Divulgação - Defesa Nº 194

Aluna: Raquel Bezerra Calado

Título: “Aplicação de Técnicas de Mineração De Texto para Categorização de Dados Não Estruturados Extraídos dos Diários Oficiais Brasileiros”.

Orientador: Prof. Alexandre Magno Andrade Maciel

Data-hora: 14/Agosto/2019 (14:00h)
Local: Escola Politécnica de Pernambuco – SALA I-4

Resumo:

“Os diários oficiais brasileiros são fontes ricas de informação governamental, mediante suas publicações os atos oficiais tornam-se públicos e passam a ser considerados válidos. Operadores do direito no exercício de suas funções dependem diretamente dessas publicações em sua rotina de trabalho. No entanto, colher estas informações tem se tornado uma tarefa cada vez mais desafiadora. Os conteúdos que compõem os diários são em grande parte não estruturados e em numerosa quantidade. A cada mês, cerca de dois milhões de novas páginas desses documentos são criadas, esses arquivos contém informações sobre atos oficiais da administração pública executiva, legislativa e judiciária que precisam ser buscados e filtrados diariamente para as mais diversas finalidades. Os métodos de análise de dados tradicionais tornaram-se obsoletos devido ao crescimento do volume desses dados. Uma possível solução para este problema é utilizar técnicas de Mineração Textual (MT). O uso de MT vêm sendo amplamente explorado para processamento, recuperação e extração de informação em documentos escritos em linguagem natural. Apesar desse fato, observa-se uma grande ausência de trabalhos utilizando abordagens de mineração textual em dados dos diários oficiais brasileiros. Neste contexto, este trabalho teve como objetivo propor a modelagem e desenvolvimento de uma solução tecnológica que possibilite a construção de um sistema que aplique técnicas de categorização de conteúdos, oriundas da mineração de textos para classificar conteúdos dos diários oficiais brasileiros. Para validar a abordagem proposta, construíram-se bases de dados não estruturados a partir dos diários mencionados. A quantidade de categorias de cada base de dados varia de acordo com o diário a que ela se refere. Dois experimentos foram realizados para mensurar a eficiência de diferentes classificadores e arquiteturas. O primeiro experimento teve como objetivo confirmar se há relação entre um determinado texto e uma determinada a categoria. O objetivo do segundo experimento foi categorizar os conteúdos apresentados. Os resultados do primeiro experimento apontaram que a montagem da arquitetura utilizando conjuntos de classificadores dinâmicos aumentaram consideravelmente as taxas de acerto da solução proposta. Observou-se que no segundo experimento os classificadores mais eficientes foram os algoritmos baseados em gradient boosting. A partir dos resultados obtidos, concluiu-se que ambas as abordagens propostas demonstraram grande eficiência nas tarefas realizadas em dados não estruturados oriundos dos diários oficiais brasileiros”

Divulgação - Defesa Nº 193

Aluno: Cristian Camilo Millan Arias 

Título: “Interactive Reinforcement Learning for Continuous Spaces and Dynamics Environments”.

Orientador: Prof. Bruno José Torres Fernandes

Coorientador: Francisco Javier Cruz Naranjo

Data-hora: 09/Agosto/2019 (09:00h) 
Local: Escola Politécnica de Pernambuco – SALA I-4

Resumo:

“A Aprendizagem por Reforço refere-se a um paradigma de aprendizagem de maquina onde um agente interage com um ambiente circundante para aprender como realizar uma tarefa. Muitas vezes, a aprendizagem é afetado pelas características e a forma de como o agente percebe o ambiente. As características do ambiente podem mudar sobre o tempo ou ser afetadas por perturbações externas que o agente não pode controlar. Por outro lado, as representações discretas do ambiente permitem que a aprendizagem seja rápida, e os algoritmos sejam simples para desarrolhar uma tarefa. No entanto, a informação perde-se durante o processo de discretização. Além disso, em espaços contínuos, o agente demora muito para encontras as ações ótimas. Algumas propostas resolvem esses problemas, por exemplo, a Aprendizagem por Reforço Interativo é uma abordagem no qual uma entidade externa ajuda aprender ao agente através de um feedback. Também tem abordagens robustas, como Aprendizagem por Reforço Robusto, que permite ao agente aprender uma tarefa considerando perturbações produzidas no ambiente. Nesta dissertação, propõe-se uma metodologia para implementar Aprendizagem por Reforço Interativo em cenários onde os estados e as ações estão em espaços contínuos e o ambiente é dinâmico. Para avaliar a proposta, implementou-se um cenário simples, o problema do Cart-pole, onde as características do ambiente mudam em cada episodio. Os resultados mostraram que a abordagem proposta aumenta a recompensa acumulada em relação ao método de aprendizagem autônomo, além disso, o agente é robusto contra mudanças nas características do ambiente.”

Divulgação - Defesa Nº 192

Aluno: Marília Nayara Clemente de Almeida Lima 

Título: “Modelos Combinados Baseados em Agrupamento e Regressão no Contexto de Mineração de Dados”.

Orientadora: Profª. Roberta Andrade de Araujo Fagundes
Data-hora: 05/Agosto/2019 (15:00h) 
Local: Escola Politécnica de Pernambuco – SALA I-4

Resumo:

“Diariamente é produzido, por diferentes fontes, uma grande quantidade de dados que em sua maioria formam conjuntos de dados heterogêneos. Um recurso importante utilizado para analisar essa quantidade extensiva de dados são técnicas de aprendizado de máquina. Uma vez que, através de algumas dessas técnicas aplicadas nos dados podem ser extraídas informações relevantes. A extração de informação pode produzir conhecimentos para solucionar problemas em diferentes áreas, como saúde, educação. Uma das técnicas de aprendizado de máquina utilizadas para extração de informação é a regressão. No entanto, a análise de regressão, por exemplo regressão linear, pode não modelar de forma adequada os dados em conjuntos de dados heterogêneos, pois há um potencial diferente das variáveis independentes. Assim, uma questão relevante em regressão é como a heterogeneidade dos dados pode influenciar as relações entre as variáveis do modelo. Neste contexto, o presente trabalho tem como objetivo propor modelos combinados baseados em agrupamento e regressão no contexto de mineração de dados, de forma que os resultados obtidos e analisados ajudem a diminuir o erro de predição nos dados estudados. O desempenho do modelo proposto foi medido através do erro de predição, aplicando simulações Monte Carlo. Os resultados apontam menor erro de previsão para o modelo proposto na maioria dos casos estudados.”