Gabriella Santos

Sou bacharel em Ecologia pela UFRJ, doutora em Ecologia Aplicada pela ESALQ/USP e cientista de dados com experiência em análises preditivas, aprendizado de máquina e aprendizado profundo. Minha trajetória é marcada pela integração entre ciência ambiental e ciência de dados, usando abordagens quantitativas para responder a questões ecológicas complexas e tenho interesse em gerar conhecimento científico que contribua para a prática e o avanço da área.

Ao longo da minha carreira, trabalhei no desenvolvimento de modelos preditivos para auxiliar no planejamento de paisagens sustentáveis. Combinei técnicas de modelagem espacial e algoritmos de aprendizado supervisionado para gerar insights práticos e promover a recuperação de ecossistemas.

Minhas habilidades incluem o uso de ferramentas como R e Python para análise de dados, desenvolvimento de scripts automatizados e visualização de resultados, além de um forte domínio de SIG (Sistemas de Informação Geográfica) para análises de padrões espaciais. Também me destaco pela aplicação de modelos estatísticos e algoritmos de aprendizado profundo para otimizar estratégias ecológicas.

Sou apaixonada por transformar dados complexos em soluções que impulsionam decisões estratégicas, especialmente em temas como ecologia, conservação de biodiversidade e sustentabilidade. Gosto de colaborar com equipes interdisciplinares e estou sempre em busca de novos desafios que permitam unir ciência, tecnologia e inovação, contribuindo para um futuro mais equilibrado e para a produção de conhecimento relevante e impactante. Também sou apaixonada por São Paulo e não terei problemas em voltar a morar nessa região. 

• Experiência em atividades de campo em ecologia, incluindo coleta e análise de dados ambientais.
• Habilidade em pré-processamento de dados (data wrangling) para preparar informações complexas para análise.
• Raspagem de dados da internet (mineração de dados) para coleta eficiente de informações relevantes a projetos ecológicos.
• Organização de bancos de dados estruturados utilizando SQL, R e Python, garantindo a eficiência e a integridade dos dados.
• Competência em análises estatísticas, incluindo a aplicação de modelos determinísticos (GLM, GLMM) e Bayesianos para interpretar padrões ecológicos.
• Experiência em modelar dados ecológicos espacialmente estruturados.
• Desenvolvimento e implementação de modelos de aprendizado de máquina e aprendizado profundo para prever fenômenos e detectar padrões ecológicos.
• Geoprocessamento e análise de dados georreferenciados para estudos espaciais em ecologia da paisagem.
• Criação de painéis de visualização de dados para apresentar insights de forma clara e impactante, utilizando ferramentas como Power BI e dashboards em R ou Python.
• Uso de ferramentas de inteligência artificial para resolver problemas complexos relacionados a ecossistemas e manejo ambiental. 
• Habilidade em fazer a entrega (deployment) de modelos de dados para que possam ser utilizados por usuários, garantindo acessibilidade e desempenho adequado (MLFlow).
• Experiência em trabalhar com a metodologia CRISP-DM (Cross Industry Standard Process for Data Mining) para projetos de ciência de dados, garantindo uma abordagem estruturada e eficiente.
• Familiaridade com metodologias ágeis, promovendo colaboração contínua e entregas rápidas em equipes multidisciplinares.

• MBA em Data Sciences & Analytics  (2024)  -   Universidade de São Paulo / ESALQ - Piracicaba, SP, Brasil
• PhD em Ecologia Aplicada  (2023)   -   Universidade de São Paulo / ESALQ - Piracicaba, SP, Brasil
• Licenciatura em Ciências Biológicas  (2012)  -  Universidade Federal do Rio de Janeiro ‐ Rio de Janeiro, RJ, Brasil
• Bacharelado em Ecologia  (2010)  -  Universidade Federal do Rio de Janeiro ‐ Rio de Janeiro, RJ, Brasil