se em alavancar o discurso do Twitter para caraterizar narrativas e identificar necessidades não satisfeitas em resposta ao ciclone Amphan, que afectou 18 milhões de pessoas em torno da baía de Bengal em maio de 2020. O seu trabalho anterior também inclui o estudo do potencial de Big data na gestão do turismo, na NOVA School of Business and Economics. Concluiu um Mestrado em Gestão de Informação na NOVA Information Management School e um Mestrado em Gestão na NOVA School of Business and Economics.

Publicações Cientificas

Fonseca, J., & Bacao, F. (2023)

Geometric SMOTE for imbalanced datasets with nominal and continuous features. Expert Systems with Applications, [121053]. https://doi.org/10.1016/j.eswa.2023.121053

Fonseca, J., & Bação, F. (2023)

Improving Active Learning Performance through the Use of Data Augmentation. International Journal of Intelligent Systems, 2023, 1-17. https://doi.org/10.1155/2023/7941878

Fonseca, J., & Bacao, F. (2023)

Tabular and latent space synthetic data generation: a literature review. Journal of Big Data, 10, 1-37. [115]. https://doi.org/10.1186/s40537-023-00792-7

Fonseca, J., Bell, A., Abrate, C., Bonchi, F., & Stoyanovich, J. (2023)

Setting the Right Expectations: Algorithmic Recourse Over Time. In Proceedings of 2023 ACM Conference on Equity and Access in Algorithms, Mechanisms, and Optimization (EAAMO ’23) [29] ACM - Association for Computing Machinery. https://doi.org/10.48550/arXiv.2309.06969, https://doi.org/10.1145/3617694.3623251

Crayton, A., Fonseca, J., Mehra, K., Ng, M., Ross, R., Sandoval-Castaneda, M., & von Gnechten, R. (2020)

Narratives and Needs: Analyzing Experiences of Cyclone Amphan Using Twitter Discourse. Cornell University (ArXiv). https://doi.org/10.48550/arXiv.2009.05560

Fonseca, J., & Bação, F. (2022)

Research Trends and Applications of Data Augmentation Algorithms. (pp. 1-23). Cornell University (ArXiv). https://doi.org/10.48550/arXiv.2207.08817

Fonseca, J., Douzas, G., & Bacao, F. (2021)

Improving imbalanced land cover classification with k-means smote: Detecting and oversampling distinctive minority spectral signatures. Information (Switzerland), 12(7), 1-20. [266]. https://doi.org/10.3390/info12070266

Fonseca, J., Douzas, G., & Bacao, F. (2021)

Increasing the effectiveness of active learning: Introducing artificial data generation in active learning for land use/land cover classification. Remote Sensing, 13(13), 1-20. [2619]. https://doi.org/10.3390/rs13132619

Douzas, G., Bacao, F., Fonseca, J., & Khudinyan, M. (2019)

Imbalanced learning in land cover classification: Improving minority classes' prediction accuracy using the geometric SMOTE algorithm. Remote Sensing, 11(24), [3040]. https://doi.org/10.3390/rs11243040