Navegando por Orientadores "Soares, Rodrigo Gabriel Ferreira"

Agora exibindo 1 - 8 de 8

Análise da utilização de aprendizado de máquina na redução do volume de alertas benignos
(2019) Simião, Augusto Fernando de Melo; Soares, Rodrigo Gabriel Ferreira; http://lattes.cnpq.br/2526739219416964; http://lattes.cnpq.br/0529129636604731
Para auxiliar no combate a ataques cibernéticos, Managed Security Services Providers (MSSPs) usam SIEMs (Security Information and Event Management). SIEMs são capazes de agregar, processar e correlacionar vastas quantidades de eventos provenientes de diferentes sistemas, alertando analistas de segurança da existência de ameças, tais como vírus de computador e ataques cibernéticos, em redes de computadores. No entanto, SIEMs são conhecidos pelas altas taxas de alertas benignos (alertas que não representam ameaça) em relação aos malignos (alertas que representam ameaça). Devido aos altos volumes e predominância de falsos alertas, o analista passa a ignorar alertas como um todo, o que inclui aqueles que representam incidentes em potencial, aumentando assim o risco da rede ser comprometida. Esse fenômeno é conhecido como fadiga de alerta e tem sido alvo frequente da aplicação de técnicas de aprendizado de máquina para a redução dos volume de alertas benignos. SIEMs modernos utilizam aprendizado de máquina, na correlação de eventos, para que apenas alertas que realmente representam possíveis ameaças sejam reportados. No entanto, essa correlação não leva em conta a deliberação do analista de segurança, permitindo assim que os SIEMs continuem gerando alertas previamente identificadas como benignos. Este trabalho investiga a utilização dos algorítimos Naïve Bayesian Learning, Árvore de Decisão e Random Forest, para a redução do volume de alertas benignos, utilizando alertas previamente identificados por analistas, ao invés da corrente de eventos que geram tais alertas. Dessa forma, foi possível mostrar, através de experimentos, que técnicas de aprendizado de máquina supervisionado podem ser aplicadas na identificação e alertas benignos previamente analisados.
Comparação de métodos baseados em redes convolucionais para classificação de fava
(2022-05-26) Silva, Erico André da; Soares, Rodrigo Gabriel Ferreira; http://lattes.cnpq.br/2526739219416964; http://lattes.cnpq.br/0529785947460222
A cultura da fava tem recebido pouca atenção por parte dos órgãos de pesquisa e extensão, o que tem resultado em limitações do conhecimento das características agronômicas da cultura. Isso tem afetado a precisão em classificá-las. Tal classificação é de grande importância porque a identificação correta de plantas permite boa resposta da cultura em termos de produtividade e comportamento em diferentes condições ambientais. Neste contexto de informações limitadas sobre as características apresentamos uma solução que aplica o poder da visão computacional à agronomia, que visa melhorar a produtividade, reduzir desperdícios e auxiliar na tomada de decisões e na seleção de cultura que mais se adéqua a uma região em particular. As técnicas de visão computacional são um conjunto de métodos utilizados para interpretar imagens, extraindo padrões e características. Visando contribuir com esse cenário de desenvolvimento tecnológico do setor do agronômico, este trabalho compara algumas das abordagens de classificação supervisionada para identificação de forma automática de espécies de favas. O escopo deste trabalho consiste em classificar imagens de mudas geradas por produtores rurais em duas categorias de favas: orelha de vó e cearense. A partir das comparações realizadas entre métodos de classificadores que utilizam redes convolucionais como extratores de características, selecionamos o melhor método que foi a combinação de rede convolucional com máquina de vetores de suporte (SVM), para ao final apresentarmos esse método para automatizar a classificação das imagens de favas.
Comparação de técnicas de classificação para predição de esforço no desenvolvimento de software
(2019-01-31) Uehara, Matheus Pitancó de Lima; Soares, Rodrigo Gabriel Ferreira; http://lattes.cnpq.br/2526739219416964; http://lattes.cnpq.br/2761038597182432
A estimação de esforço de atividades é uma etapa fundamental no desenvolvimento de software, ela é de fundamental importância para que o software seja entregue com qualidade no prazo estimado. Estimativas realizadas de forma isolada das equipes de desenvolvimento tendem a se basear na estimativa de um especialista, essas estimativas são facilmente obtidas porém não refletem fielmente o esforço necessário do responsável pelo desenvolvimento da atividade, enquanto abordagens que envolvem o time de desenvolvimento tendem a ser mais assertivas no entanto demandam mais tempo e mais pessoas envolvidas neste processo de estimativa. Neste trabalho é apresentado como o aprendizado de máquina pode auxiliar de forma automatizada os times na melhoria de estimativas de esforço diminuindo o tempo necessário para sua realização. Através dos experimentos foram obtidos resultados que validam a viabilidade da técnica utilizada para extração de características e classificação na estimativa de esforço a partir da descrição textual das atividades. Os resultados dos classificadores variaram de 31% à 33% de F-measure.
Estudo de técnicas preditivas para o auxílio a gestores na pandemia de COVID-19
(2022-05-27) França, Eliana Maria Silva de; Soares, Rodrigo Gabriel Ferreira; http://lattes.cnpq.br/2526739219416964; http://lattes.cnpq.br/2782168150783950
O objetivo principal deste trabalho é propor uma alternativa aos levantamentos estatísticos exploratórios, no suporte à tomada de decisão dos gestores, durante o enfrentamento à pandemia da COVID-19. Para tal, foi-se criada uma metodologia, utilizando aprendizado de máquina para fornecer uma nova ferramenta de predição de mortes causadas por COVID-19, a partir de dados abertos que contenham características sanitárias, demográficas e populacionais. De tal modo que, a partir deste estudo se possa desenvolver um modelo de inteligência artificial capaz de auxiliar no enfrentamento da pandemia de COVID-19. Dos 3 algoritmos de inteligência artificial utilizados (Decision Tree, Support Vector Machine e Multilayer Perceptron), o modelo baseado em Support Vector Machine foi o que apresentou o melhor desempenho, pois é o que possui o menor Erro Absoluto Médio, métrica utilizada para medir a qualidade de modelos de inteligência artificial baseados em regressão.
Técnicas de comitês para a estimação de esforço na correção de software
(2019-12-10) Guimarães, Ariana Lima; Soares, Rodrigo Gabriel Ferreira; http://lattes.cnpq.br/2526739219416964; http://lattes.cnpq.br/2605671850587343
O planejamento bem definido de um projeto de software, desde os estágios iniciais, é imprescindível para o sucesso do desenvolvimento, seja ele referente à criação ou à manutenção do produto. Em anuência ao ciclo de vida de software, a manutenção é realizada de forma contínua após o produto ter sido construído e entregue, em paralelo à execução de testes por engenheiros e/ou usuários. Nessa etapa, surgem primariamente os documentos de Histórias de Usuário e Relatórios de Problemas, que descrevem, em linguagem natural, especificações de negócio, cenários de erros encontrados, correções esperadas e melhorias para o sistema. Esses documentos visam, dentre outras coisas, o mapeamento das atividades a serem realizadas durante o projeto. Por conseguinte, em consonância com os recursos disponíveis – humanos, financeiros e temporais -, torna-se possível estimar o esforço necessário no desenvolvimento das atividades e gerar informações essenciais a um planejamento eficaz e eficiente. Como esses documentos são escritos em textos naturais, surge a oportunidade de utilizar o Processamento de Linguagem Natural e o Aprendizado de Máquina (AM) para predição automatizada do esforço de software. Na prática, no dia-a-dia das fábricas de software, é comum a utilização da opinião de especialistas e da equipe do projeto para julgar o esforço requisitado por uma atividade durante sessões de Planning Poker. Nessa técnica, normalmente o esforço é medido em Pontos de História que seguem a sequência Fibonacci. Porém, esse modo de planejamento requer o escalonamento de muitos recursos para sua execução. A aplicação do AM acarreta em um sistema, após a fase de treinamento, capaz de apreender a experiência da equipe e replicá-la de forma rápida e automática para estimar o esforço das atividades. Dessa forma, este trabalho atinge a área de AM, propondo uma abordagem de Comitê de PVDM na extração de características de Relatórios de Problemas para estimar Pontos de História, os indicadores de esforço. Comparada a outras duas abordagens de BoW e PV-DM tradicional, a técnica proposta apresentou bons resultados, com f-measure de cerca de 80% em um classificador de SVM com aprendizado supervisionado. Os resultados dos experimentos inspiram um ponto de partida no aprofundamento do estudo da abordagem de Comitê de PV-DM e no seu aprimoramento.
Técnicas preditivas para auxílio no diagnóstico de melanomas via imagens
(2024-10-02) Silva Júnior, José Carlos Monte; Soares, Rodrigo Gabriel Ferreira; http://lattes.cnpq.br/2526739219416964
O câncer de pele é o tipo mais comum de câncer no mundo, dividido em dois tipos principais: melanoma e não melanoma. Embora mais raro, o melanoma é o mais letal devido ao seu potencial de causar metástase. Métodos não invasivos, como a dermatoscopia e a regra ABCDE, têm sido utilizados para evitar procedimentos cirúrgicos desnecessários e têm ajudado na identificação de lesões, contribuindo para diagnósticos mais rápidos. Com o avanço da tecnologia, a Inteligência Artificial (IA) ganhou destaque, mostrando-se uma solução promissora para a análise de dados médicos, especialmente com o uso de Redes Neurais Convolucionais (RNCs), que podem reconhecer padrões em imagens dermatoscópicas e ajudar na classificação de lesões como melanoma ou não melanoma de forma automatizada. Este projeto propõe um comitê de classificadores baseado em Redes Neurais Convolucionais para classificar imagens dermatoscópicas como melanoma ou não melanoma, comparando seu desempenho com arquiteturas validadas, como AlexNet e VGG-16, utilizando técnicas de Transfer Learning. As análises de Precisão, Revocação e Pontuação F1 mostraram que o comitê de Redes Neurais Convolucionais superou os modelos que utilizam técnicas de Transfer Learning, com a AlexNet apresentando desempenho superior à VGG-16. O comitê de Redes Neurais Convolucionais demonstrou uma maior capacidade de generalização, mostrando-se promissor ao capturar as características relevantes das imagens, revelando potencial para aplicações médicas, embora ainda precise ser refinado para atingir padrões clínicos.
Uma abordagem baseada em aprendizado de máquina para dimensionamento de requisitos de software
(2016-12-13) Fernandes Neto, Eça da Rocha; Soares, Rodrigo Gabriel Ferreira; http://lattes.cnpq.br/2526739219416964; http://lattes.cnpq.br/6325583065151828
Este trabalho se propõe a realizar o dimensionamento automático de requisitos de software utilizando uma abordagem de aprendizado de máquina. A base de dados utilizada é real e foi obtida de uma empresa que trabalha com processo de desenvol- vimento baseado no Scrum e estimativa Planning Poker. Durante os estudos foram utilizadas técnicas de pré processamento de dados, classificação e seleção de melho- res atributos com os algorítimos termo–inverso da frequência nos documentos (tf-idf) e análise de componentes principais (PCA). O aprendizado de máquina e classificação automática se deu com o uso de Máquinas de Vetores de Suporte (SVM) baseado no histórico de dados disponível. Os testes finais foram realizados com e sem a seleção de atributos via PCA. Está demonstrado que a assertividade é maior quando é feita a seleção dos melhores atributos. A ferramenta fruto do trabalho consegue estimar o tamanho de histórias de usuário com uma generalização de até 91%. Os resultados foram considerados passíveis de serem utilizados em ambiente de produção sem pre- juízo para a equipe de desenvolvimento.
Uma abordagem para o suporte ao diagnóstico de melanoma por imagem via comitês de autoencoders
(2021-12-17) Silva, Evele Kelle Lemos; Soares, Rodrigo Gabriel Ferreira; http://lattes.cnpq.br/2526739219416964
O câncer de pele é o tipo de câncer mais comum no Brasil, representando cerca de 33% dos casos de neoplasias malignas no país. O Melanoma é um tipo de câncer de pele que representa somente 3% dos casos de câncer no órgão, mas é considerado o mais ofensivo devido à sua alta possibilidade de metástase, que se trata da disseminação do câncer para outros órgãos. Embora o melanoma seja considerado a principal doença fatal da pele, a introdução de novos medicamentos juntamente com a detecção do tumor em seus estágios iniciais, têm contribuído para prognósticos positivos. Através da regra ABCDE, é possível perceber o melanoma por meio de características presentes na lesão, no entanto, a identificação do melanoma por meio da observação muitas vezes é falha, principalmente quando se trata de um médico ainda inexperiente. Diante disto, este trabalho tem como objetivo de selecionar e utilizar técnicas de Aprendizado de Máquina para propor um modelo que possa auxiliar médicos dermatologistas na identificação de lesões da pele através de imagens dermatoscópicas, servindo como uma segunda opinião sobre se tratar ou não de melanoma. O modelo proposto foi comparado com técnicas amplamente utilizadas na literatura para resolução de problemas complexos, com o objetivo de apresentar um desempenho superior. Utilizando a Precisão e Revocação o modelo proposto se mostrou equiparável aos demais, embora tenha tido acesso a somente 0,1% das dimensões da imagem, o que indica que o modelo trabalhou bem ao encontrar as características que discriminam as lesões da pele.