Ciência da Computação
URI permanente desta comunidadehttps://repositorio.fei.edu.br/handle/FEI/342
Navegar
5 resultados
Resultados da Pesquisa
Trabalho de Conclusão de Curso 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 deEmoções 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.Trabalho de Conclusão de Curso HoneyDashes:(2024-12-03) Braga, Gianpietro Malheiros; Rocha, João Lucas Freitas de Almeida; Costa, Lucca Kirsten daEste trabalho de conclusão de curso tem como objetivo a criação de dashboards informativos para visualização e análise de ataques cibernéticos, utilizando diversos algoritmos de classificação e estratégias de validação. Os algoritmos empregados incluem Support Vector Machine, Singular Value Decomposition, Convolutional Neural Network, K-Nearest Neighbors e Random Forest. Para garantir a robustez dos modelos, é utilizada a técnica de K-Fold cross-validation. Os dados processados pelos algoritmos são manipulados em ambiente de computação em nuvem e posteriormente exibidos em dashboards interativos, facilitando a análise de informações complexas sobre possíveis ameaças. Com isso, espera-se proporcionar uma ferramenta eficaz para visualização de dados de segurança, aprimorando a compreensão de padrões de ataques e auxiliando na tomada de decisões em cibersegurança.Trabalho de Conclusão de Curso USO DE INTELIGÊNCIA ARTIFICIAL PARA PREVISÃO DE AÇÕES(2023-06-13) GUSTAVO DELAPAZ ISHIKI; LUCAS MEDEIROS RODRIGUES; NICKOLAS BELO MARTINSEsse trabalho tem como foco a utilização de algoritmos de aprendizado de máquina para prever tendências de preços de ações com o intuito de auxiliar investidores a obter uma decisão mais assertiva ao escolher comprar ou vender uma ação. Foram utilizados 3 algoritmos distintos: ARIMA, Prophet e LSTM, os valores diários de fechamento de 4 ativos financeiros e um ETF da Bovespa em um período de 5 anos. Os testes foram desenvolvidos no Google Colab e após a obtenção de resultados satisfatórios, foram aplicados os modelos preditivos para realizar previsões futuras. A visualização das previsões está disponível em um site construído com a linguagem de programação Typescript, o framework Django e um banco de dados do MongoDB para guardar dados de previsões passadasTrabalho de Conclusão de Curso VMPD (VEHICLE MANEUVER PATTERN DETECTION):(2020-06-17) GUILHERME COELHO SMALL ZICARI; NATHÁLIA CÂNDIDO; TIAGO COSTA ARRAZI; RAFAEL SILVA MOREIRAUm dos grandes problemas das sociedades atuais é o elevado crescimento da população, e consequentemente de veículos automotivos. Esse crescimento implica na elevação da com- plexidade do trânsito, no qual a quantidade de elementos em que deve se manter o foco é cada vez maior. Dada esta complexidade florescente, a probabilidade de acidentes devido a erros de julgamento cometidos por condutores, assim como a dificuldade de fiscalização pelas autorida- des, crescem. Este estudo tem como objetivo realizar a detecção de manobras que ocorrem ao redor do veículo o qual o motorista ocupa, o veículo-base. O sistema proposto baseia-se em técnicas de visão computacional, aprendizado de máquina e séries temporais. Com o objetivo de capturar uma visão mais ampla, são utilizadas câmeras que abrangem diferentes perspecti- vas a partir do veículo-base. Informações de interesse são extraídas e transformadas em séries temporais, posteriormente analisadas por uma rede neural, classificando manobras detectadas. Dada esta classificação, a metodologia se prova útil para a detecção de perigos e pontos de inte- resse realizada em sistemas de direção semiautônomos, ou mesmo a identificação de condução perigosa para a educação no trânsito. Até onde se sabe, este problema não foi abordado sob a perspectiva de primeira pessoa. Os resultados obtidos são promissores, com a menor acurácia média de 83,92% entre todas as validações. Individualmente, os resultados utilizando a valida- ção cruzada por K-Fold atingiram uma acurácia média de 99,63% e a validação cruzada manual não enviesada, 90,88%.Trabalho de Conclusão de Curso GERAÇÃO DE IMAGEM A PARTIR DE SENTENÇA DESCRITIVA(2020-06-17) AUGUSTO TUROLLA; MATEUS DAVI SILVA; IGOR DO NASCIMENTO ALVES; ALEXANDRE KENJY DE SIQUEIRA KUMAGAICom o avanço tecnológico, sobretudo nas áreas de Inteligência Artificial(IA), Processa- mento de Linguagem Natural(PLN) e Aprendizado Profundo existem expectativas promissoras para futuras tarefas que a computação possivelmente será capaz de realizar. Muitos trabalhos realizados ao longo desta década tem utilizado redes neurais para resolver problemas que po- dem ser solucionados seguindo as técnicas de IA, tendo alcançado excelentes avanços na área. Um destes problemas é o da capacidade da computação de ilustrar contextos diversos. Alguns exemplos deste problema estão relacionados à indústria da literatura, cinematografia e de jogos ou de criar cenas para áreas comercial e publicitária. Avanços significativos que surgiram no campo das redes neurais e PLN são os assistentes pessoais que estão cada vez mais presentes no nosso cotidiano. Neste trabalho, é proposto um modelo capaz de gerar imagens a partir de sentenças textuais. Para construir o modelo é utilizada uma rede neural para gerar imagens, cha- mada de rede generativa adversarial(GAN), que foi treinada utilizando o dataset MS COCO, que são bases de dados de imagem e meta-dados que descrevem os objetos e cenários contidos nas imagens, e funções de ativação diferentes das utilizadas habitualmente, com o objetivo de superar o estado da arte. As contribuições são: (i) Um estudo sobre a influência da aplicação das diferentes funções de ativação sobre o modelo generativo adversarial; (ii) um modelo pré- treinado de Redes Neurais Generativas Adversariais, para gerar imagens de ambientes urbanos artificiais através de sentenças descritivas de cenas urbanas; e (iii) a disponibilização de um da- taset para treinamentos com modelos urbanos. O projeto obteve sucesso em gerar imagens que se assemelham ao contexto urbano apresentando uma assertividade de 27% através da função ReLU como ativadora da rede neural. Em conjunto, é apresentado também uma comparação da geração de imagens urbanas e outro tipo de imagens a partir de um espaço amostral com menor riqueza de detalhes, como flores.