Search

Este trabalho propõe um sistema computacional preditivo para a caracterização da Persistência do Canal Arterial (PCA) em imagens térmicas de recém-nascidos a partir do uso de uma Rede Neural Artificial (RNA). Recentemente, o rápido crescimento das tecnologias de termografia médica em vários campos clínicos tem promovido o uso de imagens térmicas como sensores fisiológicos sem contato. Em particular, a medicina intensiva neonatal é um campo clínico em que a termografia infravermelha pode desempenhar um papel importante em monitores não invasivos. Uma das complicações associadas à prematuridade, com potencial de monitoramento a partir de imagens térmicas, é a PCA. O canal arterial é um vaso largo que comunica a artéria pulmonar com a aorta no feto. O fechamento funcional do canal arterial no recém-nascido a termo ocorre com 12 a 15 horas de vida. No prematuro, o canal arterial permanece aberto por um período prolongado, e a frequência da persistência do canal arterial é proporcionalmente maior quanto mais imaturo for o recém-nascido. Se não tratado adequadamente, pode resultar em mortalidade, sobretudo entre os recém-nascidos de muito baixo peso. A PCA aumenta em até 30% o fluxo sanguíneo nos pulmões, elevando a velocidade de fluxo da artéria pulmonar. Esse “roubo de fluxo” deixa áreas da circulação sistêmica com déficit. Evidências descritas na literatura sugerem que alterações no fluxo sanguíneo geram aumento de temperatura corporal localizada, provocando o surgimento de regiões assimétricas de calor em imagens térmicas. Tais regiões podem evidenciar a ocorrência de alguma alteração no organismo ou doenças. A dificuldade do uso da assimetria de temperatura como um fator de avaliação médica está na correlação de um determinado mapa de temperatura apresentado em uma imagem térmica com uma doença específica, devido a possíveis inconsistências na captura e na análise de tais imagens. RNAs têm a habilidade em descobrir padrões que parecem despercebidos aos especialistas humanos ou para os métodos estatísticos tradicionais, sendo amplamente reconhecidas como valiosas ferramentas de apoio à decisão clínica e, portanto, úteis na caracterização de mapas de temperatura que possam evidenciar a presença do canal arterial em um neonato. Frente à magnitude do problema e a potencialidade do uso das redes neurais na classificação de imagens térmicas, a referida pesquisa objetiva capturar imagens térmicas de neonatos saudáveis e com PCA, afim de definir mapas de temperatura característicos para as duas classes, determinar e extrair vetores de características a serem correlacionadas com a PCA e com controles normais, aplicar uma arquitetura de rede neural artificial, definida especificamente para classificação das imagens térmicas capturadas e comparar as classificações realizadas pela RNA com avaliações clínicas, afim de validar o sistema computacional proposto. This work proposes a predictive computational system for a characterization of the persistence ductus arteriosus in neonatal thermal images from the use of an artificial neural network (ANN). Recently, the rapid growth of medical thermography technologies in various clinical fields has promoted the use of thermal imaging as non-contact physiological sensors. In particular, neonatal intensive care medicine is a clinical field in which infrared thermography can play an important role in noninvasive monitors. One of the complications associated with prematurity, with potential for monitoring from thermal imaging, is the persistence of the ductus arteriosus (PCA). The ductus arteriosus is a large vessel that communicates the pulmonary artery to the aorta in the fetus. Functional closure of the ductus arteriosus in the term newborn occurs at 12 to 15 hours of life. In preterm infants, the ductus arteriosus remains open for a prolonged period, and the frequency of ductus arteriosus persistence is proportionally higher in preterm infants. If not treated properly, it can result in mortality, especially among very low birth weight infants. PCA increases blood flow in the lungs by up to 30%, increasing the flow velocity of the pulmonary artery. This "flow theft" leaves areas of the systemic circulation with deficit. Evidence described in the literature suggests that changes in blood flow generate a localized increase in body temperature, provoking the emergence of asymmetric regions of heat in thermal images. Such regions may evidence the occurrence of any changes in the body or diseases. The difficulty of using temperature asymmetry as a medical evaluation factor is in the correlation of a given temperature map presented in a thermal image with a specific disease due to possible inconsistencies in the capture and analysis of such images. Artificial neural networks (ANNs) can discover patterns that seem unnoticed to human experts or traditional statistical methods and are widely recognized as valuable tools to support clinical decision making and thus useful in characterizing temperature maps that can evidence the presence of the ductus arteriosus in a neonate. In view of the magnitude of the problem and the potentiality of the use of neural networks in the classification of thermal images, the aforementioned proposal aims to capture thermal images of healthy neonates and the presence of arterial duct, in order to define characteristic temperature maps for the two classes, to determine and extract characteristic vectors to be correlated with the presence of ductus arteriosus and with normal controls, to apply an artificial neural network architecture, specifically defined for the classification of the captured thermal images and to compare the ANN classifications with clinical evaluations, in order to validate the proposed computational system.

CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior A capacidade de prever dificuldades financeiras nos negócios é primordial, pois decisões quanto a inapropriadas concessões de crédito podem ter consequências financeiras diretas e indiretas em toda economia. A previsão de falências e a mensuração do escore de crédito são dois importantes tópicos de pesquisa, tanto no campo contábil quanto no financeiro e este estudo almejou apresentar a direção das pesquisas acadêmica sobre a gestão de risco de crédito sob a ótica da aprendizagem de máquina. O interesse pelo estudo simultâneo desses dois tópicos surgiu após notar que ainda há resquícios e sentimentos da última crise financeira, mesmo uma década após seu acontecimento. Aliado a esse fato, o crescente desenvolvimento e aplicação da Inteligência Artificial às finanças prometem aumentar o rigor e aprimoramento de processos de análise de informações financeiras independentemente de quem seja o cliente. Por meio de um processo de seleção de artigos cientificamente relevantes no campo de pesquisa escolhido, obteve-se uma amostra final de 168 estudos considerados hábeis a nortear os rumos do uso da aprendizagem de máquinas – uma subárea da Inteligência Artificial - aplicados às finanças. A partir dessa amostra de estudos, foi realizada uma análise mais profunda por meio de suas leituras e descobriu-se que os algoritmos de aprendizagem de máquina estão sendo explorados, aprimorados e levados ao extremo para detectar combinações sutis e melhor descrever o risco de crédito. A partir dos resultados e lacunas encontrados na pesquisa, neste estudo foi proposto o uso de um modelo de algoritmo baseado em aprendizagem de máquinas para buscar a melhor previsão de acordo com os dados previamente fornecidos. Xgboost é um modelo que surgiu em meados de 2016 e vem ganhando notoriedade devido a sua acurácia e sua optimização computacional. Por ser um modelo relativamente novo, estudos com sua aplicação em finanças, especificamente, não foram encontrados. Neste contexto, o modelo proposto foi capaz de apresentar melhores resultados, quando comparados com Regressão Logística e Random Forest. Os resultados encontrados foram interessantes, pois identificaram outras lacunas e possibilidades de pesquisas futuras. A intenção de comprovar que o uso de inteligência artificial agrega valor à análise de credito é demonstrado. The ability to foresee financial distress in business is paramount, as decisions regarding inappropriate credit concessions may have direct and indirect financial consequences throughout the economy. Predicting bankruptcies and measuring credit scores are two important research topics, in both accounting and finance, and this study aims to demonstrate the direction of academic researches on credit risk management from the perspective of machine learning. Interest in simultaneously examining these two topics emerged after noting that remnants and feelings of the last financial crisis still lingers in society, even a decade after it occurred. Paired with this fact, the increasing development and application of Artificial Intelligence in finance promises to increase the rigor and improvement of financial information analysis processes. Through a structured process to select scientifically relevant articles in the chosen research field, a final sample of 168 studies deemed able to guide the directions of use of machine learning - sub-area of Artificial Intelligence - applied to finance was obtained. From this sample of studies, a deeper analysis was carried out through their readings and it was identified that machine learning algorithms are being explored, improved and taken to extreme to detect subtle combinations and better describe credit risk. From the results and gaps found in the research, in this study proposed the use of a novel algorithm used to teach machines to seek the best classification according to the data previously provided. Xgboost is a model that appeared in 2016 and has been gaining notoriety due to its accuracy and its computational optimization. Because it is a relatively new model, studies with its application in finance, per se, have not been found. Thus, in this context, the proposed model was able to present better results when compared to Logistic Regression and Random Forest. The results were interesting as they identified other gaps and possibilities for future research. The intention to prove that the use of artificial intelligence adds value to credit analysis has been demonstrated and, in this way, it is believed that by advancing this research, interesting results should be achieved, both for suppliers, analysts, managers, and investors. Dissertação (Mestrado)

Submitted by Núcleo de Pós-Graduação Administração (npgadm@ufba.br) on 2019-10-24T18:47:26Z No. of bitstreams: 1 Daniel Castro.pdf: 8490626 bytes, checksum: 3457750ad229a4f29e22799c57d1a713 (MD5) Approved for entry into archive by Maria Angela Dortas (dortas@ufba.br) on 2019-10-24T18:57:43Z (GMT) No. of bitstreams: 1 Daniel Castro.pdf: 8490626 bytes, checksum: 3457750ad229a4f29e22799c57d1a713 (MD5) Made available in DSpace on 2019-10-24T18:57:43Z (GMT). No. of bitstreams: 1 Daniel Castro.pdf: 8490626 bytes, checksum: 3457750ad229a4f29e22799c57d1a713 (MD5) A educação financeira vem se tornando cada vez mais importante mundialmente e o desenvolvimento da internet fez com que, nos últimos anos, surgissem diversos canais no YouTube para tratar do tema. A experiência dos produtores de conteúdo é bastante diversa: alguns são consultores financeiros profissionais com vasta formação, enquanto outros são iniciantes que compartilham suas experiências financeiras. Este estudo tem como objetivo analisar a oferta de educação financeira (entendida como o conteúdo que é postado pelos youtubers) e a demanda por educação financeira (entendida como a visualização desse conteúdo pelos usuários) de forma a entender quais temas são discutidos e qual o interesse dos usuários por esses temas. Utilizou-se uma abordagem inovadora com modelos de tópicos, um instrumento de mineração de texto baseado em aprendizado de máquina (machine learning), para analisar e rotular as transcrições de áudio de 6 711 vídeos, correspondentes a mais de 1 400 horas de duração. Os tópicos gerados foram divididos em categorias propostas a partir da premissa de que os conceitos tratados em educação financeira apresentam estágios variados de sofisticação e complexidade, os quais o indivíduo aprende gradativamente, com o objetivo de melhorar seu bem-estar financeiro. A análise dos indicadores de oferta e demanda revela que os produtores e usuários de conteúdo de educação financeira no YouTube estão mais interessados em temas de menor sofisticação e mais voltados para o curto prazo, confirmando, portanto, a hipótese inicial do trabalho, uma vez que no Brasil ainda não se criou uma cultura de poupança e investimento, ainda é uma economia em desenvolvimento, possui desigualdade social e deficiências na área de educação. Os resultados poderão contribuir para o desenvolvimento de políticas públicas que conscientizem a população para a importância de planejamento financeiro de longo prazo.

Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) The popularization of smartphones has given rise to several online taxi-booking applications as a more efficient way to call for a taxi. These applications mediate communication between passengers and taxi drivers, reducing the waiting time of passengers and increasing the reliability of the service. This intermediation consists of the Taxi-Passenger Matching Problem, whose goal is to select the best taxi driver for each passenger, and to solve this problem a taxi dispatch method is used. In this context, the challenge arises to adapt this method to the interests and needs of users. Thus, in this work, a multi-passenger approach was proposed that used users' prediction of behavior with the goal of maximizing the rate of successful assignments. For this, two predictive models were trained using Supervised Machine Learning methods (Logistic Regression and Gradient Boosted Decision Trees), one to estimate the probability of a taxi driver accepting the offer of a request and another to estimate the probability of a request being answered by a taxi driver. In addition, two objective functions, one linear and one non-linear, were implemented to evaluate offer distributions. A heuristic was used for each of the functions, and for the linear it was guaranteed the optimal solution and for the non-linear one not. We also implemented two selection criteria, one based on cancellation of requests by passengers and another by waiting time of users. In numerical simulations with data from the capital of São Paulo made available by Easy Taxi, the proposed taxi dispatching method was tested. The results indicated that the predictive model of acceptance was superior to that of attendance with the objective function non-linear and inferior to linear, in addition it was verified that the selection criterion based on cancellation was slightly superior to the one based on waiting time. The best attendance rate was 74.76% with the predictive model of acceptance with the nonlinear function and the criterion of selection by cancellation. Finally, it was tested the repetition of requests not offered or not accepted, obtaining 76.59% of attendance. Com a popularização dos aparelhos smartphones, diversos aplicativos de chamada de táxi online surgiram como uma forma mais eficiente de requisitar um táxi. Estes aplicativos intermedeiam a comunicação entre os passageiros e os taxistas, reduzindo o tempo de espera dos passageiros e aumentando a confiabilidade do serviço. Esta intermediação consiste no Problema de Atribuição Táxi-Passageiro, cuja meta é selecionar o melhor taxista para cada passageiro, e para resolver este problema utiliza-se um método de despacho de táxis. Neste contexto, surge o desafio de adequar este método aos interesses e às necessidades dos usuários. Assim, neste trabalho, propôs-se uma abordagem para múltiplos passageiros utilizando a predição de comportamento dos usuários com a meta de maximizar a taxa de atribuições bem sucedidas. Para tanto, treinou-se dois modelos preditivos utilizando métodos de Aprendizagem de Máquina Supervisionada (Regressão Logística e Árvores de Decisão Impulsionadas por Gradiente), um para estimar a probabilidade de um taxista aceitar a oferta de uma requisição e outro para estimar a probabilidade de uma requisição ser atendida por um taxista. Além disso, implementou-se duas funções objetivos, uma linear e outra não-linear, para avaliar as distribuições de ofertas. Uma heurística foi utilizada para cada uma das funções, sendo que para a linear garantiu-se a solução ótima e para a não-linear não. Também implementou-se dois critérios de seleção, um baseado em cancelamento de requisições por passageiros e outro por tempo de espera dos usuários. Em simulações numéricas com dados da capital de São Paulo disponibilizados pela Easy Taxi, testou-se o método de despacho de táxis proposto. Os resultados indicaram que o modelo preditivo de aceite foi superior ao de atendimento com a função objetivo não-linear e inferior com a linear, além disso constatou-se que o critério de seleção baseado em cancelamento foi levemente superior ao baseado em tempo de espera. A melhor taxa de atendimento foi de 74,76% com o modelo preditivo de aceite com a função não-linear e o critério de seleção por cancelamento. Por fim, testou-se a repetição de requisições não ofertadas ou não aceitas, obtendo 76,59% de atendimento. CNPq: 131907/2017-4

CAPES People living in highly-populated cities increasingly suffer an impoverishment of their quality of life due to pollution and traffic congestion problems caused by the huge number of circulating vehicles. Indeed, the reduction the number of circulating vehicles is one of the most difficult challenges in large metropolitan areas. This PhD thesis proposes a research contribution with the final objective of reducing travelling vehicles. This is done towards two different directions: on the one hand, we aim to improve the efficacy of ride sharing systems, creating a larger number of ride possibilities based on the passengers destination activities; on the other hand, we propose a social media analysis method, based on machine learning, to identify transportation demand to an event. Concerning the first research direction, we investigate a novel approach to boost ride sharing opportunities based, not only on fixed destinations, but also on alternative destinations while preserving the intended activity of the user. We observe that in many cases the activity motivating the use of a private car (e.g., going to a shopping mall) can be performed at many different locations (e.g. all the shopping malls in a given area). Our assumption is that, when there is the possibility of sharing a ride, people may accept visiting an alternative destination to fulfill their needs. Based on this idea, We thus propose Activity-Based Ride Matching (ABRM), an algorithm aimed at matching ride requests with ride offers to alternative destinations where the intended activity can still be performed. By analyzing two large mobility datasets, we found that with our approach there is an increase up to 54.69% in ride-sharing opportunities compared to a traditional fixed-destination-oriented approach. For the second research contribution, we focus on the analysis of social media for inferring the transportation demands for large events such as music festivals and sports games. In this context, we investigate the novel problem of exploiting the content of nongeotagged posts to infer users’ attendance of large events. We identified three temporal periods: before, during and after an event. We detail the features used to train the event attendance classifiers on the three temporal periods and report on experiments conducted on two large music festivals in the UK. Our classifiers attained a very high accuracy, with the highest result observed for Creamfields festival (∼91% accuracy to classify users that will participate in the event). Furthermore, we proposed an example of application of our methodology in event-related transportation. This proposed application aims to evaluate the geographic areas with a higher potential demand for transportation services to an event. Pessoas que vivem em cidades altamente populosas sofrem cada vez mais com o declínio da qualidade de vida devido à poluição e aos problemas de congestionamento causados pelo enorme número de veículos em circulação. A redução da quantidade de veículos em circulação é de fato um dos mais difíceis desafios em grandes áreas metropolitanas. A presente tese de doutorado propõe uma pesquisa com o objetivo final de reduzir o número de veículos em circulação. Tal objetivo é feito em duas diferentes direções: por um lado, pretendemos melhorar a eficácia dos sistemas de ride-sharing aumentando o número de possibilidades de caronas com base na atividade destino dos passageiros; por outro lado, propomos também um método baseado em aprendizagem de máquina e análise de mídia social para identificar demanda de transporte de um evento. Em relação à primeira contribuição da pesquisa, nós investigamos uma nova abordagem para aumentar o compartilhamento de caronas baseando-se não apenas em destinos fixos, mas também em destinos alternativos enquanto que preservando a atividade pretendida do usuário. Observamos que em muitos casos a atividade que motiva o uso de um carro particular (por exemplo ir a um shopping center) pode ser realizada em muitos locais diferentes (por exemplo todos os shoppings em uma determinada área). Nossa suposição é que, quando há a possibilidade de compartilhar uma carona, as pessoas podem aceitar visitas a destinos alternativos para satisfazer suas necessidades. Nós propomos o Activity-Based Ride Matching (ABRM), um algoritmo que visa atender às solicitações de caronas usando destinos alternativos onde a atividade pretendida pelo passageiro ainda pode ser executada. Através da análise de dois grande conjuntos de dados de mobilidade, mostramos que nossa abordagem alcança um aumento de até 54,69% nas oportunidades de caronas em comparação com abordagens tradicionais orientadas a destinos fixos. Para a segunda contribuição nos concentramos na análise de mídias sociais para inferir as demandas de transporte para grandes eventos tais como concertos musicais e eventos esportivos. Investigamos um problema que consiste em explorar o conteúdo de postagens não geolocalizadas para inferir a participação dos usuários em grandes eventos. Nós identificamos três períodos temporais: antes, durante e depois de um evento. Detalhamos as features usadas para treinar classificadores capazes de inferir a participação de usuários em um dado evento nos três períodos temporais. Os experimentos foram conduzidos usando postagens em mídias sociais referentes a dois grandes festivais de música no Reino Unido. Nossos classificadores obtiveram alta accuracy, com o maior resultado observado para o festival Creamfields (∼91% de accuracy para classificar os usuários que participarão do evento). Propusemos também uma aplicação de nosso método que visa avaliar as áreas geográficas com maior potencial de demanda por serviços de transporte para um evento. Le persone che vivono in città densamente popolate subiscono sempre più un impoverimento delle loro qualità della vita a causa dell’inquinamento e dei problemi di congestione del traffico causati dall’enorme numero di veicoli circolanti. La riduzione dei veicoli circolanti è una delle sfide più difficili nelle grandi aree metropolitane. Questa tesi di dottorato propone un contributo di ricerca con l’obiettivo finale di ridurre i numeri di veicoli in viaggio. Questo eśtato sviluppato verso due direzioni: da un lato, vogliamo migliorare l’efficacia dei sistemi di ride sharing, aumentando la possibilità di ricevere e dare passaggi in base alla attività di destinazione dei passeggeri. D’altra parte, vogliamo proporre un metodo basato sul machine learning e analisi dei social media, per identificare demanda de transporte a un evento. Per quanto riguarda il primo contributo di ricerca, abbiamo studiato un nuovo approccio per aumentare la condivisione dei passagi non solo su destinazioni fisse, ma anche su destinazioni alternative preservando l’attività prevista dall’utente. Osserviamo infatti che in molti casi l’attività che motiva l’uso di un’auto privata (ad es. andare in un centro commerciale) può essere eseguito in molti luoghi diversi (ad esempio tutti i centri commerciali in una determinata area). La nostra ipotesi è che, quando c’è la possibilità di condividere un passaggio, le persone possono accettare di visitare una destinazione alternativa per soddisfare i loro bisogni. Basato su questa idea, proponiamo Activity-Based Ride Matching (ABRM), un algoritmo che mira a soddisfare le richieste di carpool utilizzando destinazioni alternative, dove l’attività desiderata dal passeggero può ancora essere eseguita. Attraverso l’analisi di due grandi insiemi di dati di mobilità, mostriamo che il nostro approccio raggiunge un aumento fino al 54,69% nelle opportunità di condivisione di car pooling rispetto agli approcci tradizionali rivolti a destinazioni fisse. Per il secondo contributo della ricerca ci concentriamo sull’analisi dei social media per inferire le richieste di trasporto verso grandi eventi come concerti musicali e giochi sportivi. In questo contesto, indaghiamo sul nuovo problema dello sfruttamento del contenuto di non geotagged post per inferire la presenza di utenti a grandi eventi. Abbiamo identificato tre periodi temporali: prima, durante e dopo un evento. Descriviamo in dettaglio le caratteristiche utilizzate per addestrare i classificatori per inferire la partecipazione all’evento sui tre periodi temporali. Riportiamo gli esperimenti condotti su due grandi festival musicali nel Regno Unito. I nostri classificatori raggiungono uma alta accuracy, con il risultato più alto osservato per il festival Creamfields (∼91% di accuracy per classificare gli utenti che parteciperanno all’evento). Inoltre, abbiamo proposto un’applicazione della nostra metodologia che ha come scopo valutare le aree geografiche con il maggior potenziale di domanda di servizi di trasporto per un evento.

Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, Programa de Pós-Graduação em Informática, 2016. Métodos de aprendizagem de máquina vêm sendo amplamente usados na identificação e classificação de diferentes famílias de RNAs não-codificadores (ncRNAs). Muitos desses métodos são baseados na aprendizagem supervisionada, onde atributos anteriormente conhecidos, chamados features, são extraídos de uma sequência e usados em um classificador. Nesta dissertação, apresentamos dois métodos para a identificação das duas classes principais de snoRNAs, C/D box e H/ACA box snoRNAs: snoReport 2.0, uma melhoria significativa da primeira versão do snoReport; e o snoRNA-EDeN, um novo método baseado no EDeN, que é um kernel decomposicional de grafos. O snoReport 2.0 é um método que, usando features extraídas de sequências candidatas em genomas, combina predição de estrutura secundária de ncRNAs com Máquina de Vetores de Suporte (Support Vector Machine - SVM), para identificar C/D box e H/ACA box snoRNAs. Seu classificador de H/ACA box snoRNA mostrou um F-score de 93% (uma melhoria de 10% em relação à primeira versão do snoReport), enquanto o classificador de C/D box snoRNA obteve F-score de 94% (melhoria de 14%). Alem disso, ambos os classificadores tiveram todas as medidas de performances acima de 90%. Na fase de validação, o snoReport 2.0 identificou 67,43% dos snoRNAs de vertebrados de ambas as classes. Em Nematóides, o snoReport 2.0 identificou 29,6% dos C/D box snoRNAs e 69% dos H/ACA box snoRNAs. Para as Drosofilídeas, foram identificados 3,2% dos C/D box snoRNAs e 76,7% dos H/ACA box snoRNAs. Esses resultados mostram que o snoReport 2.0 é eficiente na identificação de snoRNAs em organismos vertebrados, e também para H/ACA box snoRNAs de organismos invertebrados. Por outro lado, em vez de usar features de uma sequência (em geral, difíceis de identificar), uma abordagem recente de aprendizagem de máquina é descrita a seguir. Dada uma região de interesse de uma sequencia, o objetivo é gerar um vetor esparso que pode ser usado como micro-features em algum algoritmo de aprendizado de máquina, ou pode ser usado para a criação de features poderosas. Essa abordagem é usada no EDeN (Explicit Decomposition with Neighbourhoods), um kernel decomposicional de grafos baseado na técnica Neighborhood Subgraph Pairwise Distance Kernel (NSPDK). O EDeN transforma um grafo em um vetor esparso, decompondo-o em todos os pares de subgrafos vizinhos de raios pequenos, a distâncias crescentes. Baseado no EDeN, foi desenvolvido um método chamado snoRNA-EDeN. Na fase de testes, para C/D box snoRNAs, o snoRNA-EDeN obteve um F-score de 93,4%, enquanto que para H/ACA box snoRNAs o F-score foi de 85.12%. Na fase de validação, para C/D box snoRNA, o snoRNA-EDeN mostrou uma grande capacidade de generalização, identificando 94,61% de snoRNAs de vertebrados e 63,52% de invertebrados, um resultado significantemente melhor em comparação ao snoReport 2.0, que identificou apenas 52,92% dos vertebrados e 14,6% dos invertebrados. Para o H/ACA box, o snoReport 2.0 identificou 79,9% dos snoRNAs de vertebrados e 73,3% dos snoRNAs de Nematóides e Drosofilídeos, enquanto que o snoRNA-EDeN identificou 95,4% dos vertebrados e 57.8% dos nematóides e drosofilas. Ambos os métodos estão disponíveis em: http://www.biomol.unb.br/snoreport e http://www.biomol.unb.br/snorna_eden. Machine learning methods have been widely used to identify and classify different families of non-coding RNAs. Many of these methods are based on supervised learning, where some previous known attributes, called features, are extracted from a sequence, and then used in a classifier. In this work, we present two methods to identify the two main classes of snoRNAs, C/D box and H/ACA box: snoReport 2.0, a significant improvement of the original snoReport version; and snoRNA-EDeN, a new method based on EDeN, a decompositional graph kernel. On one hand, snoReport 2.0 is a method that, using features extracted from candidate sequences in genomes, combines secondary structure prediction with Support Vector Machine (SVM) to identify C/D box and H/ACA box snoRNAs. H/ACA box snoRNA classifier showed a F-score of 93% (an improvement of 10% regarding to the previous version), while C/D box snoRNA classifier a F-Score of 94% (improvement of 14%). Besides, both classifiers exhibited performance measures above 90%. In the validation phase, snoReport 2.0 predicted 67.43% of vertebrate organisms for both classes. SnoReport 2.0 predicted: for Nematodes, 29.6% of C/D box and 69% of H/ACA box snoRNAs; and for Drosophilids, 3.2% of C/D box and 76.7% of H/ACA box snoRNAs. These results show that snoReport 2.0 is efficient to identify snoRNAs in vertebrates, and also H/ACA box snoRNAs in invertebrates organisms. On the other hand, instead of using known features from a sequence (difficult to find in general), a recent approach in machine learning is described as follows. Given a region of interest of a sequence, the objective is to generate a sparse vector that can be used as micro-features in a specific machine learning algorithm, or it can be used to create powerful features. This approach is used in EDeN (Explicit Decomposition with Neighbourhoods), a decompositional graph kernel based on Neighborhood Subgraph Pairwise Distance Kernel (NSPDK). EDeN transforms one graph in a sparse vector, decomposing it in all pairs of neighborhood subgraphs of small radius at increasing distances. Based on EDeN, we developed a method called snoRNA-EDeN. On the test phase, for C/D box snoRNAs, snoRNA-EDeN showed a F-score of 93.4%, while for H/ACA box snoRNAs, the F-score was 72%. On the validation phase, for C/D box snoRNAs, snoRNA-EDeN showed a better capacity of generalization, predicting 94.61% of vertebrate C/D box snoRNAs and 63.52% of invertebrates, a significantly better result compared to snoReport 2.0, which predicted only 52.92% of vertebrates and 14.6% of invertebrates. For H/ACA box snoRNAs, snoReport 2.0 predicted 79.9% of vertebrate snoRNAs and 73.3% of Nematode and Drosophilid sequences, while snoRNA-EDeN predicted 95.4% of vertebrate snoRNAs and 57.8% of Nematode and Drosophilid sequences. Both methods are available at http://www.biomol.unb.br/snoreport and http://www.biomol.unb.br/snorna_eden.

Knowledge Discovery in Databases (KDD) is a broad area in Artificial Intelligence concerned with the extraction of useful information and insights from a given dataset. Among the distinct extraction methodologies, an important subclass of KDD tasks, called Subgroup Discovery (SD), undertakes the discovery of interesting subsets in the data. Many Evolutionary Algorithms (EAs) have been proposed to solve the Subgroup Discovery task with considerable success in low dimensional datasets. Some of these, however, have been shown to perform poorly in high dimensional problems. The currently best performing Evolutionary Algorithm for Subgroup Discovery in high dimensional datasets, SSDP, has a peculiar way of initializing its populations, limiting the individuals to the smallest possible size. As with most population-based techniques, the outcome of an Evolutionary Algorithm is usually dependent on the initial set of solutions, which are typically generated at random. The impact of choosing one initialization technique over another in the final presented solution has been the topic of many published works in the broad area of evolutionary computation. Despite this, there is still a lack of studies which approach this topic in the specific scenario of Subgroup Discovery tasks, especially when considering high dimensional datasets. The ultimate goal of this research project is to evaluate the impact of initial population generation in the end result of the overall Evolutionary Algorithm used to solve a Subgroup Discovery task in high dimensional data. Specifically, we provide new initialization methods, designed for the specific characteristics of Subgroup Discovery tasks, which can be used in virtually any EA. Our conducted experiments show that, by just changing the initialization method, state of the art Evolutionary Algorithms have their performance increased in high dimensional datasets. Descoberta de Conhecimento em Bases de Dados (KDD) é uma área ampla em Inteligência Artificial que se preocupa com a extração de informações e insights úteis a partir de um conjunto de dados. Dentre as diferentes metodologias de extração, uma importante subclasse de tarefas de KDD, chamada de Descoberta de Subgrupos (SD), lida com a descoberta de subconjuntos interessantes dentro dos dados. Vários Algoritmos Evolucionários (EAs) foram propostos para resolver a tarefa de descobrir subgrupos com sucesso considerável em bases de dados de baixa dimensionalidade. A literatura já mostrou, no entanto, que alguns desses tem uma performance baixa em problemas de alta dimensionalidade. O algoritmo evolucionário para descoberta de subgrupos com, atualmente, a melhor performance em bases de alta dimensionalidade, SSDP, possui uma forma peculiar de inicializar sua população, limitando os indivíduos ao menor tamanho possível. Assim como na maioria das técnicas baseadas em população, o resultado de um algoritmo evolucionário é, em geral, dependente do conjunto de soluções inicial, que é tipicamente gerado de forma aleatória. Escolher uma técnica de inicialização sob outra tem grande impacto na solução final apresentada, e este já foi o tópico de trabalhos publicados na área de computação evolucionária. Apesar disso, faltam trabalhos que estudem este tópico no caso específico de descoberta de subgrupos, especialmente quando são consideradas bases de alta dimensionalidade. O objetivo final desta pesquisa é avaliar o impacto da geração da população inicial no resultado final de um algoritmo evolucionário no contexto de uma tarefa de descoberta de subgrupos em dados de alta dimensionalidade. Especificamente, são apresentados novos métodos de inicialização, projetados para as características específicas de tarefas de descoberta de subgrupos, que podem ser utilizadas em praticamente qualquer algoritmo evolucionário. Os experimentos conduzidos mostram que mudar o método de inicialização é o suficiente para aumentar a performance de algoritmos evolucionários o estado da arte em bases de dados de alta dimensionalidade.

Submitted by Danilo Tedesco de Oliveira (danilo.tedesco@unesp.br) on 2019-04-24T19:58:51Z No. of bitstreams: 1 Dissertação_Danilo_Tedesco.pdf: 1445381 bytes, checksum: 6f583321b60356da1da852c9e78746e5 (MD5) Rejected by Neli Silvia Pereira null (nelisps@fcav.unesp.br), reason: Solicitamos que realize correções na submissão seguindo as orientações abaixo: 1 - O agradecimento à CAPES deve ter a seguinte redação: O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) - Código de Financiamento 001 Abaixo segue a portaria que regulamenta. 2 - Falta o abstract (resumo em inglês) no repositório. 3 - Na ficha catalográfica, a entrada está por Oliveira e no repositório por Tedesco Oliveira. As entradas não podem ser diferentes, ou é uma, ou outra. Agradecemos a compreensão. PORTARIA Nº 206, DE 4 DE SETEMBRO DE 2018 Dispõe sobre obrigatoriedade de citação da CAPES O PRESIDENTE DA COORDENAÇÃO DE APERFEIÇOAMENTO DE PESSOAL DE NÍVEL SUPERIOR, no uso das atribuições que lhe foram conferidas pelo art. 26 do (a) Estatuto, aprovado (a) pelo Decreto nº 8977, de 30/01/2017, e CONSIDERANDO o indicado nos Editais da CAPES, nos Termos de Compromisso de Bolsista, nos regulamentos de bolsas no exterior e de bolsas no país, no Manual de AUXPE, e no termo de adesão ao Portal de Periódicos; CONSIDERANDO o constante dos autos do processo nº 23038.013648/2018-51, resolve: Art. 1º Os trabalhos produzidos ou publicados, em qualquer mídia, que decorram de atividades financiadas, integral ou parcialmente, pela CAPES, deverão, obrigatoriamente, fazer referência ao apoio recebido. Art. 2º Para fins de identificação da fonte de financiamento fica autorizada a utilização do código 001 para todos os financiamentos recebidos. Art. 3º Deverão ser usadas as seguintes expressões, no idioma do trabalho: "O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) - Código de Financiamento 001 "This study was financed in part by the Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) - Finance Code 001" Art. 4º Fica o pró-reitor de pós-graduação ou congênere, responsável pela divulgação e aplicação da regra dentro das Instituições de Ensino Superior que recebem apoio da CAPES. Art. 5º A falha em obedecer esta norma implicará em mudanças eventuais nos apoios da CAPES para as instituições e pesquisadores envolvidos, a partir de 2020. Art. 6º Esta Portaria entra em vigor na data de sua publicação. ABILIO A. BAETA NEVES Fonte: CAPES Diário Oficial da União: http://pesquisa.in.gov.br/imprensa/jsp/visualiza/index.jsp?data=05/09/2018&jornal=515&pagina=22 on 2019-04-25T12:58:19Z (GMT) Submitted by Danilo Tedesco de Oliveira (danilo.tedesco@unesp.br) on 2019-04-25T13:33:42Z No. of bitstreams: 1 Dissertação_Danilo_Tedesco.pdf: 1477295 bytes, checksum: 45f613d2d6f945498beedac60cad5ddf (MD5) Approved for entry into archive by Tatiana Camila Gricio (tatiana.gricio@unesp.br) on 2019-04-25T18:12:33Z (GMT) No. of bitstreams: 1 oliveira_dt_me_jabo.pdf: 1477295 bytes, checksum: 45f613d2d6f945498beedac60cad5ddf (MD5) Made available in DSpace on 2019-04-25T18:12:33Z (GMT). No. of bitstreams: 1 oliveira_dt_me_jabo.pdf: 1477295 bytes, checksum: 45f613d2d6f945498beedac60cad5ddf (MD5) Previous issue date: 2019-03-01 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) Uma maneira de melhorar a qualidade da operação de colheita mecanizada do algodão é alterar as configurações e regulagens de colhedora ao longo do processo de acordo com informações que podem ser adquiridas durante a própria colheita. Acreditamos que a previsão da produtividade pode se tornar uma informação de grande importância no gerenciamento da qualidade da operação, visando ao aumento da eficiência e redução das perdas no processo. Portanto, nessa pesquisa apresentamos o desenvolvimento de um sistema inteligente capaz de prever a produtividade do algodão em imagens coloridas, adquiridas por um dispositivo mobile simples. Propomos uma abordagem robusta às condições ambientais, treinando algoritmos de detecção com imagens adquiridas em diferentes horários ao longo do dia. Os resultados experimentais para o modelo SSD Mobilenet V1 indicaram que é possível realizar a contagem dos capulhos presentes nas imagens adquiridas em diferentes horários ao longo do dia, com erros médios de 8.84% (~5 capulhos). Além disso, avaliando a previsão da produtividade em 205 imagens do conjunto de dados de teste, o erro foi igual à 17.86%. Esse valor representa variações de até 19.14 gramas entre cada previsão. One way to improve the quality of the mechanized cotton harvesting operation is to change settings and adjustments of the harvester throughout the process according to information acquired during the operation. We believe that yield prediction can become important information in managing the quality of the operation aiming at increasing efficiency and reducing losses in the process. Therefore, we present in this research the development of an intelligent system capable of predicting cotton yield from color images acquired by a simple mobile device. We propose a robust approach to environmental conditions, training detection algorithms with images acquired at different times throughout the day. The experimental results for the SSD MobileNet V1 model indicated the possibility of counting bolls present in the images acquired at different times throughout the day, with mean errors of 8.84% (~5 bolls). Also, the error was equal to 17.86% when evaluating yield prediction on 205 images from the test dataset. This value represents variations of up to 19.14 grams between each prediction. Código de financiamento 001

Tese (doutorado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2019. Máquinas de Vetores de Suporte (Support Vector Machines - SVMs) representam uma técnica de Aprendizagem de Máquina (Machine Learning - ML), que modelam classificadores e regressores, amplamente utilizados principalmente devido às suas propriedades matemáticas que incluem boa capacidade de generalização e robustez. O modelo de treinamento das SVMs busca minimizar o risco empírico simultaneamente à capacidade de generalização. Entretanto, para obter modelos com boa precisão e baixa complexidade, é necessário definir o kernel e os seus parâmetros, assim como os parâmetros do modelo de treinamento. Os parâmetros do kernel e do modelo de treinamento juntos são denominados de hiperparâmetros do problema de seleção de parâmetros das SVMs. Porém minimizar a complexidade e maximizar a capacidade de generalização das SVM/SVRs são critérios contraditórios e, por isso, neste trabalho, o problema de seleção de parâmetros é modelado com um problema de otimização multiobjetivo (MOOP). Para resolver este problema, foi desenvolvida uma meta-heurística multiobjetivo chamada de Adaptive Parameter with Mutant Tournament Multi-Objective Differential Evolution (APMT-MODE), Multi-Objective Particle Swarm Optimization (MOPSO), objetivando resolver o problema de seleção de parâmetros. Os algoritmos desenvolvidos foram testados com um conjunto de treinamento para classificadores e regressores (obtidos no repositório University of California, Irvine), combinados com os kernels gaussiano, cauchy, polinomial e arco cosseno. Para validar as meta-heurísticas desenvolvidas, foi realizado o teste estatístico de Friedman e os testes post hoc, os quais mostraram que o algoritmo APMT-MODE é superior ao clássico algoritmo Non Sorting Genetic Algorithm - II. Além desses estudos, foram realizados estudos de comparação da complexidade computacional entre modelos de SVMs com diferentes kernels, nos quais os kernels gaussiano e polinomial configurados pelo APMT-MODE obtiveram melhor desempenho. Como aplicação em situações reais, o APMT-MODE foi empregado para obtenção de modelos para predição da penetração e largura de cordões de solda, que são utilizados como parâmetros para o controle de processo de soldas. A partir das análises, concluiu que os modelos gerados pelo APMT-MODE são mais eficientes que os encontrados para redes neurais do tipo perceptron. Finalmente, o Grid Search foi empregado para caracterizar os espaço de busca e a complexidade do problema de seleção de parâmetros modelado como um MOOP. Support Vector Machines (SVMs) represent a Machine Learning technique (ML), which model classifiers and regressors, widely used mainly because of their mathematical properties that include good generalizability and robustness. The SVM training model seeks to minimize the empirical risk simultaneously to the generalization capacity. However, to obtain models with good precision and low complexity, it is necessary to define the kernel and its parameters, as well as the parameters of the training model. The parameters of the kernel and the training model together are called hyperparameters of the parameter selection problem of the SVMs. However, minimizing the complexity and maximizing the generalization capacity of the SVM/SVRs are conflicting criteria and, therefore, in this work, the problem of parameter selection is modeled with a multiobjective optimization (MOOP) problem. In order to solve this problem, a multiobjective meta-heuristic called Adaptive Parameter with Mutant Tournament Multi-Objective Differential Evolution (APMT-MODE) was developed, aiming at solving the problem of parameter selection. The algorithms developed were tested with a training set for classifiers and regressors (obtained from the University of California, Irvine repository), combined with the Gaussian, Cauchy, polynomial, and cosine arc textures. In order to validate the developed heuristics, the Friedman statistical test, and the post-hoc tests were performed, which showed that the APMT-MODE algorithm is superior to the classic Non-Sorting Genetic Algorithm-II algorithm. In addition to these studies, computational complexity was compared between models of SVMs with different kernels, in which the Gaussian and polynomial kernels configured by APMT-MODE obtained better performance than others considered algorithms. As an application in real situations, the APMTMODE was used to obtain models for penetration prediction and width of weld beads, which are used as parameters for the process control of welds. From the analysis, it was concluded that the models generated by APMT-MODE are more efficient than those found for neural networks of the perceptron type. Finally, Grid Search was used to characterize the search space and complexity of the parameter selection problem modeled as a MOOP.

This is a prospective study of the uses of machine learning technology applied to financial market trading and investment. Quick expansion on TI technology generated effective changes on daily financial routine. As futher changes may be expected, this prospection analyzed 257 patents from Espacenet database processed via Questel Orbit® software. It was found in 2016 a peak in 1st patent deposits that remains until the present. Most of applications was on outliers, feature selection and clustering. No holder was identified with financial core activity, pointing out the possibility of trade secret strategies. China and USA were the biggest depositors and the biggest market of these applications. The outstanding growth of the market and the identification of a horizon of technological maturation processes is a consequence of the recent development in process power, data readiness and cloud-based technology. Neste trabalho é realizada uma prospecção tecnológica do uso da tecnologia de aprendizagem de máquina aplicada à negociação e ao investimento financeiro. A rápida expansão das aplicações de Tecnologia da Informação (TI) no campo das finanças tem gerado uma série de mudanças nas suas práticas impactando a vida de investidores e de todos os cidadãos. Foi utilizada base de dados de documentos de patentes da Espacenet, o escopo de pesquisa permitiu a análise de 257 patentes. As patentes analisadas no escopo são datadas de 1991 a 2018. O software Questel Orbit® foi utilizado para análise dos dados. As principais aplicações são orientadas para a identificação de outliers e a realização de feature selection e clustering. Não foi identificada empresa que tenha como atividade-fim atuar no mercado financeiro, indicando a existência de estratégias de manutenção de segredo de negócio. Foi verificado o rápido crescimento do mercado e a possibilidade de amadurecimento da tecnologia diante do cenário contemporâneo.

Dissertação (mestrado)—Universidade de Brasília, Instituto de Psicologia, Programa de Pós-Graduação em Psicologia Social, do Trabalho e das Organizações, 2019. A análise de custo-benefício, entre generalidade, precisão e realismo, guia escolhas metodológicas em comportamento organizacional (CO). O big data e o machine learning podem tornar obsoleta essa análise e ajudar a subárea a focar novamente o “fazer” e não apenas o “dizer”. O uso de observação de comportamento foi sistematicamente revisto em artigos e livros (1996-2017) brasileiros. Dentre 1.062 artigos com relatos de pesquisa sobre CO, publicados em 19 periódicos de psicologia e administração, 68% usaram escalas e apenas 10% a observação. A presente pesquisa objetivou propor um método para comparar medidas autodeclaradas (escalas) com comportamentos observados usando machine learning. Foi escolhido o construto de estilo de aprendizagem para propor o método, que analisou de forma comparativa e complementar a relação entre o que é declarado e o que é observado. Os estilos de aprendizagem autodeclarados foram medidos por meio de uma nova escala, que foi elaborada e aplicada em 1.764 estudantes de um ambiente virtual de aprendizagem (AVA) de um órgão da administração federal. Para a escala, foram encontradas evidências de validade exploratória e confirmatória, sendo a estrutura final composta por 18 itens agrupados em dois fatores. As informações brutas do AVA (footprints) foram transformadas em indicadores, que foram comparados com os estilos identificados por meio de questionário e também agrupados em fatores.. Foi encontrado que os padrões comportamentais dos estudantes, referentes aos estilos, são relativamente constantes em diferentes cursos. Além disso, foram encontradas evidências de validade para uma estrutura de três fatores de indicadores referentes a interação. Os estilos observados e os autodeclarados foram testados em relação à evasão e ambos apresentaram um poder de predição relevante. A triangulação metodológica de observação de comportamento e escalas foi mais efetiva quando usados de forma complementar do que de forma comparativa. O estudo apresentou uma alternativa metodológica inovadora e viável para a análise de estilos de aprendizagem em AVA, usando machine learning. Tradeoff analysis, between generalizability, precision and realism, guides methodological choices in organizational behavior (OB). Big data and machine learning can make this tradeoff analysis obsolete and help OB to once again focus on “doing” and not only on “saying”. Use of the behavior observation method was systematically reviewed in Brazilian articles and books (1996-2017). Among 1,062 research articles about OB, published in 19 psychology and business journals, 68% used scales and only 10% used observation. The goal of this research is to propose a method to compare self-declared measures (scales) with observed behaviors using machine learning. The method analyzes what is observed and what is declared in opposite and complementary approaches. Learning styles were used to develop and apply the method. A new scale, applied in 1,764 students in a virtual learning environment (VLE), was developed to identify self-declared learning styles. Evidence for the exploratory and confirmatory validity and reliability is presented for a structure with 18 items grouped in two factors. Raw data from the VLE (footprints) were transformed indicators. Those indicators were compared to the responses to the scale and also grouped in factors. The analysis of the indicator showed behavior patterns related to learning styles were relatively constant between courses and four factors of interaction indicators were identified. Observed and self-declared learning styles were separately tested in their prediction of dropout. Both were able to significantly predict dropout. Methodology triangulation of behavior observation and scales was more effective when used in a complementary approach. This study presents a viable and innovative methodological alternative for analyzing learning styles in VLE, using machine learning.

Submitted by Mario BC (mario@bc.ufrpe.br) on 2019-07-17T13:07:29Z No. of bitstreams: 1 Albaro Ramon Paiva Sanz.pdf: 1588433 bytes, checksum: 079ea859e16f08cd1678049a7acf4458 (MD5) Made available in DSpace on 2019-07-17T13:07:29Z (GMT). No. of bitstreams: 1 Albaro Ramon Paiva Sanz.pdf: 1588433 bytes, checksum: 079ea859e16f08cd1678049a7acf4458 (MD5) Previous issue date: 2019-02-27 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES Classification techniques are often used to solve different bioinformatics problems. Most genes in the DNA sequence are transcribed by messenger RNA and translated into protein. The DNA contains regions that encode proteins (exons) and regions that do not encode proteins (introns), the boundaries between exons and introns are called the splice site. During the transcription process, the introns are "cut", this is known as splicing that puts the exons of a gene consecutively, ready to be translated into the amino acid sequence that make up the protein. In splice sites, the transition from the coding region exon to the non-coding region intron (EI) and distinguished with the nucleotides GT, and transition from the non-coding region (intron) to the coding region exon (IE) and distinguished with the nucleotides AG. A small percentage of these combinations are actual splice sites. In this study, a methodology for the classification problem EI and IE is presented, which consists in obtaining probability distributions using machine learning technique and starting from them to obtain different measures of performance. A number of algorithms (Support Vector Machine (SVM), Artificial Neural Network (RNA), Random Forest (RF), Naive Bayes (NB)) are tested and compared to find the best classifier. To make the selection of the best classifier the most known measures are applied based on the confusion matrix: Accuracy, Specificity, Sensitivity, among others, as well as the Kolgomorov distance (KS) as measured performance of the classification models. More precisely, the KS is a measure of the degree of sep aration between the distributions of probability class, which is an indication of greater accuracy. The results presented in this study are equal or superior in accuracy when compared with the papers presented in the literature Classification. As técnicas de classificação são frequentemente utilizadas na solução de diferentes problemas da bioinformática. A maioria dos genes na sequência do DNA é transcrita pelo RNA mensageiro e traduzida para proteína. O DNA contém regiões que codificam as proteínas chamadas exons, e regiões que não codificam as proteinas são chamadas de introns, os limites entre os exons e introns são chamados de splice site. Durante o processo de transcrição, os introns são "cortados", isso é conhecido como splicing, que coloca os exons de um gene um atrás do outro consecutivamente, prontos para serem traduzidos na sequência de aminoácidos que compõem a proteína. Nos splice sites, a transição da região codificante exon para a região não codificante intron (EI) é distinguida com os nucleótidos GT, e a transição da região não codificante intron para a região codificante exon (IE) é distinguida com os nucleótidos AG. Uma pequena porcentagem dessas combinações são splice sites reais. Neste estudo, é apresentada uma metodologia para o problema de classificação EI e IE que consistem em obter distribuições de probabilidades usando técnicas de aprendizagem de máquina, e a partir delas obter diferentes medidas de desempenho. Uma série de algoritmos (Support Vector Machine (SVM), Neural Networks (RNA), Random Forest (RF), Naive Bayes(NB)) foram testados e comparados para encontrar o melhor classificador. Para fazer a seleção do melhor classificador, as medidas mais conhecidas, foram aplicadas com base na matriz de confusão: Acurácia, Especificidade, Sensibilidade, dentre outros, bem como a distância de Kolgomorov-Smirnov (KS) como medida de desempenho dos modelos de classificação. Mais precisamente, a KS é uma medida do grau de separação entre as distribuições de classe de probabilidade, sendo este um indicativo de maior acurácia. Os resultados apresentados neste estudo foram iguais ou superiores em acurácia quando são comparado com os trabalhos apresentados na literatura.

CAPES Water activity is considered an important parameter of quality, which represents the amount of water available for biochemical and chemical reactions, which enables the growth of microorganisms. It also contributes to food sensory characteristics, like texture and flavor. Water activity measurements can be performed by different equipment and methodologies. Using traditional equipment, a sample need to be collected and placed in a closed chamber to attain equilibrium. This procedure does not provide real-time values and may be associated to increased costs due to production out of specifications if the observed water activity is not in the desired range. The goal of this work is to fill the gap to monitor water activity value in-line in order to increase the response time, control process and make any nonconformity in the production readily verified. As a consequence, a reduction of costs is expected. This work proposes a methodology based on soft sensors to predict and control water activity from moisture content values. As identified in the literature, there is a relationship between water activity and moisture. However, it is not simple to characterize it once it is unique for each food. For that, different machine learning (ML) techniques (SVM, LS-SVM, MLP, GPR and LR) are adopted to map and learn this relationship The Statistical Process Control (SPC) methodology was also proposed as tool to monitor the soft sensor accuracy and to indicate when the underlying model may be retrained. The proposed soft sensors were applied to the case of a pet food industry. The results for all ML models were compared in order to guide the selection of which one would be adopted. All models had good performance, but GPR presented the best balance between model accuracy and training time. A atividade de água é considerada um importante parâmetro da qualidade, que representa a quantidade de água disponível para ocorrerem reações bioquímicas e químicas, viabilizando o crescimento de micro-organismos. A atividade de água também influencia as características sensoriais dos alimentos, como textura e sabor. A sua medição pode ser feita por meio de diferentes equipamentos e metodologias. Nos equipamentos tradicionais, uma amostra do alimento precisa ser coletada e colocada em uma câmara fechada até atingir o equilíbrio. Este procedimento não fornece valores em tempo real e pode estar associado ao aumento de custos devido a produtos fora de especificação, se o valor de atividade de água não estiver na faixa desejada. O objetivo deste trabalho foi preencher esta lacuna no monitoramento de atividade de água em linha, em função de reduzir o tempo de resposta, aumentar o controle do processo e fazer com que qualquer não conformidade na produção seja verificada rapidamente. Como consequência, uma redução de custos é esperada. Este trabalho propõe o uso da metodologia baseada em soft sensors para prever e controlar a atividade de água a partir de valores de umidade. Como identificado na literatura, existe uma relação entre atividade de água e umidade. Contudo, não é algo simples de caracterizar, uma vez que é única para cada alimento. Assim, diferentes algoritmos de machine learning (SVM, LS-SVM, MLP, GPR e LR) são adotados no mapeamento e aprendizado desta relação. A metodologia de controle estatístico de processos também foi adotada para realizar o monitoramento da precisão do soft sensor, bem como para apontar caso o modelo utilizado no soft sensor precise ser retreinado. Os resultados para todos os modelos de machine learning foram comparados a fim de guiar a seleção de qual seria adotado. Todos os modelos apresentaram performance satisfatória, porém o modelo GPR apresentou o melhor balanço entre tempo de treinamento e exatidão.

FACEPE O investimento em pesquisa mineral é bastante oneroso e muitas vezes arriscado, tanto do ponto de vista da correta identificação da jazida em subsolo quanto do eficiente trabalho de sondagem, que é feito para conhecer a jazida e avaliar a sua viabilidade econômica. Tomando como exemplo o Brasil, um país com um grande potencial extrativo de minérios, como ferro, ouro e níquel, entre outros, surgiu o interesse, nesta pesquisa, de propor a aplicação de metodologias inovadoras e eficazes, na área de Aprendizado de Máquina (AM), que possam dar um tratamento mais sofisticado e de fácil utilização nas análises de estimativa de recursos minerais. A ideia, aqui, é combinar praticidade e eficácia no processo de quantificação dos bens minerais, através de algoritmos de aprendizado de máquina. Trata-se, portanto, de uma forma de tornar os procedimentos de tratamento dos dados de sondagem mais simplificados do ponto de vista operacional. Ademais, é importante lembrar que as operações em pesquisa mineral são desenvolvidas por meio de levantamento das características geológicas do solo ou de perfuração na área de interesse, e, a partir desses dados, é iniciado o estudo de identificação e quantificação de teores de minério na formação geológica mineralizada. Para isso, é realizado um estudo geoestatístico utilizando o algoritmo de krigagem, a fim de quantificar, em termos de teor mineral, os minérios existentes no subsolo em análise. Como o método da krigagem é estatisticamente paramétrico, ele apresenta algumas limitações quanto à modelagem matemática do corpo mineralizado e, em algumas situações, torna-se muito difícil associar um modelo para a análise variográfica do corpo mineral. Na área de Aprendizado de Máquina, existem diversos estudos tratando da utilização de algoritmos que são treinados mediante hipótese não paramétricas, como os ensembles, que são o alvo deste estudo. Tais algoritmos não possuem fórmulas predefinidas quanto à análise da formulação do problema. Através deles é possível se chegar a uma melhor percepção da correlação de teores na classificação e na quantificação dos minerais em estudo. Por meio dos métodos não paramétricos, é possível descrever a formação geológica do corpo mineralizado e, consequentemente, realizar uma melhor estimativa dos teores de minério. Dentre esses métodos, vale destacar os ensembles, já citados anteriormente, os quais apresentam características peculiares que podem ser bastante úteis no que diz respeito ao desenvolvimento deste trabalho de pesquisa, podendo, enfim, produzir resultados significativos. Assim sendo, resta acrescentar que é necessário que os problemas realcionados a pesquisas em recursos minerais sejam vistos de forma mais objetiva e prática, ou seja, sejam encarados como desafios a serem superados e não como obstáculos intransponíveis. Investment in mineral exploration is quite expensive and often risky, both from the point of view of the correct identification of the underground deposit and the efficient survey work, which is done to know the deposit and evaluate its economic viability. As an example, Brazil, a country with a great potential for extraction of ores, such as iron, gold and nickel, among others, the interest in this research was to propose the application of innovative and effective methodologies in the area of Machine Learning (AM), which can provide a more sophisticated and user-friendly treatment in the estimation of mineral resources. The idea here is to combine practicality and effectiveness in the process of quantification of mineral goods, through machine learning algorithms. It is therefore a way of making the procedures for processing survey data simpler from an operational point of view. In addition, it is important to remember that the mineral exploration operations are developed by means of a survey of the geological characteristics of the soil or of drilling in the area of interest, and, from these data, the study of identification and quantification of ore contents in the mineralized geological formation. For this, a geostatistical study is carried out using the kriging algorithm, in order to quantify, in terms of mineral content, the existing minerals in the subsoil under analysis. As the kriging method is statistically parametric, it presents some limitations regarding the mathematical modeling of the mineralized body and, in some situations, it becomes very difficult to associate a model for the variographic analysis of the mineral body. In the Machine Learning area, there are several studies dealing with the use of algorithms that are trained by non-parametric hypotheses, such as the ensembles, which are the target of this study. These algorithms do not have predefined formulas for the analysis of the problem formulation. Through them it is possible to get a better perception of the correlation of contents in the classification and quantification of the minerals under study. By means of non-parametric methods, it is possible to describe the geological formation of the mineralized body and, consequently, to make a better estimate of the ore contents. Among these methods, it is worth mentioning the ensembles already mentioned, which have peculiar characteristics that can be very useful in the development of this research work, and can produce significant results. Therefore, it is necessary to add that the problems related to research in mineral resources must be seen in a more objective and practical way, that is, they are seen as challenges to be overcome and not as insurmountable obstacles.

CNPq Análise de Sentimentos é o problema que explora documentos escritos em linguagem natural visando classificá-los em polaridades de sentimentos (classes) pré-estabelecidas. Os algortimos Naive Bayes e Suport Vector Machine estão frequentemente associados a este tipo de tarefa, porém estes classificadores apontam para um problema iminente quando se trata da análise de sentimentos em um universo não-binário de classes. Classificadores de aprendizado profundo aparecem, cada vez mais, na literatura como alternativa aos modelos tradicionais de aprendizado de máquina, apresentando bons desempenhos. Diante disto, esta pesquisa apresenta uma avaliação de desempenho entre métodos de aprendizado de máquina tradicional, métodos de aprendizado profundo e comitês de classificadores que combinam as duas abordagens. Os comitês construídos fazem uso de modelos de aprendizado profundo com um menor número de épocas de treinamento, a intenção foi desenvolver modelos com menor tempo de execução sem perder em acurácia, devido ao conhecimento dos demais modelos combinados. Para avaliar o desempenho das diferentes abordagens, foram utilizadas cinco bases de dados com múltiplas classes: Stanford Sentiment Treebank, IMDb Review, Yelp 2013, Yelp 2014 e Yelp 2015. O desempenho dos modelos foram avaliados através de um conjunto de métricas e técnicas estatísticas. Com base nos resultados obtidos, foi possível concluir que os algoritmos de aprendizado profundo e os comitês alcançaram desempenhos médios estatisticamente superiores em relação aos algoritmos de aprendizado de máquina tradicional. Apesar do maior desempenho, vale salientar que os comitês e os modelos de aprendizado profundo possuem tempo de treinamento superior em relação aos algoritmos tradicionais. Sentiment Analysis is the problem that explores documents written in natural language aiming to classify them into pre-established polarities of feelings (classes). The Naive Bayes and Suport Vector Machine algorithms are often associated with this type of task, but these classifiers point to an imminent problem when it comes to the sentiment analysis in a non-binary universe of classes. In the light of this, this research presents an alternative to the traditional methods used for the sentiment analysis, by means of deep learning cassifiers and ensembles of classifiers that mix algorithms of learning of traditional machine and deep learning, considering that these types of approaches have been showing good results in several problems of the literature. To address this problem, this research presents an alternative to the traditional methods used for the sentiment analysis by means of deep learning cassifiers and ensembles of classifiers that mix traditional machine learning algorithms and deep learning, since these types of approaches come demonstrating good results in several problems of the literature. We compared the performances of the single classifiers, traditional machine learning and deep learning, and classifier combinations, in order to observe if there is a statistical difference between the acuracies reached and the relation between the performance of the model and its execution time. To evaluate the performance of the different approaches, 5 databases were used: Stanford Sentiment Treebank, IMDb Review, Yelp Challange Dataset 2013, 2014 e 2015. The performance of the models were evaluated through a set of metrics and statistical techniques. Based on the results obtained, it is possible to infer that the deep learning algorithms and ensemble classifiers achieved statistically superior average performances in relation to the algorithms of traditional machine learning. Despite the higher performance, it is worth noting that ensembles and deep learning classifiers have a computational cost higher than the cost of traditional algorithms.

CAPES Oil refineries process hazardous substances at extreme operational conditions to produce valuable products. The necessary and required risk assessment is generally rather time-consuming and involves a multidisciplinary group of experts to identify potential accidental hypotheses, and compute their frequency and severity. With respect to this context, in this work, we present a machine learning method to mine out useful knowledge and information from available data of past risk assessments. The aim is at automatically classifying possible accident scenarios that may occur in oil refinery processing units by using SVM (support vector machines). Data from a previous qualitative risk assessment of an ADU (atmospheric distillation unit) of a real oil refinery is used to demonstrate the applicability of the SVM-based approach. The test classification was made with an F1 score of 89.95%. In this way, the results obtained showed that the proposed method is promising for efficiently performing automated risk assessment of oil refineries. Refinarias de petróleo processam substâncias perigosas em condições operacionais extremas para produzir produtos valiosos. A execução da necessária e exigida avaliação de riscos é geralmente bastante demorada e envolve um grupo multidisciplinar de especialistas para identificar possíveis hipóteses acidentais e calcular suas frequências e a severidade de suas consequências. Com relação a este contexto, neste trabalho, apresenta-se um método de aprendizagem de máquina para extrair conhecimento e informações úteis a partir de avaliações anteriores de riscos. O objetivo é classificar automaticamente os possíveis cenários acidentais que possam ocorrer em unidades de processamento de refinaria de petróleo usando máquina de vetores de suporte. Os dados de uma avaliação de risco qualitativa previamente elaborada de uma ADU (unidade de destilação atmosférica) de uma refinaria de petróleo real são usados para demonstrar a aplicabilidade da abordagem baseada em SVM. A classificação dos dados de teste foi feita com um escore F1 de 89,95%. Os resultados obtidos demonstraram que o método proposto é promissor para realizar eficientemente avaliações automáticas de risco de refinarias de petróleo.

Local Binary Pattern (LBP) é um simples e poderoso descritor visual utilizado para classificação de texturas e diversas outras aplicações em visão computacional. Apesar do LBP seu uma poderosa ferramenta ele pode apresentar algumas limitações, já que seu processamento pode gerar o mesmo código para padrões de texturas diferentes, além de possuir uma fraca robustez a diversos tipos de ruído. O Local Vector Quantization Pattern (LVQP) é uma extensão do LBP que tem como proposta lidar com essas limitações. Neste trabalho propomos o método Difference Quantization Pattern (DQP), que é a utilização do vetor de diferenças em conjunto com a técnica de clusterização conhecida como quantização de vetores, e o combinamos com o LVQP para propor o D-LVQP. Para o D-LVQP, os histogramas resultantes do DQP e LVQP são concatenados e usados como características para um classificador -NN. O método proposto foi aplicado em cinco bases: UIUC, CURET, KTH-TIPS, KTH-TIPS2 e BRODATZ. D-LVQP obteve uma acurácia superior em todos os casos quando comparado ao LVQP, demonstrando assim uma maior robustez. Local Binary Pattern (LBP) is a simple and powerful visual descriptor most used in texture classification but can be applied and several other applications in Computer Vision. However, LBP presents some limitations since its possible to generate the same code for different texture patterns, and it has a weak resistance to noise. Local Vector Quantization Pattern (LVQP), which is an extension of LBP, was proposed to solve this kind of issues. Here, we propose an alternative descriptor based on the difference in the clustering method vector quantization, Difference Quantization Pattern (DQP) and a combined DQP and LVQP descriptor named Difference-Local Vector Quantization Pattern (D-LVQP). For the D-LVQP method, the histograms from DQP and LVQP are concatenated and used as features for the KNN classifier. We applied the proposed method to five datasets UIUC, CURET, KTH-TIPS, KTH-TIPS2, and BRODATZ. D-LVQP obtained a superior accuracy in most cases when compared to LVQP, thus demonstrating greater robustness.

Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2019. Essa dissertação contribui para o crescente campo de inteligência artificial e aprendizado de máquina. Aprendizado é um componente essencial do comportamento humano, a faculdade por trás da nossa habilidade de se adaptar. E essa característica única que diferencia seres humanos de outras espécies, e nos permitiu perserverar e dominar o mundo como nos conhecemos. Através de algoritmos de aprendizado, nós buscamos imbuir agentes artificiais com essa mesma capacidade, para que eles possam aprender e se adaptar interagindo com o ambiente, conseguindo desta forma aumentar seu potencial de atingir seus objetivos. Nesse trabalho, nós buscamos resolver o problema de como múltiplos agentes cooperativos aprendendo concomitantemente podem se beneficar de conhecimento compartilhado entre eles. A habilidade de compartilhar conhecimento adquirido, seja instantaneamente ou através de gerações, é peça chave para a nossa evolução. Segue que o compartilhamento de conhecimento entre agentes autônomos pode ser a chave para acelerar conhecimento em sistemas multiagentes cooperativos. Baseado nesse raciocínio, neste trabalho investigamos métodos de compartilhamento de conhecimento que pode efetivamente levar a uma aceleração no aprendizado. A pesquisa é focada na abordagem de transferência de conhecimento através do compartilhamento de experiências. O modelo MultiAgent Cooperative Experience Sharing (MACES) define uma arquitetura que permite troca de experiências entre agentes cooperativos aprendendo concomitantemente. Neste modelo, investigamos diferentes métodos de compartilhamento de experiências que podem levar a aceleração do aprendizado. O modelo é validado em dois problemas diferentes de aprendizado de reforço, um problema de controle clássico e um de navegação. Os resultados apresentados mostram que o MACES é capaz de reduzir em mais da metade o número de episódios necessários para completar uma tarefa através da cooperação de apenas dois agentes, comparado a agentes não cooperativos. O modelo é aplicável a agentes que implementam métodos de aprendizado de reforço profundo. This dissertation is a contribution to the burgeoning field of artificial intelligence and machine learning. Learning is a core component of human behaviour, the faculty behind our ability to adapt. It is the single characteristic that differentiate humans from other species, and has allowed us to persevere and dominate the world as we know. Through learning algorithms, we seek to imbue artificial agents with the same capacity, so they can as well learn and adapt by interacting with the environment, thus enhancing their potential to achieve their goals. In this work, we address the hard problem of how multiple cooperative agents learning concurrently to achieve a goal can benefit from sharing knowledge with each other. Key to our evolution is our ability to share learned knowledge with each other instantaneously and through generations. It follows that knowledge sharing between autonomous and independent agents could as well become the key to accelerate learning in cooperative multiagent settings. Pursuing this line of inquiry, we investigate methods of knowledge sharing that can effectively lead to faster learning. We focus on the approach of transferring knowledge by experience sharing. The proposed MultiAgent Cooperative Experience Sharing (MACES) model defines an architecture that allows experience sharing between concurrently learning cooperative agents. Within MACES, we investigate different methods of experience sharing that can lead to accelerated learning. The proposed model is validated in two different reinforcement learning settings, a classical control and a navigation problem. The results shows that MACES is able to reduce in over a half the number of episodes required to complete a task through cooperation of only two agents, compared to a single agent baseline. The model is applicable to deep reinforcement learning agents.

Tese (doutorado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2019. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). As métricas objetivas de avaliação de qualidade de sinais tem o objetivo de prever a qualidade dos sinais percebida pelo ser humano. Uma das áreas de qualidade de maior interesse nos últimos anos é o desenvolvimento de métricas de qualidade para sinais áudio-visuais. A maioria das propostas nesta área estão baseadas na aferição da qualidade individual das componentes de áudio e vídeo. Porém, o modelamento da complexa interação existente entre as componentes de áudio e vídeo ainda é um grande desafio. Nesta tese, o objetivo é desenvolver uma métrica, baseado em ferramentas de aprendizado de máquina (Machine Learning - ML), para a aferição da qualidade de sinais áudio-visuais. A proposta utiliza como entrada um conjunto de características descritivas das componentes de áudio e vídeo e aplica Deep Autoencoders para gerar um novo conjunto de características descritivas que representa a interação entre as componentes de áudio e vídeo. O modelo está composto por várias fases, que realizam diferentes tarefas. Primeiramente, são extraídos um conjunto de características descritivas que descrevem características das componentes de áudio e vídeo. Na próxima fase, um autoencoder de duas camadas produz um novo conjunto de características descritivas. Em seguida, uma função de classificação mapeia as características descritivas em escores de qualidade audiovisual. Para garantir a precisão nos resultados, o modelo é treinado utilizando um conjunto de dados que representa todos os artefatos considerados no modelo. O modelo foi testado tanto com no banco de dados gerado neste trabalho, como em uma base de dados extensa e pública. Os resultados mostraram que esta abordagem obtém predições de qualidade, cujos valores estão altamente correlacionadas com os escores de qualidade obtidos em experimentos subjetivos. The development of models for quality prediction of both audio and video signals is a fairly mature field. But, although several multimodal models have been proposed, the area of audiovisual quality prediction is still an emerging area. In fact, despite the reasonable performance obtained by combination and parametric metrics, currently there is no reliable pixel-based audiovisual quality metric. The approach presented in this work is based on the assumption that autoencoders, fed with descriptive audio and video features, might produce a set of features that is able to describe the complex audio and video interactions. Based on this hypothesis, we propose a set of multimedia quality metrics: video, audio and audiovisual. The visual features are natural scene statistics (NSS) and spatial-temporal measures of the video component. Meanwhile, the audio features are obtained by computing the spectrogram representation of the audio component. The model is formed by a 2-layer framework that includes an autoencoder layer and a classification layer. These two layers are stacked and trained to build the autoencoder network model. The model is trained and tested using a large set of stimuli, containing representative audio and video artifacts. The model performed well when tested against the UnB-AV and the LiveNetflix-II databases.

The propagation model to be chosen in the design of a digital terrestrial broadcast station is a critical point for predicting the coverage area. There are several models, with specific characteristics that may be better than others in certain situations. This dissertation presents a study of the choice of propagation model, through the use of artificial intelligence (AI). A brief review of the SBTVD (Brazilian System of Digital Television), the complexity operation in SFN (Single Frequency Network) and the most widely used propagation models in the literature. The comparison of propagation models was elaborated with the field measurements and simulations by the Progira coverage prediction software, which works on an ArcGis geoprocessing platform that considered the criterion of smallest average error (absolute mean deviation, standard deviation and root mean square error) between the field measurement and the software simulation. The propagation model ITUR P. 1812-3 had the best average performance. To optimize the analysis of choice of propagation models, an AI method was developed by machine learning, classification learning, so that the computer can formulate aspects of human intelligence and have the ability to choose the best propagation model for each study area, not restricted to sites measured in the field. The Support Vectors Machines and Nearest Neighbor Classifiers learning models displayed a significant improvement of the average error in comparison to the model of propagation of smallest average error. O modelo de propagação a ser escolhido no projeto de uma estação de televisão terrestre é um ponto crítico para a predição da área de cobertura. Existem diversos modelos, com características específicas que podem ser melhores que outros em determinadas situações. A dissertação apresenta um estudo para a escolha do modelo de propagação, através da utilização de inteligência artificial (IA). É apresentada uma breve revisão do padrão SBTVD (Sistema Brasileiro de Televisão Digital), da complexidade de operação em SFN (Single Frequency Network, em português Rede de Frequência Única) e dos principais modelos de propagação utilizados na literatura. O comparativo dos modelos de propagação foi elaborado com medições de campo e simulações pelo software de predição de cobertura Progira, que funciona sobre a plataforma de geoprocessaomento ArcGis. O comparativo considerou o critério de menor erro médio (desvio médio absoluto, desvio padrão e erro médio quadrático) entre a medição de campo e a simulação de software. O modelo de propagação ITUR P. 1812-3 teve o melhor desempenho médio. Para otimizar a análise de escolha dos modelos de propagação, foi desenvolvido um método de IA por aprendizagem de máquina por classificação para que o computador possa formular aspectos da inteligência humana e ter a capacidade de escolher o melhor modelo de propagação para cada área de estudo, não restrito aos sites medidos em campo. Os modelos de aprendizagem de Máquinas de Vetores de Suporte e de Classificadores Vizinhos mais Próximos apresentaram uma melhora significativa do erro médio em comparação ao modelo de propagação de menor erro médio.

Submitted by Nadir Basilio (nadirsb@uninove.br) on 2022-08-15T17:51:35Z No. of bitstreams: 1 Rodrigo Cardozo de Jesus.pdf: 15238624 bytes, checksum: 2db116d33f4373261372fc883494941c (MD5) Made available in DSpace on 2022-08-15T17:51:35Z (GMT). No. of bitstreams: 1 Rodrigo Cardozo de Jesus.pdf: 15238624 bytes, checksum: 2db116d33f4373261372fc883494941c (MD5) Previous issue date: 2019-01-31 Detection of failures in three-phase squirrel-cage induction motors has shown increasing interest in recent years, especially in the study and implementation of new diagnostic techniques, given their use in the industrial segment worldwide. Among the existing faults, stands out the rupture of one or more bars that are part of the machine's rotor cage. One of the most studied techniques in the literature, and still used today for the detection of broken rotor bars, is the electric current signature analysis of one of the motor phases, in order to nd certain harmonics that indicate the presence of the defect. This technique uses the Fast Fourier Transform for the analysis of harmonic components, and other more recent studies have employed, for example, the Hilbert Transform, in order to improve the frequency signal resolution, as well as the use of statistical measures to nd some parameters of the motor current signal, in the condition of a defective rotor. In addition, other researches have investigated the use of machine learning techniques to aid in the evaluation of machine conditions, based on the characteristics extracted in the time and frequency domains. Thus, the present work developed a comparative study between some signal processing techniques, used in the diagnosis of broken rotor bars, and the machine learning algorithms most used in the monitoring and diagnosis of failures in induction motors. These algorithms were parameterized in several conditions and it was possible to compare not only the accuracy of each model, but also the false positive and false negative rates in each case. The results showed that the use of the statistical characteristics with those extracted in frequency domains presented the best performance. Experiments with a 7:5 kW motor, for several load conditions, and especially at low load, would allow to evaluate the best combination of the aforementioned techniques for the detection and classi cation of the defect in the rotor cage . A detecção de falhas em motores de indução trifásico do tipo gaiola de esquilo revelou um interesse crescente nos últimos anos, especialmente pelo estudo e a implementação de novas técnicas de diagnóstico, dada a sua utilização no segmento industrial em todo o mundo. Dentre as falhas existentes, destaca-se o rompimento de uma ou mais barras que fazem parte da gaiola rotórica da máquina. Uma das técnicas mais estudadas na literatura, e empregadas ainda hoje, para a detecção de barras quebradas, é a análise da assinatura da corrente elétrica de uma das fases do motor, a m de encontrar determinadas harmônicas que indicam a presença do defeito. Esta técnica utiliza a Transformada Rápida de Fourier para a análise das componentes harmônicas, e outros estudos mais recentes empregaram, por exemplo, a Transformada de Hilbert, de modo a melhorar a resolução em frequência do sinal, bem como o uso de medidas estatísticas para encontrar alguns parâmetros do sinal de corrente do motor, na condição de rotor defeituoso. Adicionalmente, outras pesquisas têm investigado o uso das técnicas de aprendizagem de máquina para auxiliar na avaliação das condições do motor, a partir das características extraídas nos domínios do tempo e da frequência. Deste modo, o presente trabalho desenvolveu um estudo comparativo entre algumas técnicas de processamento de sinais, usadas no diagnóstico de barras rotóricas quebradas, e os algoritmos de aprendizagem de má- quina mais empregados no monitoramento e diagnóstico de falhas em máquinas elétricas. Tais algoritmos foram parametrizados em diversas condições sendo possível comparar não apenas a acurácia de cada modelo, mas também as taxas de falso positivo e falso negativo em cada caso. Os resultados obtidos mostraram que o uso das características estatísticas em conjunto com aquelas extraídas em frequência apresentou a melhor performance. Os experimentos realizados com um motor de 7:5 kW, para diversas condições de carga do motor, e especialmente em baixa carga, permitiriam avaliar assim a melhor combinação das aludidas técnicas para a detecção e a classi cação do defeito na gaiola rotórica.

O processo judicial eletrônico é uma realidade no Brasil, onde 70% dos casos novos em todo poder judiciário são virtuais. Fazer uso adequado desta realidade e aprimorá-la é primordial para dar vazão à demanda de aproximadamente 25 milhões de processos novos por ano. Este projeto propõe uma melhoria na celeridade e corretude da classificação dos processos eletrônicos, por meio da utilização de Inteligência Artificial. Com isso, conjectura-se auxiliar operadores do direito responsáveis pelo cadastro do documento petição inicial (criação do processo), bem como os responsáveis pela sua análise, por meio de sugestão automática e assertiva quanto ao assunto do processo, imprimindo maior agilidade de tramitação e qualidade nas informações contidas nos autos judicias brasileiros. Durante o desenvolvimento da solução foram testados diversos algoritmos de aprendizado de máquina identificando o de melhor performance, no caso o Suporte Vector Machine, com relação a acurácia e precisão, bem como o tempo resposta e treinamento, para uma eficiente classificação processual. The electronic court case is a reality in Brazil, where 70% of new cases in all judiciary are virtual. Making proper use of this reality and improving it is paramount to meet the demand for approximately 25 million new processes per year. This project proposes an improvement in the speed and correctness of the electronic process classification through the use of Artificial Intelligence. Thus, it is conjectured to assist legal operators responsible for the registration of the initial petition document (creation of the process), as well as those responsible for its analysis, by means of automatic and assertive suggestion on the subject matter of the process, providing greater agility of processing and quality to the information contained in the Brazilian court records. During the development of the solution several machine learning algorithms were tested identifying the best performing, in this case Support Vector Machine, accuracy and precision as well as the response time and training for efficient process classification.

The automation of spectral data analysis is a necessity of the project Physics of petroleum in porous media. Through machine learning algorithms (subfield of computer science) it is possible to classify data where the machine is able to learn the correct parameters of classification models of minerals and oils. The method goes beyond, being applicable in different areas. The study of graphs has intrinsic connection in the definition of the architecture of such algorithms and from graphs of minimum spanning trees (MST) we visualize and group the data. We also apply MST in shares of the American stock exchange. Within the financial market we develop statistical tools that describe the movement of stocks and the pricing of American and European options. Statistical and machine learning methods are used in prediction and inference tasks. For inference models, we want to describe the pattern of a data set through a probabilistic model which is the major focus of statistics. Prediction is the ability to correctly sort unfamiliar samples. Predictive models of deep learning are created in such a way that the algorithm finds high complexity patterns that are hard for a human to identify. With all that in mind, the main objective of this work is to build a set of automatic analysis tools based on graphs, machine learning and statistics that can have great applicability in many areas. A automatização de análise de dados espectrais é uma necessidade do projeto Física do petróleo em meios porosos. Através dos algoritmos de aprendizagem de máquina (subcampo de ciência da computação) é possível classificar dados onde a máquina é capaz aprender os paramêtros corretos em modelos de classificação de minerais e óleos. O método vai além, sendo aplicável em diferentes áreas. O estudo de grafos possui conexão intrínseca na definição da arquitetura de tais algoritmos e a partir de grafos de minimum spanning trees (MST) visualizamos e agrupamos os dados. Também aplicamos MST em ações da bolsa de valores americana. Dentro do mercado financeiro desenvolvemos ferramentais estatísticos que descrevem o movimento das ações e a precificação de opções americanas e europeias. Os métodos estatísticos e de aprendizagem de máquina são utilizados em tarefas de predição e inferência. Na inferência queremos descrever o padrão de um conjunto de dados através de um modelo probabilistico que é o foco maior da estatística. A predição é a habilidade de classificar corretamente amostras desconhecidas. Os modelos preditivos de aprendizagem reforçada são criados de forma que o algoritmo encontra padrões de alta complexidade difíceis de serem reconhecidos por humanos. Com tudo isso em mente, o principal objetivo deste trabalho é construir um conjunto de ferramentas de análise automática baseadas em gráfos, aprendizagem de máquina e estatística podendo ser aplicáveis em diversas áreas.

Orientador: Prof. Dr. Yandre Maldonado e Gomes da Costa. Dissertação (mestrado em Ciência da Computação) - Universidade Estadual de Maringá, 2019 RESUMO: A detecção e classificação de veículos é um componente fundamental para sistemas inteligentes de tráfego. Nos últimos anos, com o declínio do custo de aquisição de imagens por meio de câmeras de vigilância, a proposta de métodos que utilizam imagens digitais como principal fonte de informação aumentou consideravelmente. Este trabalho propõe duas configurações de redes neurais convolucionais -- ? e ? -- para serem utilizadas junto ao método YOLO na detecção de veículos presentes em imagens digitais além da classificação em seis categorias: Ônibus, Microônibus, Minivan, Sedan, SUV e Caminhão. Resultados experimentais com o conjunto de dados BIT-Vehicle (DONG, 2015) reportam valores de 93.20% e 91.24% de precisão média entre as categorias para os modelos equipados com ? e ?, respectivamente. Testes realizados em três ambientes distintos exibem que uma latência de inferência sempre abaixo de um segundo em ambos os modelos. Conclui-se que o modelo é discriminativo e capaz de generalizar padrões para a detecção e categorização de tipos de veículos ao mesmo tempo que não requer muitos recursos computacionais. Essa característica sugere que o modelo pode ser útil para o desenvolvimento de sistemas inteligentes de tráfego, melhorando a acurácia e a latência na tomada de decisão. ABSTRACT: Vehicle detection and classification is a fundamental component in intelligent traffic systems. In the last years, with the decreasing costs of digital images acquisition by surveillance cameras, the proposal of methods that uses digital images as the main source of information have been increased. This work proposes two convolutional neural networks backbones -- ? and ? -- to be used with the YOLO method for detection and classification of vehicles present in digital images into six categories: Bus, Microbus, Minivan, Sedan, SUV, and Truck. Experimental results with the BIT-Vehicle Dataset (DONG, 2015) reports values 93.20% and 91.24% of the standard mean average precision for the models ? e ?, respectively. The tests in three distinct environments exhibit the inference latency is always under one second in both models. We conclude that the model is discriminative and capable of generalizing the patterns of the vehicle type detection and classification task while not requiring expensive computational resources. These features suggest that the model can be useful in the development of embedded intelligent traffic systems, improving accuracy and decision latency. 61 f. : il. color.

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2018. O entendimento da estrutura gramatical de uma frase é um passo importante para que os computadores sejam capazes de compreender o significado pretendido em um texto. Esta dissertação faz um estudo de quatro ferramentas que realizam processamento de linguagem natural. O trabalho explora conceitos envolvendo ferramentas que realizam PLN e utiliza uma metodologia de construção de um corpus específico que auxilie o reconhecimento de entidades da fonte de dados textual (DOU), processando o entendimento linguístico das palavras em um texto e depois comparando a quantidade e qualidade das entidades que foram reconhecidas nos textos processados. Assim, a OpenNLP foi escolhida e construiu-se um novo corpus, utilizando o aprendizado supervisionado, para que fosse elaborada uma proposta de construção de um corpus específico para extrair Entidades Nomeadas com melhor qualidade em comparação com os resultados obtidos com os corpus disponíveis. Uma arquitetura foi desenvolvida para compreender um conjunto de atividades a serem executadas na extração de Entidades Nomeadas, identificando e descrevendo a organização dos módulos, visando a codificação e especificação de cada um deles. Understanding the grammatical structure of a sentence is an important step for computers to be able to understand the meaning intended in a text. This dissertation makes a study of four tools that perform natural language processing. The work explores concepts involving tools that perform PLN and uses a methodology of construction of a specific corpus that helps the recognition of entities of the textual data source (DOU), processing the linguistic understanding of the words in a text and then comparing the quantity and quality of the entities that were recognized in the texts processed. Thus, OpenNLP was chosen and a new corpus was constructed, using supervised learning, to elaborate a proposal to build a specific corpus to extract named entities with better quality in comparison to the results obtained with the available corpus. An architecture was developed to understand a set of activities to be performed in the extraction of named entities, identifying and describing the organization of the modules, aiming at the coding and specification of each one of them.

Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2018. Uma das características mais comuns em qualquer esquema de corrupção ou desvio de recursos públicos é a presença de fornecedores de fachada, através dos quais se dá uma aparência legal a recursos com destinação ilícita. Este trabalho investiga a aplicação de um classificador de imagens para auxiliar na detecção de tais fornecedores, utilizando redes neurais convolucionais (CNN em inglês). Foram obtidas cerca de 120 mil imagens de 30 mil fornecedores com contratos ativos com o Executivo Federal entre 2016 e 2017, por meio de pesquisas de endereços pela API do Google Street View. Cada imagem baixada foi classificada entre cenários comerciais (lojas de rua) e não comerciais (diferentes de lojas de rua), através do ajuste fino de uma rede convolucional pré-treinada com milhões de imagens e centenas de categorias de cenários do banco de imagens Places365. Ao final, verificamos que é possível ajustar com sucesso modelos de redes convolucionais para diferenciar cenários entre comerciais e não comerciais, e o desempenho dos modelos ajustados não depende de orientações específicas das imagens. Além disso, os resultados obtidos com testes Qui-Quadrado e Regressão Logística permitiram verificar que existe uma relação estatisticamente significativa entre um cenário ser comercial e a diminuição de risco de punição de um fornecedor, especialmente em algumas classes de atividade econômica relacionadas à Administração Pública, Saúde e Outros Serviços. Entretanto, esta informação ainda possui baixo valor preditivo se comparada a algumas das tipologias já levantadas no âmbito do Ministério da Transparência e Controladoria-Geral da União (CGU). In most corruption scandals, the use of front companies for money laundering is almost ubiquitous. This work investigates the application of an image classifier to detect such organizations, through the use of Convolutional Neural Networks (CNN). We collected about 120 thousand images from 30 thousand government suppliers contracted by the Executive Branch of the Brazilian Federal Government between 2016 and 2017, through address searching using the Google Street View API. Each image was classified between street market and non street market places, through fine-tuning a pretrained CNN with millions of images and hundreds of places categories from the Places365 database. Finally, we checked that it is possible to fine-tune convolutional neural networks to classify such scenes, and the performance of these networks is independent of image orientation. Our experiments results using Chi-Squared tests and Logistic Regression also showed us that exists a statistically significant relationship between places classified as street markets and lower risk for suppliers, especially for some economic sectors, such as those related to Public Administration, Health and Other Services. However, this information has low predictive value when compared to others already gathered by the Ministry of Transparency and Office of the Comptroller General (CGU, in Portuguese) auditors.

Dissertação (mestrado)—Universidade de Brasília, Faculdade UnB Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2018. O diagnóstico precoce da Doença de Parkinson (DP) é de suma importância para tratamento da doença, pois, o quanto antes for iniciado o tratamento melhores serão as chances de reversão do quadro clínico. Apesar de não haver cura, existem tratamentos que visam a combater os sintomas da doença. Medicamentos e cirurgias fazem parte do arsenal terapêutico, assim como sessões de fisioterapia, terapia ocupacional, fonoaudiologia e, em alguns casos, de psicologia. Porém, o diagnóstico da DP e seu nível de evolução (estadiamento), ainda é uma tarefa bastante complexa e imprecisa, realizada de forma clínica, por meio da história do paciente e de avaliação neurológica. Casos duvidosos são encaminhados para exames subsidiários como tomografia computadorizada, ressonância magnética e exames laboratoriais. O que pode acarretar erros de decisão por parte do especialista. A proposta deste trabalho é o desenvolvimento de um sistema utilizando técnicas de Aprendizado de Máquina (AM) e processamento de sinais para identificação, extração de características e classificação de diferentes níveis da DP por meio dos dados contidos em sinais eletromiográficos de superfície (sEMG). O sistema tem como finalidade fornecer uma segunda opinião confiável e eficiente para médicos neurologistas que venham a utilizar. Early diagnosis of Parkinson's Disease (PD) is of paramount importance for the treatment of the disease. For, the earlier treatment is started the better the chances of reversal of the clinical picture. Although there is no cure, there are treatments that aim to combat the symptoms of the disease. Medications and surgeries are part of the therapeutic arsenal, as well as physiotherapy, occupational therapy, speech therapy and, in some cases, psychology sessions. However, the diagnosis of PD and its level of evolution (staging) is still a rather complex and imprecise task, performed clinically, through the patient's history and neurological evaluation. Doubtful cases are referred to subsidiary exams such as computed tomography, MRI, and laboratory tests. This can lead to errors of decision by the expert. The proposal of this work is the development of a system using techniques of machine learning (ML) and signal processing for identification, extraction of characteristics and classification of different levels of PD through the data contained in surface electromyographic signals. The system is intended to provide a reliable and efficient second opinion for neurological physicians who may use it.

Tese (doutorado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2018. Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) e Decanato de Pesquisa e Inovação -(DPI/ UnB). O Controle Preditivo Baseado em Modelos (MPC) é uma técnica avançada de controle que vem ganhando espaço tanto na academia quanto na indústria ao longo das últimas décadas. O fato de incorporar restrições em sua lei de controle e de poder ser aplicada tanto para sistemas lineares simples quanto para sistemas não-lineares complexos com múltiplas entradas e múltiplas saídas tornam seu emprego bastante atraente. Porém, seu alto custo computacional muitas vezes impede sua aplicação a sistemas com dinâmicas rápidas, principalmente a sistemas não-lineares embarcados onde há restrições computacionais e de consumo de energia. Baseado nisso, este trabalho se propõe a desenvolver algoritmos e arquiteturas em hardware capazes de viabilizar a aplicação do Controle Preditivo Não-Linear (NMPC) para sistemas embarcados. Duas abordagens são desenvolvidas ao longo do trabalho. A primeira aplica técnicas de aprendizado de máquina utilizando Redes Neurais Artificiais (RNAs) e Máquinas de Vetor de Suporte (SVMs) para criar soluções que aproximam o comportamento do NMPC em hardware. Neste caso, técnicas para o treinamento das RNAs e SVMs são exploradas com o intuito de generalizar uma solução capaz de lidar com uma ampla faixa de referências de controle. Em seguida, arquiteturas de hardware em ponto-flutuante para a implementação de RNAs do tipo RBF (Radial Basis Functions) e SVMs são desenvolvidas juntamente com configurador automático capaz de gerar os códigos VHDL (VHSIC Hardware Description Language) das respectivas arquiteturas baseado nos resultados de treinamento e sua topologia. As arquiteturas resultantes são testadas em um FPGA (Field-Programmable Gate Array) de baixo custo e são capazes de computar soluções em menos de 1 s. Na segunda abordagem, o algoritmo heurístico de Otimização por Enxame de Partículas (PSO), é estudado e adaptado para etapa de busca da sequência de controle ótima do NMPC. Dentre as modificações estão incluídas a adição de funções de penalização para obedecer às restrições de estados do sistema, o aprimoramento da técnica KPSO (Knowledge-Based PSO), denominada KPSO+SS, onde resultados de períodos de soluções de períodos amostragem anteriores são combinados com informações sobre o sinal de controle em estado estacionário e seus valores máximos e mínimos para agilizar a busca pela solução ótima. Mais uma vez, arquiteturas de hardware em ponto-flutuante são desenvolvidas para viabilizar a aplicação do controlador NMPC-PSO a sistemas embarcados. Um gerador de códigos da solução NMPC-PSO é proposto para permitir a aplicação da mesma arquitetura a outros sistemas. Em seguida, a solução é testada para o procedimento de swing-up do pêndulo invertido utilizando uma plataforma hardware-inthe- loop (HIL) e apresentou bom desempenho em tempo-real calculando a solução em menos de 3 ms. Finalmente, a solução NMPC-PSO é validada em um sistema de pêndulos gêmeos e outro sistema de controle de atitudes de um satélite. Model-based Predictive Control (MPC) is an advanced control technique that has been gaining adoption in industry and the academy along the last few decades. Its ability to incorporate system constraints in the control law and be applied from simple linear systems up to more complex nonlinear systems with multiple inputs and outputs attracts its usage. However, the high computational cost associated with this technique often hinders its use, especially in embedded nonlinear systems with fast dynamics with computational and restrictions. Based on these facts, this work aims to study and develop algorithms and hardware architectures that can enable the application of Nonlinear Model Predictive Control (NMPC) on embedded systems. Two approaches are developed throughout this work. The first one applies machine learning techniques using Artificial Neural Networks (ANNs) and Support Vector Machines (SVMs) to create solutions that approximate the NMPC behavior in hardware. In this case, ANN and SVM training techniques are explored with the aim to generalize the control solution and work on a large range of reference control inputs. Next, floating-point hardware architectures to implement Radial Basis Function ANNs and SVM solutions are developed along with an automatic architectural configuration too, capable of generating the VHDL (VHSIC Hardware Description Language) codes based on the training results and its topology. Resulting architectures are tested on a low-cost FPGA (Field-Programmable Gate Array) and are capable of computing the solution in under 1 s. In a second approach, the Particle Swarm Optimization (PSO), which is a heuristic algorithm, is studied and adapted to perform the optimal control sequence search phase of the NMPC. Among the main optimizations performed are the addition of penalty functions to address the controlled system state constraints, an improved KPSO (Knowledge-Based PSO) technique named KPSO+SS, where results from previous sampling periods are combined with steady-state control information to speed-up the optimal solution search. Hardware architectures with floating-point arithmetic to enable the application of the NMPC-PSO solution on embedded systems are developed. Once again, a hardware description configuration tool is created to allow the architecture to be applied to multiple systems. Then, the solution is applied to a real-time inverted pendulum swing-up procedure tested on a hardware-in-the-loop (HIL) platform. The experiment yielding good performance and control results and was able to compute the solutions in under 3 ms. Finally, the NMPC-PSO solution is further validated performing a swing-up procedure on a Twin Pendulum system and then on a satellite control platform, a system with multiple inputs and outputs

O cenário industrial moderno denota o aumento da competitividade industrial, tendo em vista a complexidade de máquinas e equipamentos – produtos de alta demanda –, os custos de instalações industriais, aliados à preocupação com aspectos de segurança industrial e meio ambiente. Essa tendência induz as grandes indústrias globais a cada vez mais investir em dispositivos, tecnologias e ferramentas destinadas à previsão e predição de falhas decorrentes de não conformidades e avarias em máquinas, equipamentos e instalações industriais. Nesse contexto, o campo de atuação que trata da manutenção preditiva, da análise de previsão e do diagnóstico de falhas ganhou lugar de destaque, além de diversos investimentos em pesquisa e desenvolvimento, principalmente com políticas voltadas à concepção da indústria 4.0. Com a abordagem da indústria 4.0, possibilita-se a análise de componentes mecânicos em regime dinâmico e respostas em tempo real, sem a necessidade de equipamento parado, o que está diretamente relacionado à diminuição dos custos e do tempo de produção. Dito isso, a presente tese tem por objetivo apresentar uma nova metodologia para a detecção e o monitoramento de falhas tribológicas em motores a combustão interna, por intermédio da aprendizagem de máquinas por métodos não supervisionados e Big Data, utilizando técnicas de processamento de sinais aliadas a algoritmos de Redes Neurais Artificiais (RNA) e análise de clusters, criando um sistema inteligente capaz de identificar padrões de falhas a partir das condições destas e da variação de carga mecânica em motores a combustão interna Ciclo Otto. The modern industrial scenario denotes the increase of the industrial competitiveness, due to the complexity of machines and equipment - products of high demand -, the costs of industrial installations, allied to the concern with aspects of industrial safety and environment. This trend induces large global industries to increasingly invest in devices, technologies and tools designed to previse and predict failures due to non-conformities and breakdowns in machines, equipment and industrial facilities. In this context, the field of action dealing with predictive maintenance, forecast analysis and fault diagnosis has gained prominence place, as well as several investments in research and development, mainly with policies aimed at the design of the industry 4.0. With the industry 4.0 approach, it is possible to analyze dynamic mechanical components and real-time responses without the need for stationary equipment, which is directly related to the reduction of costs and production time. The aim of this thesis is to present a new methodology for the detection and monitoring of tribological faults in internal combustion engines through the use of unsupervised learning methods and Big Data using signal processing techniques allied with to algorithms of Artificial Neural Networks (RNA) and analysis of clusters, creating an intelligent system capable of identifying fault patterns from the conditions of these and the variation of mechanical load in Otto cycle internal combustion engines.

La predicción inmediata de la actividad económica (es decir, hacer estimaciones del período actual), es conveniente porque la mayoría de las medidas tradicionales de actividad económica se realizan con rezagos sustanciales. Nuestro objetivo es predecir el ISE, un indicador de actividad económica de corto plazo en Colombia. Las entradas son los rezagos del ISE y un conjunto de datos de pagos realizados entre individuos, empresas y el gobierno central, mediante transferencias electrónicas y cheques. Bajo un enfoque de modelado predictivo, empleamos un modelo de red neuronal exógena autoregresiva no lineal. Los resultadossugieren que nuestra elección de insumos y el método predictivo, nos permiten difundir la actividad económica con una precisión razonable. Además, validamos que los datos de pagos electrónicos reducen significativamente el error de predicción en un modelo de red neuronal autoregresiva de referencia. La predicción inmediata de la actividad económica con datos de los instrumentos de pago electrónicos, no solo contribuye a la toma de decisiones de los agentes y al modelado económico, sino que también soporta nuevas vías de investigación sobre cómo utilizar dichos datos en modelos actuales. Economic activity nowcasting (i. e., making current-period estimates) is convenient because most traditional measures of economic activity come with substantial lags. We aim at nowcasting ise, a short-term economic activity indicator in Colombia. Inputs are the ise's lags and a dataset of payments made with electronic transfers and cheques among individuals, firms, and the central government. Under a predictive modeling approach, we employ a non-linear autoregressive exogenous neural network model. Results suggest that our choice of inputs and predictive method enable us to nowcast economic activity with fair accuracy. Also, we validate that electronic payments data significantly reduce the nowcast error of a benchmark non-linear autoregressive neural network model. Nowcasting economic activity from electronic payment instruments data not only contributes to agents' decision making and economic modeling, but also supports new research paths on how to use retail payments data for appending current models. A predição imediata da atividade econômica (é dizer, fazer estimações do período atual), e conveniente porque a maioria das medidas tradicionais de atividade econômica realizamse com atrasos substanciais. O nosso objetivo é predizer o ise, um indicador de atividade econômica de curto prazo na Colômbia. As entradas são os atrasos do ise e um conjunto de dados de pagamentos realizados entre indivíduos, empresas e o governo central, mediante transferências eletrônicas e cheques. Sob um enfoque de modelado preditivo, empregamos um modelo de rede neuronal exógena auto regressiva não lineal. Os resultados sugerem que nossa eleição de insumos e o método preditivo, nos permitem difundir a atividade econômica com uma precisão razoável. Além disso, validamos que os dados de pagamentos eletrônicos reduzem significativamente o erro de predição em um modelo de rede neuronal auto regressiva de referência. A predição imediata da atividade econômica com dados dos instrumentos de pagamento eletrônico, não só contribui à tomada de decisões dos agentes e ao modelado econômico, senão que também suporta novas vias de pesquisa sobre como utilizar ditos dados em modelos atuais.

Thesis submitted to the University of Coimbra in partial fulfilment of the requirements for the Doctoral Program in Information Science and Technology Typical Machine Learning (ML) approaches rely on a dataset and a model to solve problems. For most problems, optimisation of ML approaches is crucial to attain competitive performances. Most of the effort goes towards optimising the model by exploring new algorithms and tuning the parameters. Nevertheless, the dataset is also a key part for ML performance. Gathering, constructing and optimising a representative dataset is a hard task and a time-consuming endeavour, with no well-established guidelines to follow. In this thesis, we attest the use of Evolutionary Computation (EC) to assess and improve classifiers via synthesis of new instances. An analysis of the state of the art on dataset construction is performed. The quality of the dataset is tied to the availability of data, which in most cases is hard to control. A throughout analysis is made about Instance Selection and Instance Generation, which sheds light on relevant points for the development of our framework. The Evolutionary Framework for Classifier Assessment and Improvement (EFECTIVE) is introduced and explored. The key parts of the framework are identified: the Classifier System (CS) module, which holds the ML model that is going to be assessed and improved; the EC module responsible for generating the new instances using the CS module for fitness assignment; and the Supervisor, a module responsible for managing the instances that are generated. The approach comes together in an iterative process of automatic assessment and improvement of classifiers. In a first phase, EFECTIVE is tested as a generator, creating instances of a particular class. Without loss of generality, we apply the framework in the domain of image generation. The problem that motivated the approach is presented first: frontal face generation. In this case, the framework relies on the combination of an EC engine and a CS module, i. e., a frontal face detector, to generate images of frontal faces. The results were revealing in two different ways. On the one hand, the approach was able to generate images that from a subjective standpoint resemble faces and are classified as such by the classifier. On the other hand, most of the images did not resemble faces, although they were classified as such by the classifier module. Based on the results, we extended the approach to generate other types of object, attaining similar results. We also combined several classifiers to study the evolution of ambiguous images, i. e. images that induce multistable perception. Overall, the results suggest that the framework is viable as a generator of instances and also that these instances are often misclassified by the CS module. Building on these results, in a second phase, a study of EFECTIVE for improving the performance of classifiers is performed. The core idea is to use the evolved instances that are generated by the EC engine to augment the training dataset. In this phase, the framework uses the Supervisor module to select and filter the instances that will be added to the dataset. The retraining of the classifier with these instances completes an iteration of the framework. We tested this pipeline in a face detection problem evolving instances to: (i) expand the negative dataset; (ii) expand the positive dataset; and (iii) expand both datasets in the same iteration. Overall, the results show that: expanding the negative dataset, by adding misclassified instances, reduces the number of false alarms; expanding the positive dataset increases the number of hits; expanding positive and negative datasets allows the simultaneous reduction of false alarms and increase of hits. After demonstrating the adequacy of EFECTIVE in face detection, we tested the framework in a Computational Creativity context to create an image generation system that promotes style change, obtaining results that further demonstrate the potential of the framework. As abordagens típicas de Aprendizagem de Máquina (AM) dependem de um conjunto de instâncias e de um modelo para resolver problemas. Para a maioria dos problemas, a otimização das abordagens AM é crucial para obter desempenhos competitivos. A maior parte do esforço vai no sentido de otimizar o modelo através da exploração de novos algoritmos e do ajuste de parâmetros. No entanto, o conjunto de instâncias é também parte fundamental no desempenho de abordagens de AM. Reunir, construir e otimizar um conjunto de instâncias representativo é uma tarefa difícil e morosa, sem diretrizes bem estabelecidas. Nesta tese, atestamos o uso de Computação Evolucionária (CE) para avaliação e aperfeiçoamento de classificadores através da síntese de novas instâncias. Efetuou-se uma análise do estado da arte sobre construção de conjunto de instâncias. A qualidade do conjunto de instâncias está ligada à disponibilidade de dados que, na maioria dos casos, é difícil de controlar. Uma análise completa é feita sobre a seleção e geração de instâncias, o que esclarece pontos relevantes para o desenvolvimento do nosso sistema. O EFECTIVE (Sistema Evolucionário para a Avaliação e Melhoria de Classificadores) é introduzido e explorado. Os componentes principais do sistema são: o módulo sistema de classificação SC, que contém o modelo de AM que será avaliado e melhorado; por o módulo de CE responsável por gerar as novas instâncias usando o módulo SC para atribuição da aptidão; e o Supervisor, um módulo responsável por gerir as instâncias geradas. A abordagem consiste num processo iterativo de avaliação automática e aprimoramento de classificadores. Numa primeira fase, o EFECTIVE é testado como gerador, criando instâncias de uma classe em particular. Sem perda de generalidade, aplicamos o sistema no domínio da geração de imagens. O problema que motivou a abordagem é apresentado em primeiro lugar: geração de imagens de faces frontais. Neste caso, o sistema depende da combinação de um motor de CE e de um módulo SC, i. e., um detector de faces frontais, para gerar imagens de faces frontais. Os resultados foram reveladores de duas maneiras distintas. Por um lado, a abordagem foi capaz de gerar imagens que, de um ponto de vista subjectivo, se assemelham a faces e são classificadas como tal pelo classificador. Por outro lado, a maior parte das imagens não se parecem com faces, muito embora tenham sido classificadas como tal por parte do classificador. Com base nos resultados estendemos a abordagem para gerar outro tipo de objectos, obtendo resultados similares. Também se combinou vários classificadores num estudo sobre evolução de imagens ambíguas, i. e., imagens que induzem perceção multiestável. De um modo geral, os resultados sugerem que o sistema é viável como um gerador de instâncias e que essas instâncias são muitas vezes mal classificadas pelo SC. Com base nos resultados obtidos, numa segunda fase, efectuámos o estudo sobre o EFECTIVE para aprimoramento da performance de classificadores. A ideia central é utilizar as instâncias geradas pelo motor de CE para aumentar o conjunto de dados de treino do classificador. Nesta fase, o sistema usa o módulo Supervisor para selecionar e filtrar as instâncias que serão adicionadas ao conjunto de treino. O re-treinar do classificador com essas instâncias completa uma iteração do sistema. Testou-se este processo num problema de deteção de faces, evoluindo instâncias para: (i) expandir o conjunto dos negativos; (ii) expandir o conjunto dos positivos; e (iii) expandir ambos os conjuntos na mesma iteração. De um modo geral, os resultados mostram que: expandindo o conjunto dos negativos, adicionando instâncias mal classificadas, reduz o número de falsos alarmes; expandindo o conjunto dos positivos aumenta o número de caras bem detetadas; expandindo o conjunto dos positivos e dos negativos ao mesmo tempo resulta na redução de falsos alarmes e no aumento de caras bem detetadas. Após demonstrar a adequação do EFECTIVE na deteção de faces, testamos o sistema num contexto de Criatividade Computacional para criar um sistema de geração de imagens que promove mudança de estilo, obtendo resultados que demonstram o potencial do sistema.

FACEPE Com a redução de custo de fabricação de dispositivos eletrônicos, ampla disseminação de smartphones e dispositivos eletrônicos vestíveis (smartwatches, smartbands) e um mercado automotivo global competitivo, vários sistemas para prover comodidade e auxílio ao usuário têm surgido. Um desses sistemas, de entrada e partida passiva ao veículo, já está no mercado há pelo menos duas décadas, no entanto, não apresenta qualquer conectividade com o ambiente externo. Para suprir essa deficiência e aproveitando crescimento no mercado dos dispositivos smart, há uma tendência natural de convergir esses dispositivos ao ambiente automotivo aproveitando o surgimento e disseminação cada vez mais acentuada da tecnologia de conexão Bluetooth Low Energy (BLE). Este trabalho apresenta um sistema de localização de dispositivo BLE que faz o papel de chave veicular. Apresenta o hardware utilizado para construção do sistema, topologias de antenas posicionadas no veículo (dongles BLE), arquitetura e fluxo do sistema de localização, apresentando os algoritmos de aprendizagem de máquina utilizados, usando máquinas em duas camadas e em cascata. Apresenta as regiões de decisão escolhidas e apresenta uma discussão sobre o parâmetro de entrada do sistema, o RSSI. Mostra a não-linearidade desse parâmetro e seu impacto na qualidade dos resultados obtidos. By reducing the cost of manufacturing electronic devices, the wide spread of smartphones and wearable electronic devices (smartwatches, smartbands) and a competitive global automotive market, several systems to provide convenience and user assistance have emerged in vehicles. One of these systems, passive entry and start, has been on the market for at least two decades, however, it has no connectivity with the external environment. To meet this gap and to take advantage of the growing market for smart devices, there is a natural tendency to converge these devices to the automotive environment by taking advantage of the ever-increasing emergence and spread of Bluetooth Low Energy (BLE) technology. This work presents a device localization system based on BLE that plays the role of a vehicular key. It presents the hardware used for system design, antenna topologies positioned in the vehicle (BLE dongles), architecture and flow of the localization system, presenting the machine learning algorithms used, using two layers and cascaded machines. It presents the chosen decision regions and presents a discussion about the system input parameter, RSSI. It shows the non-linearity of this parameter and its impact on the quality of the results obtained.

Made available in DSpace on 2018-12-20T13:22:17Z (GMT). No. of bitstreams: 1 tese_12581_Dissertação final Rodrigo Duarte Silva - 3.pdf: 10103657 bytes, checksum: 72ac2644857f83ff8c97a61f3071f434 (MD5) Previous issue date: 2018-09-06 Futuras pesquisas observacionais com investimentos, telescópios e tecnologias nunca antes vistos, estão sendo propostas na tentativa de se desvendar os mistérios do Universo. Em nosso trabalho, fornecemos um panorama desse cenário, com especial atenção para a classificação de supernovas que será feita pelo LSST (Large Synoptic Survey Telescope) a partir de 2022. Inicialmente introduzimos a física que envolve o evento de Supernovas e sua observação, com o objetivo de tratar o problema da classificação fotométrica de supernovas didaticamente. Fornecemos importantes referências no uso de diferentes aprendizagens de máquina e redes neurais para esse propósito. Incluímos resultados do uso de alguns dos métodos computacionais e a teoria por trás deles, destacando suas potencialidades e vunerabilidades. Os métodos de aprendizagem de máquina podem envolver supervisão ou não. Objetivamos descrever a aplicação destas poderosas ferramentas, na análise de dados observacionais e verificamos resultados inesperados.

Made available in DSpace on 2018-09-11T12:25:58Z (GMT). No. of bitstreams: 1 tese_12581_Dissertação Rodrigo Duarte Silva - PPGFis.pdf: 7836357 bytes, checksum: dd128e0cf54e3d58e169b4f2492da434 (MD5) Previous issue date: 2018-09-06 Futuras pesquisas observacionais com investimentos, telescópios e tecnologias nunca antes vistos, estão sendo propostas na tentativa de se desvendar os mistérios do Universo. Em nosso trabalho, fornecemos um panorama desse cenário, com especial atenção para a classificação de supernovas que será feita pelo LSST (Large Synoptic Survey Telescope) a partir de 2022. Inicialmente introduzimos a física que envolve o evento de Supernovas e sua observação, com o objetivo de tratar o problema da classificação fotométrica de supernovas didaticamente. Fornecemos importantes referências no uso de diferentes aprendizagens de máquina e redes neurais para esse propósito. Incluímos resultados do uso de alguns dos métodos computacionais e a teoria por trás deles, destacando suas potencialidades e vunerabilidades. Os métodos de aprendizagem de máquina podem envolver supervisão ou não. Objetivamos descrever a aplicação destas poderosas ferramentas, na análise de dados observacionais e verificamos resultados inesperados. Future observational research with investments, telescopes and technologies never before seen, are being proposed in an attempt to unravel the mysteries of the Universe. In our work, we provide an overview of this scenario, with special attention to the classification of supernovae that will be done by LSST (Large Synoptic Survey Telescope) from 2022. Initially, we introduce the physics that involve the Supernova event and its observation, with the objective of treating the problem of photometric classification of supernovae. We provide important references in the use of different machine learning and neural networks for this purpose. We include results from the use of some of the computational methods and the theory behind them, highlighting their potentialities and vunerabilities. Machine learning methods may involve supervision or not. We aim to describe the applica- tion of these powerful tools in the analysis of observational data and verify unexpected results.

Em mineração de dados, a seleção de features é uma tarefa importante na eliminação de features irrelevantes/redundantes do conjunto de dados. Na aprendizagem de máquina não-supervisionada, a seleção de features é considerada ainda mais difícil do que na aprendizagem supervisionada, por não possuir a informação de classe, que possa ser utilizada para a avaliação das features. Muitos métodos de seleção de features na aprendizagem não-supervisionada são propostos na literatura, porém a avaliação do melhor conjunto de features é realizada através de critérios supervisionados, onde as classes são exigidas, o que nem sempre ocorre em um cenário real. Outro problema é que os métodos atribuem scores para cada feature e utilizam números mágicos para escolher as -melhores features. Assim, neste trabalho é proposta uma metodologia que tentará ajudar especialistas de dados a responder questões simples, mas importantes, como: (1) os métodos de seleção de features existentes possuem um resultado similar? (2) Existe um método consistentemente “melhor” ? Geralmente, esses métodos ordenam os atributos baseando-se em um score. Portanto, em relação aos resultados obtidos pelos métodos surgem algumas questões importantes: (3) Se selecionarmos -melhores features, qual será considerado o melhor? Além disso, muitos desses métodos não são totalmente livres de parâmetros, nos remetendo a uma outra questão: (4) Como selecionar bons parâmetros para os métodos em um cenário não-supervisionado? Outra questão interessante é: (5) Assumindo que nós temos diferentes opções para os métodos de seleção de features, poderíamos obter melhores resultados se selecionarmos as features usando uma combinação de métodos? Se sim, então como podemos combinar os métodos? Neste trabalho nós analisamos essas questões e propomos uma metodologia que irá realizar a seleção de features não-supervisionada para clustering em conjunto de dados de alta dimensionalidade. Nós avaliamos a metodologia proposta em vários conjuntos de dados de domínios como processamento de imagens e bioinformática. Os resultados mostraram que através do subconjunto de features sugerido ela metodologia é possível obter resultados melhores para os indicadores de acurácia, NMI e Corrected Rand, do que quando utilizado o conjunto original de features. Ao final também elencamos melhorias a serem realizadas em trabalhos futuros com potencial de melhorar o desempenho já obtido. In Data Mining, feature selection is an important task to eliminate uninformative features from datasets. In unsupervised learning, the selection of features is considered even more difficult than in supervised learning, we do not have any class information, that can be used to evaluate the features. Many feature selection methods in unsupervised learning are proposed in the literature, but the evaluation of the best subset of features is performed through supervised criteria, where class labels are required, which does not always occur in a real scenario. Another problem is that the methods assign scores for each feature nd use magic numbers to choose the -better features. Thus, in this work is proposed a methodology that will try to help data specialists to answersimple but important questions, such as: (1) do the existing features selection methods have a similar result? (2) Is there a consistently "better" method? Generally, these methods rank attributes based on a score. Therefore, in relation to the obtained results by the methods, some important questions arise: (3) If we select -better features, what will be considered the best? In addition, many of these methods are not fully parameter-free, referring to another question: (4) How to select good parameters for the methods in an unsupervised scenario? Another interesting question is: (5) Assuming we have different options for feature selection methods, could we get better results if we select features using a combination of methods? If yes, then how can we combine the methods? In this work we analyze these questions and propose a methodology that will perform the unsupervised feature selection for clustering in high dimensional data sets. We have evaluated the methodology proposed in several data sets from bioinformatics and image processing domains. The results showed that by using subsets of features suggested by the methodology it is possible to obtain better results for the indicators of accuracy, NMI and Corrected Rand, that when using the original set of features. However, it seens that there are future improvements to be made with potential to increase the performance already obtained.

Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2018. A acromegalia é uma doença crônica e insidiosa. Sua causa, em grande parte, se dá via adenomas hipofisários (tumores benignos) secretores do Hormônio do Crescimento. Pode causar várias manifestações clínicas, como, por exemplo, o crescimento atípico dos ossos e tecidos moles. Exames de imagens obtidos com a Tomografia Computadorizada (TC) são utilizados para observar as características tumorais e acompanhamento radiológico em triagem de condições acromegálicas. Com base no princípio da automação, o presente estudo teve por objetivo diagnosticar a doença acromegalia a partir do processamento de imagens digitais e do aprendizado de máquinas, reconhecendo padrões radiológicos em imagens de TC e identificando possíveis alterações ósseas acromegálicas sofridas especificamente nas vértebras L1-L5 da coluna vertebral. Como viés metodológico, fez-se uso de um ensemble – combinação de classificadores. Os classificadores individuais e binários utilizados na construção do ensemble foram: SVM, KNN, Naive Bayes e AdaBoost. O método utilizou-se de 54 imagens de tomografia, sendo 27 imagens de indivíduos acromegálicas e 27 imagens de indivíduos livres da doença acromegalia. O aprendizado de máquinas se deu por meio de características calculadas a partir textura das imagens no domínio do espaço e da frequência. O resultado classificatório atingiu taxas de 95% de sensibilidade, 96% de especificidade e acurácia de 95%. Embasado na relevância dos resultados obtidos, fica a possibilidade de novas pesquisas para que se desenvolvam ferramentas que auxiliem no diagnóstico da acromegalia. Acromegaly is a chronic and insidious disease. Their cause are largely associated with pituitary adenomas (benign tumors) secreting Growth Hormone. It can cause various clinical manifestations, such as atypical bone and soft tissue growth. Computed tomography (CT) imaging tests are used to observe tumor characteristics and also to monitor the radiological screening of acromegalic conditions. Based on the principle of automation, the present study aimed to diagnose the acromegaly disease from digital image processing and machine learning, recognizing radiological patterns in CT images and identifying possible acromegalic bone alterations specifically suffered in the vertebrae L1- L5 of the spine. As a methodological bias, a it ensemble - combination of classifiers was used. The individual and binary classifiers used in the construction of it ensemble were: SVM, KNN, Naive Bayes and AdaBoost. The method used 54 tomography images, 27 images of acromegalic individuals and 27 images of individuals free of acromegaly. The machine learning was elaborated by means of characteristics calculated from the texture of the images in the domain of space domain and frequency domain. The classificatory result reached rates of 95 % sensitivity, 96% specificity and 95% accuracy. Based on the relevance of the results obtained, it is possible to carry out new research to develop tools to aid in the diagnosis of acromegaly.

Dissertação de Mestrado em Design e Multimédia apresentada à Faculdade de Ciências e Tecnologia O domínio que explora a vida artificial existe desde do início da ciência da computação. O desenvolvimento deste domínio levou criaçãode vários modelos virtuais que possibilitam o estudo do comportamento de organismos vivos e suas interações dentro de ecossistemas criados artificialmente. Estes metodos tem sido explorados principalmente por investigadores do domínio, não tendo sido explorados nos campos de entretenimento e arte.Com esta tese, pretendo criar um sistema computacional de entretenimento que contem agentes com vida artificial. Além disso, a eficácia do aprendizagem de máquina como um dos elementos-chave de um programa direcionado ao entretenimento deve ser investigada. Uma questão que será explorada nesta tese é como aprendizagem de máquina pode permitir que as criaturas artificiais respondam aos comandos de áudio, além da interação baseada em áudio entre as criaturas e seu ambiente. The field exploring artificial life has existed since the early ages of computer science. Because of its development, it has been possible to create numerous virtual models that have allowed the study of the behaviour of living organisms and their interactions within artificially created ecosystems. Whilst the methods employed in this field have been mostly explored by various researchers in their projects, they had not been broadly applied in the entertainment and art fields.With this thesis, I intend to create an entertainment software which contains agents with artificial life. Beyond this, the effectiveness of machine learning as one of the key elements in an entertainment directed program is to be investigated. A question that will be explored in this thesis is how machine learning can enable the artificial creatures to respond to audio commands in addition to audio-based interaction between creatures and their environment.

Dissertação (mestrado)—Universidade de Brasília, Faculdade UnB Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2018. A esquizofrenia é uma transtorno psíquico grave que afeta cerca de 1% da população mundial, e seu diagnóstico é realizado por um médico especializado baseando-se no Manual do Diagnóstico e Estatístico de Transtornos Mentais DSM-5. Contudo, este tipo de diagnóstico geralmente acontece de forma tardia e diminuindo as chances de tratamento. Diante da complexidade do diagnóstico clássico da esquizofrenia apresentado pelo manual e da descoberta de mudanças anatômicas em áreas do cérebro existentes em pacientes com a doença, estudos recentes que utilizaram as características anatômicas para classificação obtiveram resultados promissores. Apesar de mostrarem-se promissores, apenas algumas regiões do cérebro foram utilizadas para classificação, porém, a esquizofrenia apresenta alterações anatômicas em diversas áreas, não havendo um padrão de escolha definitivo para o problema. Por outro lado, houve avanços em técnicas de aprendizado de máquina como o Aprendizado Profundo (do inglês, deep learning). Nestas técnicas não há a necessidade da escolha de características para a classificação do estudo, em outras palavras, sendo uma técnica em que as estruturas aprendem as melhores características que descrevem o problema de forma automática, diferentemente de técnicas clássicas de classificação como a SVM (do inglês, Support Vector Machine), em que existe a necessidade da escolha destas características como forma de entrada. Neste contexto, a pesquisa propõe a aplicação de uma técnica de deep learning chamada Rede Neural Convolucional (CNN, do inglês Convolutional Neural Network ) para classificação automática de imagens de ressonância magnética estrutural do cérebro e diagnóstico da esquizofrenia, além de realizar a extração das características aprendidas no treinamento para utilização em outros classificadores clássicos para comparação. O método proposto consiste no desenvolvimento de uma estrutura convolucional baseada em CNN, produzindo métricas de desempenho como precisão, acurácia e sensibilidade relativos ao diagnóstico. Foi utilizado um banco de dados de MRI do encéfalo humano ponderadas em T2 de 87 indivíduos diagnosticados previamente com esquizofrenia e 85 indivíduos saudáveis de controle. O estudo ainda apresenta uma comparação de desempenho relativos ao tamanho da rede convolucional e o tamanho dos filtros utilizados, de modo a apresentar a rede que melhor se adéque ao problema. É realizada ainda uma validação cruzada dos dados, utilizando um método de holdout com reamostragem aleatória com 530 iterações para cada predição e um método de k-fold com k=20, afim de medir e comparar os algoritmos de aprendizado para produzir um resultado mais confiável e reprodutível, estimando o desempenho e normalizando a generalização do sistema. Em cada validação 70% das imagens foram utilizadas para treinamento e 30% para classificação e validação do sistema. Além disso, uma camada de dropout foi introduzida para prevenir a ocorrência de overfitting. Resultados utilizando k-fold apresentam uma acurácia média de 84% para uma rede convolucional de tamanho 3, com camadas de dropout antes e depois da camada de conexão. Portanto, o uso de técnicas de deep learning para auxílio ao diagnóstico de esquizofrenia mostra-se promissor, onde houve um avanço nos resultados previamente obtidos utilizando o mesmo banco de dados. Desta forma evidenciando que com o avanço de técnicas de classificação de imagens, mais próximo será a utilização destes modelos de forma segura para o auxílio ao diagnóstico de doenças. Ainda, a região que maior apresentou interferência e peso para classificação mostrou compatibilidade com a literatura existente. Schizophrenia is a severe psychiatric disorder that affects about 1% of the world’s population and is diagnosed by a physician based on the Diagnostic and Statistical Manual of Mental Disorders DSM-5. However, this type of diagnosis usually happens belatedly, lowering treatment success. Given the complexity of the classic diagnosis of schizophrenia presented by the manual and the discovery of anatomical changes in areas of the brain existing in patients with the disease, recent studies that used anatomical characteristics for classification have obtained promising results. Although studies are promising, only a few regions of the brain have been used for classification, but schizophrenia has anatomical changes in several areas, and there is no definitive pattern of choice for the problem. On the other hand, there have been advances in machine learning techniques such as deep learning. In these techniques, there is no need to choose characteristics for the classification of the study; in other words, it is a technique which structures learn the best characteristics that describes the problem automatically, unlike the classical techniques of classification such as SVM (Support VectorMachine) which there is a need to choose these features as input. In this context, the research proposes the development of a deep learning technique called the Convolutional Neural Network (CNN) for automatic classification of brain magnetic resonance imaging and diagnosis of schizophrenia, also extracting the learne characteristics in training for use in other classical classifiers for comparison. The proposed method consists in developing a trellis structure based on CNN, producing performance metrics such as precision, accuracy and sensitivity for the diagnosis. An MRI database of the human brain T2-weighted of 87 individuals previously diagnosed with schizophrenia and 85 healthy control subjects was used. The study also shows a performance comparison for the size of convolutional network and filter size used to display the network that best describes the problem. A cross-validation of the data is performed, using a holdout method with random subsampling of 530 iterations for each prediction and a k-fold using k=20, in order to measure and compare the learning algorithms to produce a more reliable and reproducible result, estimating the performance and normalizing the generalization of the system. In each validation, 70% of the images were used for training and 30% for system classification and validation. In addition, a dropout layer was introduced to prevent the occurrence of overfitting. Preliminary results have an average accuracy of 84% for a convolutional network of size 3, with dropout layers before and after the connection layer. Therefore, the use of deep learning techniques to aid in the diagnosis of schizophrenia is promising, where there was an improvement in the results previously obtained using the same database, indicating that with the advancement of image classification techniques, the closer will be the use of these models in a safe way for diagnosis of diseases. Also, the region that presented the greatest interference and weight for classification was compatible with the existing literature.

Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2018. As técnicas de aprendizado de máquina são amplamente utilizadas em tarefas de classificação de dados. Neste trabalho, são apresentados três métodos de aprendizagem supervisionadas que são adequadas à classificação de indivíduos. Estes métodos foram aplicados a dois conjuntos de dados, com características distintas, e realizados estudos de simulação para comparações entre os resultados. O método RDA destacou-se por obter o melhor desempenho de classificação em dados massivos e caso de n n p. Por sua vez, as técnicas FA e SVM obtiveram o melhor desempenho quando aplicadas ao conjunto de dados em que nop. As técnicas de validação cruzada (VC) são úteis para a definição dos valores ótimos dos hiper-parâmetros dos modelos. Neste trabalho utilizou-se três técnicas de VC: Stratified Cross Validate (SCV), Leave-One-Out Cross Validation (LOOCV) e Shuffle and Split (SS). Para as comparações entre os resultados foram realizadas diversas análises, dentre elas, gráficos das curvas ROC, taxas de má classificação e EQMs. A avaliação final, utilizada para a escolha do melhor método de classificação, deu-se por meio do Erro Médio de Teste (Average Test Error - AVTE). As simulações e análises foram realizadas utilizando o software R. Machine learning techniques are widely used in data classification tasks. In this paper, we present three supervised learning methods that are suitable for the classification of individuals. These methods were applied to two sets of data, with different characteristics, and simulation studies were carried out to compare the results. The RDA method was distinguished by obtaining the best performance of classification in massive data and case of n n p. On the other hand, the techniques FA and SVM obtained the best performance when applied to the dataset where n o p. Cross-validation (VC) techniques are useful for defining the optimum values of the hyper-parameters of the models. In this work three VC techniques were used: Stratified Cross Validate (SCV), Leave-One-Out Cross Validation (LOOCV) and Shuffle and Split (SS). For the comparisons between the results, several analyzes were carried out, among them, graphs of ROC curves, misclassification rates and EQMs. The final evaluation, used to choose the best classification method, was done through the Average Test Error (AVTE). Simulations and analyzes were performed using software R.

Predizer falhas em Discos Rígidos é muito importante para evitar perda de dados e custos adicionais. Logo, um esforço pode ser observado para encontrar métodos adequados de predição de falhas. Apesar dos resultados encorajantes alcançados por vários métodos, um aspecto notado é a falta de dados disponíveis para construir modelos confiáveis. Transferência de Aprendizado oferece uma alternativa válida, uma vez que pode ser usada para transferir conhecimento de modelos de Disco com muitos dados para Discos com menos dados. Neste trabalho, avaliamos estratégias de Transferência de Aprendizado para esta tarefa. Além disso propomos uma estratégia para construir fontes de informação baseadas no agrupamento de modelos de disco parecidos. Resultados mostraram que todos os cenários testados de transferência melhoram a performance dos métodos de predição, principalmente para Discos com muito poucos dados.

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2018. Um dos principais desafios enfrentados pelo sistema bancário é garantir a segurança das transações financeiras. Devido à conveniência e aceitação, o uso de caracterı́sticas faciais para autenticação biométrica de usuários em sistemas bancários está se tornando uma tendência mundial. Essa abordagem de autenticação de usuários está atraindo grandes investimentos de instituições bancárias e financeiras, especialmente em cenários de diferentes domı́nios, nos quais imagens faciais tiradas de documentos de identificação são comparadas com autorretratos digitais (selfies) tiradas com câmeras de dispositivos móveis. Neste estudo, coletamos das bases de dados do maior banco público brasileiro um grande dataset, chamado FaceBank, com 27.002 imagens de selfies e fotos de documentos de identificação de 13.501 sujeitos. Em seguida, avaliamos os desempenhos de dois modelos de Redes Neurais Convolucionais bem referenciados (VGG-Face e OpenFace) para extração de caracterı́sticas profundas, bem como os desempenhos de quatro classificadores (SVM Linear, SVM Power Mean, Random Forest e Random Forest com o Ensemble Vote) para autenticação robusta de face em diferentes domı́nios. Com base nos resultados obtidos (precisões superiores a 90%, em geral), é possı́vel concluir que a abordagem de matching de faces profundas avaliada neste estudo é adequada para autenticação de usuários em aplicações bancárias entre domı́nios. Até onde sabemos, este é o primeiro trabalho que usa um grande conjunto de dados composto por imagens bancárias reais para avaliar a abordagem de autenticação de face entre domı́nios. Além disso, este trabalho apresenta um estudo sobre as reais necessidades na implementação futura de um sistema biométrico, propondo um sistema de nuvem para permitir a adoção de tecnologias biométricas. Por fim, propõe também um modelo seguro e integrado de subsistema ABIS de transmissão de dados. Toda a análise e implementação leva em conta a total aderência e compatibilidade com padrões e especificações propostos pelo governo brasileiro. Ensuring the security of transactions is currently one of the major challenges facing banking systems. The use of facial features for biometric authentication of users in banking systems is becoming a worldwide trend, due to the convenience and acceptability of this form of identification, and also because computers and mobile devices already have built-in cameras. This user authentication approach is attracting large investments from banking and financial institutions especially in cross-domain scenarios, in which facial images taken from ID documents are compared with digital self-portraits (selfies) taken with mobile device cameras. In this study, from the databases of the largest public Brazilian bank we collected a large dataset, called FaceBank, with 27,002 images of selfies and ID document photos from 13,501 subjects. Then, we assessed the performances of two well-referenced Convolutional Neural Networks models (VGG-Face and OpenFace) for deep face features extraction, as well as the performances of four effective classifiers (Linear SVM, Power Mean SVM, Random Forest and Random Forest with Ensemble Vote) for robust cross-domain face authentication. Based on the results obtained (authentication accuracies higher than 90%, in general), it is possible to conclude that the deep face matching approach assessed in this study is suitable for user authentication in cross-domain banking applications. To the best of our knowledge, this is the first study that uses a large dataset composed of real banking images to assess the cross-domain face authentication approach to be used in banking systems. As an additional, this work presents a study on the real needs in the future implementation of a biometric system proposing a cloud system to enable the adoption of biometrics technologies, creating a new model of service delivery. Besides that, proposes a secure and integrated ABIS Data Transmission subsystem model. All the analysis and implementation takes into account the total adherence and compatibility with the standards and specifications proposed by the Brazilian government, at the same time, establish mechanisms and controls to ensure the effective protection of data.

A criação de enciclopédias de expressão gênica possibilita a compreensão de grupos de genes que são co-expressos em diferentes tecidos e o entendimento de grupos gênicos conforme suas funções e origem. Devido à enorme quantidade de dados em larga escala, gerados em projetos de transcriptômica, houve uma demanda intensa em usar técnicas fornecidas pela inteligência artificial, que tornou-se amplamente utilizada na bioinformática. A aprendizagem não supervisionada é a tarefa de aprendizagem de máquina que analisa os dados fornecidos e determina os objetos que podem ser agrupados. Foi construída uma ferramenta amigável chamada CORAZON (Correlation Analyses Zipper Online), que implementa 3 algoritmos de aprendizagem de máquina não supervisionada (mean shift, k-means e hierárquico), 6 metodologias de normalização (Fragments Per Kilobase Million (FPKM), Transcripts Per Million (TPM), Counts Per Million (CPM), log base-2, normalização pela soma dos valores da instância e normalização pelo maior valor de atributo para cada instância) e uma estratégia para observar a influência dos atributos, para agrupamento de dados de expressão gênica. Os desempenhos dos algoritmos foram avaliados através de 5 modelos comumente usados para validar metodologias de agrupamento, cada um composto por 50 conjuntos de dados gerados aleatoriamente. Os algoritmos apresentaram acurácia variando entre 92-100%. Em seguida, a ferramenta foi aplicada para agrupar tecidos, obter conhecimentos evolutivos e funcionais dos genes, com base no enriquecimento de processos biológicos, e associar com fatores de transcrição. Para selecionar o melhor número de clusters para o k-means e o hierárquico, foram utilizados o critério de informação bayesiana (BIC), seguido da derivada da função discreta e a Silhueta. No hierárquico foi adotado o método do Ward. No total, 3 bases de dados (Uhlen, Encode e Fantom) foram analisadas e, em relação aos tecidos, foram observados grupos relacionados a glândulas, tecidos cardíacos, musculares, relacionados ao sistema reprodutivo e grupos com um único tecido, como testículo, cérebro e medula óssea. Em relação aos grupos de genes, foram obtidos vários grupos com especificidades em suas funções: detecção de estímulos envolvidos na percepção sensorial, reprodução, sinalização sináptica, sistema nervoso, sistema imunológico, desenvolvimento de sistemas e metabólicos. Também foi observado que geralmente grupos com mais de 80% de genes não codificantes, mais de 40% dos seus genes codificantes são recentes, originados em Mammalia e a minoria é do clado Eukaryota. Por outro lado, grupos com mais de 90% de genes codificantes, mais de 40% deles apareceram em Eukaryota e a minoria em Mammalia. Estes resultados mostram o potencial dos métodos do CORAZON, que podem ajudar na análise de grande quantidade de dados genômicos, possibilitando associações dos processos biológicos com RNAs não codificantes e codificantes agrupados juntos, bem como a possibilidade do estudo da história evolutiva. CORAZON está disponível gratuitamente em http://biodados.icb.ufmg.br/corazon ou http://corazon.integrativebioinformatics.me. The creation of gene expression encyclopedias possibilities the understanding of gene groups that are co-expressed in different tissues and comprehend gene clusters according to their functions and origin. Due to the huge amount of data generated in large-scale transcriptomics projects, an intense demand to use techniques provided by artificial intelligence became widely used in bioinformatics. Unsupervised learning is the machine learning task that analyzes the data provided and tries to determine if some objects can be grouped in some way, forming clusters. We developed an online tool called CORAZON (Correlation Analyses Zipper Online), which implements three unsupervised machine learning algorithms (mean shift, k-means and hierarchical) to cluster gene expression datasets, six normalization methodologies (Fragments Per Kilobase Million (FPKM), Transcripts Per Million (TPM), Counts per million (CPM), base-2 log, normalization by the sum of the instance's values and normalization by the highest attribute value for each instance), and a strategy to observe the attributes influence, all in a friendly environment. The algorithms performances were evaluated through five models commonly used to validate clustering methodologies, each one composed by fifty randomly generated datasets. The algorithms presented accuracies ranging between 92-100%. Next, we applied our tool to cluster tissues, obtain gene’s evolutionarily knowledgement and functional insights, based on the Gene Ontology enrichment, and connect with transcription factors. To select the best number of clusters for k-means and hierarchical algorithms we used Bayesian information criterion (BIC), followed by the derivative of the discrete function and Silhouette. In the hierarchical, we adopted the Ward’s method. In total, we analyzed three databases (Uhlen, Encode and Fantom) and in relation to tissues we can observe groups related to glands, cardiac tissues, muscular tissues, tissues related to the reproductive system and in all three groups are observed with a single tissue, such as testis, brain and bone-narrow. In relation to the genes clusters, we obtained several clusters that have specificities in their functions: detection of stimulus involved in sensory perception, reproduction, synaptic signaling, nervous system, immunological system, system development, and metabolics. We also observed that clusters with more than 80% of noncodings, more than 40% of their coding genes are recents appearing in mammalian class and the minority are from eukaryota class. Otherwise, clusters with more than 90% of coding genes, have more than 40% of them appeared in eukaryota and the minority from mammalian. These results illustrate the potential of the methods in CORAZON tool, which can help in the large quantities analysis of genomic data, possibiliting the potential associations analyzes between non-coding RNAs and the biological processes of clustered together coding genes, as well as the possibility of evolutionary history study. CORAZON is freely available at http://biodados.icb.ufmg.br/corazon or http://corazon.integrativebioinformatics.me.

A tecnologia se desenvolve rapidamente em diferentes areas do conhecimento, uma destas areas e a medicina. Este trabalho apresenta uma proposta de automatizacao de diagnostico de patologias utilizando tecnicas e metodos classificadores de Aprendizagem de Maquina (AM). Atraves dos metodos que serao explanados e implementados, as informacoes contidas nas bases de dados serao analisadas e classificadas, gerando resultados. Com a utilizacao dessas tecnicas, atraves de maquinas para o diagnostico medico, patologias poderao ser detectadas num estagio menos avancado da doenca e com maior precisao, quando comparado a diagnostico inteiramente humano sofre influencias de fatores externos, o que pode afetar no diagnostico do paciente. Neste trabalho busca-se analisar dados e classifica-los de acordo com os metodos a serem citados, e por fim pode ser definido o metodo aplicado mais viavel e eficaz.

Este trabalho estuda a identificação de tweets homofóbicos, utilizando uma abordagem de processamento de linguagem natural e aprendizado de máquina. O objetivo é construir um modelo preditivo que possa detectar, com razoável precisão, se um Tweet contém conteúdo ofensivo a indivı́duos LGBT ou não. O banco de dados utilizado para treinar os modelos preditivos foi construı́do agregando tweets de usuários que interagiram com polı́ticos e/ou partidos polı́ticos no Brasil. Tweets contendo termos relacionados a LGBTs ou que têm referências a indivı́duos LGBT foram coletados e classificados manualmente. Uma grande parte deste trabalho está na construção de features que capturam com precisão não apenas o texto do tweet, mas também caracterı́sticas especı́ficas dos usuários e de expressões coloquiais do português. Em particular, os usos de palavrões e vocabulários especı́ficos são um forte indicador de tweets ofensivos. Naturalmente, n-gramas e esquemas de frequência de termos também foram considerados como caracterı́sticas do modelo. Um total de 12 conjuntos de recursos foram construı́dos. Uma ampla gama de técnicas de aprendizado de máquina foi empregada na tarefa de classificação: Naive Bayes, regressões logı́sticas regularizadas, redes neurais feedforward, XGBoost (extreme gradient boosting), random forest e support vector machines. Depois de estimar e ajustar cada modelo, eles foram combinados usando voting e stacking. Voting utilizando 10 modelos obteve o melhor resultado, com 89,42% de acurácia. This work studies the identification of homophobic tweets from a natural language processing and machine learning approach. The goal is to construct a predictive model that can detect, with reasonable accuracy, whether a Tweet contains offensive content to LGBT or not. The database used to train the predictive models was constructed aggregating tweets from users that have interacted with politicians and/or political parties in Brazil. Tweets containing LGBT-related terms or that have references to open LGBT individuals were collected and manually classified. A large part of this work is in constructing features that accurately capture not only the text of the tweet but also specific characteristics of the users and language choices. In particular, the uses of swear words and strong vocabulary is a quite strong predictor of offensive tweets. Naturally, n-grams and term weighting schemes were also considered as features of the model. A total of 12 sets of features were constructed. A broad range of machine learning techniques were employed in the classification task: naive Bayes, regularized logistic regressions, feedforward neural networks, extreme gradient boosting (XGBoost), random forest and support vector machines. After estimating and tuning each model, they were combined using voting and stacking. Voting using 10 models obtained the best result, with 89.42% accuracy.

Neste trabalho é apresentada a proposta de desenvolvimento de uma metodologia - juntamente com a apresentação dos resultados de sua aplicação - que utiliza uma técnica de aprendizagem de máquina, SVM, para análise automatizada de dados de citometria de fluxo em amostras de ambientes aquáticos, na identificação de bacterioplâncton. As amostras utilizadas na execução desta metodologia foram coletadas em 19 lagos de montanhas de elevada altitude que foram classificados manualmente no Laboratório de Limnologia do Departamento de Oceanografia e Limnologia da UFRN. Previamente, iniciou-se com alguns testes de configuração da função kernel e uma análise quantitativa com base no número médio de acertos na classificação automatizada, na qual percebeu-se que a taxa de erro de predição variou entre 1,86% e 3,35%, em média. Foram realizadas duas etapas de desenvolvimento da metodologia proposta, onde foram criados modelos de predição e realizados uma série de testes com as bases de dados criadas a partir das informações disponíveis. Os resultados obtidos foram expostos a uma série de análises quantitativas e qualitativas, inclusive utilizando PCA para entender a importância de cada variável nos conjuntos de dados das mostras. Para uma avaliação qualitativa da metodologia proposta, foi aplicada uma análise estatística para comparar ambas estratégias de modelos de predição, que tem por base a classificação final apontada pelo algoritmo de Support Vector Machine. This master tesis shows the proposal to develop a methodology - together with the presentation of the results of its application - that uses a machine learning technique, SVM, for automated analysis of flow cytometry data in samples of aquatic environments, identification of bacterioplankton. The samples used in the execution of this methodology were collected in 19 high altitude mountain lakes that were manually classified in the Laboratory of Limnology of the Department of Oceanography and Limnology of UFRN. Previously, it started with some tests of kernel configuration and a quantitative analysis based on the average number of hits in the automated classification, in which it was noticed that the prediction error rate varied between 1.86 % and 3, 35 % on average. Two stages of development of the proposed methodology were carried out, where prediction models were created and a series of tests were carried out with the databases created from the available information. The results were exposed to a series of quantitative and qualitative analyzes, including using PCA to understand the importance of each variable in the sample data sets. For a qualitative evaluation of the proposed methodology, a statistical analysis was applied to compare both strategies of prediction models, which is based on the final classification indicated by the algorithm of Support Vector Machine.

CNPq O aumento da educação à distância no Brasil tem estimulado o desenvolvimento de soluções para redução da evasão nos cursos e melhoria de desempenho dos estudantes. Dados gerados de interações em ambientes virtuais de aprendizagem (AVA) têm sido analisados na busca por padrões que auxiliem no acompanhamento da aprendizagem. AVAs têm sido aprimorados considerando peculiaridades existentes no perfil dos estudantes, para indicação de atividades e/ou estratégias de aprendizagem que melhorem seu desempenho. Neste contexto, este trabalho investiga e desenvolve uma solução de recomendação de atividades de aprendizagem baseada em padrões de autorregulação em AVAs, fundamentada em algoritmos de aprendizagem de máquina e mineração de dados. Para tal, um mapeamento sistemático de literatura foi realizado, possibilitando identificar tendências e lacunas de pesquisa na área. A partir de tais achados, foi construída uma solução em software de recomendação de recursos educacionais que possibilita (1) analisar o desempenho dos estudantes a partir de uma pontuação; (2) extrair características comportamentais associadas à autorregulação que influenciam no desempenho; e (3) recomendar ações que promovam a melhoria do desempenho. Experimentos realizados com uma base real de uma universidade brasileira com mais de 30.000 estudantes, e várias métricas de desempenho (AUROC, Precisison, Recall, F-measure, Kappa), indicam que a solução foi capaz de capturar o perfil de aprendizagem com performance superior a 0,89 (AUROC). Além disso, foi possível extrair características comportamentais com performance superior a 0,88 (AUROC) e elaborar um conjunto de recomendações para melhoria da aprendizagem do estudante, a exemplo de textos e/ou vídeos relacionados aos fóruns onde o estudante não interagiu, incentivando sua participação nessas discussões. The continuous increase of distance education in Brazil has motivated the development of solutions for diminishing course evasion e enhancement of student performance. Data generated from virtual education environments (AVA) has been increasingly analyzed in the search for student pattern behavior in order to address performance and to stimulate learning capabilities. AVAs have therefore been adjusted to indicate activities and strategies that may improve student learning based on their profiles and behaviors while interacting within the environment with tasks, colleagues and supervisors. In this context, this dissertation investigates and develops a solution for recommendation of activities in AVA systems based on self regulation of learning. The solution builds a model and a software making use of machine learning and data mining algorithms. First, a systematic mapping of the literature is conducted to identify tendencies and gaps in the area. Second, a software solution for recommendation of resources was devised capable of (1) analyzing student performance according to a learning score, (2) extracting automatic knowledge of behavioral features associated with self regulated learning that influence student performance; and (3) recommending actions to promote enhancement in student performance. Experiments conducted with a comprehensive database of 30000 distance students from a Brazilian university, according to several performance metrics (AUROC, Precisison, Recall, F-measure, Kappa), showed the solution was capable of capturing the learning pattern of students with performance superior to 0.89 (AUROC). In addition, it was possible to extract student behavior characteristics with performance above 0.88 (AUROC) and to define sets of recommendations to improve learning. For example, actions and tools such as texts and/or videos related to tasks and parts of the environment where the student has not interacted with are recommended thus, stimulating its participation in discussions and in important subjects of interest.

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2018-03-12T20:37:46Z No. of bitstreams: 1 CaioCarvalho.pdf: 591482 bytes, checksum: 969ab2857b424b51dc57ddd2543ea1a5 (MD5) Made available in DSpace on 2018-03-12T20:37:46Z (GMT). No. of bitstreams: 1 CaioCarvalho.pdf: 591482 bytes, checksum: 969ab2857b424b51dc57ddd2543ea1a5 (MD5) Previous issue date: 2018-02-20 In the elections period, the public opinion about parties and candidates is partially influenced by mainstream media as TV, radio, newspappers and mainly internet through newswire media. However, there is a debate about the impartiality in these media when transmitting news. Sometimes it is acused to favour some political entities and its agendas, while others affirm its neutrality. Assess news article in this context is not a simple task, because the evaluation could be influenced by some biases of who assesses that article. The methods provided by Natural Language Processing, through the field of Sentiment Analysis, could bring a less biased viewpoint of that question. Sentiment Analysis joins text mining techiniques and machine learning tools to classify texts according its sentiment polarity (positive, negative or neutral).In this work we propose a comparative study between sentiment analysis text representation models, feature selection techiniques and machine learning classifiers in order to classify the polarity of political online news about 2014 brazilian elections. In this study the classifiers Naïve Bayes, Support Vector Machine and Logistic Regression (MaxEnt) are evaluated with feature selection techinques as Chi Square, Categorical Proportional Difference, Categorical Probability Propotional Difference. The experiments sought to choose the best text representation, feature selection techinique and machine learning classifier. The evaluation is made by cross validation measuring accuracy mean and its standard deviation. The experimental results pointed to the bag-of-words representation with unibigram selected by Categorical Probability Proportional Difference with MaxEnt classifier achieving 84.45% with standard deviation of 0.029. No período eleitoral, grande parte da opinião pública sobre partidos e candidatos é formada a partir de notícias veiculadas através dos meios de comunicação de massa: TV, radio, jornal e principalmente internet, através de portais de notícias online. Entretanto, existe um debate sobre a verdadeira imparcialidade desses meios ao transmitir a informação aos telespectadores. Alguns acusam a mídia de favorecer algumas figuras políticas e suas agendas, enquanto outros reafirmam a imparcialidade deste meio de comunicação. Entretanto, julgar a parcialidade de notícias políticas é uma tarefa que está sujeita a subjetividade do avaliador, que nem sempre reflete a realidade. Neste contexto, os métodos providos pelo Processamento de Linguagem Natural, através do campo de estudo da Análise de Sentimento, podem trazer uma visão menos enviesada nessa discussão. Análise de Sentimento é campo que alia as ferramentas de mineração de texto com ferramentas aprendizagem de máquina afim de classificar textos de acordo com sentimento expresso: positivo, negativo ou neutro. Neste trabalho é proposto um estudo comparativo entre as técnicas de representação de texto, seleção de atributos e ferramentas de aprendizagem de máquina para se classificar notícias políticas coletadas em portais online sobre as eleições brasileiras de 2014 quanto a sua opinião/sentimento (positivo, negativo ou neutro). Neste estudo os classificadores Naïve Bayes, Support Vector Machines e Regressão Logística (ou MaxEnt) são avaliados juntamente com as técnicas de seleção de atributos Qui Quadrado, Categorical Proportional Difference e Categorical Probability Proportional Difference. Os experimentos conduzidos visam escolher a melhor representação vetorial do texto, o melhor método de seleção de atributos e o melhor classificador para a base de dados proposta. A avaliação é realizada através de validação cruzada medindo-se a acurácia média e seu desvio-padrão para cada experimento. Os resultados experimentais apontam para representação bag-of-words utilizando vocabulário de unibigrams selecionados pela técnica Categorical Probability Proportional Difference juntamente com o classificador MaxEnt, atigindo uma acurácia média de 84,45% com um desvio-padrão de 0.029.

CNPq Classification problems where the distribution of examples among the classes are imbalanced arise frequently in real-world domains. Commonly, these domains comprise critical problems where accurate predictions for all classes are necessary, such as credit card fraud detection, churn prediction, disease diagnosis, and network intrusive traffic detection. The problem with imbalanced data sets is that standard classifiers often have low accuracy on the underrepresented classes of the problem. Data sampling is the most popular approach to deal with imbalanced data sets and works by either decreasing the size of majority classes (undersampling) or increasing the size of minority classes (over-sampling). In this dissertation we propose two new data sampling algorithms: RRUS and k-INOS. RRUS is an under-sampling algorithm that aims to select a subset of examples from the majority class that best represents the majority class by preserving its density distribution. k-INOS is a general strategy to enhance robustness of over-sampling algorithms to noisy examples present in the minority class. Bothalgorithms were extensively tested on 50 imbalanced data sets, 6 diverse classifiers, and performance was evaluated according to 7 metrics. In particular, RRUS was compared to other 3 under-sampling algorithms and was significantly better than KMUS and SBC most of the time, and significantly better than RUS many times, for most classifiers and performance metrics. k-INOS, as a wrapper for over-sampling algorithms, was tested on 7 over-sampling algorithms and significantly increased Accuracy, Precision, and Specificity most of the time, and F1 many times. In addition, k-INOS’ hyperparameters were studied and appropriate values for their use were suggested. Finally, rules extracted from the former experiments with k-INOS revealed that the N3 complexity metric (loocv error rate of the 1-NN classifier) is often an indicator of whether k-INOS is likely to attain performance improvements or not. Problemas de classificação onde a distribuição de exemplos entre as classes é desbalanceada advém frequentemente de problemas reais. Muitas vezes, tais problemas reais são de natureza crítica e predições corretas para exemplos de todas as classes são necessárias, como em detecção de fraudes em cartões de crédito, identificação de doenças raras, e detecção de tráfego intrusivo em redes de internet. A problemática associada a dados desbalanceados é que classificadores comuns tendem a ter uma baixa taxa de acerto nas classes minoritárias. Algoritmos de amostragem são a solução mais comum para reduzir o desbalanceamento e em geral diminuem o número de exemplos nas classes majoritárias (sub-amostragem) ou aumentam o número de exemplos nas classes minoritárias (super-amostragem). Nesta dissertação propomos dois novos algoritmos de amostragem: RRUS e k-INOS. RRUS é um algoritmo de sub-amostragem que tem como objetivo obter um subconjunto da classe majoritária que melhor representa a classe majoritária original, através da preservação da distribuição de densidade. k-INOS é uma estratégia que torna qualquer algoritmo de super-amostragem mais robusto a ruídos presentes na classe minoritária. Ambos os algoritmos foram extensivamente testados em 50 conjuntos de dados desbalanceados, 6 classificadores diversos, e a performance foi avaliada de acordo com 7 métricas. Em particular, RRUS foi comparado com outros 3 algoritmos de sub-amostragem e teve um desempenho significativamente melhor que KMUS e SBC na maioria das vezes, e significativamente melhor que RUS várias vezes, para a maioria dos classificadores e métricas de performance. k-INOS, por ser aplicável a qualquer algoritmo de super-amostragem, foi testado em 7 algoritmos de super-amostragem e melhorou de maneira significativa na maioria das vezes a taxa de acerto, a precisão, e a cobertura da classe majoritária, e melhorou de maneira significativa em vários casos a métrica F1. Adicionalmente, os hyperparâmetros de k-INOS foram analisados através de um estudo de caso e valores apropriados para seu uso foram sugeridos. Por fim, um conjunto de regras foram extraídas a partir dos resultados principais com k-INOS e revelaram que a métrica de complexidade N3 (taxa de erro do 1-NN usando loocv) é frequentemente um indicador de situações em que k-INOS tem ou não chances de melhorar a performance de algoritmos de super-amostragem.