Eventos
Divulgação - Defesa Nº 255
Aluno: Cleverton Anderson Duarte Silva
Título: “Diagnóstico sobre Programas de Pós-Graduação Stricto Sensu Tradicionais e Multicampi em Computação do Brasil”
Orientador: Fernanda Maria Ribeiro de Alencar - (PPGEC)
Co-orientador: Wylliams Barbosa Santos - (PPGEC)
Examinador Externo: Johnny Cardoso Marques - (ITA)
Examinador Interno: Roberta Andrade de Araujo Fagundes - (PPGEC)
Data-hora: 29 de Agosto de 2022 às 14:30h.
Local: Formato Remoto (https://meet.google.com/ech-whcr-myn)
Resumo:
O processo de expansão da Pós-Graduação Stricto Sensu Brasileira perpassa por uma série de particularidades técnicas e burocráticas que acabam por tornar mais complexa essa expansão. Também é observado que diversas localidades ainda não são abrangidas por cursos de Pós-Graduação Stricto Sensu, em especial quando observadas cidades no interior no Brasil. Observa-se então que são necessárias estratégias para a expansão da presença de Programas de Pós-Graduação Stricto Sensu. O Plano Nacional de Educação apresenta a necessidade desta expansão e orienta no que diz respeito a utilização de tecnologias computacionais, a exemplo das utilizadas na educação a distância, como possível alternativa para o aumento do alcance dos programas, particularmente após os diversos programas governamentais de expansão da educação superior no Brasil. Para identificar tais informações, um levantamento foi realizado de todos os programas de Pós-Graduação Stricto Sensu em Computação do Brasil, revelando um total de 88 programas e 130 cursos entre mestrados e doutorados. Também foi observada a existência de cinco Programas de Pós-Graduação Stricto Sensu que possuem seu funcionamento de maneira multicampi. Para entender ainda mais profundamente a realidade dos Programas multicampi, foi realizado um survey preliminar com coordenadores e vice coordenadores de programas de Pós-Graduação de instituições de ensino superior que possuem programas na modalidade multicampi e instituições de ensino superior que possuem mais de um programa de Pós-Graduação em computação porém em campus distintos, com o objetivo de entender quais as características e motivações que levaram a tomada de decisão por cada uma das modalidades de funcionamento e também entender suas potenciais vantagens e desvantagens de cada modalidade. Em seguida após as análises quantitativas e qualitativas necessárias um outro survey foi rodado com professores colaboradores e permanentes de programas de Pós-Graduação em computação de modo a validar os dados coletados anteriormente e também buscar novas informações que pudessem a ser relevantes. Concluímos deste modo que ainda existe uma assimetria em relação a presença dos programas de Pós-Graduação stricto sensu em computação. Tendo boa parte dos cursos existentes com seu funcionamento de modo tradicional. Dos participantes dos surveys, poucos conheciam a existência desta modalidade multicampi para Pós-Graduação, o que também é justificado pela ausência de documentos normativos oficiais de órgãos reguladores como MEC e CAPES sobre esta temática.
Divulgação - Defesa Nº 254
Aluno: João Victor Tinoco de Souza Abreu
Título: “Extracting Interpretable Classification Models via Readability-Enhanced Genetic Programming”
Orientador: Fernando Buarque de Lima Neto - (PPGEC)
Co-orientador: Denis Mayr Lima Martins
Examinador Externo: Diego Marconi P. Ferreira Silva - (UNICAP)
Examinador Interno: Cleyton Mário de Oliveira Rodrigues - (PPGEC)
Data-hora: 04 de Agosto de 2022 às 14:30h.
Local: Formato Remoto (https://meet.google.com/pro-eama-hjq)
Resumo:
As the impact of Machine Learning (ML) on business and society grows, there is a need for making ML- based decisions transparent and interpretable, especially in the light of fairness, and to avoid bias, and discrimination. It is known that the high-level applications of complex scenarios require more powerful models, such as Deep Learning (DL) models. Since the user needs to understand the functional details of those models, that is, how the model’s produce their outcomes. This research aims at helping on that front. Even though the use of opaque ML models (OM) for decision-making support trends in many application fields, little is known on revealing how the iteration with the user is valuable and what features and parameters should be used to clarify such OMs. This need for transparency motivated this research. Moreover, the high level of empirical basis on how outcomes should be interpreted was also an important additional motivation aspect. This work has the goal of extracting interpretable, transparent models from selected opaque decision models via a new readability-enhanced multi-objective Genetic Programming (GP) approach. The proposed more interpretable decision models mimic the original OM, and yield similar classification outcomes for the same input data, while keeping model complexity low. Our proposition is grounded on the assumption that higher model complexity hinders interpretability. In light of that, we adapt text readability metrics into proxies to evaluate ML interpretability. Our results on benchmark data sets demonstrate that the readability-based metrics put forward are effective means for assessing interpretability when compared with the state-of-the-art approaches. Experimentally, we observed the practical ability of applying our approach, as we compared the results with our already-known competitors, considering that this study has used better reference of taking interpretability outcomes with a readable-enhanced evolutionary approach.
Divulgação - Defesa Nº 253
Aluno: Leonardo de Leon Dias
Título: “Sistema híbrido para previsão de velocidade do vento”
Orientador: João Fausto Lorenzato de Oliveira - (PPGEC)
Co-orientador: Emerson Alexandre de Oliveira Lima - (UPE)
Examinador Externo: Paulo Salgado Gomes de Mattos Neto - (UFPE)
Examinador Interno: Cleyton Mário de Oliveira Rodrigues - (PPGEC)
Data-hora: 28 de julho de 2022 às 13:00h.
Local: Formato Remoto (https://meet.google.com/frg-wdbr-bee)
Resumo:
A contribuição da energia eólica com a matriz energética mundial vem crescendo substancialmente e representa uma grande parcela na produção de energia limpa. Contudo, a capacidade de geração de energia eólica está diretamente relacionada à velocidade do vento, e o vento por sua vez é intermitente, apresenta variação constante, possui comportamentos variados e possui padrões não lineares. Dessa forma, a capacidade de prever a velocidade do vento é fundamental para viabilizar a instalação e operação de uma usina eólica. Diversos modelos e diferentes abordagens para previsão de séries temporais de velocidade do vento podem ser encontrados na literatura, dentre eles a modelagem de sistemas híbridos combinando diferentes modelos estatísticos mostram-se boas opções para o desempenho dessa tarefa. Esses sistemas visam superar as limitações de um único modelo através da agregação das qualidades oferecidas por modelos distintos. Neste sentido, a combinação de modelos lineares e não lineares para predição da série de resíduo é uma abordagem recorrente na literatura e que mostra-se bastante eficaz. Esse artigo propõe um sistema híbrido para previsão de séries de velocidade do vento com intervalos horários e mensais e utiliza diferentes modelos estatísticos para geração de uma função de combinação não linear entre modelos lineares e não lineares. A abordagem proposta orienta quais os modelos são mais adequados para proporcionar uma melhor performance na tarefa de predição. Foram feitas avaliações em diferentes cenários utilizando dados de três estações meteorológicas do nordeste do brasileiro e os resultados obtidos mostraram que o sistema híbrido proposto atingiu uma precisão superior a outros modelos encontrados na literatura.
O Programa
