Navegando por Autor "Gorgônio, Arthur Costa"
Agora exibindo 1 - 4 de 4
- Resultados por página
- Opções de Ordenação
TCC Uma análise da influência do parâmetro de controle do limiar no método de aprendizado semissupervisionado FlexCon-C(Universidade Federal do Rio Grande do Norte, 2018-12-12) Gorgônio, Arthur Costa; Lucena, Amarildo Jeiele Ferreira de; Karliane Medeiros Ovidio Vale; Lucena, Amarildo Jeiele Ferreira de; Canuto, Anne Magaly de Paula; Vale, Karliane Medeiros OvidioAlgoritmos com a capacidade de aprendizado são ferramentas eficazes e eficientes para o processamento de um grande volume de dados. Entretanto, bases de dados das aplicações do mundo real não são completamente rotuladas, isso dificulta o desenvolvimento de um modelo pelos modos tradicionais de aprendizado de máquina. O aprendizado de máquina semissupervisionado surge para realizar o treinamento de algoritmos capazes de aprender com base de dados parcialmente rotuladas. A confiabilidade do processo de classificação depende de vários fatores que incluem o tipo de classificador utilizado e um conjunto de parâmetros que os customiza, além da disposição e/ou formatação da própria base de dados. Um fator importante deste tipo de aprendizado é a seleção de exemplos a serem incluídos no conjunto de dados rotulados. Uma forma de realizar essa seleção é por meio de um limiar que determina quais instâncias são incluídas por iteração, permitindo rotular apenas instâncias classificadas com alto valor de confiança. O método FlexCon-C – derivado do algoritmo Self-Training – faz uso dessa estratégia e o objeto de estudo deste trabalho foram as três técnicas variantes do método FlexCon-C (FlexCon-C1 (s), FlexCon-C1 (v), FlexCon-C2). No qual foi analisado diferentes valores para a variação do limiar (cr) mensurando o impacto na classificação de dados semissupervisionados. Os resultados demonstraram não haver um valor para o parâmetro cr que seja superior aos demais em todos os casos, uma vez que o melhor valor depende de diferentes configurações do experimento, tais como: técnica, classificador e percentual de dados inicialmente rotulados. Analisando a acurácia por classificador, percebeu-se que Naïve Bayes e rpartXse não apresentaram diferenças significativas no valor da acurácia ao se variar o parâmetro cr. Entretanto, o RIPPER obteve melhores resultados fixando-se o valor do cr > 5%, enquanto que o k-NN alcançou melhores acurácias com o cr < 5%.TCC FlexCon-CE: a semi-supervised method with an ensemble-based adaptive confidence(Universidade Federal do Rio Grande do Norte, 2023-08-22) Medeiros, Arthur dos Santos; Vale, Karliane Medeiros Ovidio; Gorgônio, Flavius da Luz e; 0000−0002−4926−3990; 0000−0001−9845−8156; 0009-0003-3716-3022; Guerra, Fabrício Vale de Azevedo; http://lattes.cnpq.br/7860769003807018; Gorgônio, Arthur Costa; 0000−0002−1824−9600O aprendizado semissupervisionado é caracterizado por um baixo número de instâncias rotuladas e um alto número de instâncias não rotuladas. O FlexCon-C (Flexible Confidence Classifier) é um conhecido método semi-supervisionado que utiliza o algoritmo de aprendizado de autotreinamento como base para gerar modelos de predição. A principal diferença entre o autotreinamento e o FlexCon-C é que o primeiro usa um limite fixo para selecionar as instâncias não rotuladas, enquanto o último tem uma confiança ajustada dinamicamente. O FlexCon-C aplica uma equação de ajuste de confiança com base no desempenho do classificador. Nesse sentido, o desempenho do classificador é usado para selecionar e rotular instâncias não rotuladas. Em Machine Learning, é bem conhecido que o desempenho do classificador pode ser melhorado ainda mais através do uso de ensembles de classificadores. Portanto, este estudo propõe o uso de ensembles de classificadores na equação de ajuste de confiança FlexCon-C, visando fornecer uma medida mais eficiente para selecionar e rotular instâncias não rotuladas. Para avaliar a viabilidade do método proposto (FlexCon-CE), será realizada uma análise empírica, usando 20 conjuntos de dados, três diferentes algoritmos de classificação e cinco diferentes configurações de dados inicialmente não rotulados. Os resultados indicam que o método proposto superou o método tradicional, mostrando-se promissor para a tarefa de seleção e rotulagem automática de dados no contexto semi-supervisionado.Dissertação Um framework semissupervisionado para classificação de dados em fluxos contínuos(Universidade Federal do Rio Grande do Norte, 2021-06-25) Gorgônio, Arthur Costa; Canuto, Anne Magaly de Paula; Vale, Karliane Medeiros Ovidio; 02973877407; http://lattes.cnpq.br/7907570677010860; http://lattes.cnpq.br/1357887401899097; http://lattes.cnpq.br/8213279977425231; Abreu, Marjory Cristiany da Costa; http://lattes.cnpq.br/2234040548103596; Xavier Júnior, João Carlos; http://lattes.cnpq.br/5088238300241110; Santos, Araken de Medeiros; http://lattes.cnpq.br/8059198436766378Aplicações no domínio de fluxos contínuos de dados (do inglês, Data Streams) recebem um grande volume de dados rapidamente e, existe a necessidade de processá-los sequencialmente. Uma característica destas aplicações é que os dados podem sofrer mudanças durante o processo da utilização do modelo, ademais a quantidade de instâncias cujo rótulo é conhecido pode não ser suficiente para gerar um modelo eficaz. A fim de suprimir a dificuldade da pouca quantidade de instâncias rotulada, pode-se utilizar o aprendizado semissupervisionado. Além disso, o uso de comitês de classificadores pode auxiliar na detecção da mudança de contexto. Assim, neste trabalho, é proposto um framework para realizar a classificação semissupervisionada em tarefas com fluxos contínuos de dados, utilizando uma abordagem baseada em comitês de classificadores. Este framework utiliza o comitê para se auto avaliar e determinar quando treinar um novo classificador durante o processo de classificação. Para avaliar a eficácia da proposta, foram realizados testes empíricos com onze bases de dados utilizando dois diferentes tamanhos de batch, nove abordagens supervisionadas , por meio das métricas acurácia, precision, recall e f-score. Ao avaliar a quantidade de instâncias processadas, as abordagens supervisionadas obtiveram um desempenho praticamente constantes, enquanto que a proposta apresentou uma melhora de 8,28% e 3,81% utilizando 5% e 10% de instâncias rotuladas, respectivamente. Por fim, os resultados desta pesquisa são promissores, o framework proposto obteve resultados semelhantes ou superiores em 118 dos 198 (60%) casos, em termos estatísticos.TCC Indicadores preditivos para análise das taxas de evasão: um estudo de caso no curso de bacharelado em Sistemas de Informação(Universidade Federal do Rio Grande do Norte, 2025-01-23) Bezerra, Wanessa da Silva; Vale, Karliane Medeiros Ovidio; Gorgônio, Flavius Luz e; https://orcid.org/0000-0002-4926-3990; http://lattes.cnpq.br/7375286161719016; https://orcid.org/0000-0001-9845-8156; http://lattes.cnpq.br/7907570677010860; https://orcid.org/0000-0001-7775-0211; https://lattes.cnpq.br/4286250622494169; Guerra, Fabricio Vale de Azevedo; http://lattes.cnpq.br/7860769003807018; Gorgônio, Arthur Costa; https://orcid.org/0000-0002-1824-9600; http://lattes.cnpq.br/8213279977425231O presente estudo tem como objetivo propor índices para prever a evasão de alunos do curso de Bacharelado em Sistemas de Informação da Universidade Federal do Rio Grande do Norte (UFRN), utilizando aprendizado de máquina (AM) e redução de dimensionalidade. Para tanto, foram propostos 4 índices que são promissores para prever a evasão de alunos: permanência, taxa de reprovação, permanência por semestre e quantidade de matrículas. Para analisar tais índices, foram executados 10 algoritmos de classificação em 4 conjuntos de dados distintos (BD1, BD2, BD3 e BD4), gerados a partir de dados abertos disponíveis no portal da UFRN. Além disso, para fins de comparação de resultados, utilizou-se as versões otimizadas com Análise de Componentes Principais (PCA) para os conjuntos BD1, BD2 e BD3, pois não utilizam os índices propostos neste trabalho. Ao comparar o desempenho dos classificadores utilizando o conjunto de dados com os índices propostos neste trabalho em relação às demais bases, os modelos Quadratic Discriminant Analysis (QDA) e Naive Bayes apresentaram destaque, alcançando os melhores resultados em termos de acurácia e índice F1, respectivamente. A análise com SHAP(\textit{SHapley Additive exPlanations}) revelou que os índices permanência e quantidade de matrículas foram os mais relevantes para prever a evasão