Inteligência Artificial

URI Permanente para esta coleção

http://200.135.58.21/handle/repositorio/43

Navegar

Agora exibindo 1 - 20 de 24

Análise comparativa de modelos de recomendação: Um estudo focado em filmes
(2024) Matheus Fernandes Cândido; Daniel Gomes Soares, Msc; Juliano Tonizetti Brignoli, Dr; Fábio Alexandrini, Dr
O aumento da quantidade de produtos disponíveis, seja de forma digital ou física , torna necessário o desenvolvimento de aplicações que consigam recomendar os produtos mais adequados a diferentes perfis de consumidores. Neste trabalho, são avaliadas as técnicas de filtragem colaborativa e floresta aleatória para recomendação de filmes. Além disso, são investigadas formas de utilização das diferentes técnicas em conjunto (ensembles). Todo o desenvolvimento, treinamento e validações foram feitos com os dados do MovieLens Rating Disposition 2023, uma base de dados de filmes, usuários e suas avaliações, incluindo o momento em que a avaliação foi feita. Buscou-se aplicar somente algumas técnicas básicas de engenharia de recursos, sendo a única exceção a penalização das avaliações ao decorrer do tempo visando entender se, ao priorizar avaliações recentes, as recomendações ficaram mais assertivas. Os resultados obtidos demonstraram que penalizar pelo tempo não contribui para a melhora do modelo. Em grande parte dos testes, a precisão se manteve estável, mas a sensibilidade e f1-score caíram consideravelmente. O único momento em que houve pequeno ganho de desempenho foi para penalizações por semestre e ano com o uso de filtragem colaborativa. Nesse caso, a precisão apresentou leve aumento, mas foi equilibrada com queda equivalente das outras métricas.
Chatterbot para auxiliar na escolha de um curso no IFC
(2017) Coelho, Alex Manoel; Daniel Gomes Soares, Msc; Wesley dos Reis Bezerra, M.Eng; Juliano Tonizetti Brignoli, Dr
Este trabalho apresenta o desenvolvimento de um chatterbot para auxiliar na escolha da carreira acadêmica, que é capaz de manter uma conversação na língua portuguesa, e de responder perguntas sobre os cursos do IFC-Campus Rio do Sul. Inicialmente para criar a base de conhecimento do chatterbot foi pensado em usar apenas os recursos da linguagem AIML, mas com os testes foi possível notar que depender somente dos recursos dessa linguagem a conversa ficaria muito limitada, pois nem sempre a frase enviada pelo usuário irá retornar uma resposta adequada do chatterbot, mesmo que a frase tenha um sentido parecido à que está na base de conhecimento. Então para contornar este problema foi acrescentado 4 etapas: (1) Com auxílio do parser Palavras foi feito a troca das palavras originais por suas respectivas palavrasbases, no intuito de padronizar as frases enviadas ao chatterbot; (2) Troca das palavras redigidas erradas pela mais parecida; (3) Troca de sinônimos por palavras chaves, as quais estão contidas na base de conhecimento AIML; (4) Verifica relações entre palavras, pois pode acontecer da frase ter o mesmo sentido, mas com a ordem das palavras diferente a que está contida na base de conhecimento. Com o uso desses procedimentos foi possível fazer com que o chatterbot entendesse frases com o mesmo sentido, mas escritas de maneiras diferentes.
Classificação da arcada dentária por meio de inteligência artificial: um comparativo entre redes convolucionais e multicamadas perceptron
(2018) Cachoeira, Rodrigo; Daniel Gomes Soares, Msc; Juliano Tonizetti Brignoli, Dr; André Alessandro Stein, Msc
A utilização de técnicas computacionais para analisar e classificar imagens nos últimos anos cresceu de forma exponencial, grande parte desse crescimento é devido a evolução de técnicas que utilizam Inteligência Artificial, mais precisamente Redes Neurais Artificiais. O propósito deste trabalho além de demonstrar algumas técnicas utilizadas na análise de imagens é realizar um comparativo em uma situação real do mundo. O avanço computacional trouxe oportunidades antes impossíveis de serem executadas na área de análise de imagens, uma das principais técnicas que anda ganhando espaço no mundo da IA é a técnica convulacional, esta que possui inspiração no funcionamento da visão humana, diferentemente dos processos definidos pela rede neural perceptron. Com base no que foi dito, o propósito principal desse trabalho é comparar as técnicas Perceptron e Convolucional na classificação de dentes da arcada dentária, contidas em raios-x, possibilitando então, a inclusão de novas técnicas em diferentes áreas, não apenas suprindo suas necessidade, mas apresentando melhores resultados de acordo com o surgimento de novas técnicas, como é o caso da rede convolucional, a qual tem como principal foco a análise de imagens, esta que é uma área de grande valia nas análises radiográficas
Comparação de técnicas e tecnologias para aceleramento do treinamento de redes convolucionais
(2021) Kita, Luigi Takeo; André Alessandro Stein, Msc
Sistemas de tomada de decisão e reconhecimento facial são exemplos de tecnologia aplicada, onde é empregada uma Rede Neural Artificial (RNA). Para uma RNA ser capaz de efetuar tais tarefas, ela aplica a estratégia de dividir e conquistar. A Rede possui vários neurônios ligados entre si, cada um contendo seus próprios pesos sinápticos. Dessa forma, cada neurônio possui parte do conhecimento da RNA e com a interligação deles a Rede consegue realizar sua função. Os pesos sinápticos são ajustados na etapa de treinamento, esta etapa consiste em várias épocas. Em cada época é enviado um conjunto de dados para a Rede, observando seu comportamento e alterando os pesos. Ao utilizar um conjunto de dados junto com a saída esperada, o treinamento é chamado de supervisionado. Mesmo com a simplicidade que seja implementar esse algoritmo com as ferramentas disponíveis, outros problemas surgem. Entre eles, o tempo necessário para realizar o treinamento, de forma que, conforme o conjunto de dados aumente, é necessário mais épocas para a RNA convergir. Por consequência aumentando o tempo de execução da Rede. Visto a complexidade do problema, este trabalho visou testar e comparar formas de diminuir esse tempo, utilizando a capacidade de paralelização de processadores e placas gráficas. Além disso, a diminuição do espaço em memória utilizado pelos pesos sinápticos de 32 bits para 16 bits, conhecido como precisão mista, também foi testada. Com os resultados obtidos, foi possível verificar uma melhora de 8 a 18 vezes na utilização da placa gráfica sobre o processador. Entretanto, a utilização de precisão mista não apresentou ganhos significativos.
Comparação entre um sistema especialista e redes neurais artificiais na indução a compra de ativos do mercado acionário
(2020) Angioletti, Tiago Henrique; Daniel Gomes Soares, Msc; André Alessandro Stein, Msc; Juliano Tonizetti Brignoli, Dr
O mercado de ações é alvo de muitos projetos e pesquisas por motivo de que é um dos maiores responsáveis pela movimentação de dinheiro do Brasil. Tendo isso em vista é cada dia mais crescente a ideia de utilizar meios computacionais para tentar prever o que irá acontecer com estes ativos, e assim obter um maior lucro operando na bolsa de valores. Prever tais valores é um problema que está recebendo atenção de pesquisadores, onde buscam encontrar méto dos que consigam prever estes valores futuros, sendo considerado um enorme desafio para a área de computação. Tendo isso em vista este trabalho tem como objetivo desenvolver e avaliar em operações reais no mercado, o desempenho de redes neurais artificiais, além de um sis tema especialista que simule uma pessoa realizando análise técnica na bolsa de valores. Redes neurais são modelos computacionais que tem como característica a capacidade de reconhecer padrões, sendo baseados no sistema nervoso de humanos. Para realização deste trabalho fora utilizado redes neurais artificiais Multilayer Perceptron, e redes neurais artificiais Long Short Term Memory, tais quais são comparadas com um sistema especialista que simula uma pessoa realizando análise técnica na bolsa de valores utilizando o Setup 9.3. Este trabalho demonstra a eficiência do uso das redes neurais para previsão dos valores de fechamento de um ativo, su perando metodologias de análise técnica, tendo maior lucro e assertividade em operações no mercado acionário.
Comparativo de desempenho de arquitetura monolítica em relação a arquitetura orientada a microsserviços utilizando redes bayesianas: fatores de decisão estatísticos para a estruturação de uma aplicação web
(2023) Sousa, Julio Cesar de; Rodrigo Curvêllo, M.Eng; Daniel Gomes Soares, Msc; Juliano Tonizetti Brignoli, Dr
As inteligências artificiais (IAs) se fazem cada vez mais presentes no nosso dia-a-dia, desde criação de imagens baseadas em quadros de renome, geração de textos, interpretar sons como músicas e frases ditas por seres humanos até direcionar propagandas específicas relacionadas ao seu gosto pessoal. Todo este poder computacional tornou-se possível graças à demasiada quantidade de dados que estão disponíveis e ao alcance do cidadão comum, somada à evolução da capacidade de processamento dos dispositivos tecnológicos atuais. Um dos modelos de raciocínio probabilístico dentro do universo das IAs são as redes bayesianas: grafos acíclicos dirigidos com dependências entre variáveis, amplamente utlizados ao tratar de problemas que lidam com incertezas, onde apenas com o conhecimento prévio a respeito do problema não pode-se traçar conclusões sobre o assunto. Para que uma aplicação web conquiste bons resultados ao longo prazo, arquitetos de software têm que tomar decisões baseadas em sua própria experiência e em parâmetros não tangíveis. Uma decisão estrutural equivocada no início da construção do software pode trazer consequências substanciais: aumentar custos de manutenção, trazer dificuldades para a escalabilidade do projeto ou até mesmo torná-lo inviável. Pensando nestas incertezas presentes na construção de sistemas web, este trabalho busca desenvolver um modelo de redes bayesianas para auxiliar na tomada de decisão de arquitetura de software entre arquitetura monolítica e arquitetura orientada a microsserviços. O modelo foi testado utilizando dados reais de um estudo de caso para testar o modelo; apesar de a base de dados ser escassa, o modelo criado foi capaz de classificar um cenário real. Conclui-se que sua utilização em um cenário real por um profissional pode guiá-lo para tomar uma decisão mais consciente e tangível.
Detecção de fake news a partir de redes neurais artificiai
(2020) Schulz, Mathias Artur; Daniel Gomes Soares, Msc
As falsas notícias são histórias fabricadas e construídas com base em notícias verídicas, no entanto possuem como objetivo enganar seus leitores a partir de informações que são falsas intencionalmente. Não são novas no cotidiano das pessoas e, além disso, a internet alavancou o seu crescimento e facilitou a forma como elas são disseminadas. As falsas notícias compartilhadas garantem poder, vantagem e podem causar nos leitores julgamentos precipitados, preconceitos, violência verbal e discriminação. Neste cenário, o combate das falsas notícias pode ocorrer de diversas formas, como o aumento da capacidade dos indivíduos em avaliar as notícias, por meio de características das notícias e sites que avaliam a veracidade das informações e a busca por mudanças estruturais que diminuam o acesso dos indivíduos às falsas resenhas. Dentre as técnicas disponíveis para a detecção de falsas notícias, estão as Redes Neurais Artificiais (RNAs), que são modelos computacionais inspirados no sistema nervoso de seres vivos. A finalidade deste trabalho é desenvolver um modelo de detecção de falsas notícias em sites de notícias brasileiros disponíveis nas mídias sociais por meio da técnica de RNA. Para a obtenção dos objetivos deste trabalho, foi realizada a revisão bibliográfica da literatura de modo a identificar os modelos que têm sido utilizados para a detecção de falsas notícias, as variáveis utilizadas e a forma de conversão dos textos para representação numérica. Foi realizada a modelagem e treinamento das redes Perceptron Multicamadas (MLP) e Memória de Longo Prazo (LSTM) com diversas configurações de variáveis de entrada e parâmetros iniciais. Por fim, é analisado e apresentado o desempenho das redes modeladas por meio de índices estatísticos e gráficos, no qual a melhor configuração para o modelo MLP apresentou um RMSE de 0.0439 e um F1 Score de 98.32% e a melhor configuração para o modelo LSTM apresentou um RMSE de 0.0551 e um F1 Score de 96.27%. Dessa forma, o modelo MLP obteve, neste trabalho, um desempenho melhor quando comparado ao modelo de aprendizado profundo LSTM.
Detecção de placas veiculares em ambientes não controlados via redes convolucionais leves
(2023) Back, João Paulo; Cristhian Heck, M.Eng; Daniel Gomes Soares, Msc; André Alessandro Stein, Msc
Com a crescente frota de automóveis ao redor do mundo, a construção de modelos que reconhecem placas veiculares, ou ALPR, tornou-se uma ferramenta de suma importância para a fiscalização e análise do tráfego de veículos. À vista disso, em um sistema ALPR estão envolvidas fases como a de segmentação, reconhecimento e também a de detecção da placa veicular. Durante a etapa detecção, pode-se surgir diversos complicadores, tais como a detecção em ambientes com variações climáticas, ângulo ou luminosidade. Essas complicações podem ser contornadas através da utilização de métodos de aprendizado profundo, mais especificamente Redes Neurais Convolucionais, ou CNNs, que utilizam múltiplas camadas de processamento. A utilização de métodos com estas características pode levar a um aumento excessivo do uso de recursos computacionais, sendo consequentemente impróprio pra muitos tipos de aplicações. Dessa forma, neste trabalho foram propostos modelos de CNN leves, na qual estes não apresentem um custo computacional excessivo, sendo o local de estudo escolhido o de ambientes não controlados. Para alcançar os objetivos do trabalho, inicialmente foi realizado uma revisão bibliográfica com o objetivo de identificar os modelos que têm sido utilizados na detecção de placas veiculares para ambientes não controlados e também identificar quais foram as variáveis utilizadas nos experimentos. Essa análise forneceu a pergunta de pesquisa proposta neste trabalho, que é a de verificar se é possível obter resultados competitivos na detecção de placas veiculares através de modelos de CNN leves em relação à abordagem tradicional. Posteriormente, foi realizado a construção e o treinamento dos modelos que utilizam mais camadas convolucionais (tradicionais), e de modelos que utilizam menos camadas convolucionais (leves), em diversas configurações de parâmetros. O desempenho dos modelos foi analisado por meio de métricas utilizadas na detecção de objetos e gráficos. Em especial, nos testes com dois conjuntos de imagens da CCPD, os modelos leves alcançaram a mesma eficácia dos modelos tradicionais, porém com uma velocidade de detecção 3 a 5 vezes menor. Dessa forma, os resultados demonstram que é possível utilizar redes de CNN leves para detectar placas veiculares em ambientes não controlados, tanto em termos de eficácia, quanto de eficiência.
Detecção de sintomas de depressão por meio de redes neurais artificiais
(2024) Victor Beninca Fiamoncini; Daniel Gomes Soares, Msc; Juliano Tonizetti Brignoli, Dr; Rodrigo Curvêllo, Msc
A depressão é uma condição de saúde mental complexa que envolve uma combinação de fatores biológicos, psicológicos e sociais, sendo caracterizada como um distúrbio afetivo ou de humor. Órgãos de saúde destacam a depressão como sendo uma das doenças de maior morbilidade, sendo comum em clínicas gerais e um problema que vem crescendo nas redes de saúde públicas. Diversos são os fatores estressores que contribuem para o surgimento da depressão, sendo alguns deles: o consumo de substâncias químicas (drogas ou medicamentos), estresse crônico, eventos traumáticos ou até fatores genéticos. O diagnóstico da depressão se torna complexo em relação aos outros, principalmente por ela ser uma doença de característica psiquiátrica. Estima-se que 50% dos casos não chegam a ser diagnosticados, além de uma parcela ínfima receber a devida atenção. Dentre as possíveis soluções para o auxílio do diagnóstico da depressão estão as Redes Neurais Artificiais (RNAs), que são modelos computacionais que possuem como base a inspiração no sistema nervoso encontrado nos seres vivos A finalidade deste estudo é desenvolver um modelo de detecção de pessoas com depressão, tendo como fonte de dados entrevistas em formato de áudio com pessoas depressivas e não depressivas. Para alcançar o objetivo definido foi realizada a revisão bibliográfica de modo a identificar as principais técnicas para realizar o processamento das entrevistas, a fim de servirem para a organização dos dados de entrada para as RNAs. Foi realizada a modelagem, treinamento e validação das RNAs do tipo MLP (Perceptron Multicamadas) e LSTM (Memória de Longo e Curto Prazo) com diferentes configurações de camadas, quantidade de neurônios dentre outras variáveis. Por fim é apresentado e analisado o desempenho das RNAs modeladas por meio de métricas estatísticas, onde a melhor configuração do tipo MLP apresentou o índice RSME de 0.41 e o F1-Score de 0.91 e a melhor configuração do tipo LSTM apresentou o índice RSME de 0.44 e o F1-Score de 0.89. Desse modo a RNA do tipo MLP obteve índices melhores que a LSTM, entretanto ambos os tipos de RNAs, neste estudo, não conseguiram prever com ênfase pessoas que possuem depressão, ou seja, a maior parte das amostras de teste foram classificadas como não depressivas.
Diagnóstico médico de obessidade: uma comparação entre regressão linear múltipla e lógica Fuzzy para doenças cardiovasculares
(2020) Silva, Jean Regis; Juliano Tonizetti Brignoli, Dr; Fábio Alexandrini, Dr; Daniel Gomes Soares, Msc
Sendo um dos principais distúrbios relacionados a obesidade, as doenças cardiovasculares são a primeira causa de morte, em ambos os sexos, no mundo. Os fatores de risco, conhecidos como causas que aumentam a probabilidade de ocorrência de um determinado evento, antecedem em vários anos as doenças cardiovasculares. Destacam-se a obesidade, a diabetes, o sedentarismo, o tabagismo, a hipertensão arterial, a idade, o sexo, entre outros. A análise de regressão é uma técnica estatística para investigar e modelar a relação entre variáveis, sendo uma das mais uti lizadas na análise de dados. Pode se citar inúmeras aplicações da técnica de Regressão na área da saúde, doenças relacionadas a obesidade seria uma delas. O trabalho também recorreu ao uso de Lógica Fuzzy, que foi introduzida nos meios científicos em 1965 por Lofti Asker Za deh, através da publicação do artigo Fuzzy Sets no Jornal Information and Control. Hoje ela é elemento fundamental em diversos sistemas, sendo considerada uma técnica de excelência no universo computacional. O conceito Fuzzy pode ser entendido como uma situação em que não é possível responder simplesmente “sim” ou “não”. Mesmo conhecendo as informações necessárias sobre a situação, dizer algo entre “sim” e “não”, como “talvez” ou “quase”, torna-se mais apropriado. Nesse sentido, o objetivo deste trabalho é apresentar o funcionamento do raciocínio Fuzzy, utilizando o método mais popular de raciocínio Mamdani, em comparação ao uso da técnica estatística de Regressão Linear Múltipla para um auxílio ao diagnóstico, com algumas variáveis de risco, de doenças cardiovasculares. Tratando-se do disgnóstico da doença, com a finalidade entendê-lo, foi realizado um estudo das variáveis de risco baseado no score de Framingham. Como consequência, um método para calcular o risco foi obtido ao selecionar as variáveis idade, colesterol total, HDL colesterol, pressão sistólica, diabetes e tabagismo. Também fora utilizada a base de dados pública Heart Disease Database na seleção da amostragem, a qual possui informações de 303 pacientes da cidade de Cleveland, Ohio, Estado Unidos. A partir de uma escolha aleatória simples, foi calculada a amostragem de 50 indivíduos do sexo masculino. Estas informações subsidiaram a construção da base de regras Fuzzy e da função de Regressão Linear Múltipla. Ao fim, a Regressão Linear Múltipla se mostrou mais eficaz em todas as comparações efetuadas. Para a Regressão Linear Múltipla tivemos uma correlação linear (𝑅2) de 0,8307 em relação ao score de Framingham, enquanto o Fuzzy obteve uma correlação de 0,6152. Desta forma, a Regressão Linear Múltipla mostrou-se mais eficiente como uma inteligência computacional no auxílio ao diagnóstico, visando diminuir o grau de incerteza.
Ferramenta educacional para aprendizado conexionista baseado na biblioteca neurolab
(2016) Meurer, Taylan Branco; Daniel Gomes Soares, Msc; Rodrigo Curvêllo, M.Eng; Patrícia Blini Estivaleti, Dr
O trabalho trata sobre uma ferramenta educacional para aprendizado conexionista. A ferramenta contemplará tipos de entradas intervalares, com conexões para frente de uma ou mais camadas. As entradas serão obtidas por meio de um arquivo externo com o próprio valor da entrada mais o da saída. Além disso, ela é composta por sete regras de treinamento e quatro funções de ativa ção. As regras contempladas são: Delta, Gradiente Descendente (GD) e suas derivações (GDA,GDM, GDX, RPROP) e Broyden Fletcher Goldfarb Shanno (BFGS), uma regra quase-Newton. O software é escrito em Python2.7 com GTK3+, OpenCV e baseado na biblioteca neurolab. O objetivo é desenvolver uma ferramenta de apoio ao ensino de Redes Neurais Artificiais. Esse ob jetivo é motivado pela dificuldade de compreender essa área de conhecimento, pela rara existên cia de softwares com finalidades educativas e pela ausência de algumas características cruciais para o ensino nas ferramentas atuais. A metodologia foi empregada por meio de uma abordagem quantitativa e fez uso de uma pesquisa aplicada. O objetivo da pesquisa foi eminentemente ex ploratório e buscou implementar a ferramenta dentro de requisitos pedagógicos e de engenharia de software. A ferramenta obteve um Nível Geral de Qualidade de Software igual a 7.60, que se enquadra em alta qualidade conforme o modelo de avaliação empregado - PECTUS.
Framework para sistemas de raciocínio baseado em casos
(2017) Schulz, Fernando; Daniel Gomes Soares, Msc; Cristhian Heck, M.Eng; Marcela Leite, Msc; Rodrigo Curvêllo, M.Eng
A IA abrange uma enorme variedade de subcampos, desde área de uso geral, como aprendizado e percepção, até tarefas específicas como jogos de xadrez, demonstração de teoremas matemáticos, criação de poesia e diagnóstico de doenças. Uma subárea da IA que se originou a partir de uma abordagem para a solução de problemas e para o aprendizado com base em experiência passada, chama-se Raciocínio Baseado em Casos (RBC). De uma forma simplificada, podemos entender o RBC como a solução de novos problemas por meio da utilização de casos anteriores já conhecidos. Um novo problema que nos é apresentado é resolvido com a reutilização da solução de um problema anterior parecido com o atual. Diversos artigos, trabalhos de conclusão de curso e livros da área, implementam, utilizam e exemplificam o RBC através de um framework, ou seja, usando-o através de uma aplicação ou bibliotecas, provendo assim, uma funcionalidade genérica para a técnica, porém, atualmente, as soluções existentes para o desenvolvimento de sistema de RBC obrigam o usuário a terem pleno domínio sobre esta técnica. Também não disponibilizam uma interface amigável e consistente para definição da representação do conhecimento e das métricas de similaridade, além disso, outra característica que deve ser levada em consideração na elaboração de sistemas de RBC é a integração desse sistema com diferentes tecnologias, desde a forma como são armazenadas as informações, até as interfaces para apresentação das informações aos usuários. Sendo assim, esse trabalho abrange o desenvolvimento de um framework na qual permite conexão com diferentes tecnologias de banco de dados, e por tratar-se de uma aplicação desenvolvida em Java, pode também, comunicar-se com diferentes tecnologias de linguagem de programação. A metodologia utilizada consistiu em pesquisa bibliográfica, levantamento de requisitos funcionais e não funcionais. Com o intuito de validar todas as funcionalidades desenvolvidas no framework, foram elaborados diversos testes distintos. O desenvolvimento deste trabalho resultou em um projeto que atendeu todas as propostas, permitindo assim, conexão com diferentes tecnologias de banco de dados, comunicação com diferentes tecnologias de programação e estruturação de sistemas RBC de qualquer natureza.
Interface de visualização para inferências Fuzzy-Bayesianas
(2016) Solci, Flávio Sampaio; Juliano Tonizetti Brignoli, Dr; André Alessandro Stein, Msc; Daniel Gomes Soares, Msc
Entendendo a probabilidade como um mecanismo que auxilia especialistas de diversas áreas em suas tomadas de decisão e a precariedade na integração de teorias complexas no cotidiano desses profissionais, o atual estudo tem como principal objetivo criar uma interface (shell) que permita a utilização de um modelo Fuzzy-Bayesiano como artefato de suporte a decisão no âmbito da informação e do conhecimento sobre incerteza. A metodologia proposta consiste em pesquisa bibliográfica, fundamentação teórica, levantamento de requisitos e validação através de um estudo de caso. Assim sendo, utiliza-se no presente estudo a linguagem Java para a criação de um ambiente em que a visualização de redes Fuzzy-Bayesianas seja mais atrativa ao usuário e permita a democratização do acesso aos benefícios do uso desse modelo matemático. Com testes é possível identificar a maior facilidade e agilidade em utilizar uma ferramenta gráfica para a criação de redes Fuzzy-bayesianas e também pode-se observar o ganho de qualidade nos resultados da rede ao se utilizar uma ferramenta que implemente um motor de inferência que dê suporte a variáveis subjetivas.
Predição de resultados de partidas de futebol
(2024) Gabriel Frontório; Fábio Alexandrini, Dr; Juliano Tonizetti Brignoli, Dr; Daniel Gomes Soares, Msc
O futebol é um dos esportes mais populares do mundo e existem inúmeras pessoas aficcionadas por esse esporte ao redor do globo. Junto com a paixão pelo futebol surgiu a gana de adivinhar, ou prever, o resultado das partidas de futebol. Com isso surgiram diversas formas de aposta envolvendo os resultados das partidas, sendo um mercado que movimenta bilhões por ano e cresce cada vez mais. O presente trabalho apresenta uma aplicação que faz a predição do resultado de uma partida de futebol com base nas estatísticas dos times que irão se enfrentar. Seu principal objetivo é buscar a maior taxa de acerto possível, buscando reduzir possíveis perdas em apostas esportivas. Com o uso da inteligência artificial e machine learning é possível analisar dados e, com base nas estatísticas das equipes, definir qual será o resultado final da partida. Para o desenvolvimento dessa aplicação foi utilizado um conjunto de dados que contém 8870 partidas da Premier League disputadas entre 2000 e 2023. Os dados desse conjunto foram processados e resultaram em 68 estatísticas diferentes que foram utilizadas pelos modelos preditivos para prever o resultado da partida. Após o processamento dos dados, foram utilizados dez modelos preditivos diferentes, que foram treinados e testados com o mesmo conjunto de dados, com o melhor modelo sendo o modelo de Naive Bayes, que atingiu uma acurácia de 57,48% e uma média de 0,73 na métrica ROC. Os modelos preditivos foram treinados e testados para terem três possíveis resultados, sendo possível que a partida termine em vitória, empate ou derrota. O número de possíveis saídas diminui a acurácia dos modelos preditivos, se utilizarmos o mesmo conjunto de dados com os mesmos modelos preditivos, iremos obter 77,95% de acurácia, o que nos mostra a variação da acurácia de acordo com o número de saídas. O futebol é impactado totalmente por ações humanas, dos jogadores em campo e dos fatores extra campo, e essas ações são imprevisíveis e interferem diretamente no resultado final da partida e no acerto ou não da predição.
Previsão de casos de dengue por meio de redes neurais artificiais
(2016) Mittelmann, Munyque; Daniel Gomes Soares, Msc; André Alessandro Stein, Msc; Juliano Tonizetti Brignoli, Dr
A dengue é uma doença transmitida pela picada de mosquitos do gênero Aedes. Apesar de ser um problema de saúde pública mundial, países tropicais, como o Brasil, são os mais atingidos por esta enfermidade. Devido à falta de medicamentos antivirais específicos e vacinas preventivas, é essencial prover informações adequadas aos órgãos públicos e à comunidade. Neste cenário, um alerta precoce de surtos de dengue possibilitaria a tomada de ações preventivas para um efetivo controle da doença, melhorando a eficiência das campanhas de controle dos vetores e permitindo mobilização de recursos humanos e materiais. Ao possibilitar a tomada de ações preventivas para um controle efetivo da doença, a previsão da incidência da dengue adquire um papel social indispensável. Dentre as técnicas que podem ser utilizadas na elaboração de modelos de previsão, incluem-se as Redes Neurais Artificiais (RNAs). RNAs são modelos computacionais inspirados no sistema nervoso de seres vivos. O propósito deste trabalho é desenvolver um modelo de previsão de casos de dengue para os municípios de Itajaí (Santa Catarina) e Guarulhos (São Paulo) por meio da técnica de RNAs. Neste trabalho, é comparada a utilização de duas arquiteturas distintas de RNAs, as redes Perceptron Multicamadas e as Redes Neurais Auto-Regressivas com Entradas Exógenas. Para que os objetivos do trabalho sejam atingidos, inicialmente foi realizada uma revisão sistemática da literatura de modo a identificar os modelos que têm sido utilizados para previsão de incidência de dengue, as variáveis utilizadas nestes modelos e o horizonte de previsão. Posteriormente, foi realizada a modelagem e treinamento das redes com diversas configurações de variáveis de entrada e parâmetros iniciais. O desempenho das redes modeladas foi analisado por meio de índices estatísticos e gráficos. Os resultados mostram que é possível realizar a previsão de casos de dengue nas áreas de estudo, com erro e antecedência aceitáveis, utilizando-se RNAs e tendo como entrada informações meteorológicas e dados quantitativos da dengue.
Previsão de índicess da bolsa de valores através de redes neurais artificiais: uma comparação com o modelo de predição baseado na lógica paraconsistente
(2017) Moraes, Rodrigo; Daniel Gomes Soares, Msc; Guilherme Bitencourt Martins, Msc; André Alessandro Stein, Msc; Juliano Tonizetti Brignoli, Dr
A predição de índices e/ou valores da bolsa de valores, bem como futuras cotações das ações, é um grande desafio até mesmo para especialistas com anos de experiência em técnicas de investimento. A previsão de tais séries temporais é um problema que tem recebido atenção dos pesquisadores nos últimos anos, na tentativa de encontrar um método preciso para prever tais valores. Prever o futuro, e em especial o comportamento de séries temporais é considerado um grande desafio, tanto para a estatística como para a computação. Dentro deste contexto, este trabalho teve como objetivo a construção de uma modelo baseado em Redes Neurais Artificiais (RNA) para a predição do índice S&P 500 da bolsa de valores de Nova Iorque. RNAs são modelos computacionais baseados no sistema nervoso dos seres vivos e têm como principal característica o poder de generalização e reconhecimento de padrões, se tornando ideal para o previsão de séries temporais. Para a realização deste trabalho, foram utilizadas RNAs do tipo Multilayer Perceptron (MLP) e como complemento, os resultados obtidos através da melhor RNA modelada, foram comparados com os resultados obtidos pelo modelo de predição de índices da bolsa, baseados na Lógica Paraconsistente, estipulado por Martins (2012). Os resultados mostram que é possível fazer previsão de índices da bolsa de valores, com erro e antecedência aceitáveis, utilizando-se RNAs e tendo como entrada dados históricos e estatísticos do índice. Também verifica-se que as RNAs se sobressaem em relação ao modelo paraconsistente, pelo fato de que uma Rede Neural Artificial irá realizar a predição para todos os dias, enquanto o modelo paraconsistente poderá não prever algum dia, por se tornar uma previsão inconclusiva para tal dia.
Previsão de inundações do rio Itajaí-Açu utilizando redes neurais profundas
(2019) Peressim, Felipe de Lima; Daniel Gomes Soares, Msc; André Alessandro Stein, Msc; Juliano Tonizetti Brignoli, Dr
As inundações são desastres naturais registrados desde a antiguidade e que remontam à história da humanidade. Entre outros desastres, as inundações são os mais destrutivos, causando danos à vida humana, infraestrutura, agricultura e no sistema socioeconômico. Para mitigar os efeitos causados por este fenômeno, tanto medidas estruturais quanto não estruturais, podem ser adotadas. As estruturais são obras de engenharia custosas e que nem sempre podem resolver totalmente o problema, enquanto que medidas não-estruturais são de baixo custo e auxiliam na prevenção e diminuição dos prejuízos ocasionados pelas inundações. Nesta pesquisa foi desenvolvido um modelo de previsão de inundações em curto prazo, que é uma medida não-estrutural, para isso utilizando-se das Redes Neurais Profundas, pois constituem o estado da arte de modelos de aprendizado de máquina atualmente. O município de Rio do Sul - SC foi o local escolhido como área de estudo devido ao seu extenso histórico de inundações que o acomete. Para alcançar os objetivos deste trabalho, inicialmente realizou-se uma revisão bi bliográfica da literatura para identificar as variáveis que poderiam ser utilizadas no modelo, as topologias de RNAs profundas que vem sendo utilizadas para realizar a previsão de inundações em curto prazo. Através da revisão, pode-se observar na literatura que o uso de modelos profun dos tem sido infrequente no que tange problemas de hidrologia. Este fato deu forma a pergunta de pesquisa proposta neste trabalho, que consiste em verificar se é possível obter melhores re sultados na previsão de inundações através do aprendizado profundo em relação à abordagem tradicional. Neste sentido, para atingir os objetivos da pesquisa, foram modeladas, treinadas e testadas, com diversas configurações, parâmetros iniciais e principalmente variando-se os níveis de profundidade das RNAs adotadas, dentre elas duas vertentes de redes neurais recorrentes - LSTM e GRU; e dois modelos de redes neurais Híbridas, constituídas por camadas de redes Convolucionais, Recorrentes e Multilayer Perceptron. O desempenho das redes modeladas foi analisado por meio de índices estatísticos e gráficos. Os resultados mostram que as redes com maior profundidade foram mais representativas e superiores as redes rasas, consequentemente, a abordagem do aprendizado profundo mostrou que é possível fazer previsão de inundações na área de estudo, com erro e antecedências aceitáveis para ser utilizado como uma medida não-estrutural de um sistema de alerta de cheias.
Recomendação de planos alimentares utilizando raciocínio baseado em casos
(2016) Livramento, Matheus; Daniel Gomes Soares, Msc; Juliano Tonizetti Brignoli, Dr; Fábio Alexandrini, Dr
Para conquistar uma boa saúde, dentre vários aspectos, é indispensável uma boa alimentação. É nesse ponto onde muitas pessoas recorrem a orientação de um profissional. Entretanto, podem ocorrer algumas inconveniências por parte do paciente ou por parte do nuctricionista. Por exemplo, um plano alimentar desenvolvido manualmente por um profissional pode ocasionar inconsistências ou até mesmo um abandono da dieta por parte do paciente e, em consequência da mesma, tornar-se desagradável ou até mesmo impraticável a longo prazo. Já por parte do nutricionista, o aspecto mais trabalhoso de sua função é a elaboração de planos alimentares bem ajustados para cada tipo de paciente que passa pelo seu consultório. Sabendo que cada pessoa possui suas individualidades fisiológicas, embora que, as vezes muito similares entre si, foi utilizada a técnica de Raciocínio Baseado em Casos para amenizar ou anular esses impasses. A ferramenta desenvolvida fornece aos pacientes planos alimentares adaptados ao seu perfil de modo que o mesmo tenha a liberdade de escolher qual plano queira utilizar. Já pelo lado do nutricionista, essa ferramenta utiliza a premissa da similaridade para reutilizar planos alimentares para pacientes com características físicas semelhantes, ou seja, assim que a base de dados do sistema estiver suficientemente populada com planos alimentares, a formulação de novos planos será rara ou nula por parte do nutricionista. Concernente aos testes realizados, focados principalmente nas enfermidades (diabetes, intolerância ao glúten e intolerância à lactose) a ferramenta mostrou-se eficaz pois classificou planos alimentares que continham alimentos restritos como pouco similares, ou seja, não recomendáveis para o paciente portador da doença. Assim, compreendendo que a ferramenta apresentou bons resultados mesmo com poucos casos, conclui-se que sua utilização real por um nutricionista pode ser válida, sendo capaz de agilizar o fluxo de trabalho do profissional e até mesmo evitando possíveis desistências por parte de seus pacientes através do fornecimento de planos dinâmicos.
Redes neurais recorrentes LSTM para a predição de índices da bolsa de valores: Uma comparação com o modelo de predição baseado em redes neurais artificiais multilayer perceptron
(2024) Felipe Tenfen; Daniel Gomes Soares, Msc; Juliano Tonizetti Brignoli, Dr; Cristhian Heck, Msc
A previsão de séries temporais financeiras é uma das áreas mais estudadas da inteligência artificial no mercado financeiro, tanto no âmbito acadêmico quanto no corporativo. Prever o futuro, especialmente o comportamento de séries temporais, como índices, preços da bolsa de valores e futuras cotações de ações, é considerado um desafio complexo tanto para a área de estatística quanto para a computação, assim como representa um desafio significativo, mesmo para especialistas experientes em técnicas de investimento, e tem recebido cada vez mais atenção nos últimos anos, principalmente devido à possibilidade de rentabilidade. Uma das técnicas mais utilizadas para fazer esse tipo de predição é a aplicação de redes neurais artificiais. Nesse contexto, este trabalho se propôs a desenvolver um modelo baseado em Redes Neurais Recorrentes (RNN), uma classe das redes neurais artificiais, e mais especificamente, do tipo Long Short-Term Memory (LSTM), para prever o valor e a direção do índice S&P 500 da bolsa de valores de Nova Iorque com um dia de antecedência. As Redes Neurais Recorrentes (RNNs) são modelos computacionais inspirados no sistema nervoso dos seres vivos, conhecidos por sua capacidade de processar sequências de dados e aprender com padrões temporais. Essa característica faz delas uma escolha ideal para prever séries temporais, permitindo que capturem dependências temporais e façam previsões com base em dados históricos. Ao longo deste estudo, foram desenvolvidos e comparados diferentes modelos de RNN, com a seleção daquele que obteve os melhores resultados. Esses resultados foram comparados com os obtidos por um modelo de previsão de índices da bolsa de valores S&P500 baseado em Rede Neural Artificial do tipo Multilayer Perceptron (MLP), conforme proposto por Moraes (2017). Os resultados indicam que é possível realizar a previsão de índices da bolsa de valores com erro e antecedência aceitáveis utilizando RNNs do tipo LSTM e dados históricos do índice como entrada. Por fim, observou-se uma prevalência das redes LSTM sobre as redes MLP neste tipo de aplicação, uma vez que o percentual de erro apresentado pela LSTM no experimento realizado foi consideravelmente menor em comparação ao erro da MLP para o mesmo conjunto de dados.
Sistema de recomendação de roupas fundamentado em raciocínio baseado em casos
(2015) Santos, Camila Lenz; Daniel Gomes Soares, Msc; Patricia Blini Estivalete, Dr; Fábio Alexandrini, Dr
A Inteligência Artificial é uma ciência considerada recente, em que trabalhos vem sendo desenvolvidos, como a técnica de Raciocínio Baseados em Casos, cuja aplicação é a solução de problemas por meio da utilização de casos anteriores já conhecidos. Esse trabalho abrange os principais conceitos sobre Raciocínio Baseado em Casos como fundamento para implementação de um Sistema de Recomendação de Roupas, contemplando também conceitos fundamentais sobre o código do vestir. A metodologia utilizada consistiu em pesquisa bibliográfica, levantamento de requisitos funcionais e não funcionais, além disso, foi realizada uma pesquisa quantitativa com mulheres de idade acima de 15 anos, entre a maioria das entrevistadas (48%) possui idade de 15 a 23 anos, 47% das entrevistadas possuem Ensino Superior, a maioria das entrevistadas (35%) gasta 10 minutos por dia procurando o que vestir e 49% possuem dúvidas as vezes do que vestir em alguma ocasião especial. O desenvolvimento do trabalho resultou em um sistema Web utilizando a linguagem de programação PHP que permite a inserção das roupas no sistema e a montagem de combinações de roupas chamadas de casos ou looks. Os casos são cadastrados em uma base de casos e dessa forma é possível fazer a busca de um caso/look quando o usuário desejar uma recomendação do que usar levando em consideração fatores como o clima, a ocasião, o tipo de traje a ser usado e a imagem que deseja transmitir. Após realizada a busca através da técnica de Raciocínio Baseado em Casos é possível concluir todas as outras fases que integram o ciclo RBC como recuperação, reutilização, revisão e retenção dos casos. Resultados foram observados através de testes para validar o sistema proposto demonstrando seu funcionamento.

Navegar

Navegando Inteligência Artificial por Título

Resultados por página

Opções de Ordenação