Divulgação - Defesa Nº 237

Aluno: Wedson Lino Soares

Título: "Otimização de Modelos baseados em Ensemble utilizando Extreme Learning Machine aplicado ao Contexto Educacional".

Orientadora: Roberta Andrade de Araújo Fagundes

Examinador Externo : Telmo de Menezes e Silva Filho - (UFPB)

Examinador Interno : Cleyton M. de O. Rodrigues - (PPGEC)

Data-hora: 28/Junho/2021 (09:00h)
Local: Formato Remoto (http://meet.google.com/uve-bpvb-jge)

Resumo:

O uso de Data Mining (DM) e Machine learning pode levar à extração de informações extremamente úteis quando aplicados a vários contextos. Quando aplicados ao contexto educacional, em um processo chamado de Educational Data Mining (EDM), estas ferramentas ajudam na identificar e predizer fatores que podem influenciar no processo de ensino e aprendizagem dos estudantes, ajudando na abordagem de problemas educacionais, como por exemplo, repetência, reprovação e desempenho acadêmico. As redes neurais fornecem uma alta capacidade de adaptação, podendo ser aplicadas a diferentes contextos, porém o algoritmo padrão de treinamento deste tipo de técnica tende a ser bastante lento, com isso as redes neurais baseadas no algoritmo Extreme Learning Machine (ELM) se destacam graças à sua alta velocidade de treino e alta capacidade de generalização. Porém, este tipo de rede neural pode apresentar instabilidades devido a fatores aleatórios na sua composição, sendo assim a utilização de métodos que busquem corrigir estes problemas de instabilidade podem garantir uma melhoria consistente e robustez. Desta forma, esta pesquisa utiliza modelos combinados através de métodos de ensemble learning baseados em redes neurais do tipo ELM e algoritmos de otimização aplicados ao contexto educacional. Neste contexto, os problemas avaliados foram: a previsão do desempenho de estudantes e da taxa de reprovação em escolas, como também, foram utilizadas bases de benchmark e de simulação para avaliar a consistência dos modelos combinados propostos. Os resultados foram avaliados através de métricas e testes de hipótese para ratificar a eficácia dos modelos combinados propostos. Por fim, foi possível observar os ganhos no uso dos modelos combinados propostos em detrimento dos modelos apresentados na literatura.

Divulgação - Defesa Nº 236

Aluno: Jonathan da Silva Bandeira

Título: "Suporte ao diagnóstico da Doença de Alzheimer e Déficit Cognitivo Leve com a utilização de Técnicas de Aprendizado de Máquina para seleção de características e geração de instâncias sintéticas no aprimoramento de classificadores baseados em RNA".

Orientador: Mêuser Jorge Silva Valença

Examinador Externo : Gélson da Cruz Júnior - (UFG)

Examinador Interno : Alexandre Magno Andrade Maciel - (PPGEC)

Data-hora: 31/Maio/2021 (16:00h)
Local: Formato Remoto (https://meet.google.com/own-ises-jqm)

Resumo:

Com o aumento da longevidade da população, aumentam também os riscos quanto ao desenvolvimento das chamadas Doenças Crônicas Não-Transmissíveis (DCNT), tais quais diabetes e demências, na parcela mais idosa da população. Dentre as demências, a Doença de Alzheimer (DA) foi, segundo a Organização Mundial de Saúde (OMS), a terceira principal causa de mortalidade nas Américas e na Europa no ano de 2019. Para esta enfermidade, ainda não há tratamentos que possam curá-la, mas se diagnosticada precocemente, podem ser empregados tratamentos destinados a garantir maior longevidade e qualidade de vida aos pacientes. Também é importante diagnosticar precocemente condições adversas que possam levar ao desenvolvimento desta doença, tal qual o Déficit Cognitivo Leve (DCL). Fazendo isto, é possível antecipar e prevenir o agravamento deste tipo de condição para a DA. As pesquisas na área de Inteligência Computacional vêm desenvolvendo ao longo dos anos modelos de suporte ao diagnóstico eficazes, mas que em sua maioria se baseiam em instâncias de neuroimagem. Com a possibilidade do desenvolvimento de uma vacina para DA e de exames de sangue para detecção da enfermidade, que se baseiam todos em um viés mais biomolecular, trabalhando principalmente com biomarcadores no plasma sanguíneo dos indivíduos, este trabalho utilizou uma base de dados, desenvolvida por Ray et al. (2007), baseada em um conjunto com a concentração de 120 proteínas no plasma sanguíneo de 222 pacientes diagnosticados com DA, DCL e outras demências e doenças neurológicas. Em seu trabalho original, Ray et al. (2007), utilizando de uma técnica denominada Prediction Analysis of Microarrays (PAM), obtiveram um resultado de 89% de assertividade nos testes de DA e 81% nos testes de DCL para uma assinatura contendo 18 proteínas das 120. Um ano depois, Ravetti & Moscato (2008), utilizando de classificadores com as configurações padrão do Weka, obtiveram 93% de assertividade para os testes de DA e 65% para os testes de DCL, conseguindo diminuir a assinatura para até 5 proteínas. Já em Dantas & Valença (2013), utilizando de um framework de Rede Neural Artificial com treinamento não-supervisionado denominado Reservoir Computing (RC) e de uma assinatura com 3 proteínas, se obteve uma assertividade de 94,34% para os testes de DA e 66,59% para testes de DCL. Este trabalho utilizou da técnica de Recursive Feature Elimination combinada com Random Forest para encontrar uma assinatura representativa com 8 proteínas e com uma Rede Neural Multi-Layer Perceptron de duas camadas escondidas atingiu um resultado de 93,5% de assertividade para os testes de DA e 67% para os testes de DCL. Após isto, foi utilizada uma Generative Adversarial Network para expandir artificialmente a base de dados com dados sintéticos. Esta abordagem forneceu um ganho de 4% ao desempenho nos testes de DA.

Divulgação - Defesa Nº 235

Aluno: Danilo da Silva Barbosa de Lima

Título: "Um Framework para criação de Sistemas Híbridos".

Orientador: Paulo Salgado Gomes de Mattos Neto

Coorientador: João Fausto Lorenzato de Oliveira

Examinador Externo : Manoel Henrique da Nobrega Marinho - (UPE)

Examinador Interno : Alexandre Magno Andrade Maciel - (PPGEC)

Data-hora: 31/Maio/2021 (14:00h)
Local: Formato Remoto (https://meet.google.com/abf-dzvi-gyy?hs=224)

Resumo:

Tradicionalmente modelos estatísticos têm sido aplicados na previsão de séries temporais, assim como modelos de machine learning. No entanto, essas abordagens apresentam limitações quando aplicados isoladamente. Por exemplo, um modelo estatístico pode não ser capaz de mapear padrões lineares, tal como modelos de machine learning podem não ser capazes de mapear padrões lineares com o mesmo desempenho que os padrões não lineares, além de durante o treinamento ficar preso em mínimos locais, estar sujeito à ocorrência de overfit, momento em que o modelo perde a capacidade de generalizar e passa a decorar os exemplos. Para superar essas limitação alguns estudos propõem, sistema híbridos a partir da combinação de modelos estatísticos com modelos não lineares. Entretanto esses estudos apresentam duas limitações: a determinação prévia da sequência de modelos a serem usados, e a seleção dos modelos lineares e não- lineares independente do conjunto de dados. Esse trabalho propõe uma metodologia que busca a melhor sequência de combinação para prever uma série temporal. Além disso, a abordagem indica qual o modelo mais adequado para ser aplicado nos passos de modelagem da série temporal e dos resíduos. Resultados experimentais mostraram que o método proposto apresenta desempenho superior quando comparado com métodos encontrados na literatura.