Categoria:Defesas

Defesa de dissertação (18/02/2026): Matheus dos Santos Moura

Discente: Matheus dos Santos Moura

Título: Detecção Híbrida de Anomalias e Pontos de Mudança para Esquemas de Pump-and-Dump em Corretoras Centralizadas de Criptomoedas

Orientador: Diogo Silveira Mendonça

Banca: Diogo Silveira Mendonça (Cefet/RJ), Eduardo Soares Ogasawara (Cefet/RJ) e Igor Machado Coelho (UFF)

Dia/Hora: 18 de fevereiro de 2026 / 15:00

Sala: https://teams.microsoft.com/l/meetup-join/19%3ameeting_ZGFkNGM1MzMtOGMzNi00OWU5LTkzYjUtY2JhNGQxZmQzZjBl%40thread.v2/0?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%226821740b-ed93-4582-b3a3-b3bfbff6624e%22%7d

Resumo: O rápido crescimento dos mercados de criptomoedas intensificou as preocupações relacionadas a práticas de manipulação de mercado, e particularmente aos esquemas de pump-and-dump. A detecção desses esquemas permanece desafiadora devido à alta volatilidade das criptomoedas e a disponibilidade limitada de dados confiáveis. Trabalhos relacionados baseiam-se predominantemente em técnicas de detecção de anomalias, as quais frequentemente apresentam dificuldades com precisão e adaptabilidade. Neste trabalho, propomos dois métodos de detecção offline que exploram um arcabouço híbrido combinando detecção de anomalias e de pontos de mudança para a identificação de esquemas de pump-and-dump. O primeiro método, HD Pump, integra a detecção de anomalias de volatilidade em séries temporais de preços com a detecção de pontos de mudança aplicada ao volume negociado. O segundo método, HD Pump Plus, estende essa abordagem ao substituir a série temporal de preços por uma série temporal baseada em rush orders. A avaliação experimental em um conjunto de dados contendo 178 eventos confirmados de pump-and-dump da exchange Binance mostra que o HD Pump Plus supera abordagens estatísticas anteriores, alcançando precisão de 96,4%, recall de 89,3% e F1-score de 92,7%. Esses resultados demonstram a efetividade da estratégia híbrida de detecção em avançar o estado da arte, mantendo simplicidade metodológica.

Defesa de Proposta de Dissertação (19/01/26): Balthazar Cunha da Silva Paixão

Discente: Balthazar Cunha da Silva Paixão

Título: Analisando a Robustez de Redes de Passes em Futebol usando Redes Complexas

Orientadores: Glauco Fiorott Amorim (Orientador)

Banca: Glauco Fiorott Amorim (Cefet/RJ), Diego Nunes Brandão (Cefet/RJ) e Pedro Henrique Gonzalez Silva (COPPE/UFRJ)

Dia/Hora: 19/01/2026 às 08h

Sala: https://teams.microsoft.com/meet/28893271581781?p=tofSkiCdUL6fJ0dasH

Resumo:

Este trabalho investiga a relação entre a estrutura das redes de passe no futebol e o sucesso competitivo das equipes ao longo de uma temporada. Partindo da hipótese de que propriedades estruturais dessas redes estão associadas à probabilidade de vitória e, por consequência, à classificação final das equipes, o futebol é modelado como um sistema complexo de interações coletivas.
As redes de passe são representadas como grafos direcionados e ponderados, nos quais os vértices correspondem aos jogadores e as arestas aos passes realizados entre eles. Propõe-se a Importância de Heterogeneidade de Grau (IHG), uma métrica fundamentada no intervalo interquartil da distribuição de graus ponderados, desenhada para mensurar o equilíbrio na participação estrutural dos atletas. A análise empírica considera cinco das principais ligas nacionais europeias — La Liga, Premier League, Ligue 1, Serie A e Bundesliga — referentes à temporada 2015/16. Para cada equipe e partida, são construídas redes de passe em estado integral (sem perturbações), a partir das quais são calculadas métricas estruturais clássicas, incluindo comprimento médio do caminho mais curto, densidade, eficiência global, reciprocidade, conectividade forte e descritores espectrais. Os dados sugerem que a IHG constitui um indicador estável para associar a organização da rede ao sucesso competitivo.
Os resultados indicam que múltiplas propriedades topológicas apresentam correlação estatisticamente significativa com a posição final das equipes, embora com padrões distintos entre as ligas analisadas. Em particular, métricas associadas à conectividade global, coesão estrutural e reciprocidade mostram associações mais fortes em ligas como a Serie A e a Bundesliga. Por outro lado, a Premier League apresenta menor sensibilidade às métricas globais tradicionais, sendo a IHG a medida mais consistentemente associada ao desempenho, resultado interpretado à luz das especificidades da temporada atípica de 2015/16. Os achados corroboram a hipótese de pesquisa, indicando que não existe uma única propriedade estrutural determinante do sucesso competitivo, mas sim um conjunto de características topológicas cuja relevância depende do contexto competitivo. Por fim, o trabalho estabelece uma base metodológica para análises futuras de robustez estrutural por meio da remoção progressiva de nós e arestas, permitindo avaliar a resiliência funcional das equipes frente a perturbações.

Defesa de dissertação (21/01/2026): Edson Paulo da Silva Pinto Sobrinho

Discente: Edson Paulo da Silva Pinto Sobrinho

Título: Ajuste fino de critérios de detecção para aprimorar a identificação de anomalias em séries temporais

Orientadores: Eduardo Soares Ogasawara e Kele Teixeira Belloze

Banca: Eduardo Soares Ogasawara (CEFET/RJ), Kele Teixeira Belloze (CEFET/RJ), Rafaelli de Carvalho Coutinho (CEFET/RJ) e Esther Pacitti (INRIA / University of Montpellier)

Dia/Hora: 21/01/2026 às 10h30min

Sala: https://teams.microsoft.com/meet/24688731415374?p=YVHyDYwIW66rCysKq0

Resumo: A Detecção de Anomalias (DA) é o problema de identificar observações que não correspondem às típicas em uma série temporal. Os métodos de DA definem implicitamente critérios de detecção, tais como medidas de desvio, limiares de filtragem e estratégias de seleção de candidatos a anomalia. A escolha inadequada desses critérios resulta em saídas imprecisas, gerando alertas espúrios ou deixando de identificar eventos. O ajuste desses critérios é essencial para sistemas de monitoramento. Para enfrentar esse desafio, este estudo explora o ajuste fino de medidas de desvio, limiares de filtragem e estratégias de seleção de candidatos. Os resultados experimentais mostram que a escolha adequada dos critérios melhora significativamente o desempenho da DA, muitas vezes com impacto maior que a mudança dos próprios métodos de detecção.

Defesa de dissertação (08/01/2026): Luiz Cláudio Lemos de Oliveira

Discente: Luiz Cláudio Lemos de Oliveira

Título: Detecção de Motifs em Séries Temporais Usando Autoencoders: Uma Análise do Uso em Dados de ECG

Orientador: Eduardo Soares Ogasawara

Banca: Eduardo Soares Ogasawara (CEFET/RJ), Laura Silva de Assis (CEFET/RJ), Helga Dolorico Balbi (CEFET/RJ) e Rebecca Pontes Salles (INRIA/FRA)

Dia/Hora: 08/01/2026 às 10h

Sala: https://teams.microsoft.com/meet/2899124353229?p=ykqgR5NeTJfPfXOhSF

Resumo: A descoberta de motifs em séries temporais biomédicas, como o eletrocardiograma (ECG), consiste na identificação de padrões recorrentes que podem conter informações diagnósticas relevantes. Métodos tradicionais, como o SAX, apresentam limitações por dependerem de pressupostos estatísticos rígidos, especialmente inadequados para sinais fisiológicos complexos. Paralelamente, autoencoders demonstram capacidade superior de aprendizado de representações não lineares, mas sua aplicação específica na descoberta de motifs em ECG ainda não foi explorada, o que configura uma lacuna metodológica relevante. Este trabalho propõe um framework que substitui a discretização SAX por uma codificação neural, preservando o pipeline de descoberta baseado na entropia de Shannon e na frequência de ocorrência. A metodologia desenvolveu-se em três etapas: (i) validação da capacidade de reconstrução do autoencoder, (ii) treinamento de modelos com dados da MIT-BIH Arrhythmia Database e (iii) comparação sistemática com o método SAX por meio de experimentos de detecção, análise de sensibilidade paramétrica e avaliação da capacidade de generalização. Conclui-se que a substituição da discretização tradicional por uma codificação neural adaptativa é viável e proporciona ganhos quantitativos e qualitativos na descoberta de motifs em sinais de ECG, constituindo base metodológica para o desenvolvimento de ferramentas de análise automatizada de sinais biomédicos.

Defesa de Proposta de Dissertação (18/12/2025): Nathália Carvalho Tito

Discente: Nathália Carvalho Tito

Título: Análise de Desempenho e Características de Corredores para Predição de Resultados e Geração de Feedbacks Personalizados

Orientadores: Glauco Fiorott Amorim (Orientador) e Eduardo Bezerra da Silva (Co-orientador),

Banca: Glauco Fiorott Amorim (Cefet/RJ), Eduardo Bezerra da Silva (Cefet/RJ), Diego Nunes Brandão (Cefet/RJ) e Pedro Henrique Gonzalez Silva (COPPE/UFRJ)

Dia/Hora: 18/12/2025 às 10h

Sala: https://teams.microsoft.com/meet/24128131576769?p=qdsGZarKO5PLG30baQ

Resumo: O aumento do número de praticantes de corrida de rua tem intensificado a demanda por soluções capazes de oferecer suporte individualizado ao treinamento, especialmente entre corredores amadores que carecem de acompanhamento profissional contínuo. Nesse contexto, este estudo propõe um modelo integrado de análise de desempenho baseado em técnicas de aprendizado de máquina, com o objetivo de compreender padrões de treino, prever o desempenho de corredores e gerar recomendações personalizadas a partir de variáveis controláveis. Foram utilizados dados provenientes de um questionário e de registros de atividades exportados de um aplicativo de corrida, envolvendo 26 atletas com diferentes níveis de experiência, permitindo uma visão multidimensional dos hábitos de treino e da experiência esportiva.
A metodologia foi estruturada em três fases principais. Na primeira, realizou-se uma análise de clusterização utilizando algoritmos clássicos (K-means, DBSCAN e Agglomerative Clustering) aplicados a componentes principais responsáveis por 80% da variabilidade dos dados. O modelo final selecionado identificou três perfis distintos: “Experientes Jovens”, “Pouco Experientes” e “Experientes Veteranos”, diferenciados por idade, maturidade esportiva e padrões de treino. Na segunda fase, desenvolveu-se um modelo preditivo de Regressão Linear, tanto em configuração geral quanto específica por cluster, considerando variáveis previamente selecionadas com base na literatura e análises preliminares. Os resultados indicaram que cada grupo respondeu de maneira particular às variáveis de treino, reforçando que a segmentação aprimora substancialmente a capacidade preditiva e a adequação das recomendações cada vez mais personalizadas.
Na terceira fase, aplicou-se um algoritmo de otimização para identificar combinações ótimas de variáveis controláveis capazes de maximizar o desempenho previsto em cada perfil. As recomendações derivadas mostraram coerência interna e alinhamento com características dos clusters: maior ênfase em intensidade e variedade para corredores jovens experientes; foco em regularidade, consistência e musculação para pouco experientes; e estratégias de manutenção e equilíbrio para veteranos. Os achados demonstram que a integração entre clusterização, modelagem preditiva e otimização forma uma abordagem consistente e promissora para o desenvolvimento de sistemas inteligentes de recomendação esportiva baseados em dados.
Apesar das limitações relacionadas ao tamanho da amostra e à ausência de indicadores fisiológicos de maior granularidade, o estudo apresenta evidências iniciais de que modelos computacionais podem apoiar a personalização do treinamento de forma eficiente, acessível e escalável. Futuras pesquisas podem ampliar a base de dados, incorporar novas dimensões informacionais, validar o modelo em populações maiores e explorar sua aplicação em plataformas digitais. Conclui-se que a combinação de técnicas de ciência de dados e métodos de otimização contribui significativamente para a compreensão do desempenho em corrida e para o desenvolvimento de recomendações individualizadas que favorecem evolução, aderência e segurança na prática esportiva.

Defesa de Proposta de Dissertação (19/12/2025): Ramon De La Vega Garcia

Discente: Ramon De La Vega Garcia

Título: Modelagem Preditiva de Casos de Dengue Usando Dados Climáticos, Epidemiológicos e de Infraestrutura de Saúde

Orientador: Eduardo Bezerra

Banca: Eduardo Bezerra (Cefet/RJ), Jorge de Abreu Soares (Cefet/RJ) e Rejane Sobrino Pinheiro (IESC/UFRJ)

Dia/Hora: 19/12/2025 às 10h

Sala: https://teams.microsoft.com/meet/25415553085073?p=fXyK6eE9cYlU4xW5hs

Resumo: A dengue é um importante problema de saúde pública no Brasil, com transmissão endêmica persistente apesar de décadas de esforços de controle vetorial. Fatores climáticos como temperatura, precipitação e umidade, aliados a condições socioambientais, desempenham papel central na proliferação do Aedes aegypti e na dinâmica de disseminação viral. Este estudo propõe um framework de modelagem preditiva para estimar casos diários e semanais de dengue em níveis regionais e por unidade de saúde, integrando dados epidemiológicos (SINAN), registros de infraestrutura de saúde (CNES) e reanálises meteorológicas (ERA5). A metodologia inclui pré-processamento de dados, engenharia de variáveis baseada no conhecimento biológico do vetor e treinamento de modelos de aprendizado de máquina, a saber: Random Forest, XGBoost com função de perda Poisson e um modelo híbrido Zero-Inflated Poisson (ZIP), para lidar com os desafios de dados de contagem caracterizados por sobredispersão e excesso de zeros. A otimização de hiperparâmetros foi realizada por busca Bayesiana utilizando o Optuna, e o desempenho dos modelos foi avaliado por meio de múltiplas execuções com divisões temporais rígidas para duas cidades brasileiras: Natal (RN) e Rio de Janeiro (RJ). Os resultados indicam que a inclusão de variáveis inspiradas em conhecimento biológico melhora a acurácia preditiva e que o modelo ZIP fornece previsões mais realistas durante períodos de baixa incidência. A abordagem proposta contribui para o desenvolvimento de sistemas operacionais de alerta precoce, permitindo intervenções oportunas em saúde pública e alocação mais eficiente de recursos em regiões endêmicas de dengue.

Defesa de dissertação (18/12/2025): Michel Siqueira Reis

Discente: Michel Siqueira Reis

Título: Correspondência de Detecções a Eventos em Séries Temporais com Eficiência Computacional e Garantia de Otimalidade

Orientadores: Rafaelli de Carvalho Coutinho (orientadora) e Eduardo Soares Ogasawara (coorientador)

Banca: Rafaelli de Carvalho Coutinho (Cefet/RJ), Eduardo Soares Ogasawara (Cefet/RJ), Laura Silva de Assis (Cefet/RJ) e  Rebecca Pontes Salles (INRIA)

Dia/Hora: 18/12/2025 às 13h

Sala: https://teams.microsoft.com/l/meetup-join/19%3ae20c8697654543fc9dd1e9924de5c2c0%40thread.tacv2/1763159776096?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%2254af42a0-5f30-4905-ac8d-10b96c6db26b%22%7d

Resumo: Este trabalho apresenta o SmartSoftED, uma métrica otimizada para avaliação da detecção de eventos pontuais em séries temporais. A métrica original, SoftED, introduz uma avaliação “suave” baseada em tolerância temporal, atribuindo pontuações graduais a detecções próximas de eventos reais. No entanto, sua formulação atual depende de uma abordagem gulosa que não garante otimalidade em todos os casos e exige um custo computacional quadrático, o que limita sua aplicação em ambientes de larga escala ou de processamento em tempo real. O SmartSoftED supera essas limitações ao introduzir uma estratégia que decompõe o problema em subproblemas disjuntos tratáveis: alguns podem ser resolvidos de forma eficiente e sem perda de otimalidade, enquanto outros são modelados como problemas de emparelhamento máximo ponderado em grafos bipartidos desbalanceados. Essa abordagem preserva a otimalidade das correspondências entre detecções e eventos e reduz significativamente o custo computacional. Na prática, o método alcança uma aceleração média de duas ordens de grandeza, tornando-se adequado para determinadas aplicações de grande escala e para sistemas sujeitos a restrições temporais rigorosas.

Defesa de Proposta de Dissertação (19/12/2025): Marcelo Henrique Nery da Silva

Discente: Marcelo Henrique Nery da Silva

Título: Predição de Desigualdades Regionais na Distribuição de Profissionais de Saúde no Brasil usando Aprendizado de Máquina: Ênfase na Enfermagem

Orientadores: Jorge de Abreu Soares (orientador) e Kele Teixeira Belloze (coorientadora)

Banca: Jorge de Abreu Soares (Cefet/RJ), Kele Teixeira Belloze (Cefet/RJ), Eduardo Bezerra da Silva(Cefet/RJ) e Pedro Nuno de Souza Moura (Unirio)

Dia/Hora: 19/12/2025 às 16h

Sala: Qualificação – 19.12.2025 – Marcelo Nery | Microsoft Teams

Resumo: Este trabalho aborda a demografia da força de trabalho em enfermagem no Brasil, com foco na análise das desigualdades regionais na distribuição de profissionais de saúde. A partir de dados do Cadastro Nacional de Estabelecimentos de Saúde (CNES), busca-se responder à seguinte questão central: é possível prever a escassez de enfermeiros nas unidades federativas do Brasil? O objetivo principal é aplicar técnicas de aprendizado de máquina e ciência de dados para identificar e prever padrões de escassez de profissionais de enfermagem, fornecendo subsídios para a formulação de políticas públicas baseadas em evidências. A análise contempla a construção de visualizações interativas em mapas, com ênfase nas disparidades regionais, bem como o exame da evolução temporal da distribuição de profissionais. A relevância deste estudo decorre de seu potencial impacto na gestão de recursos humanos em saúde e na melhoria da alocação de profissionais, alinhando-se às metas do Objetivo de Desenvolvimento Sustentável (ODS) 3 – Saúde e Bem-Estar.

Defesa de Proposta de Dissertação (10/12/2025): Thays Leal da Costa

Discente: Thays Leal da Costa

Título: Estratégias de Economia de Energia em Redes LoRa para Monitoramento de Umidade do Solo

Orientadores: Felipe da Rocha Henriques (Orientador) e Laura Silva de Assis (Co-orientadora)

Banca: Felipe da Rocha Henriques (Cefet/RJ), Laura Silva de Assis (Cefet/RJ), Cristiano de Souza de Carvalho (Cefet/RJ) e Glauco Fiorott Amorim (Cefet/RJ)

Dia/Hora: 10/12/2025, às 18h

Sala: https://teams.microsoft.com/meet/21017202995909?p=wHbDQYyjlqrbUhIGf5

Resumo: Este trabalho tem o objetivo de investigar e propor estratégias para otimizar a eficiência energética em sistemas de monitoramento de umidade do solo baseados em redes LoRa, de sorte a aumentar a autonomia de monitoramento da rede. Uma das aplicações vislumbradas neste trabalho é o uso desse tipo de rede sem fio para o monitoramento de encostas e a mitigação de riscos de deslizamentos de terra. Para tanto, é proposta uma metodologia prática baseada na experimentação com rádios LoRa, módulos Arduino e sensores de umidade do solo. Experimentos reais foram conduzidos para avaliar o impacto de diferentes estratégias de economia de energia e frequências de envio de dados na operação desses sistemas. Uma campanha de medição foi realizada, a partir dos experimentos reais, e uma base de dados está sendo construída. A partir dos dados coletados, pôde-se observar a viabilidade e os ganhos significativos em eficiência energética e operação contínua alcançados pela aplicação dessas estratégias, contribuindo para o monitoramento eficaz em regiões vulneráveis, propensas a ocorrências de deslizamentos.

Defesa de Proposta de Dissertação (23/12/2025): Gustavo Melo

Discente: Gustavo Melo

Título: Reconhecimento de Entidades Nomeadas em Relatos Criminais Informais com Apoio de Metadados Estruturados

Orientadores: Eduardo Bezerra da Silva (Cefet/RJ) e Karla Figueiredo (UERJ)

Banca: Eduardo Bezerra da Silva (Cefet/RJ), Karla Figueiredo (UERJ), Gustavo Paiva Guedes (Cefet/RJ) e Kele Teixeira Belloze (Cefet/RJ)

Dia/Hora: 23/12/2025 às 08:30h

Sala: https://teams.microsoft.com/l/meetup-join/19%3a4b1b17679a2b42b592d731495e4f82d6%40thread.tacv2/1764246601186?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%22c03d6068-4733-48a6-bbb4-aa78f351d9cf%22%7d

Resumo: O presente trabalho investiga o problema do reconhecimento de entidades nomeadas em relatos criminais informais registrados no serviço Disque Denúncia. Esses relatos, frequentemente marcados por linguagem coloquial, erros ortográficos e estrutura textual livre, impõem desafios significativos ao uso de modelos tradicionais de Processamento de Linguagem Natural. Além do texto livre, os relatos são acompanhados de metadados estruturados, como tipo de ocorrência, localização e data que podem fornecer contexto adicional relevante para a tarefa. Neste estudo, propõe-se uma abordagem baseada em fine-tuning de modelos de linguagem de grande porte, utilizando um corpus manualmente anotado com entidades do tipo Pessoa, Local e Organização. Para contornar a escassez de dados rotulados, a metodologia inclui a aplicação de pseudo-rotulagem em um segundo corpus, significativamente maior, expandindo assim a base de treinamento de forma semissupervisionada. Adicionalmente, os metadados dos relatos são incorporados como fonte de contexto tanto no pré-processamento quanto no processo de avaliação e refinamento dos modelos. Os experimentos foram conduzidos com o modelo GliNER e avalia que a utilização de metadados e pseudo-rotulação pode contribuir para melhorar a performance dos modelos em corpora informais, com impactos positivos para a extração automatizada de informações em contextos de segurança pública. Os resultados reforçam o potencial de abordagens híbridas e sensíveis ao domínio para aplicações reais de Processamento de Linguagem Natural em ambientes com escassez de rótulos anotados.

Defesa de Proposta de Dissertação (17/12/2025): Ana Gabriela Viana de Araújo

Discente: Ana Gabriela Viana de Araújo

Título: Aplicação de Métodos Baseados em Concept Drift para a Previsão de Gols no Futebol Profissional

Orientador: Jorge de Abreu Soares (Cefet/RJ)

Banca: Jorge de Abreu Soares (Cefet/RJ), Glauco Fiorott Amorim (Cefet/RJ) e Carlos Eduardo Ribeiro de Mello (Unirio)

Dia/Hora: 17/12 às 10h

Sala: Exame de qualificação – Ana Gabriela Viana | Ingresso na Reunião | Microsoft Teams

Resumo: Este estudo apresenta uma análise preliminar sobre a aplicação de técnicas de concept drift na previsão de gols em partidas de futebol, a partir de dados ofensivos intra-partida. O objetivo é investigar se mudanças de conceito ao longo do jogo podem indicar variações no comportamento ofensivo que antecedem a ocorrência de gols. Foram utilizados dados da temporada 2015/2016 da La Liga, agregados em intervalos de um minuto, com a detecção de drift realizada por meio do algoritmo Page-Hinkley. Os experimentos consideraram diferentes combinações de variáveis e parâmetros, avaliadas por métricas de precision, recall e F1-score. Embora os resultados ainda sejam modestos, o estudo demonstra a viabilidade da abordagem e abre caminho para novas investigações que explorem conjuntos de variáveis multivariadas, técnicas alternativas de detecção de drift e análises longitudinais entre temporadas. Conclui-se que, apesar de preliminar, a proposta apresenta potencial para contribuir com avanços na compreensão da dinâmica ofensiva no futebol, oferecendo subsídios aplicáveis à análise de desempenho, às apostas esportivas e ao apoio à decisão técnica.

Defesa de Proposta de Dissertação (10/12/2025): Felipe de Ávila Tavares

Discente: Felipe de Ávila Tavares

Título: Avaliação Comparativa de Métodos de Imputação em Variáveis Categóricas

Orientador: Jorge de Abreu Soares

Banca: Jorge de Abreu Soares (Cefet/RJ), Eduardo Soares Ogasawara (Cefet/RJ) e Ronaldo Ribeiro Goldschmidt (IME)

Dia/Hora: 10/12/2025 às 10h

Sala: Defesa de exame de qualificação – Felipe Tavares | Ingresso na Reunião | Microsoft Teams

Resumo: Este trabalho investiga o desempenho de diferentes métodos de imputação aplicados a variáveis categóricas, considerando cenários com distintas estruturas de dados. O estudo contempla três classes de conjuntos: bases contendo apenas uma variável categórica, bases mistas com variáveis numéricas e categóricas e bases totalmente categóricas. A metodologia proposta envolve a geração artificial de valores ausentes segundo o mecanismo Missing Completely at Random (MCAR), em diferentes taxas (10%, 20% e 30%) e com múltiplas sementes aleatórias, de modo a avaliar a estabilidade e a sensibilidade dos métodos. Três abordagens de imputação são analisadas: KNN (incluindo variações com normalização, ponderação por Eta² e distância de Gower), Random Forest e XGBoost, aplicados em regime supervisionado. Os resultados preliminares, obtidos com a taxa de 20% de ausência na base Glass Identification, indicam diferenças marcantes entre as famílias de métodos, evidenciando que modelos baseados em árvores apresentam desempenho superior e maior estabilidade em relação às variantes do KNN. A continuidade da pesquisa incluirá a aplicação do protocolo completo às demais categorias de bases e às demais taxas de ausência, permitindo uma análise abrangente dos efeitos estruturais dos dados no desempenho das técnicas de imputação.

Defesa de Proposta de Dissertação (15/12/2025): Vanessa Santos Soares

Discente: Vanessa Santos Soares

Título: Avaliação de modelos de aprendizado de máquina para a correção automática de redações segundo as competências do ENEM

Orientadores: Eduardo Bezerra da Silva (orientador) e Gustavo Paiva Guedes e Silva (coorientador)

Banca: Eduardo Bezerra da Silva (Cefet/RJ), Gustavo Paiva Guedes e Silva (Cefet/RJ), Diego Moreira de Araújo Carvalho (Cefet/RJ) e Geraldo Bonorino Xexéo (UFRJ).

Dia/Hora: 15/12/2025 às 10h

Sala: https://teams.microsoft.com/meet/26834869485676?p=MyRcUl8F0WiuLuZQo2

Resumo: Com o crescimento do ensino remoto e a aplicação de exames de larga escala como o ENEM, a automatização da correção de textos discursivos tornou-se uma necessidade crescente. Este trabalho investiga diferentes estratégias de aprendizado de máquina para avaliação automática de redações em língua portuguesa, tomando como referência as cinco competências avaliativas do ENEM. Para isso, foram analisadas 9.599 redações coletadas do portal Vestibular Brasil Escola, abrangendo 102 temas publicados entre 2009 e 2024. São comparadas duas linhas de abordagem: (i) métodos tradicionais baseados em TF-IDF e features linguísticas extraídas dos textos, e (ii) modelos de linguagem pré-treinados com fine-tuning (XLM-RoBERTa com LoRA). O desempenho dos modelos é avaliado por meio da métrica Quadratic Weighted Kappa (QWK), que mede a concordância com corretores humanos. Espera-se demonstrar que modelos pré-treinados oferecem ganhos expressivos em robustez e confiabilidade, superando abordagens baseadas em engenharia de atributos. O estudo contribui para o avanço da área de Automatic Essay Scoring (AES) em português, oferecendo um benchmark e análise comparativa que podem apoiar futuras pesquisas e aplicações educacionais.

Defesa de Dissertação (10/12/2025): André Luiz Coutinho Merlo

Discente: André Luiz Coutinho Merlo

Título: Tecnologia e Sustentabilidade no Campo: Sistema de Recomendação para Pequenos Produtores Rurais

Orientador: Diego Nunes Brandão

Banca: Diego Nunes Brandão (PPCIC-Cefet/RJ), Kele Belloze (PPCIC-Cefet/RJ), Marcos Bacis Ceddia (UFRRJ) e Douglas Cardoso (Universidade de Coimbra)

Dia/Hora: 10/12/2025 às 10h

Sala: https://l1nk.dev/5tvol

Resumo: A agricultura digital tem se consolidado como um dos pilares da transformação tecnológica no campo, ao integrar sensores, algoritmos, dados meteorológicos e técnicas de inteligência artificial para tornar a produção agrícola mais eficiente, sustentável e inteligente. Nesse contexto, a agricultura familiar, responsável por grande parte da produção de alimentos no Brasil, desempenha um papel estratégico não apenas na segurança alimentar, mas também na conservação ambiental e no desenvolvimento regional. No entanto, muitos pequenos produtores ainda enfrentam desafios relacionados ao acesso a tecnologias avançadas e à tomada de decisões baseadas em dados. Diante desse cenário, este trabalho propõe o desenvolvimento de um sistema inteligente de recomendação agrícola, voltado a apoiar agricultores familiares na escolha de culturas e no manejo eficiente do solo. A solução adota uma abordagem híbrida, combinando um motor de inferência baseado em regras com técnicas de ciência de dados aplicadas à agricultura digital. O sistema utiliza dados regionais de produtividade, condições climáticas e análises detalhadas do solo para gerar recomendações personalizadas sobre o cultivo mais adequado, bem como orientações técnicas sobre adubação e calagem (aplicação de corretivos de acidez). Ao considerar variáveis como o tipo e a composição do solo, o histórico produtivo e o clima local, o sistema busca contribuir para o aumento da produtividade, a redução de impactos ambientais e a promoção da sustentabilidade econômica de pequenos produtores rurais. Experimentos, acompanhados de análise estatística das saídas, demonstram a viabilidade da solução proposta, com recomendações alinhadas às práticas agrícolas locais e às condições edafoclimáticas (integração solo–clima aplicada às recomendações agronômicas) das regiões avaliadas. A concordância entre o sistema e as referências técnicas foi quantificada por meio de medidas como a acurácia e o coeficiente Kappa de Cohen, com respectivos intervalos de confiança, além de testes de hipótese para avaliar a significância dos resultados. Esses achados indicam que o sistema pode se tornar uma ferramenta acessível e escalável, capaz de democratizar o acesso à agricultura digital e de fortalecer a sustentabilidade da agricultura familiar, contribuindo para reduzir as assimetrias tecnológicas no campo.

Defesa de dissertação (08/12/2025): Fernando Henrique de Jesus Fraga da Silva

Discente: Fernando Henrique de Jesus Fraga da Silva

Título: Aprendizado por Reforço Profundo Aplicado à Negociação Intradiária de Múltiplas Ações

Orientadores: Eduardo Bezerra da Silva (orientador) e Pedro Henrique González Silva (coorientador)

Banca: Eduardo Bezerra da Silva (Cefet/RJ), Pedro Henrique González Silva (UFRJ), Aline Marins Paes Carvalho (UFF) e Glauco Fiorott Amorim (Cefet/RJ)

Dia/Hora: 08/12/2025 às 15h

Sala: https://teams.microsoft.com/v2/?meetingjoin=true#/l/meetup-join/19:PKOJTuK7mfHSDE6QkCWQCYp71f0xOMNoRgSUj4wjMKc1@thread.tacv2/1763760050816?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%22c03d6068-4733-48a6-bbb4-aa78f351d9cf%22%7d&anon=true&deeplinkId=91733be2-9804-4f09-ac6a-f1a362e67de8

Resumo: O mercado de ações é um ambiente dinâmico e volátil, no qual empresas de capital aberto negociam frações de seu valor, sujeitas a variações contínuas de preço influenciadas por fatores econômicos, políticos e sociais. Antecipar essas variações é uma tarefa complexa, especialmente no contexto da negociação intradiária, em que as decisões de compra e venda precisam ser tomadas em intervalos de tempo muito curtos, com base em dados que mudam rapidamente. Nesse cenário, o Aprendizado por Reforço (AR) surge como um paradigma promissor, capaz de desenvolver estratégias adaptativas por meio da interação contínua entre agente e ambiente. Esta dissertação investiga o uso de técnicas de Aprendizado por Reforço Profundo (ARP) na negociação financeira, com foco em cenários de negociação intradiária envolvendo múltiplas ações. É proposta uma abordagem baseada em ARP para estimar ações de compra e venda simultaneamente em diversos ativos, utilizando dados de mercado de alta granularidade, de modo a aproximar-se das condições reais de negociação. As análises experimentais foram conduzidas com o algoritmo Proximal Policy Optimization (PPO). Os resultados obtidos indicam que o agente proposto apresentou desempenho superior em relação a estratégias tradicionais de referência, alcançando ganhos superiores a 10 pontos percentuais em determinados casos.

Defesa de dissertação (16/10/2025): Gabriel Portugal Guadelupe dos Santos

Discente: Gabriel Portugal Guadelupe dos Santos

Título: COSMOS: Conjunto de Subsistemas de Monitoramento da Saúde

Orientador: Gustavo Paiva Guedes e Silva

Banca: Gustavo Paiva Guedes e Silva (Cefet/RJ), Diego Nunes Brandão (Cefet/RJ) e Alessandro Copetti (UFF)

Dia/Hora: 16 de outubro de 2025 (quinta-feira), às 14h

Sala: https://teams.microsoft.com/meet/221702080420?p=qjNSZ2ir0Dq3hkxSH7

Resumo: O estudo propõe o desenvolvimento do COSMOS, um conjunto integrado de sistemas que inclui uma Interface Gráfica, Servidor e um Dispositivo de Monitoramento de Sinais Fisiológicos (DMSF) dinâmico e acessível, visando aprimorar o monitoramento domiciliar de pacientes. Ao integrar a Internet das Coisas Médicas (IoMT), o COSMOS permite o monitoramento remoto de sinais fisiológicos, promovendo cuidados personalizados e prevenção de complicações. Os experimentos foram realizados e indicaram que o COSMOS é eficaz na aferição de sinais fisiológicos, proporcionando dados confiáveis. Importante destacar que o projeto foi aprovado pelo comitê de ética sob o CAAE: 65831022.6.0000.5289. Além disso, o sistema recebeu avaliações positivas dos usuários, que destacaram sua eficácia e facilidade de uso em suas rotinas diárias. Esses resultados sugerem que o COSMOS tem potencial para contribuir significativamente para a melhoria da qualidade de vida e do cuidado médico domiciliar personalizado. A capacidade de monitoramento remoto oferecida pelo COSMOS pode facilitar a detecção precoce de alterações no estado de saúde dos pacientes, permitindo intervenções médicas oportunas e adequadas, em consonância com os ODS 3, 9 e 11.

Defesa de Proposta de Dissertação (09/10/2025): Ian Alexander Zahner McIntosh

Discente: Ian Alexander Zahner McIntosh

Título: Um estudo do uso de efeitos sensoriais para auxílio de pessoas cegas e com baixa visão

Orientador: Joel dos Santos

Banca: Diego Brandão (CEFET/RJ) e Windson Viana (UFC)

Dia/Hora: 09/10/25 às 10 hrs

Sala: https://teams.microsoft.com/meet/2794609661435?p=csh494b2uBDLBTEtqg

Resumo: No avanço tecnológico, a realidade virtual cresceu na quantidade de funções. Com isso, muitos usuários e desenvolvedores puderam explorar novas formas de usá-la para diversão. Ao mesmo tempo, foi possível utilizar esta tecnologia para a educação. Assim como outras tecnologias assistivas, a \acr{RV} foi capaz de ajudar na locomoção, comunicação e recriação de locais. Com estes atributos, pessoas cegas e com baixa visão puderam ser ajudadas em diferentes situações. Este trabalho tem como objetivo realizar uma revisão de trabalhos que utilizam a \acr{RV}, ou tecnologia semelhante, para auxílio a pessoas cegas ou com baixa visão. Esta revisão busca ainda identificar os efeitos sensoriais explorados diretamente ou indiretamente em cada trabalho.
Palavras-chave: Realidade Virtual; Efeitos Sensoriais; Deficiência Visual; Revisão.

Defesa de Proposta de Dissertação (19/09/2025): Fernando Henrique de Jesus Fraga da Silva

Discente: Fernando Henrique de Jesus Fraga da Silva

Título: Day Trading Multi-Ações via Aprendizado por Reforço Profundo | Multi-Stock Day Trading via Deep Reinforcement Learning

Orientador: Eduardo Bezerra da Silva

Banca: Glauco Fiorott Amorim (CEFET/RJ) e Pedro Henrique González Silva (CEFET/RJ & COPPE/PESC)

Dia/Hora: 19/09/2025 às 10h

Sala: https://teams.microsoft.com/l/meetup-join/19%3a0bb9d0e20b004f5f81e8993357000fa9%40thread.tacv2/1755006816852?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%22c03d6068-4733-48a6-bbb4-aa78f351d9cf%22%7d

Resumo: O mercado de ações representa o ambiente em que empresas de capital aberto disponibilizam ao público parcelas de sua estrutura, por meio da emissão e negociação de ações. Cada ação corresponde a uma fração do valor da companhia e está sujeita a constantes oscilações de preço. Essa volatilidade pode ser influenciada por uma ampla variedade de fatores, como mudanças no cenário econômico, decisões políticas, acontecimentos sociais e até mesmo eventos inesperados de escala global. Compreender e, principalmente, tentar antecipar os efeitos desses elementos no comportamento do mercado configura-se como uma tarefa desafiadora e, em muitos casos, de elevada complexidade. Essa dificuldade torna-se ainda mais evidente em operações de day trading, em que decisões precisam ser tomadas em questão de minutos ou até segundos, exigindo análises precisas em intervalos extremamente curtos. É nesse contexto que o aprendizado por reforço surge como uma alternativa promissora, oferecendo modelos capazes de desenvolver estratégias adaptativas a partir da interação contínua com o ambiente de negociação. O presente trabalho tem como objetivo investigar a aplicação do aprendizado por reforço no setor financeiro, com ênfase em operações de day trade. Nesse contexto, busca-se propor uma técnica de aprendizado por reforço profundo capaz de estimar transações de day trade para diversas empresas simultaneamente, utilizando uma granularidade de dados que se aproxime ao máximo da realidade do mercado. Para isso conduzimos testes experimentais empregando o algoritmo PPO. Os resultados alcançados apontam que, comparado aos benchmarks, o agente de aprendizado por reforço foi capaz de obter resultados melhores em diversas ações. Em alguns casos, nosso agente chegou a alcançar um retorno em comparação ao benchmark de acima de 10 pontos percentuais.

Defesa de dissertação (15/09/2025): Arthur Silveira de Siqueira Cavalcanti

Discente: Arthur Silveira de Siqueira Cavalcanti

Título: Avaliação de Técnicas de Balanceamento de Dados na Detecção de Fraude em Transações Online de Cartão de Crédito

Orientadores: Rafaelli de Carvalho Coutinho (orientadora) e Eduardo Bezerra da Silva (co-orientador)

Banca: Rafaelli de Carvalho Coutinho (PPCIC – Cefet/RJ), Eduardo Bezerra da Silva (PPCIC – Cefet/RJ), Eduardo Ogasawara (PPCIC – Cefet/RJ), Ronaldo Ribeiro Goldschmidt (IME)

Dia/Hora: 15/09/25, às 09h

Sala: https://teams.microsoft.com/l/meetup-join/19%3abf7330f2c27648b7ba998e79d8db5021%40thread.tacv2/1755212796749?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%2254af42a0-5f30-4905-ac8d-10b96c6db26b%22%7d

Resumo: Devido ao aumento do comércio eletrônico e do uso de cartões de crédito, as fraudes com cartões de crédito tornaram-se um grande desafio para as entidades envolvidas. Apesar dos prejuízos, essas fraudes ainda representam uma pequena parte das transações, caracterizando um problema de desbalanceamento de dados nas áreas de detecção de fraudes do sistema financeiro. Este trabalho avalia várias combinações de técnicas de seleção de atributos, balanceamento de classes e algoritmos de classificação. Para balancear as classes, foram usadas técnicas de subamostragem, superamostragem e ajustes de limiares nos classificadores. O objetivo é criar um pipeline que permita a reprodutibilidade e ampliação das avaliações dessas técnicas. As combinações foram testadas em dois conjuntos de dados desbalanceados, avaliados pela métrica escore F1. Os resultados mostram um ganho de desempenho quando são implementadas técnicas de balanceamento de dados e otimização de limiares de classificação.

Defesa de Proposta de Dissertação (30/06/2025): André Luiz Coutinho Merlo

Discente: André Luiz Coutinho Merlo

Titulo: SISTEMA DE RECOMENDAÇÃO HÍBRIDO PARA AGRICULTURA INTELIGENTE APLICADO AO SISTEMA MULTISOILS

Orientador: Diego Brandão

Banca: Marcos Bacis Ceddia (UFRRJ), Douglas Cardoso (Universidade de Coimbra) e Kele Belloze (PPCIC-Cefet/RJ)

Data/Hora: 30 de junho de 2025 (segunda-feira), às 18pm.

Local: https://us06web.zoom.us/j/82240802828pwd=C7u7HgWA6Zb3oSEFQdk2B7REqQQLfr.1

Resumo:
A agricultura digital tem se consolidado como um dos pilares da transformação tecnológica no
campo, ao integrar sensores, algoritmos, dados meteorológicos e técnicas de inteligência artificial para tornar a produção agrícola mais eficiente, sustentável e inteligente. Nesse contexto, a agricultura familiar, responsável por grande parte da produção de alimentos no Brasil, desempenha um papel estratégico não apenas na segurança alimentar, mas também na conservação ambiental e no desenvolvimento regional. No entanto, muitos pequenos produtores ainda enfrentam desafios relacionados ao acesso a tecnologias avançadas e à tomada de decisões baseadas em dados. Diante desse cenário, este trabalho propõe o desenvolvimento de um sistema inteligente de recomendação agrícola, voltado para apoiar agricultores familiares na escolha de culturas e no manejo eficiente do solo. A solução adota uma abordagem híbrida, combinando um motor de inferência baseado em regras com técnicas de ciência de dados aplicadas à agricultura de precisão. O sistema utiliza dados regionais de produtividade, condições climáticas e análises detalhadas do solo para gerar recomendações personalizadas sobre o cultivo mais adequado, bem como orientações técnicas sobre adubação, calagem e controle de pragas. Ao considerar variáveis como tipo e composição do solo, histórico produtivo e clima local, o sistema busca contribuir para o aumento da produtividade, a redução de impactos ambientais e a promoção da sustentabilidade econômica de pequenos produtores
rurais. Experimentos preliminares demonstram a viabilidade da solução proposta, com recomendações alinhadas às práticas agrícolas locais e às condições edafoclimáticas das regiões avaliadas. Os resultados indicam que o sistema pode se tornar uma ferramenta acessível e escalável, capaz de democratizar o acesso à agricultura de precisão e fortalecer a sustentabilidade da agricultura familiar, reduzindo assimetrias tecnológicas no campo.