Divulgação - Defesa Nº 232

Aluno: Everaldo Faustino dos Santos Júnior

Título: "Comparação de Algoritmos de Aprendizado de Máquina para Aplicação na Modelagem de Antenas".

Orientador: Carmelo José Albanez Bastos Filho (UPE/PPGEC)

Coorientador : Arismar Cerqueira Sodré Júnior (INATEL)

Examinador Externo : Sérgio Campello Oliveira - (UPE)

Examinador Interno : Roberta A. de A. Fagundes (PPGEC)

Data-hora: 30/Março/2021 (17:00h)
Local: Formato Remoto (http://meet.google.com/kzu-yxst-mgv)

Resumo:

Esta dissertação investigação a aplicação de técnicas de aprendizado de máquina para aplicação em modelagem de antenas, com o objetivo de encontrar um modelo substituto que tenha uma boa capacidade de representação, baixo custo computacional e que permita a aplicação de meta-heurísticas de otimização no projeto dos parâmetros da antena. Em primeiro lugar foi investigado a implementação e o desempenho de algumas técnicas de aprendizado de máquina, incluindo k-Vizinhos mais Próximos(KNN), Máquinas de Vetores de Suporte (SVR), LASSO, Florestas Aleatórias (RF), Splines de Regressão Adaptativa Multivariada (MARS), Processo Gaussiano (GP), Categorical Boosting(CatBoost), rede neural multilayer perceptron. Em seguida as técnicas foram comparadas e analisadas. Para a antena dipolo teve três modelos conseguiram um bom desempenho: Máquinas de Vetores de Suporte, Processo Gaussiano e CatBoost. Para a antena \emph{Quasi- Yagi} o Processo Gaussiano foi o que obteve o melhor desempenho.

Divulgação - Defesa Nº 231

Aluno: José Vinícius Vieira Lima

Título: “Guia de Apoio para o Processo de Ensino- aprendizagem Ativo da Engenharia de Software”.

Orientador: Profa. Fernanda Maria Ribeiro de Alencar

Examinador Externo : Jorge da Silva Correia Neto - (UFRPE)

Examinador Interno : Wylliams Barbosa Santos (PPGEC)

Data-hora: 26/Março/2021 (14:00h)
Local: Formato Remoto (https://meet.google.com/fwo-fdyy-bsw)

Resumo:

"Nos últimos anos, o ensino em Engenharia de Software (ES) evoluiu tanto na teoria, quanto na prática, tendo como propósito atender às exigências da sociedade e ao dinamismo da indústria de software que requisita por profissionais qualificados. Neste sentido, o uso de Metodologias Ativas (MAs) vem ganhando destaque no ensino em ES como alternativas que potencializam o aprendizado mais significativo, aproximando a academia da indústria e estimulando destrezas por intermédio de uma formação humanística, crítica e reflexiva. Apesar de tais benefícios, os docentes da área relatam que ainda existe um baixo entendimento sobre a utilização e seleção dessas estratégias, tornando a implantação um desafio. Associado ao entendimento, pode-se elencar a carência de materiais e ferramentas que proporcionem o apoio para que os docentes selecionem a metodologia ativa que melhor se enquadre diante do contexto a ser aplicada. Frente a essa situação, este trabalho possui como objetivo auxiliar os docentes a selecionarem MAs adequadas, intencionando a adoção da aprendizagem ativa no processo de ensino em ES, de modo que alavanque o desenvolvimento de competências e habilidades nos discentes. Para esse fim, desenvolveu-se um guia de apoio que oportuniza o docente a selecionar o tipo de metodologia ativa a ser introduzida no ensino em ES a partir da identificação do perfil e do estilo de aprendizagem dos discentes. O trabalho foi realizado através da abordagem de pesquisa Design Science Research. Inicialmente, conduziu-se uma Revisão Sistemática da Literatura que possibilitou a compreensão dos aspectos associados ao uso das MAs no ensino em ES. Em paralelo, aplicou-se um survey com docentes da ES em Instituições de Ensino Superior a fim de adquirir diretrizes mais consistentes no tocante ao campo de atuação e nos cenários reais de aplicação das MAs. Adicionalmente, o guia de apoio foi desenvolvido com base na realização de dois ciclos de design intercalados por um ciclo de avaliação. Ao final, a validação sucedeu-se mediante a aplicação de um questionário com um painel composto por especialistas que atuam na área de ensino em ES. De acordo com as avaliações, os resultados evidenciaram um bom nível de aceitação do guia de apoio, bem como indicativos de sua compreensão, clareza, facilidade de uso, organização e flexibilidade. Além disso, o guia de apoio favorece a visualização e seleção das MAs de modo que essas ações possam ser realizadas com baixo nível de esforço e por docentes que possuam poucas habilidades. Assim, a análise desses resultados permite, dentro dos limites estabelecidos, concluir que o guia de apoio pode ser utilizado como uma ferramenta pedagógica no processo de ensino-aprendizagem ativa em ES."

Divulgação - Defesa Nº 230

Aluno: Angel Antonio Ayala Maldonado

Título: “ KutralNext: An Efficient Multi-label Fire and Smoke Image Recognition Model”.

Orientador: Prof. Dr. Bruno José Torres Fernandes

Coorientador: Francisco Javier Cruz Naranjo (Universidad Central de Chile e Deakin University)

Data-hora: 12 de Março de 2021, às 7:00h
Local: Formato Remoto (https://meet.google.com/zzy-wukg-wwa)

Resumo:

"Early alert fire and smoke detection systems are crucial for management decision making as daily and security operations. One of the new approaches to the problem is the use of images to perform the detection. Fire and smoke recognition from visual scenes is a demanding task due to the high variance of color and texture. In recent years, several fire-recognition approaches based on deep learning methods have been proposed to overcome this problem. Nevertheless, many developments have been focused on surpassing previous state-of-the-art model’s accuracy, regardless of the computational resources needed to execute the model. In this work, is studied the trade-off between accuracy and complexity of the inverted residual block and the octave convolution techniques, which reduces the model’s size and computation requirements. The literature suggests that those techniques work well by themselves. Furthermore, in this research was demonstrated that combined, it achieves a better trade-off. Efficient models are required for hardware constrained systems, such as mobile devices, embedded systems, and robotics, achieving high performance at low-power consumption. This work proposed the KutralNext architecture, an efficient model with reduced number of layers and computacional resources for single- and multi-label fire and smoke recognition tasks. Additionally, a more efficient KutralNext+ model improved with novel techniques, achieved an 84.36% average test accuracy in FireNet, FiSmo, and FiSmoA fire datasets. For the KutralSmoke and FiSmo fire and smoke datasets attained an 81.53% average test accuracy. Furthermore, state-of-the-art fire and smoke recognition model considered, FireDetection, KutralNext uses 59% fewer parameters, and KutralNext+ requires 97% fewer flops and is 4x faster."