TCC - Bacharelado em Sistemas da Informação (Sede)
URI permanente para esta coleçãohttps://arandu.ufrpe.br/handle/123456789/427
Navegar
6 resultados
Resultados da Pesquisa
Item Previsão de preço de ações de empresas do setor elétrico com algoritmos de aprendizado de máquina(2025-03-21) Silva, Herculles Hendrius Coutinho Mesquita; Albuquerque Júnior, Gabriel Alves de; http://lattes.cnpq.br/1399502815770584O presente trabalho tem como objetivo comparar a eficiência de diferentes algoritmos de aprendizado de máquina na previsão de preços de ações do setor de energia elétrica. Para isso, foram analisados quatro algoritmos: Long Short-Term Memory (LSTM), Support Vector Regression (SVR), Regressão Linear e Random Forest. Os dados utilizados compreendem uma série histórica de preços e indicadores adicionais, como inflação, Índice de energia elétrica (IEE) e variação cambial, que foram processados e utilizados como entrada para os modelos. A análise foi realizada com base em métricas de erro, como Erro Médio Absoluto (MAE), Erro Quadrático Médio (MSE) e Raiz do Erro Quadrático Médio (RMSE), bem como pela avaliação da diferença percentual entre os preços previstos e os valores reais. Os resultados mostram que o algoritmo LSTM obteve o melhor desempenho na previsão de preços de fechamento, seguido pela Regressão Linear, enquanto o Random Forest apresentou maior margem de erro e se monstrando inadequado para a aplicação neste problema. Este estudo realiza a aplicação de algoritmos preditivos no mercado financeiro, demonstrando o potencial do aprendizado de máquina como ferramenta para análise e tomada de decisão no setor de energia elétrica.Item Utilização de filtragem colaborativa no auxílio de recomendação personalizada para leitores de mangá(2024-03-04) Brochardt, Rodrigo Nativo do Brasil; Garrozi, Cícero; http://lattes.cnpq.br/0488054917286587Este trabalho investigou, elaborou e comparou duas abordagens para a geração de recomendações de mangás: o modelo de Decomposição em Valores Singulares (SVD) e o Coeficiente de Correlação de Pearson. A metodologia envolveu a preparação dos dados a partir do desenvolvimento e execução de um rastreador web para extrair informações de obras de mangá e avaliações de um fórum bastante movimentado na internet. As dificuldades que surgem para a aplicabilidade destes métodos de extração de dados, bem como alternativas para lidar com situações de bloqueio da fonte, treinamento dos modelos de recomendação e avaliação de desempenho, foram abordadas, com foco na filtragem colaborativa e recomendações personalizadas para perfis de usuários e para obras de mangá. Na implementação do SVD, foi possível identificar padrões latentes nos dados de avaliação dos usuários, permitindo recomendações personalizadas com base nas preferências individuais a partir do compartilhamento de experiências com perfis similares. No entanto, métricas como o Mean Absolute Error (MAE) e Root Mean Squared Error (RMSE) revelaram a necessidade de refinamento do modelo para melhorar sua precisão, assim como alternativas de implementações para realização de comparações e métricas relacionadas à massa de dados específica utilizada no trabalho. Por sua vez, a abordagem baseada no Coeficiente de Correlação de Pearson priorizou a similaridade entre as avaliações de mangás para gerar recomendações focadas em itens. Embora dependesse significativamente do número de avaliações disponíveis, essa metodologia ofereceu uma lógica direta e válida para recomendações personalizadas a partir dos relacionamentos advindos das avaliações. A conclusão destacou a possibilidade futura de explorar métodos híbridos que combinem as vantagens do SVD e do Coeficiente de Correlação de Pearson, visando alcançar recomendações mais precisas e abrangentes, bem como a possibilidade de validar técnicas que ofereçam abordagens diferentes de recomendação para obter um comparativo palpável. A utilização de dados adicionais reunidos na massa de dados gerada para enriquecer a qualidade das recomendações, a fim de utilizar parâmetros mais detalhados em sua recomendação, assim como a utilização de abordagens indiretas, como por exemplo, a utilização de LLMs para auxiliar no processo de recomendação. Por fim, o trabalho concluiu a importância dos avanços destas tecnologias de recomendação para facilitar a vida do leitor, auxiliando na filtragem de grandes conteúdos oferecidos pela indústria e internet.Item Processo de Renovação Generalizado baseado na distribuição Gumbel como modelo de estimativas de ocorrências de ondas de calor para auxiliar no processo de tomada de decisão do cultivo de manga no Sertão de Pernambuco(2023-05-08) Ferraz, Kimbelly Emanuelle Avelino; Cristino, Cláudio Tadeu; http://lattes.cnpq.br/0295290151219369; http://lattes.cnpq.br/2320958356149704Diversos tipos de eventos podem prejudicar o plantio, a colheita ou manejo das plantas e frutos nas áreas agrícolas, sendo um deles inclusive o evento chamado ondas de calor, que se caracteriza como um fenômeno meteorológico prolongado e relativamente incomum com temperaturas extremamente altas para região e persistentes durante vários dias ou até semanas. Dada a importância da agricultura, este trabalho busca por meio da análise dos dados de temperatura máxima da região de Petrolina, do estudo da plantação da manga, do evento da Onda de Calor por meio do percentil 90, de algoritmos de otimização e dos processos de renovação generalizados e Gumbel, estimar esse evento contribuindo para a tomada de decisão do agricultor e na otimização da produção da Manga. O modelo proposto usa o processo de renovação generalizado baseado na distribuição Gumbel (GuGRP) para modelar os intervalos de tempo entre as ondas de calor, considerando que os eventos consecutivos são condicionalmente independentes. Esse modelo se mostrou aderente para modelar os eventos com nível de significância de 0, 05 e o P − V alue de 0, 28 por meio do teste de aderência de Kolmogorov-Smirnov nos dados de adequação adaptados ao GuGRP. Os parâmetros do modelo foram estimados pelo Log-Verossimilhança utilizando algoritmos de otimização, também testando especificamente o algoritmo de Enxame de partículas.Item Explainable Artificial Intelligence - uma análise dos trade-offs entre desempenho e explicabilidade(2023-08-18) Assis, André Carlos Santos de; Andrade, Ermeson Carneiro de; Silva, Douglas Véras e; http://lattes.cnpq.br/2969243668455081; http://lattes.cnpq.br/2466077615273972; http://lattes.cnpq.br/3963132175829207A explicabilidade é essencial para que os usuários entendam, confiem e gerenciem com eficiência sistemas computacionais que utilizam inteligência artificial. Desta forma, assim como a assertividade, entender como se deu o processo decisório dos modelos é fundamental. Embora existam trabalhos que se concentrem na explicabilidade de algoritmos de inteligência artificial, é importante destacar que, até onde sabemos, nenhum deles analisou os trade-offs entre desempenho e explicabilidade de forma abrangente. Nesse sentido, esta pesquisa tem como objetivo preencher essa lacuna, investigando tanto algoritmos transparentes, como Arvore de Decisão e Regressão Logística, quanto algoritmos opacos, como Floresta Aleatória e Máquina de Vetores de Suporte, a fim de avaliar os trade-offs entre desempenho e explicabilidade. Os resultados revelam que os algoritmos opacos apresentam uma baixa explicabilidade e não têm uma boa performance quanto ao tempo de resposta devido á sua complexidade, contudo são mais assertivos. Em contra partida, os algoritmos transparentes possuem uma explicabilidade mais efetiva e uma melhor performance quanto ao tempo de resposta, porém, em nossos experimentos, observamos que a acurácia obtida foi menor do que a acurácia dos modelos opacos.Item Recomendação de psicólogos por meio de algoritmos de filtragem colaborativa, conteúdo e híbrida(2023-09-14) Gomes Júnior, Augusto Rosário; Bocanegra, Silvana; http://lattes.cnpq.br/4596111202208863É crescente o número de pessoas diagnosticadas com transtornos de saúde mental como depressão e ansiedade, transtornos que foram por muito tempo negligenciados pela ciência e sociedade. Ainda assim, cada vez mais surgem avanço nas formas de tratamento para essas pessoas, como é o caso da popularização das plataformas que oferecem atendimento psicológico remoto. Entretanto, escolher um psicólogo ou terapeuta nem sempre é uma tarefa fácil, dada a grande quantidade de informação que envolve o processo de escolha. Partindo desse princípio, o objetivo deste trabalho foi desenvolver um sistema de recomendação de psicólogos baseado em modelo híbrido, que fosse capaz de recomendar psicólogos com especialidades que supram as necessidades de diferentes tipos de pacientes. O modelo apresentou resultados promissores, onde a similaridade entre os psicólogos recomendados foi consistente e foram atingindos bons resultados nas métricas avaliativas MAE (<0,5) e RMSE (<0,75). Além disso, foi possível mitigar pontos fracos de ambas as recomendações por conteúdo e colaborativa.Item Sugestão de livros baseada em algoritmo híbrido de recomendação e grau de interesse recente(2023-05-26) Tavares, Eduardo Brandão; Bocanegra, Silvana; http://lattes.cnpq.br/4596111202208863Com a vasta e crescente gama de livros disponíveis, escolher a próxima leitura se tornou um trabalho complexo em meio a tantas opções. No contexto do Brasil, onde boa parte dos leitores tem que escolher bem qual livro comprar, devido ao baixo poder de compra da nossa população, uma recomendação assertiva se tornou mais valorosa. Neste artigo é apresentado um algoritmo de recomendação de livros baseado em um modelo híbrido, que consiste em utilizar tanto técnicas relacionadas a regras de associação, quanto técnicas que se baseiam no conteúdo dos livros, visando apresentar livros desconhecidos e que acompanhem o interesse recente leitor. O modelo conseguiu atingir uma precisão equiparável a outros modelos nas métricas RMSE e MAE e entrega recomendações bastante relacionadas com as últimas leituras de cada leitor.