Ciência da Computação

Agora exibindo 1 - 2 de 2

Comunidade artificial:
(2024-12-04) Stolai, Aline; Vendramini, Gabriel Lopez; Costa, Henrique; Estevão, Juan Lira; Barbieri, Pedro Henrique B. L.
A inteligência artificial é um campo de estudo que possui impactos globais profundos e dificilmente mensuráveis. Inspirados pela investigação dos princípios da vida e dos avanços da inteligência artificial, esse trabalho busca gerar uma reflexão na evolução da vida e observar os padrões de comportamentos e interações entre os indivíduos artificiais. Então, com a implementação de uma comunidade artificial, o estudo entende a tomada de decisão de agentes, de acordo com seus estados atuais e adversidades atuando sob eles. Para isso, a análise utiliza o conceito de Q-Learning aplicado em seus agentes, gerando a dinâmica de ação e recompensa. Como objetivo, os resultados são avaliados com análises de dados, exibindo as estatísticas da simulação, como curvas de aprendizado ou mortes causadas por adversidades. E com estes resultados, surgem questionamentos sobre o que pode-se aprender com essas interações. Essas e outras métricas são extremamente necessárias para a avaliação de desempenho do mundo artificial. A análise sob uma comunidade artificial nos provoca a pensar sobre outras abordagens de problemas atuais, como questões biológicas e ambientais, focando em um olhar crítico sobre soluções geradas com um conjunto de dados fornecidos a um conjunto de indivíduos. Como resultado, é possível gerar gráficos que mostram o desempenho dos agentes, com base nas métricas coletadas durante o processo. Os resultados indicam que agentes artificiais podem adaptar suas decisões de forma eficiente, baseando-se nas adversidades apresentadas e buscando maximizar a sobrevivência. Métricas como curvas de aprendizado e taxas de mortalidade foram cruciais para compreender o impacto das condições iniciais e das adversidades na evolução dos agentes. Como conclusão, nota-se que a simulação é uma ferramenta válida para o estudo de dinâmicas biológicas e naturais, oferecendo também informações que podem ser aplicadas em problemas como planejamento urbano e outros do mundo real.
Interpretação de emoções com machine learning:
(2024-12-04) Souza, Guilherme Reis Queiros de; Oliveira, Gustavo Miranda de; Silveira, Luiz Henrique; Paula, João Victor da Silva; Andrade, Vinícius Cristiano Nagatomo de
Emoções são uma das principais características que nos tornam humanos. Algo abstrato, deduzido e catalogado por nós mesmos, que dita toda manifestação da percepção humana no mundo. Um dos grandes desafios atuais da ciência é conseguir, apropriadamente, interceptar e interpretar de forma coesa esses sinais neurais que constituem as emoções bem como explorar as diferentes possibilidades que tais descobertas trazem consigo. Tendo isso em vista, foi realizado neste trabalho a interpretação de sinais neurológicos pré-classificados em um sistema de aprendizado de máquina e a comparação entre as diferentes técnicas utilizadas como SVM, MLP e classificador Random Forest, assim como o levantamento de uma discussão sobre os diferentes impactos e aplicações deste sistema.Os métodos utilizados neste trabalho são formados pela interpretação de sinais neurais através de inteligência artificial e detecção de padrões, desenvolvendo novas técnicas e melhorando as já existentes metodologias, estratégias e resultados. A proveniência dos sinais neurais se dá pelo uso de bases de dados públicas que contemplam detalhes de atividade cerebral de voluntários enquanto estímulos específicos eram exibidos, capturados através de EEG. Estes e outros métodos e materiais são mais detalhadamente descritos nas próximas sessões deste trabalho. Ao utilizar o algoritmo Random Forest Classifier em dados separados em conjuntos de duas emoções tratados utilizando a transformada de Fourier, foi possível obter um índice de acerto de 88,89% na melhor classificação, com outras duplas seguindo em 80% e 77%, conferindo uma melhora no desempenho com relação a outros trabalhos semelhantes. Algumas emoções também tiveram pior desempenho, chegando a bater apenas 22% de acerto, o que é abordado neste trabalho como um possível indicador da semelhança de certas emoções, observada em matrizes de confusão. No final, foi incluída uma demonstração de aplicação da saída deste algoritmo em um jogo simples, a fim de mostrar a capacidade de integração do programa e ilustrar possíveis impactos deste estudo em áreas diversas.

Ciência da Computação

Navegar

Filtros

Configurações

Ordenar por

Resultados por página

Resultados da Pesquisa