Eventos
Divulgação - Defesa Nº 252
Aluno: Marcos André Santos Galindo
Título: “Including Cultural Aspects in FSS - Cultural Weight-Based Fish School Search (cwFSS)”
Orientador: Fernando Buarque de Lima Neto - (PPGEC)
Co-orientador: Marcelo Gomes Pereira de Lacerda
Examinador Externo: Francisco Madeiro B. Júnior - (UNICAP)
Examinador Interno: Carmelo José Albanez B. Filho - (PPGEC)
Data-hora: 30 de junho de2022 às 16:30h.
Local: Formato Remoto (https://meet.google.com/ajd-cfpq-aah)
Resumo:
Many real-life engineering applications are optimization problems. To find the best combination of parameters to minimize costs and maximize efficiency, engineers tipically use project software such as CAD, CAE and CAM. In this context, intelligent optimization techniques may be used to automate and improve such task. None the less, these algorithms may search in unreliable areas and even suggest risky solutions, which for real-life applications may cause problems because of inaccuracies and unfeasibility (especially in the industrial environment). Thus cultural aspects should be combined with multimodal Swarm Intelligence algorithms to deal with that. The present work proposes the incorporation of Cultural Algorithms concepts to Weight-Based Fish School Search (wFSS), generating a new optimization algorithm, the Cultural Weight-Based Fish School Search (cwFSS). cwFSS is able to guide the optimization process based on norms, expert experience and theoretical knowledge about the problem without the need of implying constraints to the fitness function, while it keeps some desirable freedom to the search. cwFSS was also evaluated the use of historical knowledge to intelligently find the optimal time to stop the search process. The proposed method was tested in a function set of the CEC niching optimization competition, a thermal power plant efficiency optimization simulator, compared with the standard wFSS, and Niching Migratory Multi-swarm Optimiser (NMMSO) – champion of CEC’2015 niching optimization competition. As for results, cwFSS has outperformed NMSSO in time, fitness and variability, and the original wFSS about time, stability, safeness and variability of the multimodal solutions. Therefore, cwFSS is deemed an interesting support tool for engineering decisions problems.
Divulgação - Defesa Nº 251
Aluno: Rodrigo Simões Costa
Título: “Classificação de pacientes com diabetes pela análise dos padrões de proteínas presentes na saliva usando algoritmos de aprendizado de máquinas”
Orientador: Carmelo José Albanez Bastos Filho - (PPGEC)
Co-orientador: Anthony José da Cunha Carneiro Lins
Examinador Externo: Diego Marconi Pinheiro Ferreira Silva - (UNICAP)
Examinador Interno: Sérgio Murilo Maciel Fernandes - (PPGEC)
Data-hora: 30 de junho de 2022 às 15:00h
Local: Formato Remoto (https://meet.google.com/ofu-zaei-ofx?hs=224)
Resumo:
Equipamentos modernos têm permitido o mapeamento de informações biológicas do ponto de vista molecular, que podem ser utilizadas para predição e diagnóstico de doenças. Além disso, os exames laboratoriais auxiliam no diagnóstico clínico e trazem marcadores com padrões complexos. Esses padrões podem ser usados em conjunto com técnicas de Machine Learning para detectar e automatizar diagnósticos de pacientes. Essas ferramentas de aplicação podem ser utilizadas para o diagnóstico precoce de doenças. Este trabalho mostra uma aplicação de técnicas de aprendizado de máquina supervisionado para classificar pacientes com diabetes, usando os marcadores de proteínas contidos na saliva diretamente nos dados fornecidos por um equipamento implantado para medir pesos moleculares. Nosso banco de dados (o SalivaTecDB [1]) possui 170 pacientes sendo 52 diabéticos e 118 não diabéticos. Analisamos quatro técnicas de aprendizado de máquina amplamente utilizadas, mostrando que a máquina de vetores de suporte obteve os melhores resultados em relação à acurácia, precision, recall e F1-score.
Divulgação - Defesa Nº 250
Aluno: José Ivo Carille Neto
Título: “Uso de aprendizagem de máquina e análise multinível de abordagens hierárquicas na predição de despesa pública”
Orientador: Fernando Buarque de Lima Neto - (PPGEC)
Co-orientador: João Fausto Lorenzato de Oliveira - (PPGEC)
Examinador Externo: André Guimarães Ferraz – (UFPE)
Examinador Interno: Bruno José Torres Fernandes - (PPGEC)
Data-hora: 28/Junho/2022 - 10:00h AM
Local: Formato Remoto (https://meet.google.com/xtv-wasm-dbg?hs=224)
Resumo:
Diversos cenários onde a predição de séries temporais são objeto de estudo têm estruturas hierárquicas. As vendas mensais de um produto ao longo da última década no Brasil, por exemplo, podem ser divididas por Estado e, posteriormente, por municípios. Ou ainda poderiam ser divididas por tamanho ou sabor. Quando este tipo de estrutura aparece, são séries temporais hierárquicas. Levar essa característica das séries em consideração pode não só ajudar a obter resultados melhores, como mantém a coerência entre os valores gerados. Este trabalho constitui o desenvolvimento de modelo preditivo para a execução da despesa pública considerando a estrutura hierárquica deste domínio de aplicação. Este objetivo está em consonância com os desafios de uma Administração Pública alinhada a uma ação planejada e organizada. Como é próprio desta esfera de trabalho, esta necessidade não está fundamentada apenas por aspectos relacionados a gestão, mas também a própria legalidade na esteira da Lei de Responsabilidade Fiscal. Considerando este um desafio de mineração de dados, o trabalho explora a metodologia CRISP-DM e suas necessárias adaptações para considerar particularidades das séries temporais hierárquicas. Também são considerados modelos estatísticos como o ARIMA e modelos de aprendizagem de máquina. Extreme Learning Machines (ELM), por exemplo, é um método cuja utilização com séries temporais hierárquicas representa uma aplicação original. Este trabalho apresentou um modelo preditivo considerando a estrutura hierárquica das despesas públicas, portanto, que preza pela coerência de suas predições em diversos níveis. Esta aplicação demonstrou que a utilização de séries temporais hierárquicas aliadas a algoritmos de aprendizagem de máquina constituem uma valorosa para gerar resultados melhores no contexto das contas públicas.
O Programa
