Bem-vindo ao RIIFC - Repositório Institucional Instituto Federal Catarinense
Comunidades
Selecione uma comunidade para navegar por suas coleções
Submissões Recentes
Item
Análise comparativa de modelos de recomendação: Um estudo focado em filmes
(2024) Matheus Fernandes Cândido; Daniel Gomes Soares, Msc; Juliano Tonizetti Brignoli, Dr; Fábio Alexandrini, Dr
O aumento da quantidade de produtos disponíveis, seja de forma digital ou física , torna necessário o desenvolvimento de aplicações que consigam recomendar os produtos mais adequados a diferentes perfis de consumidores. Neste trabalho, são avaliadas as técnicas de filtragem colaborativa e floresta aleatória para recomendação de filmes. Além disso, são investigadas formas de utilização das diferentes técnicas em conjunto (ensembles). Todo o desenvolvimento, treinamento e validações foram feitos com os dados do MovieLens Rating Disposition 2023, uma base de dados de filmes, usuários e suas avaliações, incluindo o momento em que a avaliação foi feita. Buscou-se aplicar somente algumas técnicas básicas de engenharia de recursos, sendo a única exceção a penalização das avaliações ao decorrer do tempo visando entender se, ao priorizar avaliações recentes, as recomendações ficaram mais assertivas. Os resultados obtidos demonstraram que penalizar pelo tempo não contribui para a melhora do modelo. Em grande parte dos testes, a precisão se manteve estável, mas a sensibilidade e f1-score caíram consideravelmente. O único momento em que houve pequeno ganho de desempenho foi para penalizações por semestre e ano com o uso de filtragem colaborativa. Nesse caso, a precisão apresentou leve aumento, mas foi equilibrada com queda equivalente das outras métricas.
Item
Detecção de sintomas de depressão por meio de redes neurais artificiais
(2024) Victor Beninca Fiamoncini; Daniel Gomes Soares, Msc; Juliano Tonizetti Brignoli, Dr; Rodrigo Curvêllo, Msc
A depressão é uma condição de saúde mental complexa que envolve uma combinação de fatores biológicos, psicológicos e sociais, sendo caracterizada como um distúrbio afetivo ou de humor. Órgãos de saúde destacam a depressão como sendo uma das doenças de maior morbilidade, sendo comum em clínicas gerais e um problema que vem crescendo nas redes de saúde públicas. Diversos são os fatores estressores que contribuem para o surgimento da depressão, sendo alguns deles: o consumo de substâncias químicas (drogas ou medicamentos), estresse crônico, eventos traumáticos ou até fatores genéticos. O diagnóstico da depressão se torna complexo em relação aos outros, principalmente por ela ser uma doença de característica psiquiátrica. Estima-se que 50% dos casos não chegam a ser diagnosticados, além de uma parcela ínfima receber a devida atenção. Dentre as possíveis soluções para o auxílio do diagnóstico da depressão estão as Redes Neurais Artificiais (RNAs), que são modelos computacionais que possuem como base a inspiração no sistema nervoso encontrado nos seres vivos A finalidade deste estudo é desenvolver um modelo de detecção de pessoas com depressão, tendo como fonte de dados entrevistas em formato de áudio com pessoas depressivas e não depressivas. Para alcançar o objetivo definido foi realizada a revisão bibliográfica de modo a identificar as principais técnicas para realizar o processamento das entrevistas, a fim de servirem para a organização dos dados de entrada para as RNAs. Foi realizada a modelagem, treinamento e validação das RNAs do tipo MLP (Perceptron Multicamadas) e LSTM (Memória de Longo e Curto Prazo) com diferentes configurações de camadas, quantidade de neurônios dentre outras variáveis. Por fim é apresentado e analisado o desempenho das RNAs modeladas por meio de métricas estatísticas, onde a melhor configuração do tipo MLP apresentou o índice RSME de 0.41 e o F1-Score de 0.91 e a melhor configuração do tipo LSTM apresentou o índice RSME de 0.44 e o F1-Score de 0.89. Desse modo a RNA do tipo MLP obteve índices melhores que a LSTM, entretanto ambos os tipos de RNAs, neste estudo, não conseguiram prever com ênfase pessoas que possuem depressão, ou seja, a maior parte das amostras de teste foram classificadas como não depressivas.
Item
Predição de resultados de partidas de futebol
(2024) Gabriel Frontório; Fábio Alexandrini, Dr; Juliano Tonizetti Brignoli, Dr; Daniel Gomes Soares, Msc
O futebol é um dos esportes mais populares do mundo e existem inúmeras pessoas aficcionadas por esse esporte ao redor do globo. Junto com a paixão pelo futebol surgiu a gana de adivinhar, ou prever, o resultado das partidas de futebol. Com isso surgiram diversas formas de aposta envolvendo os resultados das partidas, sendo um mercado que movimenta bilhões por ano e cresce cada vez mais. O presente trabalho apresenta uma aplicação que faz a predição do resultado de uma partida de futebol com base nas estatísticas dos times que irão se enfrentar. Seu principal objetivo é buscar a maior taxa de acerto possível, buscando reduzir possíveis perdas em apostas esportivas. Com o uso da inteligência artificial e machine learning é possível analisar dados e, com base nas estatísticas das equipes, definir qual será o resultado final da partida. Para o desenvolvimento dessa aplicação foi utilizado um conjunto de dados que contém 8870 partidas da Premier League disputadas entre 2000 e 2023. Os dados desse conjunto foram processados e resultaram em 68 estatísticas diferentes que foram utilizadas pelos modelos preditivos para prever o resultado da partida. Após o processamento dos dados, foram utilizados dez modelos preditivos diferentes, que foram treinados e testados com o mesmo conjunto de dados, com o melhor modelo sendo o modelo de Naive Bayes, que atingiu uma acurácia de 57,48% e uma média de 0,73 na métrica ROC. Os modelos preditivos foram treinados e testados para terem três possíveis resultados, sendo possível que a partida termine em vitória, empate ou derrota. O número de possíveis saídas diminui a acurácia dos modelos preditivos, se utilizarmos o mesmo conjunto de dados com os mesmos modelos preditivos, iremos obter 77,95% de acurácia, o que nos mostra a variação da acurácia de acordo com o número de saídas. O futebol é impactado totalmente por ações humanas, dos jogadores em campo e dos fatores extra campo, e essas ações são imprevisíveis e interferem diretamente no resultado final da partida e no acerto ou não da predição.
Item
Redes neurais recorrentes LSTM para a predição de índices da bolsa de valores: Uma comparação com o modelo de predição baseado em redes neurais artificiais multilayer perceptron
(2024) Felipe Tenfen; Daniel Gomes Soares, Msc; Juliano Tonizetti Brignoli, Dr; Cristhian Heck, Msc
A previsão de séries temporais financeiras é uma das áreas mais estudadas da inteligência artificial no mercado financeiro, tanto no âmbito acadêmico quanto no corporativo. Prever o futuro, especialmente o comportamento de séries temporais, como índices, preços da bolsa de valores e futuras cotações de ações, é considerado um desafio complexo tanto para a área de estatística quanto para a computação, assim como representa um desafio significativo, mesmo para especialistas experientes em técnicas de investimento, e tem recebido cada vez mais atenção nos últimos anos, principalmente devido à possibilidade de rentabilidade. Uma das técnicas mais utilizadas para fazer esse tipo de predição é a aplicação de redes neurais artificiais. Nesse contexto, este trabalho se propôs a desenvolver um modelo baseado em Redes Neurais Recorrentes (RNN), uma classe das redes neurais artificiais, e mais especificamente, do tipo Long Short-Term Memory (LSTM), para prever o valor e a direção do índice S&P 500 da bolsa de valores de Nova Iorque com um dia de antecedência. As Redes Neurais Recorrentes (RNNs) são modelos computacionais inspirados no sistema nervoso dos seres vivos, conhecidos por sua capacidade de processar sequências de dados e aprender com padrões temporais. Essa característica faz delas uma escolha ideal para prever séries temporais, permitindo que capturem dependências temporais e façam previsões com base em dados históricos. Ao longo deste estudo, foram desenvolvidos e comparados diferentes modelos de RNN, com a seleção daquele que obteve os melhores resultados. Esses resultados foram comparados com os obtidos por um modelo de previsão de índices da bolsa de valores S&P500 baseado em Rede Neural Artificial do tipo Multilayer Perceptron (MLP), conforme proposto por Moraes (2017). Os resultados indicam que é possível realizar a previsão de índices da bolsa de valores com erro e antecedência aceitáveis utilizando RNNs do tipo LSTM e dados históricos do índice como entrada. Por fim, observou-se uma prevalência das redes LSTM sobre as redes MLP neste tipo de aplicação, uma vez que o percentual de erro apresentado pela LSTM no experimento realizado foi consideravelmente menor em comparação ao erro da MLP para o mesmo conjunto de dados.
Item
Uso de CI/CD em pequenas equipes de desenvolvimento: Aplicação na fábrica de software do IFC Rio do Sul
(2024-05-14) Leandro Ramos Marcelino; Rodrigo Curvêllo, Msc; Cristhian Heck, Msc; Marcela Leite, Msc
O software assume um papel cada vez mais importante na competitividade das empresas, de forma que grandes e tradicionais organizações sentem que suas abordagens atuais para o gerenciamento de software estão limitando a velocidade de evolução do negócio. Uma vez que os requisitos de um projeto estão definidos, unir e coordenar todo o processo de desenvolvimento, teste e publicação sem perda de qualidade é desafiador. Entregas de software devem ser um processo de baixo risco, frequente, rápido e previsível, contar com fluxos que automatizam o processo de execução de testes, inspeção de qualidade do código, criação e publicação de novas versões é essencial para haver agilidade. A prática de integração contínua, entrega contínua e implantação contínua tem ganho notoriedade, sendo ambas metodologias derivadas do manifesto ágil, buscam garantir que erros sejam detectados com antecedência, que a qualidade do código seja mantida e a construção de novas versões seja rápida. O propósito deste trabalho é desenvolver fluxos de automação com base nos conceitos de integração contínua, entrega contínua e implantação contínua, aplicar em um projeto da FabTec. Neste trabalho são utilizadas as ferramentas Github Actions, Github Packages, SonarQube e Watchtower para construção de todo o fluxo de automações. Para que os objetivos do trabalho sejam atingidos, inicialmente foi realizada uma revisão sistemática da literatura de modo a identificar os conceitos que têm sido utilizados para fluxos de integração, entrega e implantação contínuas, seus benefícios e desafios. Posteriormente, foi realizado o desenvolvimento e aplicação dos fluxos de automação. O desempenho dos fluxos foi avaliado por meio de testes de execução em cenários pré-definidos e pelo acompanhamento de execução na prática após a inserção dos fluxos no projeto. Uma entrevista também foi realizada com os membros do projeto e com profissionais da área de tecnologia para captar suas percepções sobre o uso destes conceitos. Os resultados mostram que a frequência de execução de testes e inspeção de qualidade de software de forma manual é inferior ao necessário e que a automatização da detecção de falhas, inspeção de qualidade e publicação agilizam e aumentam a segurança e qualidade do software.