DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 289
Aluno: Gabriel Mac’Hamilton Renaux Alves
Título: “Desenvolvimento de um Mecanismo de Ingestão de Dados Independente de Contextos para AutoML"
Orientador: Alexandre Magno Andrade Maciel - (PPGEC)
Examinador Externo: Robson do Nascimento Fidalgo - (UFPE)
Examinador Interno: Carlo Marcelo Revoredo da Silva - (PPGEC)
Data-hora: 07 de Fevereiro de 2024, às 14:00h.
Local: Presencial - LIP 6.
Resumo:
Aprendizado de máquina automatizado (sigla do inglês: AutoML) é uma das tecnologias desenvolvidas para tratar das demandas complexas relativas ao processamento e análise de dados para tomada de decisões estratégicas. Sistemas de AutoML permitem ao usuário realizar tarefas de aprendizado de máquina de forma automatizada, trazendo uma maior simplicidade para estas atividades. Uma etapa chave no processo de AutoML é a ingestão de dados, que envolve a coleta e transporte de dados externos para o fluxo de aprendizado de máquina. Porém, apesar de muitos sistemas de AutoML possuírem módulos para a entrada de dados, a falta da ingestão de dados de forma simplificada pode trazer diversas limitações no acesso a informações relevantes para os processos de análise. O presente trabalho tem como principal objetivo o desenvolvimento de um mecanismo de ingestão de dados, para a redução da complexidade e aumento da eficiência nesta etapa em sistemas de AutoML. O mecanismo desenvolvido será integrado em uma solução já existente, o Framework de Mineração de Dados Educacionais (FMDEV), desta forma permitindo que possam ser realizados testes em cenário real, avaliações de usabilidade com usuários e elicitação da opinião de especialistas, fornecendo um estudo de caso para validar o desenvolvimento do projeto. Podem ser elencados como os principais benefícios desta implementação a democratização do acesso à análise de dados, maior flexibilidade de entradas de dados e a coleta e carga de dados feita de forma otimizada e padronizada.
O Programa
