Luiz Felipe de Camargo
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Luiz Felipe de Camargo has a total of 13 co-authors. Here are the top co-authors by number of shared publications:
- José Remo Ferreira Brega
UNESP
5 shared publications - Juliana da Costa Feitosa
Department of Computing, Universidade Estadual Paulista "Júlio de Mesquita Filho", Bauru, SP, Brazil
3 shared publications - Diego Roberto Colombo Dias
Universidade Federal do Espírito Santo (UFES)
2 shared publications - Carlos Reis
Universidade Est.Paulista Julio De Mesquita Filho (UNESP)
1 shared publication - Eloisa Bonatti
Department of Computing, São Paulo State University, Brazil
1 shared publication - Eloísa Bonatti
Universidade Estadual Paulista “Júlio de Mesquita Filho
1 shared publication
Latest Publications
- 29 June 2025
- Published by Springer Nature
- p. 415-432
Combining Computer Vision and Artificial Intelligence to Support the Rehabilitation of Post-stroke Patients
- 29 June 2025
- Published by Springer Nature
- p. 415-432
Combining Computer Vision and Artificial Intelligence to Support the Rehabilitation of Post-stroke Patients
- Open Access
- 23 October 2023
- Published by Association for Computing Machinery (ACM)
- p. 65-72
eXplainable Artificial Intelligence in sentiment analysis of posts about Covid-19 vaccination on Twitter
Considering the impact of the use of Artificial Intelligence (AI) in the most diverse branches of society and the use of eXplicable Artificial Intelligence (XAI) to improve the interpretability of these intelligent models, this paper aims to analyze some existing XAI methods to verify their effectiveness. To this end, experiments were conducted with LIME, SHAP, and Eli5 solutions in a scenario of sentiment classifications in Twitter posts about the Covid-19 vaccination process in Brazil. Thus, it is observed that the tools provide relevant information about the aspects that interfere in the classification of tweets as favorable or not favorable to vaccination, which allows concluding that the methods bring the necessary transparency to confirm the AI decisions regarding the sentiments related to the vaccination process in Brazil.
- 23 October 2023
- Published by Association for Computing Machinery (ACM)
- p. 65-72
Open AccesseXplainable Artificial Intelligence in sentiment analysis of posts about Covid-19 vaccination on Twitter
Considering the impact of the use of Artificial Intelligence (AI) in the most diverse branches of society and the use of eXplicable Artificial Intelligence (XAI) to improve the interpretability of these intelligent models, this paper aims to analyze some existing XAI methods to verify their effectiveness. To this end, experiments were conducted with LIME, SHAP, and Eli5 solutions in a scenario of sentiment classifications in Twitter posts about the Covid-19 vaccination process in Brazil. Thus, it is observed that the tools provide relevant information about the aspects that interfere in the classification of tweets as favorable or not favorable to vaccination, which allows concluding that the methods bring the necessary transparency to confirm the AI decisions regarding the sentiments related to the vaccination process in Brazil.
- 30 June 2023
- Published by Springer Nature
- p. 617-634
eXplainable Artificial Intelligence - A Study of Sentiments About Vaccination in Brazil
- 30 June 2023
- Published by Springer Nature
- p. 617-634
eXplainable Artificial Intelligence - A Study of Sentiments About Vaccination in Brazil
- 30 June 2023
- Published by Springer Nature
- p. 564-580
Implementation of eXplainable Artificial Intelligence
- 30 June 2023
- Published by Springer Nature
- p. 564-580
Implementation of eXplainable Artificial Intelligence
- 4 October 2021
- Published by Sociedade Brasileira de Computação
- p. 169-182
Métodos de Aprendizado de Máquina Adversariais na Detecção de Anomalias em Redes de Computadores
Com a utilização de sistemas de detecção de intrusão e a necessidade de aprimorar suas classificações e desempenho, o presente trabalho objetiva-se no estudo de classificadores utilizando aprendizado de máquina e, em especial métodos adversariais. A principal contribuição deste estudo é a validação do benefício de Métodos de Aprendizado de Máquina Adversariais na detecção de anomalias em redes de computadores. Para tanto, procede-se a realização de experimentos com diversos classificadores em um conjunto de dados com diferentes ataques através de experimentos com amostras alteradas no intuito de observar o comportamento dos classificadores. Desse modo, observa-se que os resultados foram promissores, condizentes com demais trabalhos semelhantes, indicando o melhor classificador e a melhor métrica para cada tipo de ataque bem como a melhor métrica para avaliação dos resultados e os parâmetros mais relevantes para correção das classificações rotuladas incorretamente. Conclui-se que os métodos adversariais, baseados em amostras alteradas para corrigir classificações equivocadas, podem ser adequados no aprimoramento de métodos de classificação baseados em inteligência artificial. A métrica F1- Score alcançada para cada categoria de ataque foi 0,99 para DoS, 0,99 para Probe, 0,95 para R2L e 0,65 para U2R, considerando o conjunto de dados NSL-KDD.
- 4 October 2021
- Published by Sociedade Brasileira de Computação
- p. 169-182
Métodos de Aprendizado de Máquina Adversariais na Detecção de Anomalias em Redes de Computadores
Com a utilização de sistemas de detecção de intrusão e a necessidade de aprimorar suas classificações e desempenho, o presente trabalho objetiva-se no estudo de classificadores utilizando aprendizado de máquina e, em especial métodos adversariais. A principal contribuição deste estudo é a validação do benefício de Métodos de Aprendizado de Máquina Adversariais na detecção de anomalias em redes de computadores. Para tanto, procede-se a realização de experimentos com diversos classificadores em um conjunto de dados com diferentes ataques através de experimentos com amostras alteradas no intuito de observar o comportamento dos classificadores. Desse modo, observa-se que os resultados foram promissores, condizentes com demais trabalhos semelhantes, indicando o melhor classificador e a melhor métrica para cada tipo de ataque bem como a melhor métrica para avaliação dos resultados e os parâmetros mais relevantes para correção das classificações rotuladas incorretamente. Conclui-se que os métodos adversariais, baseados em amostras alteradas para corrigir classificações equivocadas, podem ser adequados no aprimoramento de métodos de classificação baseados em inteligência artificial. A métrica F1- Score alcançada para cada categoria de ataque foi 0,99 para DoS, 0,99 para Probe, 0,95 para R2L e 0,65 para U2R, considerando o conjunto de dados NSL-KDD.