Mestrado em Ciência da Computação
URI Permanente para esta coleção
Navegar
Submissões Recentes
Item AVALIAÇÃO DE CLASSIFICADORES PARA PREDIÇÃO DE EVASÃO NO ENSINO SUPERIOR UTILIZANDO JANELA SEMESTRAL(2022-08-29) VIANA, Filipe SoaresA evasão estudantil nas universidades vem se apresentando como um problema recorrentee preocupante no mundo ao longo dos anos. Essa situação se torna algo ainda maisalarmante no Brasil em suas universidades públicas com orçamento oriundo dos cofres danação, problema esse não limitado ao prejuízo financeiro, mas também social e acadêmico.Diminuir a evasão se torna uma ação importante nas universidades, sendo de grandeajuda um mecanismo para classificar alunos ativos na sua predisposição para evadir. Essetrabalho se propõe a classificar e prever um discente ativo como “Evadido” ou "Formado",podendo assim os interessados redirecionarem esforços para evitar que o discente evada.Serão utilizados 4 estudos de casos: o primeiro utilizando dados do curso de Ciência daComputação da Universidade Federal do Piauí (UFPI); o segundo com os discentes docurso de Sistemas de Informação e o terceiro caso com a analise ocorrendo com a os doiscursos anteriores. A metodologia abordada segue os conceitos de Knowledge Discovery inDatabases (KDD) como guia na obtenção de um modelo preditivo e de conhecimentos noprocesso. O KDD descreve o processo de coleta dos dados, pré-processamento e, por fim, amineração dos dados utilizando algoritmos de aprendizagem de máquina. São utilizados7 algoritmos muito utilizados na literatura, comparando-os do decorrer das análise. Omodelo treinado é validado com métricas importantes como Accuracy, Recall, Precision,F1 Score, Índice Kappa e curva ROC.Item UMA PROPOSTA PARA AUXÍLIO NO PRÉ-DIAGNÓSTICO DO TEA ATRAVÉS DA CLASSIFICAÇÃO DE IMAGENS FACIAIS BIDIMENSIONAIS ESTÁTICAS UTILIZANDO DEEP LEARNING(2022-08-31) RODRIGUES, José Nazareno AlvesO número de pessoas diagnosticadas com transtorno do espectro autista (TEA) vem aumentando significativamente. Em decorrência disso, somado a fatores socioeconômicos, o acesso ao tratamento precoce tem se tornado restrito, reduzindo os potenciais ganhos advindos dessa intervenção e aumentando os gastos familiares e sociais em decorrência de intervenções tardias. Alternativas viáveis para contornar problemas relacionados ao TEA nesse contexto podem residir em soluções computacionais móveis pelo seu caráter acessível. Em observância a isso, este trabalho propõe uma solução para auxílio ao prédiagnóstico do TEA de forma não invasiva e de baixo custo. Para tanto, apoia-se em técnicas e conceitos de aprendizado de máquina (AM), mais especificamente de aprendizado profundo, para a geração de modelos que possam apoiar a implementação de soluções computacionais móveis. Assim, foram avaliadas neste trabalho 5 arquiteturas de redes neurais convolucionais (CNNs) no treinamento de modelos para classificação binária do TEA, utilizando como entrada imagens faciais bidimensionais estáticas. Trabalhos semelhantes analisados na literatura utilizaram tipos de imagens que inviabilizam sua utilização massiva em decorrência da necessidade de equipamentos específicos e nem sempre acessíveis, além de invasivos, comprometendo a espontaneidade nos resultados. Destarte, há poucos sistemas para auxiliar na identificação do TEA desenvolvidos que possam de fato ser usados na prática. Dentre as 5 arquiteturas CNNs utilizadas, destacaram-se a MobileNet e a DenseNet201. Os resultados obtidos a partir delas atingiram, nos melhores casos, a média de 90.7% de acurácia com cada uma dessas 2 arquiteturas, e desvio padrão de 0.68% e 1.64%, respectivamente. Resultados de execuções individuais chegaram nos melhores casos a 93.5% de acurácia com a DenseNet201. ABSTRACT The number of people with autism spectrum disorder (ASD) has been increasing signifi- cantly. As a result, in addition to socioeconomic factors, access to treatment has become restricted, reducing the potential gains from this intervention. tion and increasing family and social expenditures as a result of late interventions. Viable alternatives to circumvent problems related to ASD in this context may reside in mobile computing solutions due to their accessible character. In compliance with this, this work proposes a solution to aid the pre-diagnosis of ASD in a non-invasive and low-cost way. To do so, it relies on machine learning (ML) techniques and concepts, more specifically deep learning, to generate models that can support the implementation of mobile computing solutions. Thus, in this work, 5 architectures of convolutional neural networks (CNN) were evaluated in the training models for binary classification of ASD, using static two-dimensional images as input. Similar works analyzed in the literature use types of images that make their massive use unfeasible due to the need specific equipment and not always accessible, in addition to being invasive, compromising the spontaneity of the results. Thus, there are few systems to assist in the identification of ASD developed that can actually be used in practice. Among the 5 CNNs architectures used, MobileNet and DenseNet201 stood out. The results obtained from them in these preliminary evaluations reached, in the best cases, the average of 90.7% accuracy and standard deviation of 0.68% and 1.64%, using the architectures respectively CNNs MobileNet and DenseNet201. Results of individual runs reached the best cases to 93.5% of accuracy with each of these 2 architectures, and standard deviation of 0.68% and 1.64%, respectively. Results from individual runs arrived in the best cases at 93.5% accuracy with DenseNet201.Item ESTUDO E ANÁLISE DE ESTRATÉGIAS DE POSICIONAMENTO DE GATEWAY LORA E QUANTIFICAÇÃO DE QOS EM FUNÇÃO DAS CARACTERÍSTICAS DE CONFIGURAÇÃO LORAWAN(2022-09-25) SILVA, Cristiano Neri daAs redes de longa distância de baixa potência (LPWAN) são tecnologias que ganharam interesse na pesquisa e comunidade industrial para dispositivos e aplicações de Internet das Coisas (IoT) assim como o protocolo LoRa Wide Area Network (LoRaWAN) que permite a implementação de aplicações de redes de longo alcance e baixa potência para a IoT. A técnica de comunicação de rádio que adota o protocolo LoRaWan, comumente conhecida como Long Range (Lora), utiliza modulação por espalhamento espectral de chirp (chirp spread spectrum - CSS). Esse esquema de modulação utiliza diversos parâmetros de transmissão como Spreading Factor (SF), Payload Size (PS), Bandwidth (BW) e Coding Rate (CR) permitindo uma comunicação bidirecional, possibilitando ao LoRaWAN o uso de algoritmo adaptativo, o Adaptive Data Rate (ADR), para atribuir esses parâmetros dinamicamente explorando as vantagens do LoRa. No entanto, o sistema de controle ADR não ajusta os parâmetros considerando a evolução da Qualidade de Serviço (QoS) das aplicações, sendo o planejamento da rede e a otimização considerados problemas significativos impactando no desempenho e nos custos das despesas de capital (CAPEX) e operacionais (OPEX). Nesse contexto, este trabalho propõe determinar a quantidade de diferentes QoS, analisando as características do conjunto de configurações LoRaWAN através da combinação dos métodos gap statistic com algoritmo Fuzzy C-Means (FCM) e elbow com K-means. Adicionalmente, realizou-se agrupamento com FCM baseado nas figuras de mérito Bit Error Rate (BER), Received Signal Strenght Indicator (RSSI) e Time on Air (ToA) e desenvolver um estudo comparativo de estratégias de posicionamento de gateways (GW) que usam os algoritmos FCM, Gustafson-Kessel (GK) e K-means; adicionando a estratégia Grid25 que segmenta o cenário em grades de 2km, posicionando o GW no centro, e outra Rand22 que dispõe os GWs aleatoriamente, avaliando as métricas RSSI, Signal to Noise Ratio (SNR), delay e distância, possibilitando uma redução do número de GW e dos custos CAPEX e OPEX como também estabelecer o desempenho das estratégias para as métricas. Nos resultados, foram determinados agrupamentos adequados conforme os diferentes tipos de QoS baseado na combinação dos métodos, enquanto o algoritmo FCM permitiu agrupar as aplicações com QoS similares. O estudo comparativo mostrou uma redução da quantidade de GW e dos custos CAPEX e OPEX com aproximadamente a mesma proporção de entrega em relação ao Grid25; as estratégias FCM e GK obtiveram desempenho superior, a partir de 22 GW, para as métricas RSSI e SNR em relação ao Kmeans, já a FCM e Kmeans apresentaram menores distâncias e delay comparado ao GK a partir de 18 GW. ABSTRACT Low Power Wide Area Networks (LPWAN) are technologies that have gained interest in the research and industrial community for Internet of Things (IoT) devices and applications, as well as the LoRa Wide Area Network (LoRaWAN) protocol that allows the implementation of long-range, low-power networks for the IoT. Its modulation scheme, Long Range (LoRa), uses several transmission parameters such as Spreading Factor (SF), Payload Size (PS), Bandwidth (BW), and Coding Rate (CR) allowing bidirectional communication, allowing LoRaWAN to use the adaptive algorithm, the Adaptive Data Rate (ADR), to assign these parameters dynamically exploiting the advantages of LoRa. However, the ADR control system does not adjust the parameters considering the evolution of the Quality of Service (QoS) of the applications, being the network planning and optimization are considered significant problems impacting the performance and the costs of capital expenses (CAPEX) and operations (OPEX). In this context, this work proposes to determine the number of different QoS by analyzing the characteristics of the LoRaWAN configuration set through the combination of the gap statistic methods with the Fuzzy C-Means (FCM) and elbow algorithms. With K-means. Additionally, grouping was performed with FCM based on the metrics Bit Error Rate (BER), Received Signal Strength Indicator (RSSI) and Time on Air (ToA) and develop a comparative study of gateway positioning strategies (GW) that use the FCM, Gustafson-Kessel (GK) and K-means algorithms; adding a strategy that segments the scenario into 2km grids, positioning the GW in the center, and another that arranges the GWs randomly, evaluating the metrics RSSI, Signal to Noise Ratio (SNR), delay and distance, allowing a reduction the number of GW and CAPEX and OPEX costs as well as establishing the performance of the strategies for the metrics. In the results, they determined suitable groupings according to the different types of QoS based on the combination of methods, while the FCM allowed grouping the applications with similar QoS. The comparative study showed a reduction in the amount of GW and CAPEX and OPEX costs with approximately the same proportion of delivery about Grid25; the FCM and GK strategies obtained superior performance, from 22 GW, for the RSSI and SNR metrics about Kmeans, whereas the FCM and Kmeans presented lower distances and delay compared to the GK from 18 GW.