Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 312
Aluno: Gabriel Candido da Silva
Título: “Desenvolvimento de uma Abordagem de Aprendizado de Máquina para Avaliação da Fluência em Leitura Infantil"
Orientador: Alexandre Magno Andrade Maciel
Coorientador: Rodrigo Lins Rodrigues (UFRPE)
Examinador Externo: Gabriel Alves de Albuquerque Júnior (UFRPE)
Examinador Interno: Raphael Augusto de Sousa Dourado
Data-hora: 19 de dezembro de 2024, às 10h.
Local: Formato Remoto.
Resumo:
"A fluência de leitura é um componente crítico da compreensão de texto. Embora a importância da fluência de leitura tenha sido demonstrada por diversos estudos, avaliar a velocidade, precisão e prosódia da leitura de cada aluno, várias vezes durante o ano letivo, é uma tarefa desafiadora para os professores. Assim, uma avaliação de fluência de leitura automática, confiável e de baixo custo seria uma ferramenta valiosa. Tecnologias de reconhecimento automático de fala têm sido utilizadas para criar avaliações de fluência, mas muitos estudos se concentram apenas na precisão da leitura, negligenciando dimensões importantes como velocidade e prosódia. Este trabalho visa desenvolver uma abordagem de aprendizado de máquina para avaliar a fluência de leitura considerando três dimensões: precisão, velocidade e prosódia. O processo inclui: 1) Transcrição de áudio; 2) Extração de características de fluência; e 3) Aplicação de modelos de aprendizado de máquina para prever a fluência. Um conjunto de dados de 600 gravações de áudio de crianças do 2o e 3o ano foi utilizado. A transcrição foi feita com o modelo WhisperX large-v3, e a extração considerou a precisão (palavras lidas corretamente), a velocidade (palavras lidas por minuto) e a prosódia (pausas corretas). Os experimentos incluíram: 1) Classificação binária; 2) Classificação multiclasse; e 3) Regressão, com variáveis independentes derivadas de características extraídas e a variável dependente sendo a pontuação de fluência avaliada por um especialista. Os resultados mostraram 83% de precisão na classificação binária, 75% na classificação multiclasse e métricas de regressão com MAE, MSE e R2 de 1,09, 2,37 e 0,71, respectivamente. Espera-se que essa abordagem ajude a implementar avaliações de leitura em tempo real, auxiliando os professores a tomar decisões pedagógicas mais informadas."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 311
Aluno: Hugo de Andrade Amorim Neto
Título: “Integração de Modelos Surrogate no Algoritmo PALLAS para Inferência de Redes Reguladoras Gênicas"
Orientador: Fernando Buarque de Lima Neto
Coorientador: Marcelo Gomes Pereira de Lacerda
Examinador Externo: Ulisses de M. Braga Neto (Texas A M University)
Examinador Interno: Wellington Pinheiro dos Santos
Data-hora: 18 de dezembro de 2024, às 16:30.
Local: Formato Híbrido, no Miniauditório PPGEC e Google meet.
Resumo:
"A inferência de redes regulatórias gênicas (RRG) é uma área importante para o entendimento de processos biológicos complexos, como a resposta celular a estímulos externos e o desenvolvimento de doenças. Essas redes permitem modelar as interações entre genes, fornecendo insights sobre os mecanismos regulatórios que controlam funções celulares. Contudo, a inferência de RRG apresenta desafios devido ao alto custo computacional envolvido na avaliação de funções de fitness em algoritmos de otimização. Neste trabalho, é explorado a aplicação de modelos surrogate em meta-heurísticas para inferir RRG a partir de dados temporais de expressão gênica. Modelos surrogate, como funções de base radial, são usados para aproximar funções de fitness e reduzir o número de avaliações diretas, enquanto meta-heurísticas, como o Mixed Fish School Search (MFSS), são utilizadas para otimizar problemas complexos. Foi proposto o algoritmo Surrogate-based Mixed Fish School Search (SMFSS), que integra modelos surrogate ao Penalized Maximum Likelihood and Particle Swarms (PALLAS), visando melhorar a efi ciência computacional do processo de inferência. O SMFSS foi avaliado em duas abordagens. A primeira abordagem visa reduzir o número de chamadas a função de fitness, mantendo a qualidade do resultado final, enquanto a segunda mantém o número de chamadas de fitness, mas incorpora iterações que utilizem o modelo surrogate para aprimorar a eficácia computacional do algoritmo. Ambas as versões foram testadas utilizando o dataset da célula A549 e o p53-MDM2 negative-feedback loop, com e sem a incorporação de informações prévias. Os resultados indicaram uma redução de até 89% no número de chamadas a função de fitness, com resultados finais estatisticamente equivalentes aos do algoritmo original, segundo o testeU de Mann-Whitney. Na segunda abordagem, que manteve o número de chamadas de fitness, os resultados foram equivalentes ou superaram os de referência, demonstrando melhoras em termos de performance. Assim, este trabalho evidencia o potencial significativo da incorporação de modelos surrogate em meta-heurísticas para a inferência de RRG e também indicam oportunidades para sua aplicação em diferentes áreas da biologia."
DEFESA DE TESE DE DOUTORADO 26
Aluno: Rafael Diniz Toscano de Lima
Título: “Uma metodologia inteligente de agregação de variáveis exógenas às séries temporais financeiras"
Orientador: Sérgio Murilo Maciel Fernandes
Examinador Externo: Paulo Salgado Gomes de Mattos Neto - (UFPE)
Examinador Externo: Anthony José da Cunha Carneiro Lins - (UNICAP)
Examinador Interno: João Fausto Lorenzato de Oliveira
Examinador Interno: Sidney Marlon Lopes de Lima
Data-hora: 208 de novembro de 2024, às 13h.
Local: Formato Remoto.
Resumo:
"Esta tese propõe uma metodologia para a inclusão eficaz de variáveis exógenas em modelos de previsão de séries temporais financeiras, utilizando uma base de dados própria e amplamente acessível à comunidade científica. O objetivo central é melhorar a precisão das previsões financeiras por meio da integração de variáveis exógenas já quantificadas e compatíveis com a granularidade dos dados financeiros estudados. A pesquisa se concentra no uso de técnicas de modelagem consolidadas, como o ARIMA, testando a eficácia dessas variáveis na melhoria das previsões com base em métricas amplamente aceitas na literatura. A proposta oferece uma contribuição prática replicável, garantindo robustez e validade em ambientes controlados. A pesquisa não inclui métodos para tratar variáveis com diferentes granularidades ou dados faltantes, focando-se em variáveis exógenas que estejam totalmente alinhadas temporalmente com a série em estudo. O foco está em maximizar o potencial das técnicas já existentes, sem o desenvolvimento de novos modelos, por meio da inclusão estratégica de variáveis exógenas bem estruturadas e relevantes. A metodologia abrange desde a coleta e pré-processamento dos dados até a otimização da seleção de parâmetros via computação evolucionária, permitindo uma configuração ideal para cada série. Os testes realizados confirmaram que a inclusão de variáveis exógenas melhora a acurácia das previsões, validando a eficácia dessa abordagem para a modelagem de séries financeiras. A pesquisa, portanto, oferece uma solução prática para a integração de variáveis exógenas em previsões financeiras, com ganhos substanciais na precisão sem a necessidade de criar novos modelos."
O Programa
