Moysés Nascimento
Graduado em Estatística pela Universidade Federal do Espírito Santo (2007). Mestre em Estatística Aplicada e Biometria pela Universidade Federal de Viçosa (2009). Doutor em Estatística e Experimentação Agropecuária pela Universidade Federal de Lavras (2011). Curso de curta duração em Seleção Genômica Ampla pela Universidade Zaragoza (Espanha, 2014). Realizou, com bolsa CAPES, Pós Doutorado em Análise de dados Genômicos via Métodos Econométricos na North Carolina State University (EUA, 2016). Foi bolsista do Programa de bolsas de qualidade em pesquisa de excelência para jovens docentes pesquisadores da Fundação Arthur Bernardes 2014-2015 (Funarbe). Foi bolsista do Programa Pesquisador Mineiro da FAPEMIG (2015-2017). Foi bolsista de Produtividade em Pesquisa do CNPq - Nível 2 (2017-2020). Foi coordenador do Programa de Pós-Graduação em Estatística Aplicada e Biometria (2017-2019). Atualmente é Professor Associado III do Departamento de Estatística da Universidade Federal de Viçosa e bolsista de Produtividade em Pesquisa do CNPq - Nível 1D (2020-2024). Orientador de mestrado e doutorado nos Programas de Pós-Graduação em Estatística Aplicada e Biometria e Genética e Melhoramento da UFV. Professor e membro da comissão coordenadora do curso de Pós-Graduação Lato Sensu em Inteligência Artificial e Computacional da UFV. Um dos fundadores do Laboratório de Inteligência Computacional e Aprendizado Estatístico (LICAE-UFV). Tem experiência na área de Probabilidade e Estatística Aplicada, com ênfase em Métodos Estatísticos Aplicados ao Melhoramento - Plantas e Animais, Inteligência Computacional e Aprendizado Estatístico. Mais informações podem ser encontradas no site do Laboratório de Inteligência Computacional e Aprendizado Estatístico (LICAE-UFV): LICAE.
Projetos
Orientações em Andamento
Publicações Sugeridas
NASCIMENTO, ANA CAROLINA C. et al. Quantile regression for genomic selection of growth curves. ACTA SCIENTIARUM-AGRONOMY, v. 46, p. 1-12, 2024.
AZEVEDO, CAMILA F. et al. Using visual scores for genomic prediction of complex traits in breeding programs. THEORETICAL AND APPLIED GENETICS, v. 137, p. 1, 2024.
BARRETO, CYNTHIA APARECIDA VALIATI et al. Genomic prediction in multi-environment trials in maize using statistical and machine learning methods. Scientific Reports, v. 14, p. 1062, 2024.
MOURA, G. L. S. et al. Comparison of Normal, Logistic, Laplace, and Students t distributions for experimental error in the Bayesian description of dry matter accumulation in Allium sativum. CIÊNCIA RURAL, v. 54, p. 1, 2024.
SOUZA, I. C. et al. The trade-off between density marker panels size and predictive ability of genomic prediction for agronomic traits in Coffea canephora. EUPHYTICA, v. 220, p. 1, 2024.
GOMES, R. S. et al. Artificial neural networks optimize the establishment of a Brazilian germplasm core collection of winter squash (Cucurbita moschata D.). Scientific Reports, v. 14, p. 1, 2024.