Trabalhos de Conclusão de Curso
URI permanente para esta coleçãohttps://repositorio.fei.edu.br/handle/FEI/3176
Navegar
Trabalho de Conclusão de Curso DETECÇÃO AUTOMÁTICA DE DISLEXIA BASEADA EM LEITURA DIGITAL(2020-12-09) IAGO RODRIGUES WANDEUR; JOSÉ DJALMA DA CUNHA JÚNIORO processo de investigação diagnóstica da dislexia é relativamente demorado e envolve o trabalho de uma equipe multiprofissional de saúde em seu âmbito, muitas vezes o tornando caro e impossibilitando o acesso de uma grande quantidade de pessoas com menos recursos financeiros e de pessoas com rotinas agitadas e pequena quantidade de tempo livre pessoal, seja por cotidiano atarefado profissionalmente ou estudantil. Em consideração a essas pessoas e aos obstáculos encontrados no diagnóstico dessa condição, esse trabalho objetiva identificar a dislexia de uma forma mais rápida e acessível às diferentes camadas socioeconômicas da sociedade. O experimento consiste na análise visual da leitura de um texto no computador, sendo o padrão de leitura interpretado por uma rede neural do tipo deep learning e, em questão de minutos, é emitido um relatório com a probabilidade da pessoa possuir dislexia, incentivando a procura de atendimento adequado para o caso.Trabalho de Conclusão de Curso ESTUDO DE MODELOS DE PREDIÇÃO DE CANCELAMENTO DE SERVIÇOS DE TELEFONIA UTILIZANDO TÉCNICAS DE APRENDIZADO DE MÁQUINA(2020-12-09) GUILHERME MARTINS GONÇALVES DE OLIVEIRA; JOÃO VICTOR SERRALHAUm dos pontos mais críticos, para empresas de telefonia, é a alta taxa de rotatividade dos clientes, e para atender às necessidades de sobrevivência no ambiente competitivo, a retenção de clientes existentes tornou-se um grande desafio. O estudo feito por Hanif (2019) mostra que devido ao avanço da tecnologia nos últimos anos, o ramo de telecomunicação foi uma das primeiras indústrias a investir em técnicas de aprendizado de máquina e de análise de dados para a prevenção da rotatividade de clientes. Porém, mesmo com os investimentos, a questão da rotatividade de clientes ainda é um grande problema nesse setor. Na pesquisa realizada por Saraswat e Tiwari (2018) no setor de telecomunicações, afirma-se que o custo de aquisição de um novo cliente é muito maior do que reter o existente. Nesse trabalho, foram comparados os desempenhos de três algoritmos distintos de aprendizado de máquina no contexto de predição de cancelamento de serviços em empresas de Telecom. Os algoritmos foram aplicados em uma base de dados com registros reais de uma empresa de telecomunicação. Os resultados foram utilizados para a construção de suas determinadas métricas, tendo como objetivo, avaliar o desempenho dos classificadores. Após o treinamento e validação dos modelos, foi possível chegar em uma conclusão de qual algoritmo produziu o melhor modelo nesse contexto e as possíveis razões para tal resultadoTrabalho de Conclusão de Curso SOFTWARE DE PRÉ-DIAGNÓSTICO MÉDICO PARA CLASSIFICAÇÃO DE RISCO(2023-06-12) DOUGLAS IINO RINALDI; GUILHERME CUCIO LAGO; LUCAS LOPES; MARCELO NOBREAtualmente a classificação de risco é um processo realizado por um profissional de saúde (na maioria dos casos por um enfermeiro) assim que o paciente chega ao hospital, a fim de determinar a gravidade dos sintomas que o mesmo apresenta, além de encaixá-lo na fila com um tempo de espera condizente a tais sintomas para que todos possam ser atendidos de forma conveniente e eficiente. A falha em classificar o paciente de forma precisa pode acarretar em consequências tanto para ele quanto para todos os outros que tiveram seu tempo de espera influenciado por sua classificação. Para realizar a classificação de risco, é utilizado o Protocolo de Manchester que estipula que os profissionais de saúde realizem uma avaliação sobre o quadro clínico do paciente e o classifiquem com uma cor, representada por uma pulseira. No Brasil, o processo é realizado sem o auxílio de qualquer software ou hardware que possa acelerar ou tornar o procedimento mais eficaz: todos os sinais vitais colhidos do paciente, como frequência cardíaca e pressão arterial, são preenchidos com papel e caneta, e qualquer consulta que o funcionário precise fazer é feita em um manual físico referente ao Protocolo. Assim, este trabalho tem como objetivo propor um software capaz de armazenar todas as informações necessárias do paciente durante o pré-diagnóstico e classificá-lo de acordo com o Protocolo de Manchester. Além disso, será implementada uma Inteligência Artificial (IA) que funcionará com base no algoritmo de Random Forest para que o software seja capaz de aumentar sua precisão de acordo com seu uso.