Eventos
Divulgação - Defesa Nº 176
Aluno: Crystiano José Richard Machado
Título: “Uma abordagem para Análise de Relevância Temática aplicada à Contribuições Textuais em Fóruns de Discussão”.
Orientador: Prof. Alexandre Magno Andrade Maciel
Co-Orientador: Prof. Ronaldo Parente Menezes
Data-hora: 17/agosto/2018 (10:00h)
Local: Escola Politécnica de Pernambuco – SALA I-4
Resumo:
A Educação a Distância (EAD) tem se tornado cada vez mais presente no cotidiano acadêmico de alunos e professores, o que pode ser observado pelos elevados índices de crescimento registrados ao longo dos anos. Nesta modalidade de ensino, o processo de ensino e aprendizagem tem sido favorecido pela utilização de Ambientes Virtuais de Aprendizagem (AVA). Estes ambientes oferecem diversos recursos e ferramentas, capazes de promover a comunicação e entre os participantes de cursos a distância. Um destes recursos é o fórum de discussão. Neles, os estudantes podem interagir por meio de postagens de modo a contribuir para a prática do aprendizado colaborativo, trocando ideias e esclarecendo dúvidas sobre o assunto da discussão. Do ponto de vista pedagógico, através da análise dos conteúdos inseridos pelos alunos, o professor pode diagnosticar aqueles que possam estar apresentando dificuldades de aprendizado em relação a assuntos específicos. No entanto, avaliar o aprendizado dos estudantes tem se tornado uma tarefa cada vez mais desafiadora para professores e tutores, uma vez que existe um aumento no volume de dados que são registrados nestes ambientes. Neste contexto, este trabalho teve como objetivo propor a modelagem e o desenvolvimento de uma solução tecnológica que possibilite a análise de relevância temática das postagens feitas por estudantes em fóruns de discussão em ambientes de EAD, como forma de analisar o conteúdo gerado individualmente pelos participantes e avaliá-los em relação ao tema sugerido na abertura do fórum. Para isto, utilizou-se a Mineração Textual e a Ciência das Redes para o processamento e extração de características dos textos. Em seguida, as postagens processadas foram classificadas quanto a sua relevância temática, através de algoritmos de aprendizagem supervisionada. Os resultados mostram que a utilização apropriada destas técnicas podem gerar indicadores potencialmente úteis por professores e tutores na melhoria da prática pedagógica, no sentido de identificar precocemente postagens que possivelmente estejam fora do contexto da discussão."
Divulgação - Defesa Nº 174
Aluno: Rafaela Covello de Freitas
Título: “Imagens Pesudo-Reconstruídas e Máquina de Aprendizado Extremo Gauss-Seidel Aplicadas a Padrões de Sinais Eltromiográficas”.
Orientador: Prof. Wellington Pinheiro dos Santos
Co-Orientador: Prof. Byron Leite Dantas Bezerra
Data-hora: 31/julho/2018 (14:00h)
Local: Escola Politécnica de Pernambuco – SALA I-5
Resumo:
O reconhecimento de padrões em sinais eletromiográficos (EMG) para classificação de gestos surgiu há aproximadamente 35 anos, e tem sido direcionado principalmente a sujeitos com amputações, com o objetivo de identificar as intenções de movimento para o membro faltante. O eletromiograma consiste de método experimental para gravar e avaliar uma série de sinais elétricos resultantes da condução de potenciais de ação nas fibras musculares, cujas características variam de acordo com a fisiologia, bioquímica, frequência e intensidade do estímulo. A partir das mudanças e localização que ocorrem neste sinal, é possível identificar a intenção de movimentos e como os músculos estão sendo coordenados para tal. Considerando isto, é comum aplicarem-se a estes sinais técnicas de processamento e extração de atributos para posterior classificação utilizando algoritmos de reconhecimento de padrões. Usualmente, a extração de atributos se limita à aplicação de funções que realizam mapeamentos no domínio temporal ou no domínio da frequência, com estudos escassos em outros domínios, tal como o espacial. Na perspectiva de reconhecimento de padrões, algoritmos como Máquinas de Aprendizado Extremo (ELM) têm sido utilizadas por possuírem alta velocidade de treinamento e fácil ajuste de parâmetros. Neste trabalho, apresentamos a criação de dois novos métodos, relacionados a extração e posterior classificação de atributos de sinais eletromiográficos, que denominamos Imagens Pseudo-Reconstruídas (Pseudo-Reconstructed Images – PRIMA) e a Máquina de Aprendizado Extremo Gauss-Seidel (Gauss-Seidel Extreme Learning Machine – GSELM), respectivamente. Em nossa primeira contribuição, visamos a expansão do espaço de representação do sinal mioelétrico para outra dimensão utilizando o conceito de retroprojeção a partir da decomposição dos sinais de EMG em wavelets e sua posterior projeção no plano bidimensional, utilizando a transformada de Radon. Da imagem resultante, utilizamos o método de Haralick para extração de atributos, aplicado para a representação das características de textura em imagens. Em um segundo momento, considerando a movimentação de próteses a partir destes sinais e o consequente uso de sistemas microcontrolados e suas limitações, como baixo poder de armazenamento e processamento, buscamos aprimorar a ELM para este ambiente. Para isto, criamos uma versão com treinamento iterativo, utilizando o método numérico de Gauss-Seidel, comumente utilizado para a interpolação de funções."
Divulgação - Defesa Nº 173
Aluno: Dayvid Welles De Castro Oliveira
Título: “Deep Multidimensional Recurrent Neural Networks for Offline Handwriting Text Line Recognition”.
Orientador: Prof. Byron Leite Dantas Bezerra
Co-Orientador: Prof. Mêuser Jorge Silva Valença
Data-hora: 31/julho/2018 (9:00h)
Local: Escola Politécnica de Pernambuco – SALA I-4
Resumo:
“Handwriting still is an essential communication and documentation tool. Thus, in this digital era, it is common to find handwritten content recorded as image data. The off-line handwriting recognition is the task of converting a handwritten text image into a digital format that is understood by the computer. Currently, one of the main challenges in the handwriting recognition area lies in identifying complete lines of handwritten text. The advances brought by deep learning and especially the recent developments in recurrent neural networks as optical models in handwriting recognition systems have led to significant progress. However, we believe that there’s still room for improvements and one clear target is the architectural structure of these models. The main goal of this dissertation is to investigate alternative optical modeling approaches that can contribute to the optimization of offline and unconstrained handwriting recognition systems. In particular, we studied new architectural representations for a recognition system based on the Multidimensional Long Short-Term Memory (MDLSTM) in the hybrid Artificial Neural Network-Hidden Markov Model scheme. The MDLSTM architecture was elaborated to enhance the recognition performance and decrease the recognition time. Accordingly, we present modifications regarding the recurrent and convolutional aspects based on a state-of-the-art MDLSTM model. Since the results reported in the literature for deeper MDLSTM architectures relies on optimizing the network width with a fixed depth, we investigate the trade-off between both these hyper-parameters to obtain an optimal topology. The system was evaluated with English and French handwritten text lines from the IAM and RIMES databases respectively. As the main contribution, we show that the new hierarchical approach is able to maintain a robust recognition performance and still present significant speedups compared to a state-of-the-art MDLSTM architecture. The full handwriting recognition system including a decoder with linguistic knowledge presents competitive results compared to previous research on the considered benchmarks.”
O Programa
