Navegando por Autor "Paiva Júnior, Sérgio de Sá Leitão"

Agora exibindo 1 - 2 de 2

Comparação da construção de redes neurais nas linguagens R e Python
(2021-03-12) Liberal, João Paulo Godê; Paiva Júnior, Sérgio de Sá Leitão; http://lattes.cnpq.br/7706717198580424; http://lattes.cnpq.br/1024308436712090
Este relatório tem como objetivo fazer um comparativo entre Redes Neurais Artificiais (RNAs) escritas nas linguagens R e Python nos sistemas operacionais Windows 10 e Linux-Ubuntu 20.04. As principais métricas observadas foram: tempo de execução em ambas as linguagens nos diferentes sistemas, considerando o tempo para o treinamento e teste da rede; também será avaliada o nível de acurácia nos diferentes sistemas operacionais. A ferramenta utilizada para o desenvolvimento foi o pycharm, juntamente com a utilização das bibliotecas keras, tensorflow e pandas. Para a linguagem Python foi configurado um ambiente no miniconda2 e na linguagem R a execução foi por linha de comando. A base de dados utilizada pelas Redes Neurais foi retirada do Machine Learning Repository (UCI) e trata do diagnóstico de tumor cancerigeno.
Construção de redes neurais para a predição do preço de ativos da Bolsa de Valores
(0202-04-27) Silva, Bruno Leonardo de Oliveira; Paiva Júnior, Sérgio de Sá Leitão; http://lattes.cnpq.br/7706717198580424
A bolsa de valores se apresenta como uma alternativa de investimento para aqueles que buscam maior rentabilidade, mas em troca desse alta rentabilidade existe uma alta volatilidade, que para muitos investidores acaba resultando em operações negativas. Para contornar esses problemas, os investidores que se arriscam nesse mercado buscam métodos para analisar e até mesmo prever as movimentações de ativos. Um desses métodos é análise técnica que busca prever o movimento do ativo baseado em eventos anteriores. O objetivo desse trabalho é apresentar uma rede neural capaz de prever o preço de ativos da bolsa de valores, para aumentar a consistência em operações positivas. Para tanto, foi desenvolvida uma Rede Neural utilizando os dados de ativos da bolsa de valores, visando o sucesso da operações com a obtenção de resultados mais confiáveis. Os resultados do trabalho deixam claro que o modelo desenvolvido possui um ótimo desempenho, quando comparado com o método de análise técnica. Isso se comprova com os resultados das métricas de avaliação usadas para essa rede neural, como também as simulações de investimento com dados de diferentes ativos da bolsa de valores.