Resume-aware faculty matching

Find professors who actually fit you

Upload your resume. Four AI agents analyze your background, rank the faculty who fit, inspect their recent research, and help you draft outreach — grounded in their actual work, not templates.

Free to startNo credit cardCancel anytime
Top matches Balanced preset
Dr. Sarah Chen
Stanford · Interpretability · NLP
91
Dr. Marcus Holloway
MIT · Robotics · RL
84
Dr. Aisha Okonkwo
CMU · Fairness · HCI
82
Nova · Professor Researcher · re-ranking top 20…
Richard D. Martinez

Richard D. Martinez

· Assistant Professor (Clinical)

University of Utah · School of Dentistry

Active 1965–2021

h-index5
Citations70
Papers383 last 5y
Funding
See your match with Richard D. Martinez — sign in to PhdFit.Sign in

About

Richard D. Martinez is a professor associated with the University of Utah Health. He holds a DDS degree and has completed his undergraduate studies in Medical Biology at the University of Utah, as well as dental education at the University of Iowa. His professional focus is in the field of dentistry, and he is involved in academic activities related to dental education and research at the university. His language of communication is English, and he is engaged in clinical and academic pursuits within the university's College of Dentistry.

Research topics

  • Political Science
  • Computer Science
  • Data Mining
  • Artificial Intelligence
  • Algorithm

Selected publications

  • Reusabilidad en el contexto de desarrollo de sistemas para big data

    XXIII Workshop de Investigadores en Ciencias de la Computación (WICC 2021, Chilecito, La Rioja) · 2021

    • Computer Science
    • Computer Science
    • Political Science

    Actualmente, el crecimiento de sistemas de Big Data (SBD) está obligando a la comunidad de Ingeniería de Software a replantearse un cambio de paradigma en el desarrollo de estos sistemas. Consecuentemente, en este contexto existen varios desafíos para arquitectos y diseñadores, particularmente sobre los requerimientos que una arquitectura para SBDs debe cumplir; entre ellos, considerar las cinco “Vs” (Volumen, Velocidad, Variedad, Variabilidad y Veracidad). En particular, en nuestra investigación nos centramos en una de estas características, Variabilidad, que se refiere a la naturaleza evolutiva de los datos. Nuestro trabajo se enfoca en incorporar Variabilidad en SBDs a través del modelado de elementos reusables de un dominio – sea este de negocios o tecnológico. Esto nos lleva a incorporar información (y sus posibles usos), a modo de línea de productos software. El presente proyecto tiene como fin desarrollar técnicas y herramientas que mejoren la explotación de grandes volúmenes de datos, favoreciendo el desarrollo de ambientes inteligentes que permitan reusabilidad.

  • Recursos educativos desenchufados para la enseñanza de las Ciencias de la Computación en la escuela secundaria

    2020

    • Political Science
    • Political Science

    Las actuales tendencias curriculares para la incorporación de contenidos de Ciencias de la Computación en la educación obligatoria, proponen un recorrido amplio por las distintas áreas de conocimiento. Los recursos educativos desenchufados (RED) demuestran ser una opción adecuada para establecer un primer contacto entre los estudiantes y las Ciencias de la Computación. Si bien existe una amplia variedad de Recursos Desenchufados elaborados en el marco de CSUnplugged, estos no cubren completamente la selección de contenidos propuestos para la educación obligatoria. La insuficiente evidencia sobre su efectividad en la escuela secundaria argentina y la ausencia de un modelo consolidado que permite diseñar este tipo de RED, plantea la necesidad de abordar estos temas. En este trabajo se propone desarrollar una línea de investigación y desarrollo, en el marco de investigación acción participativa, para abordar el problema.

  • Comparison of Clustering Algorithms in Text Clustering Tasks

    Computación y Sistemas · 2020 · 8 citations

    Senior authorCorresponding
    • Computer Science
    • Computer Science
    • Artificial Intelligence

    The purpose of this paper is to compare the performance and accuracy of several clustering algorithms in text clustering tasks. The text preprocessing were realized by using the Term Frequency - Inverse Document Frequency in order to obtain weights for each word in each text and then obtain weights for each text. The Cosine Similarity was used as the similarity measure between the texts. The clustering tasks were realized over the PAN dataset and three different algorithms were used: Affinity Propagation, K-Meansand Spectral Clustering. This paper presents the results in comparative tables: ID of the task, ground truth clusters and the clusters generated by the algorithms. A table with precision, recall and f-measure scores is presented.

Frequent coauthors

  • Juan Manuel Luzuriaga

    10 shared
  • Alejandra Cechich

    National University of Comahue

    10 shared
  • Rafaela Mazalu

    7 shared
  • Agustina Buccella

    National University of Comahue

    7 shared
  • Priscila Guido García

    5 shared
  • Adriana Elba Martín

    5 shared
  • Alejandro Mújica Sarmiento

    Universidad Nacional Autónoma de México

    5 shared
  • Sergio Beristáin

    Instituto Politécnico Nacional

    4 shared

Similar researchers at University of Utah

  • Resume-aware match score
  • Save to shortlist
  • AI-drafted outreach

See your match with Richard D. Martinez

PhdFit ranks faculty by your research interests, methods, and publications — grounded in their actual work, not templates.

  • Free to start
  • No credit card
  • 30-second signup