- Pré-processamento com Label Encoder e One Hot Encoder (dummy variables) para preparação de base de dados. - Feature Selection para determinação das principais variáveis relevantes para utilização em algoritmo de aprendizado de máquina e comparação de performance entre Regressão Logística, XGBoost, Random Forest, Rede Neural e SVM. - Pré processamento de imagens com a biblioteca opencv em Python para extração das cores predominantes - Aplicação de análise de PCA, algoritmos de agrupamento e classificação com regressão logística em dados de canais RGB extraídos de imagens em Python - Construção de correlogramas em correlações extraídas por tabela cruzada e coeficiente de ponto bisserial em R - Validação da significância estatística de dados experimentais com teste de hipótese das médias com t de student, ANOVA e teste de Welch em R - Visualização de dados através da aplicação da gramática dos gráficos com o pacote ggplot em Python e R

- Aplicação do modelo de regressão Partial Least Squares (PLS) para construção de modelo quimiométrico de concentração de ácidos orgânicos em reações de cristalização - Modelagem e otimização de cinética de cristalização em linguagem MATLAB - Simulação de processos químicos