Eventos
Divulgação - Defesa Nº 190
Aluno: Weverton Fernandes de Medeiros Melo
Título: “Desenvolvimento de um Modelo de Análise de Desempenho Acadêmico em Relação a Atitude em STEM”.
Orientador: Prof. Alexandre Magno Andrade Maciel
Coorientador: Prof. Rodrigo Lins Rodrigues
Data-hora: 07/Março/2019 (14:00h)
Local: Escola Politécnica de Pernambuco – SALA I-5
Resumo:
“A ciência possui um papel fundamental na sociedade moderna principalmente devido a sua contribuição para o crescimento econômico e desenvolvimento tecnológico. Países com grande influência econômica, como é o caso dos Estados Unidos da América (EUA), investem fortemente em ciência e tecnologia, possibilitando grandes avanços dos quais são improváveis por países que não investem com a mesma finalidade. Essa forte relação de investimento acaba se tornando mais evidente pois, atualmente, presenciamos países regredindo em seus níveis de evolução científica devido à falta de capital destinado para investimento. Dentre as várias razões para preocupação com as condições da ciência está na inadequação que a educação em STEM (Science, Technology, Engineering and Mathematics) se encontra, principalmente nas relações entre quantidade e qualidade, e desigualdade na distribuição nos níveis sociais. A realidade do Brasil é bastante preocupante, pois quando comparado a outros países desenvolvidos, este não apresenta bons indicadores de formação de STEM. Se aprofundarmos esta realidade ao estado de Pernambuco encontramos uma situação ainda mais alarmante, e.g. entre 2005 e 2015, as notas em matemática e português só aumentaram 8% e 11%, respectivamente. Ainda neste contexto, é possível apontar uma piora quando constatado uma alta demanda no setor de STEM seguido de uma baixa formação de cientistas, principalmente de qualidade. Quando busca-se mensurar a atitude de estudantes com relação a área de STEM, encontram-se uma escassez de instrumentos. Portanto, este trabalho possui como objetivo propor um modelo de análise de desempenho acadêmico de estudantes em áreas STEM, baseando-se nas atitudes e vivência do aluno, logo após entrar na universidade, buscando entender as causas de uma performance acadêmica positiva ou negativa. Para isso, foram criadas bases de dados relacionadas as disciplinas com indicadores STEM, e estas foram submetidas a análises com algoritmos de Inteligência Computacional (IC). Os algoritmos selecionados foram Árvore de Decisão, Random Forest e Regressão Logística. Os resultados obtidos são satisfatórios e dão indícios que a atitude em relação à STEM, mensurada através da escala pode refletir em um possível despenho acadêmico futuro.”
Divulgação - Defesa Nº 189
Aluno: Milla Silva Alcoforado Ferro
Título: “Interpretação do Aprendizado em Redes Neurais Piramidais com Restrição Não-negativa”.
Orientador: Prof. Bruno José Torres Fernandes
Data-hora: 28/Dezembro/2018 (9:00h)
Local: Escola Politécnica de Pernambuco – SALA I-4
Resumo:
“Redes Neurais Artificiais têm sido aplicadas com sucesso em diversos problemas de reconhecimento de padrões. Mesmo diante das muitas vantagens apresentadas por esse modelo, ainda há desvantagens na aplicação de redes neurais que ainda não foram resolvidas inteiramente. Uma delas diz respeito ao fato de esses modelos serem considerados como caixas-pretas. Entender o aprendizado das redes neurais é uma tarefa complexa devido às suas camadas não-lineares. É difícil compreender o que as fazem chegar a uma classificação particular ou decisão de reconhecimento dado um exemplo não visto da base de dados. Métodos de visualização do aprendizado da rede podem ser uma alternativa para mitigar este problema. Pois, através deles, pode-se entender melhor o comportamento das redes neurais, possibilitando inclusive o aperfeiçoamento dos modelos. Além disso, estudos tem demonstrado que restrições de não-negatividade em redes neurais também contribuem para a geração de modelos mais interpretáveis, devido a realização de um aprendizado por partes. Por isso, através da inserção da não-negatividade juntamente com um método de visualização, objetiva-se contribuir para geração de redes neurais mais transparentes e interpretáveis, para que forneçam não só o resultado final como também intuições sobre os dados de entrada e o funcionamento do classificador. Os experimentos foram realizados com duas redes piramidais, a Lateral Inhibition Pyramidal Neural Network (LIPNet) e a Structured Pyramidal Neural Network (SPNN), em problemas de reconhecimento de gênero e faces. Os resultados mostraram que os modelos não-negativos se revelaram mais interpretáveis. Além disso, houve ganhos na estabilidade e na robustez da rede.”
Divulgação - Defesa Nº 188
Aluno: Celso Antônio Marcionilo Lopes Júnior
Título: “Aplicação de modelo Long Short-Term Memory na Classificação e Previsão das Rampas de Potência Eólica”.
Orientador: Prof. Mêuser Jorge Silva Valença
Data-hora: 27/Dezembro/2018 (10:00h)
Local: Escola Politécnica de Pernambuco – SALA I-4
Resumo:
“A produção de energia elétrica por fontes eólicas cresce a cada ano e já integra parte da matriz energética global, mas sua principal fonte, o vento, apresenta variações de velocidade algumas vezes indesejáveis. Quando estas variações atingem uma determinada taxa acima do limite da potência nominal de um parque eólico, surge um evento que gera instabilidade para a produção de energia. Este problema é conhecido como eventos de rampa eólica. Prever com precisão e antecipação os eventos de rampa, pode mitigar o problema da incerteza e instabilidade na geração de potência eólica, proporcionando uma janela de tempo suficiente para que os operadores do sistema selecionem alternativas de controle e estabilidade. Neste sentido, este trabalho propõe a utilização de um modelo de rede neural recorrente baseado na arquitetura da rede long short-term memory, que tem a capacidade de tratar o problema de perda do sinal de erro nas dependências de longo prazo, para a classificação e previsão de ocorrências das rampas eólicas. Outras abordagens de redes neurais foram usadas como referência, três modelos com base na arquitetura das redes recorrentes de aprendizado profundo, uma Multilayer Perceptron, e outra com base na Reservoir Computer. Os dados de potência gerada por três parques eólicos foram utilizados para os experimentos. Fazendo uso da métrica para taxa de sucesso e aplicação de testes estatísticos, após os experimentos, o modelo proposto com base na arquitetura da long short-term memory apresentou resultados significativamente superiores aos modelos de referência.”
O Programa
