Daniel Suassuna da Fonte
Estudante de Ciência da Computação
Apaixonado por Machine Learning, Deep Learning e Inteligência Artificial.
Sobre Mim
Minha jornada começou no esporte. Após anos me dedicando ao basquete com a intenção de seguir carreira profissional, decidi mudar de rumo e iniciei o curso de Administração. No entanto, percebi que aquela área não refletia minha verdadeira paixão.
Foi durante um estágio, ainda na Administração, que tive meu primeiro contato com a programação. Esse momento foi um divisor de águas: descobri uma afinidade natural com a tecnologia e uma curiosidade crescente em entender como as coisas funcionavam por trás dos sistemas. Pouco tempo depois, tomei a decisão de mudar de curso e comecei a graduação em Ciência da Computação.
Ao longo da faculdade, fui incentivado por professores e colegas a explorar o universo da inteligência artificial. Com esse apoio, tive a oportunidade de participar da Latin America Conference on Computational Intelligence (LA-CCI), onde me encantei profundamente pelo campo de Machine Learning e Deep Learning.
Desde então, dedico meus estudos e projetos à área, buscando entender os fundamentos teóricos e aplicá-los em soluções práticas. Sou movido pela curiosidade, pela vontade de aprender continuamente e pelo impacto transformador que a inteligência artificial pode trazer para a sociedade.
Minhas Habilidades

Machine Learning
Criação de modelos supervisionados e não supervisionados para análise de dados e previsões.

Deep Learning
Modelagem de redes neurais profundas, incluindo CNNs e RNNs.

TensorFlow
Framework para construção e treino de redes neurais escaláveis.

Scikit-learn
Ferramentas para ML tradicional: regressão, classificação e clustering.

Modelagem de séries temporais com técnicas de machine e deep learning.

Biblioteca de alto nível construída sobre PyTorch que facilita o desenvolvimento rápido e eficiente de modelos de deep learning, com foco em acessibilidade, desempenho e melhores práticas.
Meus Projetos
Resnet-50 com a biblioteca keras.
Criação da arquitetura de redes neurais convolucionais RESNET com 50 camadas utilizando a biblioteca keras.
Ver no GitHub →TransferLearning com keras
Utilizando transfer learning para treinar um modelo pré-treinado no imagenet com a arquitetura RESNET com 152 camadas no dataset CIFAR-10
Ver no GitHub →Histopathological Prediction
projeto de classificação de imagens histopatológicas desenvolvido com a biblioteca FastAI, voltado para auxiliar no diagnóstico médico, especialmente na detecção de câncer em tecidos analisados por microscopia.
Ver no GitHub →Criando uma rede neural do zero utilizando Numpy
Aplicação completa de uma rede neural para classificações binárias utilizando apenas a biblioteca numpy
Ver no GitHub →Usando o algorítmo YOLO treinado para detecção de face
Processo de uso do algorítmo YOLO para detecção de face completa
Ver no GitHub →