Categoria:Notícias

Discente: Jomar Ferreira Monsores

Título: Ambiente Baseado em Ferramaneta Robótica para Auxílio Educacional de Aluno com Dilexia

Orientador: João Roberto de Toledo Quadros

Banca: João Roberto de Toledo Quadros (presidente), Eduardo Soares Ogasawara (CEFET/RJ), Patrícia Grasel da Silva (IFRJ)

Dia/hora:  02 de dezembro de 2020, às 10h30min.

Sala remota: meet.google.com/qdt-pcdb-dng

Resumo: Um ambiente de robótica, voltado para o auxílio de pessoas que possuem dislexia é apresentado, tanto para o auxílio a leitura quanto na alfabetização de pessoas. A proposta do ambiente é ser inclusivo, o que faz com que ele seja utilizado também para pessoas sem dislexia. Esse ambiente é lúdico, voltado para uma visão de jogo, sem ser competitivo, mas colaborativo. Ele é composto de um robô, um tabuleiro (com símbolos) e um aplicativo, com ênfase na perspectiva de aprendizado dos usuários-alvo. A ideia desse ambiente se baseia na concepção de que, o cérebro de uma pessoa com dislexia se adapta melhor a métodos de ensinos voltados para tridimensionalidade, movimento e percepção espacial. Pretende-se que esse recurso possa ser aplicado em ambientes que não possuam estrutura didático-pedagógica completa para atuar como auxílio a pessoas portadoras de dislexia. Por ser um recurso educacional de baixo custo, seu uso se adequará a ambientes com recursos
financeiros limitados, como, por exemplo, escolas públicas ou escolas com muitos estudantes em zona de carência. A efetividade desse recurso na alfabetização e auxílio de leitura de estudantes com dislexia, pode ser vista na aplicação dos testes, nos quais esse ambiente foi utilizado como recurso educacional inclusivo, atuando na alfabetização ou ajuda a leitura tanto de pessoas com, quanto sem dislexia.

Dissertação

Discente: Augusto Magalhães Pinto de Mendonça

Título: Distritamento Aplicado ao Problema de Faturamento em Redes de Serviço

Orientadores: Laura Silva de Assis (orientadora), Luis Domingues Tomé Jardim Tarrataca (co-orientador)

Banca: Laura Silva de Assis (presidente), Luis Domingues Tomé Jardim Tarrataca (CEFET/RJ), Diego Nunes Brandão (CEFET/RJ), Fábio Luiz Usberti (IC – UNICAMP)

Data/hora: 25/11/2020, às 14h

Sala remota: meet.google.com/tnf-ustt-bdg

Resumo: Esta dissertação tem o objetivo de investigar o Problema de Distritamento Capacitado (PDC). O PDC é um problema de otimização combinatória que consiste em particionar uma determinada região, em uma quantidade de distritos predeterminados, considerando um ou mais critérios de decisão. A definição dos distritos deve respeitar suas capacidades, as quais são definidas conforme as especificidades do problema. Existem diversas aplicações para o PDC, como o distritamento político, cobertura de vendas, entrega de correspondências, coleta de lixo e serviços de emergência, dentre tantas outras. Esta pesquisa tem como foco resolver o PDC aplicado ao problema de definir lotes de trabalhos para leitores de medidores de redes de serviço tais como energia, água, gás, considerando os critérios de compacidade e homogeneidade para definição de tais territórios. Um novo método de solução baseado em Algoritmo Genético (AG) comparando duas estruturas distintas é apresentado, respeitando restrições de contiguidade, um número predefinido de distritos, dentre outras. Um método de otimização de hiperparâmetros é proposto para determinar um conjunto de valores que forneça soluções de qualidade com certa confiabilidade. Para validar a abordagem de solução proposta foram realizados experimentos computacionais utilizando instâncias de grande porte com características distintas. Os resultados alcançados mostram a eficiência da abordagem proposta para o PDC em estudo.

Dissertação

Discente: Marcello Alberto Soares Serqueira

Título: HBRKGA: A Population-based Hybrid Approach to Hyperparameter Optimization for Neural Networks

Orientadores: Eduardo Bezerra da Silva (orientador), Pedro Henrique González Silva (co-orientador).

Banca: Eduardo Bezerra da Silva (presidente),  Pedro Henrique González Silva (CEFET/RJ), Diego Brandão (CEFET/RJ), Igor Machado Coelho (UFF).

Dia/hora: 23 de Novembro de 2020, às 14h.

Sala remota: https://meet.google.com/xjd-mbbe-jsr

Resumo: Nos últimos anos, grandes quantidades de dados estão sendo geradas e a necessidade de recursos computacionais continua crescendo. Este cenario levou a um ressurgimento do interesse em redes neurais artificiais. Um dos principais desafios no
treinamento de modelos eficazes de redes neurais e encontrar uma boa combinação de hiperparametros a serem usados. De fato, a escolha de uma abordagem adequada para pesquisar o espaço do hiperparâmetro influencia diretamente a precisão do modelo resultante da rede neural. Abordagens comuns para busca de hiperparâmetros são a Busca em Grade, a Busca Aleatória e Busca por Otimização Bayesiana. Existem também métodos baseados em população, como a CMA-ES. Neste projeto, apresentamos o HBRKGA, uma nova abordagem baseada na população para a optimização de hiperparâmetros. O HBRKGA e uma abordagem híbrida que combina o Algoritmo Genético de Chaves Aleatórias Viciadas com uma técnica de Random-Walk para pesquisar o espaço de hiperparâmetros de forma eficiente. Foram realizados vários experimentos computacionais em oito conjuntos de dados diferentes para avaliar a eficácia da abordagem proposta. Os resultados mostraram que o HBRKGA conseguiu encontrar configurações de hiperparâmetros que superaram (em termos de qualidade preditiva) os métodos de base em seis dos oito conjuntos de dados, mostrando tambem tempo de execução razoável.

Dissertação

Discente: Gustavo Pacheco Epifanio

Título: Problema de Alocação de Chaves em Sistemas de Distribuição de Energia Elétrica com Geração Distribuída

Orientadora: Laura Silva de Assis

Banca: Laura Silva de Assis (Presidente), Diego Barreto Haddad (CEFET/RJ), José Frederico Vizcaino González (FEG/UNESP) e Christiano Lyra Filho (FEEC/UNICAMP)

Dia/Hora: 22 de outrubro de 2020, às 14h

Sala remota: meet.google.com/bkx-zbcf-yzi

Dissertação

Discente:  Ellen Paixão Silva

Título: A Influência de Mídias Multissensoriais na Aprendizagem de Crianças com Dislexia

Orientadores: Joel André Ferreira dos Santos (orientador) Silva e Glauco Amorim (coorientador)

Banca: Joel André Ferreira dos Santos (Presidente), Glauco Amorim (CEFET/RJ), Gustavo Guedes (CEFET/RJ), Renata Mousinho (UFRJ) e Maria da Graça Campos Pimentel (USP)

Dia/Hora: 28 de setembro de 2020, às 19h

Sala remota:

MS Team (https://teams.microsoft.com/l/meetup-join/19%3ameeting_NmJkN2EwMDAtNjVjZS00OThiLThlMzktODI0OGI2OTI0OWUx%40thread.v2/0?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%2264f8dc5c-d07e-4edc-acf2-16d1e4d1205d%22%7d)

Resumo:

A dislexia é um transtorno específico de aprendizagem que pode afetar as habilidades de leitura e escrita prejudicando, principalmente, o processo de alfabetização. Na leitura, a sobrecarga na memória de trabalho prejudica a compreensão de textos sendo observado sintomas como erros de reconhecimento de palavras e dificuldade de decodificação de palavras. Pesquisas publicadas na literatura indicam que a formação da memória engloba diferentes sentidos humanos e que estímulos provenientes de conteúdos multimídia melhoram o desempenho de escolares com dislexia. No entanto, a maioria das aplicações multimídia estimulam apenas dois dos cinco sentidos humanos: a visão e a audição. Pesquisas recentes buscam adicionar estímulos aos demais sentidos em aplicações multimídia, na forma das chamadas aplicações mulsemídia (multimídia multissensorial). Na forma de um livro multissensorial, este trabalho propõe o uso de conteúdos multissensoriais incorporando sons, variação cores e intensidade da luz do ambiente, vento e cheiro ao conteúdo do texto. Tais conteúdos são sincronizados à leitura com o uso de um rastreador ocular.
O MBook é um aplicativo desenvolvido neste trabalho capaz de armazenar e apresentar livros multissensoriais. Ele utiliza um rastreador ocular para mapear a posição dos olhos no display que exibe o texto e assim identificar instantaneamente qual a palavra está sendo lida. Com essa
informação é possível verificar se aquela palavra ou sequência de palavras possuem conteúdos multissensoriais associados e com isso executar os conteúdos correspondentes. O MBook desacopla o conteúdo textual do livro da lógica da experiência multissensorial. Dessa forma, permite que os autores se concentrem na história e marquem os locais da história em que um conteúdo multissensorial pode ser apresentado, e os produtores de conteúdo explorem as histórias existentes para aumentar a experiência do leitor, incluindo conteúdo multimídia tradicional e efeitos sensoriais.
Neste trabalho, partimos da hipótese de que “o uso de conteúdos multissensoriais sincronizados com a leitura diminui a sobrecarga na memória de trabalho necessária para a leitura, auxiliando assim, um indivíduo com dislexia a compreender e memorizar o conteúdo que esta sendo lido”. Para avaliar essa hipótese foram realizados dois estudos: (i) uma análise comparativa entre dois estudos de caso individuais, sendo um com uma criança com dislexia e um com uma criança sem dislexia com o perfis pareados; e (ii) uma análise de um estudo de caso coletivo com cinco crianças com dislexia. Os resultados obtidos indicam um aumento da motivação intrínseca de leitura, um ganho de velocidade na leitura e um aumento da compreensão de texto quando conteúdos multissensoriais são incluídos na leitura. Os resultados também indicam que o MBook pode ser uma ferramenta terapêutica importante para o tratamento de escolares com dislexia minimizando assim os prejuízos causados por esse transtorno.

Dissertação

Discente:  Adalberto Andrade

Título: Um estudo comparativo para Predição de Consumo de Fertilizantes em cenário de small data 

Orientadores: Pedro Henrique González (orientador) Silva, Eduardo Soares Ogasawara (coorientador)

Banca: Pedro Henrique González Silva (Presidente), Eduardo Soares Ogasawara (CEFET/RJ), Eduardo Bezerra da Silva (CEFET/RJ), Cristina Gomes de Souza (CEFET/RJ), Igor Machado Coelho (UFF)

Dia/Hora: 23 de setembro de 2020, às 10h

Sala remota: meet.google.com/utc-ucgk-nxu

Resumo:

Os fertilizantes têm recebido crescente atenção do agronegócio, indústria, empresários, governos e entidades de pesquisa em todo o mundo. Como insumo crítico para a cadeia produtiva de alimentos e insumos orgânicos para outros setores, é importante prever o consumo de fertilizantes, para que o aumento de sua produção possa ser feito adequadamente planejado, sem comprometer o meio ambiente. Esta previsão apoia a tomada de decisões e o planejamento, particularmente para atividades agrícolas, fortemente dependentes do uso de fertilizantes. Tendo em vista os elementos citados, esta pesquisa tem como foco comparar abordagens analíticas de dados para melhorar as previsões do consumo de fertilizantes sob diferentes horizontes de passos à frente. Para tanto, exploramos maneiras de otimizar a construção de modelo considerando diferentes abordagens (ou seja, combinações de pares entre pré-processamento de dados e métodos de aprendizado de máquina). Avaliamos essas abordagens em um conjunto reduzido de observações, correspondentes aos quatro principais fertilizantes usados nos dez principais países que os consomem. Os resultados obtidos mostraram que o uso das ferramentas analíticas propostas pode ser uma maneira promissora de
obtermos previsões para planejar demandas futuras.

Dissertação

Discente: Thiago da Silva Pereira

Título: Imputação de dados Hot-Deck: uma comparação entre comitês de regressão

Orientadores:  Jorge de Abreu Soares (orientador), Eduardo Bezerra da Silva (CEFET/RJ) (coorientador).

Banca: Jorge de Abreu Soares (presidente), Eduardo Bezerra da Silva (CEFET/RJ), Diego Nunes Brandão (CEFET/RJ), Ronaldo Ribeiro Goldschmidt (IME)

Dia/hora: 14 de agosto de 2020, às 15h.

Sala remota: meet.google.com/mtr-vmkq-wrw

Resumo:

O pré-processamento de dados enfrenta uma questão importante relacionada ao tratamento de dados ausentes. Uma solução possível para resolver esse problema é a imputação hot-deck. Essa técnica possui duas etapas: agrupar registros semelhantes e executar a imputação propriamente dita. Selecionar o melhor algoritmo para imputação é um desafio, diversos algoritmos de aprendizado de máquina são estudados para isso, porém poucos estudos comparam métodos comitês para a etapa de imputação. Este estudo propõe uma solução baseada na imputação hot-deck comparando quatro comitês regressores: Bagging, Adaboost, Gradientboost e Stacked Generalization. Para verificar
sua eficácia, usamos três conjuntos de dados, variando as taxas de ausências de 10% a 30%. Os resultados indicam que o Gradientboost apresenta melhor precisão em um tempo de processamento razoável.

Dissertação

Discente: Aíquis Rodrigues Gomes

Título: Rumo à Publicação de Dados Abertos Governamentais como Dados Abertos Ligados utilizando uma Abordagem baseada em Ontologias

Orientadora: Kele Teixeira Belloze

Banca: Kele Teixeira Belloze (presidente), Laura Silva de Assis (CEFET/RJ) e Maria Claudia Reis Cavalcanti (IME)

Dia/hora: 12 de agosto de 2020, às 14h.

Sala remota: meet.google.com/vmx-bzig-jbt

Resumo:

Governos sao grandes produtores e publicadores de dados e têm buscado utilizá-los como forma de aumentar a transparencia e gerar mais valor para a sociedade. No entanto, o nível de maturidade na publicação de dados governamentais ainda é baixo, o que resulta na publicação utilizando formatos que dificultam a conexão com outros conjuntos de dados e a leitura por parte de maquinas, além de publicações que não
são realmente em formatos abertos. Dados Abertos Ligados constituem um conjunto de tecnologias e padrões da web semântica que permitem a ligação entre diferentes conjuntos de dados abertos publicados na web. Por intermédio dos Dados Abertos Ligados, governos podem atingir alto grau de maturidade na publicação de dados utilizando um formato realmente aberto, que permite a leitura por máquinas e que pode potencializar o valor gerado para a sociedade com iniciativas de dados. No entanto, existem algumas barreiras para a publicação dos dados utilizando essas tecnologias e padrões. Uma dessas barreiras refere-se a falta de um guia para sua implementação que possa direcionar, de maneira estruturada, os passos a serem seguidos para a publicação de um conjunto de dados como Dados Abertos Ligados. Nesse trabalho é apresentada uma metodologia baseada no uso de ontologia para que conjuntos de dados publicados em formatos tradicionais possam ser publicados como
Dados Abertos Ligados. A metodologia é composta por quatro etapas: (i) identificação, análise e integração dos dados; (ii) desenvolvimento da ontologia; (iii) publicação dos dados como Dados Abertos Ligados; e (iv) publicação de endpoint SPARQL. Dois experimentos utilizando conjuntos de dados governamentais reais dos domínios eleitoral e da saúde foram realizados seguindo a metodologia proposta. Como resultados houve a produção de duas ontologias, sobre as eleições brasileiras e sobre as Unidades Básicas de Saúde em funcionamento no Brasil, e a disponibilização dos dois conjuntos de dados referentes a essas ontologias em arquivos RDF com alguns dos recursos ligados a outros conjuntos de dados. Com os experimentos foi possível comprovar que por meio de um processo estruturado e possível evoluir na publicação de dados abertos e que os passos propostos podem ser aplicados independente do domínio dos dados.

Dissertação

Discente: Alan Rodrigues Fontoura

Título: A Deep Reinforcement Learning Approach to Asset-Liability Management

Orientadores: Eduardo Bezerra da Silva (orientador) e Diego Barreto Haddad (CEFET/RJ) (co-orientador).

Banca: Eduardo Bezerra da Silva (presidente), Diego Barreto Haddad (CEFET/RJ), Laura Silva de Assis (CEFET/RJ) e Aline Marins Paes Carvalho (UFF)

Dia/hora: 22 de julho de 2020, às 14h.

Sala remota: meet.google.com/jox-chim-syy

Resumo:

Asset-Liability Management (ALM) is a technique to optimize investment portfolios, considering a future flow of liabilities. Its stochastic nature and multi-period decision structure favors its modeling as a Markov Decision Process (MDP). Reinforcement Learning is a state-of-the-art group of algorithms for MDP solving, and with its recent performance boost provided by deep neural networks, problems with long time horizons can be handled in just a few hours. In this work, an ALM problem is addressed with an algorithm known as Deep Deterministic Policy Gradient. Opposed to most of the other literature approaches, this model does not use scenario discretization, which is a significant contribution to ALM study.
Experimental results show that the Reinforcement Learning framework is well fitted to solve this kind of problem, and has the additional benefit of using continuous state spaces.

Dissertação

Discente: Rafaela de Castro do Nascimento

Título: STConvS2S: rede convolucional espaço-temporal para tarefa de sequência a sequência aplicada à previsão do tempo

Orientador: Eduardo Bezerra (orientador), Fábio Porto (co-orientador)

Banca: Eduardo Bezerra (presidente), Fábio Porto (LNCC), Eduardo Ogasawara (CEFET/RJ),  José Antônio Fernandes de Macêdo (UFC), Yania Molina Souto (LNCC)

Dia/Hora: 20 de julho de 2020/ 14h

Sala Remota: https://meet.google.com/znj-ppnh-yyg

Resumo:

Aplicar modelos de aprendizagem de máquina em dados meteorológicos proporcionam muitas oportunidades na área da Geociência, como prever a condição do tempo de forma mais precisa. Recentemente, a modelagem dos dados meteorológicos com redes neurais profundas tem se tornado uma área de investigação relevante. Alguns trabalhos aplicam redes neurais recorrentes (RNN) ou uma abordagem híbrida usando RNN e redes neurais convolucionais (CNN). Neste trabalho, propusemos STConvS2S (rede convolucional espaço-temporal para tarefa de sequência a sequência), uma arquitetura de aprendizagem profunda construída para aprender as dependências espaciais e temporais dos dados usando somente camadas convolucionais. A arquitetura proposta resolve duas limitações das redes convolucionais ao prever sequências usando dados históricos, sendo: (1) elas violam a ordem temporal durante o processo de aprendizagem, e (2) precisam que o tamanho das sequências de entrada e saída sejam iguais. Experimentos computacionais usando dados de temperatura do ar e de chuva da América do Sul mostram que nossa arquitetura captura o contexto espaço-temporal e que ela é capaz de superar ou ter resultados comparáveis em relação às arquiteturas consideradas estado da arte na tarefa de previsão. Em particular, uma das variações da nossa arquitetura proposta melhora em 23% a previsão das sequências futuras, sendo quase cinco vezes mais rápida no treinamento do que os modelos baseados em RNN comparados nos experimentos.

Dissertação

Discente: Gustavo Alexandre Sousa Santos

Título: EvolveDTree: Um Sistema de Mineração de Dados Educacionais Baseado em Árvore de Decisão e Algoritmo Genético para Classificar Evasão no Ensino Superior

Orientadores: Diego Nunes Brandão (orientador), Luis Domingues Tomé Jardim Tarrataca (CEFET/RJ) (co-orientador)

Banca: Diego Nunes Brandão (presidente), Luis Domingues Tomé Jardim Tarrataca (CEFET/RJ), Diego Barreto Haddad (CEFET/RJ), Eduardo Bezerra (CEFET/RJ),  Alexandre Plastino de Carvalho (UFF)

Dia/Hora: 5 de maio de 2020 / 14h

Sala remota: https://meet.google.com/rpi-zimz-oeo

Resumo:

A educação é um dos alicerces para o desenvolvimento econômico e social de um país. Garantir que os investimentos em educação sejam feitos de forma eficiente é um grande desafio para toda a sociedade. Neste aspecto, um dos grandes problemas da educação pública de nível superior ocorre quando os estudantes se desassociam da instituição sem completar o curso no qual estavam matriculados, caracterizando o fenômeno de evasão. Assim, os recursos investidos na formação desses estudantes acabam sendo perdidos, representando um desperdício financeiro significativo. Neste contexto, o desenvolvimento de ferramentas que auxiliem no processo de minimização dos casos de evasão torna-se imprescindível. O presente trabalho propõe o desenvolvimento de um sistema que permite avaliar diferentes técnicas de mineração de dados para classificar a tendência de um aluno abandonar ou graduar no curso em que está matriculado. Por meio desse sistema, busca-se a identificação de características que indiquem a evasão antes que ela ocorra, permitindo que alguma ação possa ser tomada de maneira a minimizá-la.
Para este objetivo, foi desenvolvido um Data Warehouse Educacional (EDW) que permite a integração dos dados educacionais de uma instituição de ensino superior. Os resultados obtidos demonstram que o EDW desenvolvido é robusto o suficiente para permitir que diversas análises sejam realizadas pela gestão acadêmica. Os modelos de classificação avaliados foram comparados por meio de diferentes métricas, destacando-se a estratégia baseada em árvores de decisão. Uma técnica de redução de dimensionalidade baseada em algoritmo genético também foi avaliada, permitindo uma diminuição do tempo de processamento da fase de treinamento em todos os modelos de classificação avaliados. Contudo, foi identificado um aumento no tempo total da abordagem proposta, quando avaliadas as fases de pré-processamento e treinamento, simultaneamente.

Dissertação