Divulgação - Defesa Nº 219

Aluno: Pedro Henrique Ramos Macêdo

Título: “Desenvolvimento de um Modelo de Análise de Perfis de Engajamento de Estudantes de Ensino A Distância”.

Orientador: Prof. Alexandre Magno Andrade Maciel

Coorientador: Prof. Wylliams Barbosa Santos

Data-hora: 14/Outubro/2020 (14:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (https://meet.google.com/qnc-iikg-rtc)

Resumo:

“O uso de ambientes virtuais de aprendizagem permitem mais interação no ensino a distância mas ao mesmo tempo traz consigo o distanciamento do aluno e do professor. Os métodos para identificar comportamentos aplicados na aprendizagem presencial enfrentam limitações no ensino à distância, fazendo com que os professores tenham dificuldade em identificar seu aluno. Esse trabalho tem como objetivo detectar os perfis de engajamento dos estudantes de ensino a distância utilizando técnicas de mineração de dados. Através de uma revisão sistemática da literatura, foram encontrados quais as principais variáveis utilizadas para identificar o engajamento do estudante nos ambientes virtuais de aprendizagem. O experimento seguiu as etapas do CRISP-DM e utilizou 3 algoritmos de agrupamento para identificar os perfis a partir das variáveis encontradas pela revisão sistemática da literatura. Os perfis encontrados possuem uma fraca relação entre eles, porém, é possível detectar os traços comportamentais dos estudantes nas plataformas de ensino a distância, sendo possível identificar os principais perfis de engajamento.”

Divulgação - Defesa Nº 218

Aluno: Letícia Virgínia Netto Lapenda

Título: “Autoencoder latent space: an empirical study”.

Orientador: Prof. Carmelo José Albanez Bastos Filho

Data-hora: 25/Setembro/2020 (11:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (http://meet.google.com/hvn-jtom-qpa)

Resumo:

“Feature extraction is essential to many machine learning tasks. By extracting features, it is possible to reduce the dimensionality of datasets, focusing on the most relevant features and minimizing redundancy. Autoencoders (AE) are neural network architectures commonly used for feature extraction. A usual metric used to evaluate AEs is the reconstruction error, which compares the AE output data with the original one. However, many applications depend on how the input representations in intermediate layers of AEs, i.e. the latent variables, are distributed. Therefore, additionally to the reconstruction error, an interesting metric to study the latent variables is the Kullback-Leibler divergence (KLD). This work analyzes how some variations on the AE training process impact the aforementioned metrics. Those variations are: 1. the AE depth, 2. the AE middle layer architecture, and 3. the data setup used for training. Results have shown a possible relation between the KLD and the reconstruction error. In fact, lower errors have happened for higher KLDs and less compressed latent variables, i.e. more neurons on the AE middle layers.”

Divulgação - Defesa Nº 216

Aluno: Pedro José Buarque Lins dos Santos

Título: “Multi-Objective Optimization with Evolutionary Algorithms applied to Antenna Design”.

Orientador: Prof. Carmelo José Albanez Bastos Filho
Coorientador: Arismar Cerqueira Sodré Júnior

Data-hora: 31/Agosto/2020 (15:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (http://meet.google.com/asy-hfpp-hcy)

Resumo:

“Em problemas complexos de engenharia, é comum lidar com mais de duas variáveis de saída. Nesses cenários, a idéia de um ótimo global deixa de existir e o objetivo é buscar os melhores trade-offs entre as várias variáveis de saída. Nesse espaço de saída com objetivos mais complexos, é muito mais desafiador encontrar as melhores relações entre as variáveis de saída. Os algoritmos de otimização multi-objetivo são ferramentas promissoras para encontrar as Fronteiras de Pareto, conjuntos das soluções com melhores trade-offs. No caso projeto de antenas, as variáveis de entrada são elementos geométricos associados ao tipo de antena. Por outro lado, as variáveis de saída são os indicadores de desempenho desejáveis, como frequência de ressonância, largura de banda e ganho. No processo de otimização multi-objetivo, muitas vezes os indicadores de conflito definem uma relação de conflito sobre um mesmo conjunto de variáveis de entrada. Em outras palavras, ao utilizar um conjunto específico de variáveis de decisão para otimização de um desses indicadores, acabamos obtendo o detrimento de outro, nesse caso, os melhores trade-offs representam as melhores relações de conflito entre esses indicadores. Este trabalho tem como objetivo fazer uso de vários algoritmos evolucionários multi-objetivos, estudar suas mecânica internas e seus operadores para entender como é possível escolher da melhor maneira os parâmetros de projeto da antena. Além disso, também é proposto um pipeline inteiro para automatizar essa tarefa. Ele é baseado em duas fases, primeiro criando um modelo de caixa preta para simular o software eletromagnético, depois o modelo resultante como é utilizado como função objetivo e são realizadas simulações usando um conjunto seis algoritmos evolucionários multi-objetivos. Posteriormente, é feita a análise da convergência, aproximação da Fronteira de Pareto e vários indicadores de qualidade são aplicados. Os algoritmos usado neste trabalho são das mais diversas famílias, baseados em dominância populacional, como NSGA-II e SPEA2, baseada em decomposição como MOEA/D, guiados por indicador de qualidade como o IBEA e algoritmos derivados do PSO, como OMOPSO e SMPSO. Os algoritmos foram aplicados em dois casos de estudo envolvendo dois tipos de antenas, o Dipolo Impresso e a Quasi-Yagi. O primeiro deles formula um problema de otimização de dois objetivos e o segundo como um problema de otimização de três objetivos mais complexo. Resultados numéricos demonstram que o OMOPSO é uma abordagem potencial superior para os dois estudos de caso avaliados no projeto de antenas.”