O sistema operacional Android disponibiliza funções e métodos de manuseio 
de dados sensíveis para proteger os dados dos usuários. Dados sensíveis são 
todo tipo de dados que podem identificar o usuário, como localização de 
GPS, dados biométricos e informações bancárias. A literatura de segurança 
Android propõe extrair features binárias de um método e classificar-lo em 
uma das classes de Security Relevant Methods, agregando informação de o 
método manuseia dados sensíveis. Entretanto, existe uma lacuna na 
literatura onde não são avaliados algoritmos de Ensemble Dinâmico. Os 
algoritmos de Ensemble Dinâmico são estado da arte para Sistemas de 
Múltiplos classificadores, que por sua vez, não atacam objetivamente o tipo 
específico de features binárias. Assim sendo, este trabalho endereça a 
lacuna em relação a algoritmos de Ensemble Dinâmicos aplicados ao problema 
de classificação de Security Relevant Methods. Nossas análises mostram que, 
ao contrário do que é inicialmente posto pela literatura, SVM não é o 
melhor classificador para esse problema, sendo MLP, Random Forest, Gradient 
Boosted Decision Trees e META-DES usando \text{Random Forest como geração 
do pool os melhores resultados. Também constatamos que, em geral, 
algoritmos de Ensemble Dinâmico possuem uma desvantagem em relação aos 
classificadores monolíticos. Ademais, essa desvantagem é exarcebada em 
algoritmos que utilizam classificadores baseados em distância, como o OLP. 
Quando utlizamos o algoritmo de embedding Triplet Loss, observamos um 
aumento de performance para o kNN e OLP, mas não de outras técnicas de 
Ensemble Dinâmico, mostrando que um conjunto de features binárias tem 
impacto mais significativo sobre esses algoritmos.

CONTEXTO: O software está cada vez mais presente em nossas vidas e nos influencia constantemente. Por exemplo, os carros autônomos desenvolvidos e as redes sociais podem introduzir preconceitos, quebrar preferências de privacidade, levar ao vício digital e outras questões semelhantes. OBJETIVO: Este estudo tem como objetivo identificar os dilemas éticos que ocorrem na engenharia de software e verificar como este assunto está sendo ensinado na área de TI. MÉTODO: Foi realizado um estudo de mapeamento sistemático; a pesquisa retornou 744 artigos de quatro bases de dados, dos quais 50 foram aceitos para extração de dados. Além disso, foi realizado um survey na área de educação; obtivemos 93 participantes na pesquisa e ao final foi realizado uma análise documental sobre a disciplina de ética em 20 universidades brasileiras. RESULTADOS: A partir dos dados extraídos na revisão, foi possível responder às questões de pesquisa e compreender os dilemas éticos que estiveram presentes nos últimos cinco anos. Os principais dilemas que podem auxiliar no direcionamento do ensino da ética no ensino superior foram privacidade, conscientização e segurança. Por meio do survey, foram coletados opiniões de alunos e professores universitários: 63% dos alunos relataram que a disciplina de ética é importante para a grade curricular dos cursos de graduação e pós-graduação da área de informática; 61,3% possuíam conhecimentos sobre ética aplicada ao seu campo profissional; 75,3% consideram a ética importante para os profissionais de TI; 35,5% tinham interesse em fazer curso relacionado à ética; 72% não leram o código de ética profissional em nenhuma área da tecnologia da informação; e 47,3% nunca estudaram ética. A percepção dos professores mostrou que 82,3% nunca ensinaram sobre a existência de um código de ética específico em tecnologia da informação; 93,1% afirmaram que o código de ética e conduta profissional é necessário para uma boa conduta profissional; e 72% não leram muito sobre questões éticas. Por meio da análise documental, foi coletada informações sobre assuntos relacionados às universidades brasileiras como carga horária (30-75 horas), ementa e as recomendações do MEC e SBC. CONCLUSÃO: O estudo de mapeamento contribuiu para evidenciar que as principais questões éticas que foram discutidas na literatura científica foram privacidade e transparência, o survey sobre a opinião de alunos e professores contribuiu para melhor compreensão e sugestões de mudanças futuras para obter maior interesse dos alunos e maior motivação profissional dos professores e a análise documental mostra que privacidade é uma questão discutida tanto na academia quanto nas publicações científicas, transparência foi visualizada mais nas publicações e não nas ementas dos cursos universitários, outros dilemas éticos foram visualizados como propriedade intelectual e responsabilidade.  

Nos últimos anos, tem se tornado cada vez mais comum o surgimento de 
plataformas, em vários setores, que trabalham com sistemas de recomendação. 
Visto que, do ponto de vista das plataformas, um importante propósito das 
recomendações é manter os usuários consumindo os conteúdos 
disponibilizados, utilizando inúmeras informações do comportamento dos 
usuários, foi observada a necessidade de entender as consequências do seu 
uso na sociedade. Surgem então alguns questionamentos: poderia essa nova 
dinâmica ser responsável por conduzir uma mudança no gosto dos usuários? Os conteúdos produzidos para consumo na plataforma também podem sofrer 
influência?
A partir deste contexto, esta dissertação tem como propósito analisar os 
efeitos do consumo de conteúdos recomendados por inteligência artificial na 
sociedade. Tendo como bases principais a teoria do gosto (1979) do 
sociólogo Pierre Bourdieu e o conceito de onívoro cultural de DiMaggio 
(1987) e Richard Peterson e Albert Simkus (1992), procura-se observar quais 
as consequências causadas pelo uso de plataformas que utilizam dados do 
perfil do usuário em sistemas de recomendação que enviam conteúdos para 
serem consumidos, dado que o gosto não é produto resultante do 
livre-arbítrio, mas algo construído pelas condições de existência que 
moldam as preferências do indivíduo ao longo do tempo. Como objeto de 
estudo a plataforma de streaming musical Spotify foi selecionada, 
considerando-se sua popularidade no Brasil. Por meio de uma pesquisa 
quali-quantitativa e da construção de um grupo focal onde o histórico de 
uso da plataforma foi acompanhado por 5 meses, foi possível observar que o 
capital cultural, o consumo de conteúdo recomendado e a diversidade de 
gêneros são fatores de grande influência na equivalência entre o conteúdo 
já consumido e aquele que será recomendado. Além disso, a falta de 
similaridade entre os conteúdos de alguns usuários indicam a possibilidade 
do conteúdo sugerido ser resultado de uma ação publicitária, sem levar em 
consideração o histórico de consumo do usuário e sim se ele faz parte do 
público alvo que o artista pretende alcançar. Quanto aos onívoros 
culturais, o fato do usuário ser considerado um não obteve influência 
significativa nos resultados. Desta forma, a pesquisa contribui para 
debates sobre classes, dinâmica de consumo musical e inteligência 
artificial no século 21.

O processo de desenvolvimento de software atual, exceto em casos especiais, 
é feito de forma colaborativa. Na medida que novos requisitos são 
levantados, novas tarefas são definidas e alocadas a desenvolvedores 
diferentes. Os desenvolvedores, no que lhes concerne, adicionam suas 
modificações em repositórios ou versões separadas e isoladas do código, e 
posteriormente essas modificações precisam ser integradas em um repositório 
ou versão central. Esse processo de integração de código é propenso a 
erros, especialmente se as alterações em diferentes ramos entrarem em 
conflito.
Alguns desses conflitos são mais simples e podem ser detectados pelas 
ferramentas atuais de controle de versão como o Git, no entanto, ainda 
necessitam de intervenção humana para resolvê-los, o que afeta a 
produtividade da equipe. Mas esse não é o único problema, existem também os 
conflitos semânticos que requerem a compreensão do comportamento do 
software, que está além dos recursos da maioria das ferramentas de 
mesclagem existentes. Isso faz com que esses conflitos dificilmente sejam 
percebidos por revisões ou detectados em testes e chegam até o usuário 
final como defeito no software.
Esse tipo de conflito ocorre quando, no código integrado, as mudanças 
introduzidas pela versão de um dos desenvolvedores interferem de forma 
inesperada com as mudanças introduzidas pela versão de outro 
desenvolvedor,  fazendo  com  o  que  um  contrato  pretendido  por  uma   
das versões deixe de ser cumprido. Sendo assim, se fazem necessárias 
ferramentas que possam detectar conflitos desse tipo no processo de 
integração, de modo a evitar bugs e facilitar a resolução dos mesmos.
Nesse sentido, esse trabalho propõe uma análise de substituição de 
atribuição (Override an Assignment (OA)), que visa detectar interferências 
entre as alterações introduzidas por dois desenvolvedores diferentes, onde 
caminhos de gravação, sem atribuições intermediárias, para um alvo comum 
indicam interferência. Também foi realizada a implementação e avaliação de 
duas abordagens (interprocedural e intraprocedural) para a análise proposta.
Para avaliar as implementações da análise proposta foi usado um conjunto de 
72 cenários de integração de código, em que ambas versões integradas 
modificaram o mesmo método. Esses cenários foram extraídos de projetos 
open-source Java, minerados por uma ferramenta de mineração de cenários de 
integração do Github.

A crescente demanda por processamento analítico alinhada a expansão dos 
ambientes de Big Data colocou em xeque a capacidade do modelo relacional de 
atender tais aplicações, sem comprometer o desempenho das mesmas ou 
incorrer em custos exorbitantes. Os bancos de dados NoSQL foram escolhidos 
como uma alternativa viável para suprir tais necessidades. Eles relaxam os 
controles de consistência, integridade e transacionais característicos de 
bancos relacionais para oferecerem mais disponibilidade, poder de 
processamento paralelo e escalabilidade horizontal. Estudos mostraram que a 
classe de bancos de dados NoSQL orientados a colunas apresentam bons 
desempenhos para o uso com finalidades analíticas, pois, os dados de cada 
coluna são armazenados contiguamente e separados fisicamente das demais 
colunas. O planejamento de esquemas para os bancos de dados orientados a 
colunas foi objeto de diversas pesquisas, as quais, avaliaram abordagens 
normalizadas e desnormalizadas, bem como, as formas mais adequadas de se 
promover a separação física dos dados de cada coluna. No entanto, esses 
estudos não consideraram cenários que envolvam dados geoespaciais presentes 
na base e no escopo das consultas analíticas. Com o intuito de investigar 
as influências da redundância e do particionamento de dados convencionais e 
geoespaciais em GDWs orientados a colunas e utilizados com finalidades 
analíticas, propusemos 40 esquemas que adotam abordagens distintas para 
modelar os relacionamentos entre fatos e dimensões, entre dimensões 
convencionais e geoespaciais, e entre as próprias dimensões geoespaciais. 
Utilizamos o benchmark denominado Spadawan para gerar os dados em 
conformidade com os esquemas propostos, para os fatores de escala 1 e 10, e 
avaliar o volume de dados, tempo de ingestão e tempo para a execução de uma 
carga de consultas geoespaciais em um cluster computacional composto por 4 
nós. Nossos resultados evidenciaram que a desnormalização das dimensões 
convencionais foi a abordagem que mais contribuiu positivamente para a 
redução dos tempos de execução, apesar de elevar o volume de armazenamento 
demandado. A normalização das dimensões geográficas de menor seletividade 
contribuiu com a redução dos tempos de execução, enquanto, a normalização 
ou desnormalização das mais seletivas não ocasionou impactos positivos ou 
negativos expressivamente.

Diz-se que um teste é flaky quando passa ou falha de forma não determinística em diferentes execuções na mesma configuração (por exemplo, código). O teste flaky afeta negativamente o teste de regressão, pois as observações de falha não são necessariamente uma indicação de bugs no programa. Técnicas estáticas e dinâmicas para detecção de testes flaky têm sido propostas na literatura, mas são limitadas. Estudos anteriores mostraram que a flakiness do teste é causada principalmente por comportamento concorrente. Com base nessa observação, levantamos a hipótese de que a adição de ruído no ambiente pode interferir na ordenação dos eventos do programa e, consequentemente, influenciar nas saídas dos testes. Propomos o Shaker, uma técnica prática para detectar testes flaky comparando as saídas de várias execuções de teste em ambientes ruidosos. Comparado com uma execução de teste regular, uma execução de teste com o Shaker é mais lenta à medida que o ambiente é carregado, ou seja, o processo de teste compete por recursos (por exemplo, memória ou cpu) com tarefas estressantes que o Shaker cria. No entanto, conjecturas que o Shaker compensa ao detectar falhas em menos execuções em comparação com a alternativa de executar o conjunto de testes várias vezes em um ambiente regular (sem ruído). . Por exemplo, descobrimos que (1) Shaker é 96% preciso; é quase tão preciso quanto o ReRun, que por definição não relata falsos positivos, que (2) o recall do Shaker é muito maior em comparação com o do ReRun (0,95 versus 0,65), e que (3) o Shaker detecta testes irregulares com muito mais eficiência do que ReRun, apesar da sobrecarga de execução imposta pela abordagem. Em resumo, os resultados indicam que o ruído é uma abordagem promissora para detectar descamação.

Contexto: No campo de pesquisa da Robótica Socialmente Assistiva (Socially 
As-sistive Robotics - SAR) o estudo da Interação Humano-Robô (Human 
Robot-Interaction- HRI) tem o importante papel de indagar a forma como o 
aspecto humano e robótico colaboram entre si e qual o espaço do robô na 
vida humana. Alguns aspectos vêm sendo bastante estudados na literatura, 
dentre eles a confiança, que é considerada crucial para uma interação bem 
sucedida entre Homem-Robô. A Engenharia de Requisitos pode contribuir para 
compreender, modelar e analisar quais requisitos são fundamentais, 
melhorando assim a aceitação da utilização desses robôs. Objetivo: Essa 
pesquisa propôs a construção de um catálogo de Requisitos Não-Funcionais de 
confiança para Robôs Socialmente Assistivos (Socially Assistive Robots - 
SARs) chamado NFR4TRUST, que pode ajudara elicitar e especificar requisitos 
não-funcionais que melhoram a confiança humana na utilização de robôs neste 
domínio. Método: Foi realizado um levantamento bibliográfico visando 
verificar o estado da arte em HRI no contexto de confiança e a partir deste 
estudo, foi construída uma proposta de taxonomia de confiança para SARs que 
auxilia na descoberta de requisitos. A validação do catálogo proposto foi 
realizada através de uma Prova de Conceito (PoC), entrevista com 
especialistas das áreas relacionadas e um questionário para obter a opinião 
de engenheiros de requisitos. O uso do catálogo NFR4TRUST foi ilustrado 
através de sua aplicação na definição de requisitos de confiança de um robô 
socialmente assistivo que auxilia na reabilitação de membros superiores. 
Resultados: Com este trabalho criamos o Catálogo NFR4TRUST que apresenta um 
conjunto de Requisitos Não-Funcionais relacionados a confiança que podem 
ser levados em consideração em desenvolvimento de projetos com Robôs 
Socialmente Assistivos e sua utilização pode melhorar a confiança no robô. 
Conclusão: Os resultados deste trabalho apontaram que com a utilização do 
catálogo NFR4TRUST é possível apoiar as etapas de elicitação e 
especificação em projetos de SARs permitindo identificar preocupações 
iniciais sobre a perspectiva de confiança do usuário e projetar formas de 
mitigá-las.

Séries temporais são medições realizadas em um intervalo fixo de tempo, que 
podem ser usadas em diversos tipos de problemas. Elas são estudadas por 
diversas áreas a fim de compreender as características de sua geração. 
Existe uma área mais específica de previsão de séries temporais que busca 
capturar a tendência e encontrar um padrão dos movimentos em situações que 
já ocorreram para prever a próxima observação da série. Porém, ao longo do 
tempo podem acontecer alguns eventos que mudam todo o contexto da série, o 
concept drift, e o conhecimento armazenado da série pode não refletir mais 
a realidade da série após esse evento. Então, quando um modelo de 
aprendizado de máquina é treinado para realizar previsões e um concept 
drift acontece, esse modelo passa a ficar defasado e para a atualização do 
modelo, alguns pontos do novo conceito precisam ser capturados e 
armazenados, até serem suficientes para um novo treinamento. Durante esse 
período de coleta de dados os modelos aumentam exponencialmente seu erro, 
afetando o desempenho geral do sistema de previsão e dependendo da 
frequência em que o concept drift aconteça, pode inviabilizar o seu uso. O 
objetivo deste trabalho é propor um método para previsão de séries 
temporais na presença de concept drift, minimizando o impacto da redução do 
desempenho preditivo durante o processo de adaptação ao novo conceito. Para 
isso foram propostos três métodos que usam o conceito antigo para melhorar 
o desempenho nessa fase de adaptação. Os métodos usam PSO para otimização 
do treinamento de partículas ELM, que são usadas na previsão e como 
sensores para detecção concept drift. O primeiro método usa um ensemble com 
todas as partículas treinadas. O segundo usa uma combinação, usando o 
algoritmo guloso, das melhores partículas quando o concept drift é 
detectado até a sua adaptação. E o terceiro usa a melhor combinação das 
partículas desde o início e atualiza a combinação depois da detecção de um 
concept drift. Todos os métodos propostos fazem adaptação para o novo 
conceito depois de ter dados suficientes para o treinamento. Nos 
experimentos foram usadas sete séries, sendo elas quatro geradas 
sinteticamente com concept drift conhecidos e três séries reais de índices 
do mercado financeiro com concept drift desconhecidos. Os resultados do 
experimento foram comparados com métodos disponíveis na literatura e os 
métodos propostos que se adaptam usando uma combinação das melhores 
partículas conseguiram resultados melhores com significância estatística. 
Mostrando que, o período de adaptação do método ao novo conceito é 
relevante no erro geral da previsão e que o treinamento anterior pode 
ajudar a reduzir esse erro.

A previsão do consumo de energia elétrica é um processo que permite a 
melhoria de tomada de decisões auxiliando na gestão e gerenciamento de 
consumo em edifícios de pequeno porte, graças aos avanços dos medidores 
inteligentes. Na literatura pode-se observar que a previsão de consumo  de 
energia é um problema desafiador por ser um tipo de série temporal composta 
de correlações lineares e não-lineares.  Por este motivo, os modelos 
estatísticos clássicos que são amplamente utilizados na literatura, possuem 
uma capacidade limitada de identificar todos os padrões da série, já que 
tais modelos são construídos considerando uma correlação linear dos dados. 
Assim, a utilização de modelos não-lineares baseados em Aprendizagem de 
Máquina (AM), se mostram bons candidatos por serem capazes de identificar 
os padrões não- lineares. Além da utilização destes modelos, existem 
trabalhos que mostram um ganho de desempenho com a utilização de Sistemas 
Híbridos, na qual realizam a combinação dos modelos lineares estatísticos 
com modelos não-lineares de AM. Tal combinação considera que o resíduo dos 
modelos lineares, ou seja, a série composta pela diferença entre o real e o 
previsto, possui padrões não-lineares que não foram captados. Este trabalho 
propõe uma nova abordagem baseada na utilização de Sistemas Híbridos 
Inteligentes composta por três modelos, sendo eles: modelo linear para 
realizar a extração dos padrões lineares da série temporal, modelo 
não-linear para realizar a extração dos padrões não-lineares presentes na 
série de resíduos e um modelo de combinação que considera que existe uma 
relação não linear entre a série temporal, a série de resíduos, a previsão 
da série temporal e a previsão da série de resíduos. Para contornar os 
problemas de seleção dos dados que serão utilizados como entrada (lags) e a 
escolha subótima dos hiperparâmetros dos modelos de AM, a metodologia 
proposta possui 2 etapas de otimização, sendo uma delas na seleção da 
quantidade de lags e dos hiperparâmetros do modelo de resíduos; e a outra 
no modelo de combinação, realizando a seleção dos hiperparâmetros e da 
quantidade de lags de cada uma das quatro séries utilizadas como dados de 
entrada (Real, Resíduos, Previsão da Real e Previsão dos Resíduos). Desta 
forma o sistema se mostra flexível por permitir explorar diferentes 
combinações das séries e assim avaliar unificadamente diferentes propostas 
de combinações que são encontradas na literatura. Nos experimentos 
realizados foram utilizados o ARIMA como modelo linear e LSTM como modelo 
não-linear. Para o  modelo de combinação foram testados o  XGBoost e SVR e 
o Tree Parzen Estimator como algoritmo de otimização. Os resultados 
encontrados apresentaram um desempenho superior ao estado da arte para 
previsão do consumo de energia, a partir de dados de medidores inteligentes 
utilizando as métricas clássicas de avaliação de modelos de previsão de 
série temporal.

As soluções de Inteligência Artificial (IA), mais especificamente de Aprendizagem de Máquina (AM), têm alcançado crescentes níveis de desempenho devido à capacidade computacional, disponibilidade de dados e aparecimento de novos métodos. Ao mesmo tempo, os desafios são cada vez mais complexos. Essa complexidade tem aumentado a dificuldade de interpretar o funcionamento interno que conduz os modelos de AM na recomendação das decisões. Com objetivo de aumentar a interpretabilidade e manter a acurácia desses modelos complexos, surgiu a área de Explainable AI (XAI), com papel importante para impulsionar a ética, responsabilidade e performance nas soluções de IA. Este trabalho apresenta uma análise do estado da arte da área, e realiza uma comparação entre as principais técnicas da literatura através de experimentos em uma base de dados reais para interpretar um modelo treinado para classificar o desempenho escolar, domínio que a interpretação dos resultados dos modelos é fundamental. Os resultados apontam as vantagens e desvantagens das abordagens, discussões sobre as saídas fornecidas, bem como uma forma de combinar algumas estratégias. Diferente de alguns trabalhos comparativos, a análise em uma mesma base de dados fornece uma visão mais justa das explicações geradas. Em decorrência das limitações encontradas nas abordagens investigadas, é proposto um novo método, o Textual SHAP. O método busca endereçar necessidades da área, como por exemplo, considerar a perspectiva do usuário leigo como foco da explicabilidade. O método extrai as principais informações do gráfico da interpretação global do SHAP, técnica do estado da arte de XAI, e converte para um formato mais simples por meio de textos. Foi realizada uma avaliação com pessoas com conhecimento no domínio da educação e sem familiaridade com IA. Os resultados demonstraram que a abordagem proposta é menos complexa de interpretar e fornece maior nível de compreensão do que é exposto para os usuários. Com a abordagem de explicação textual, o método proposto apresenta potencial para alcançar explicações compreensivas e eficazes, contribuindo para os avanços das abordagens centradas nos humanos.

O protocolo Quick UDP Internet Connection (QUIC) foi apresentado pelo Google inicialmente em 2012 como uma solução para alguns dos problemas estruturais da Internet evidenciados principalmente pelas limitações do protocolo Transmission Control Protocol (TCP) frente às novas necessidades das aplicações e serviços Web. Diante desse cenário, mesmo que esse protocolo venha sendo considerada progressivamente favorável, algumas questões ainda estão em aberto, como por exemplo à avaliação do seu efetivo ganho em relação ao modelo já estabelecido (TCP + HTTP/2) utilizado na atualidade para navegação Web. Sendo assim, este trabalho utilizou o método de pesquisa considerando o estudo de caso. Ficando ao fim deste evidenciado, através da análise dos resultados que o QUIC apresenta melhor desempenho em relação ao TCP apenas casos específicos, como por exemplo em redes com grande quantidade de atraso e perda de pacotes. Possibilitando, portanto, a visualização, de forma evidente, que a proposta do QUIC ainda não é suficientemente robusta e que necessita se desenvolver para ser efetivamente aplicada. 

O compartilhamento de caronas (CC) é um serviço de mobilidade compartilhada 
que traz diversos benefícios  ambientais, econômicos e sociais. Sistemas de 
Compartilhamento de Caronas englobam diferentes problemas e, para 
solucioná-los técnicas de otimização são empregadas para realizar a 
intermediação entre motoristas e passageiros que tenham horários e 
itinerários semelhantes. Para efetivação das caronas é indispensável o uso 
de algoritmos para definição das rotas dos participantes. Além disso, para 
obter os melhores resultados desse tipo de serviço são considerados alguns 
desafios, como: maximizar o número de participantes, determinar as melhores 
rotas e minimizar os custos da viagem. Nesse contexto, o objetivo desta 
pesquisa é investigar os problemas de otimização existentes no 
compartilhamento de caronas e, também, identificar os métodos, as 
ferramentas, os algoritmos e as técnicas utilizados para solucionar tais 
problemas. Para esta pesquisa, um protocolo foi elaborado para a condução 
de um Mapeamento Sistemático da Literatura (MSL), método utilizado para 
identificar, classificar, analisar e sintetizar as evidências encontradas 
através dos estudos selecionados que abordam o compartilhamento de caronas.
Nesse mapeamento sistemático, foram analisados 138 artigos publicados no 
período entre 2012 e 2020, e  resultados dessa análise mostram os problemas 
e as soluções de otimização voltadas para o compartilhamento de carona. 
Diante das análises e dos resultados desta pesquisa, constata-se que há um 
interesse crescente de pesquisadores nos últimos anos por essa área. 
Conforme os estudos selecionados, conclui-se que 134 autores consideram o 
compartilhamento de caronas somo sendo do tipo dinâmico, assim como grande 
parte deles utilizam a abordagem exata e definem problemas de otimização 
multiobjetivo para serem solucionados. Por fim, foi identificado que quinze 
métodos e algoritmos diferentes foram empregados na resolução de problemas 
otimização para o compartilhamento de caronas.

Os modelos de Credit Scoring oferecem benefícios para os credores e 
tomadores por muitos anos. No entanto, na prática, esses modelos são 
normalmente construídos em uma amostra da população de clientes aprovados e 
não consideram os que foram rejeitados. Isso tende a causar um viés 
amostral. Inferência dos rejeitados é um método para estimar como os 
requerentes rejeitados teriam se comportado se tivessem sido concedidos e 
incorporando essas informações na reconstrução do modelo de Credit Scoring. 
Nesta dissertação vão ser comparados 4 (cinco) métodos de inferência dos 
negados: Reclassificação, Augmentation, Cluster e Parcelamento. E também a 
inclusão de um algoritmo de deep learning, o Deep Embedded Clustering 
(DEC). Os métodos serão avaliados por diversas métricas de performance, 
tais como: AUC, KS, F1, acurácia, DTI, teste não paramétrico de 
Kruskal-Wallis e um teste post-hoc de Nemenyi. Os métodos são analisados em 
3 (três) conjuntos de dados reais com diversos perfis de taxa de 
reprovação, para verificar se o efeito do comportamento da aprovação 
impacta na performance dos métodos. Os experimentos realizados evidenciaram 
que existe diferença significativa entre os métodos estudados e também que 
o método de DEC teve desempenho superior que os demais métodos para a 
maioria das métricas avaliadas.

A produção de animações para área de Visualização de Informação Musical, 
ainda é escassa e possui desafios pela necessidade de domínios de softwares de 
edição exigindo capacidades técnicas e conhecimentos específicos 
relacionados a cada área. Nesse trabalho, trazemos uma revisão sistemática 
da área da visualização, mais especificamente visualização da informação, 
visualização de música e Animação. Mapeando os processos de concepção de 
visualizações, elaboramos um modelo experimental para ideação, 
prototipação, construção e validação de animações de informações musicais, 
realizado com especialistas em música. E através de sessões desenvolvendo 
protótipos rápidos obtivemos resultados qualitativos com coleta de 
feedbacks de especialistas em música. Concluímos que é notável a 
importância da animação, como uma aliada nos processos de concepção e 
criação de uma visualização musical, pois facilita a representação e 
acompanhamento do tempo para comunicar elementos estruturais da música, 
todos eles dispostos dinamicamente em uma área gráfica.

Introdução: Com os  atuais avanços digitais, a sociedade torna-se mais 
dependente da tecnologia. Para acompanhar estes avanços, o investimento na 
segurança das informações passa a ser cada vez mais necessário. Isto  não é 
diferente para no contexto da  IoT (do inglês, Internet of things), pois 
ela traz diversos benefícios para o cotidiano tanto de pessoas como 
empresas,  pois diversos projetos na IoT tratam diversos dados pessoais. 
Diante disso, se faz necessária certa proteção de informações relacionadas. 
Atualmente no Brasil,  a gestão de segurança de informação é regida pela 
LGPD (Lei Geral de Proteção dos Dados).
Objetivo: Visando verificar a adequação de projetos com a LGPD, 
pesquisadores da UFMA propuseram um mecanismo de auxílio à averiguação de 
adequação à LGPD. Desta forma, este trabalho visa propor uma extensão a 
esse mecanismo para  auxiliar à averiguação de adequação à LGPD 
considerando  as características específicas de IoT.
Metodologia: O mecanismo foi avaliado em uma instituição privada ligada à 
inovação industrial. Consideramos que esse é o perfil do público-alvo do 
mecanismo proposto. A avaliação foi conduzida como um estudo de caso onde, 
após inspeção de possíveis falhas de segurança no sistema da empresa, foi 
aplicado um questionário de pós-inspeção com o mecanismo  proposto. Este 
questionário avaliou a facilidade em usá-lo e a intenção dos participantes 
em utilizá-lo em outros sistemas. Por fim, ocorreu um focus group, onde 
foram discutidos benefícios, pontos críticos e melhorias aplicáveis ao 
checklist.
Resultados: Foram apresentadas opiniões positivas sobre o uso do mecanismo 
proposto,  os participantes conseguiram utilizá-lo sem grandes problemas. 
Além disso, foi possível encontrar defeitos de segurança nos sistemas. Os 
participantes consideraram o mecanismo como de grande utilidade para guiar 
os profissionais nas soluções dos defeitos encontrados.
Conclusões: Conclui-se que o mecanismo proposto é capaz de auxiliar 
profissionais na averiguação de adequação à LGPD em projetos que envolvem 
IoT à LGPD. O estudo foi realizado em uma instituição específica, 
identificando defeitos reais de uma empresa, porém, os resultados não podem 
ser generalizados. É necessário replicações do estudo para identificar se 
esses resultados se aplicam a outras empresas.

O câncer de mama é um dos tipos de câncer mais prevalentes em mulheres, com 
uma ênfase crescente na pesquisa relacionada ao câncer, muitos trabalhos 
foram realizados para classificar o diagnóstico, a sobrevivência ou a 
recorrência desse tipo de câncer. Como um dos biomarcadores epigenéticos 
mais descritos em cânceres humanos, a metilação do DNA desempenha um papel 
essencial na regulação da expressão gênica e tem sido implicada no 
prognóstico e na terapêutica de muitos cânceres. Nesse estudo exploramos os 
perfis de metilação de DNA capturando grupos heterogêneos de pacientes com 
câncer de mama para melhorar o prognóstico desses pacientes no nível 
epigenético. Perfis de metilação do DNA de um estudo caso-controle com 235 
indivíduos com câncer de mama e 424 indivíduos normais saudáveis foram 
obtidos do banco de dados Gene Expression Omnibus (GEO). Os marcadores 
diferencialmente metilados foram identificados por teste T moderado. Novas 
características foram adicionadas aos dados usando ferramentas de predição 
de idade biológica, tipos celular e condição de fumante. Subgrupos de 
pacientes foram encontrados usando as ferramentas de mineração de subgrupos 
Beam search e SSDP+. Um total de 20 subgrupos foram selecionados, sendo 10 
subgrupos encontrados pelo Beam search e 10 pelo SSDP+. Onde o algoritmo 
Beam search encontrou subgrupos com mais elementos e alto grau de 
redundância englobando diferentes genes relacionados previamente ao câncer 
de mama, enquanto o SSDP+ encontrou subgrupos com menos elementos e alto 
grau de diversidade, mas que por englobar menos regiões não tiveram genes 
previamente relacionados a câncer de mama. Nosso estudo identificou 
múltiplos painéis de metilação de DNA associados a grupos específicos de 
pacientes com câncer de mama que podem, se validados clinicamente, ser 
úteis para a previsão do risco de câncer de mama no futuro.

A aplicação de visão computacional com Deep Learning (DL) vem sendo 
utilizada para resolver problemas complexos. Um desses problemas é a 
inspeção automática de objetos industriais. A inspeção pode ocorrer em 
cenário controlado, como mostrado no dataset MVTec AD ou em um cenário não 
controlado, como ocorre em torres de linhas de transmissão de energia. Um 
dos maiores desafios na inspeção automática é a disponibilidade limitada de 
dados de falhas para o treinamento dos classificadores tradicionais 
baseados em DL. Pois, em aplicações de inspeção industrial, há poucos dados 
de falhas e baixa diversidade nos exemplos. Mesmo em linhas de transmissão 
de energia, que são essenciais para vida humana moderna, não existem 
datasets de inspeção para o treinamento supervisionado de classificadores. 
Portanto, abordagens de treinamento não supervisionado são usadas para 
contornar a escassez de dados, como detecção de anomalias e One-Class 
Classification (OCC). Nessas abordagens, os treinamentos dos modelos são 
realizados apenas com os dados dos equipamentos em seus estados normais, 
sem defeitos. Este trabalho investiga a detecção de anomalias com o uso da 
OGNet, uma técnica de estado da arte de OCC e busca adaptá-la para a 
detecção de anomalias, criando uma nova rede, a OGNet-AD. A nova rede e a 
OGNet foram avaliadas quantitativamente em um ambiente controlado com MVTec 
AD e em um ambiente não controlado com um dataset privado de inspeção de 
linhas de transmissão de energia, o DILTE. Como resultado da pesquisa, 
verificou-se que a OGNet pode ser utilizada para detecção de anomalias e 
compara-se com técnicas tradicionais desse contexto. A OGNet-AD conseguiu 
superar a OGNet tanto no cenário controlado do MVTec-AD quanto no cenário 
não controlado do DILTE, com média de AUC-ROC de 87,4 contra 84,7 da OGNet 
no MVTec-AD e 77 contra 72 no DILTE, comprovando os benefícios das 
modificações realizadas no modelo. Apesar da evolução da OGNet-AD, a 
técnica também foi comparada com técnicas elaboradas para detecção de 
anomalias, não superando ainda a técnica do estado da arte. Além dos testes 
quantitativos, uma técnica de Explainable Artificial Inteligente foi 
explorada para a validação qualitativa da OGNet-AD. A validação foi 
realizada utilizando a Grad-CAM para visualizar as regiões que influenciam 
nas decisões da rede. A validação qualitativa mostrou-se eficiente para 
analisar o uso da OGNet-AD, principalmente em cenários com poucos dados 
para realização da validação quantitativa tradicional.

As doenças transmitidas por mosquitos vetores expressam um grande perigo à 
sociedade. Arboviroses como Dengue, Zika, Febre Amarela, Chikungunya, 
causaram alto número de mortes nas últimas décadas, além de diminuírem a 
qualidade de vida das pessoas, causarem outras doenças, como é o caso de 
microcefalia em recém-nascidos por conta da Zika, e impactarem a economia. 
Ações que visem o controle dos vetores se mostraram eficazes no combate a 
essas doenças. Entretanto, em áreas em que essas doenças são endêmicas, os 
vetores coexistem com outros mosquitos que não transmitem doenças, sendo 
essencial a identificação desses mosquitos, para que se possa analisar a 
densidade e entender mais sobre a população deles. Todavia é necessário a 
atuação de um especialista, sendo muitas vezes um trabalho cansativo. 
Observando a importância da identificação desses vetores e os problemas das 
atuais técnicas de identificação, esse estudo propõe um modelo 
computacional inteligente para a classificação automática de mosquitos 
vetores, baseado em imagens. Para isso foi construída uma base com 5432 
imagens de mosquitos de 3 espécies: Aedes aegypti, Aedes albopictus e Culex 
quinquefasciatus. Foram utilizadas três redes convolucionais: VGG16, 
ResNet50 e EfficientNetB0. O modelo de Deep Learning que obteve maior 
resultado foi a VGG16, com acurácia de 95%, mostrando-se eficiente na 
identificação das espécies estudadas.

A doença denominada COVID-19, causada pelo vírus SARS-CoV-2, foi a 
responsável por gerar uma pandemia, preocupando diversos órgãos e 
instituições ao redor do mundo de forma a combatê-la e reduzir o seu 
impacto. Um dos fatores importantes para esse combate, é o diagnóstico da 
doença, que deve considerar a assertividade e o tempo levado para sua 
conclu- são. Este trabalho atuou nos dados quantitativos gerados pelo exame 
RT-qPCR, obtidos pela disponibilização feita pelo Núcleo de Pesquisa em 
Inovação Terapêutica (NUPIT) da Universidade Federal de Pernambuco. Os 
arquivos de saída do exame foram filtrados e ajustados de forma a se ter 
uma base de dados disponível para treinamento de algoritmos de aprendizagem 
supervisionada, totalizando 75.716 linhas com 45 características temporais 
(ciclos de máquina) e um alvo a ser classificado como positivo ou negativo. 
Esses dados formam uma série temporal, sendo cada característica um valor 
de fluorescência do processo da reação química do RT-qPCR, de forma a 
detectar genes do SARS-CoV-2. Foram elencados diferentes algoritmos da 
literatura, desde mais genéricos para classificação, a outros mais 
complexos, utilizando comitês, e considerando a ordenação temporal das 
características do problema. Primeiramente, esses algoritmos foram 
treinados com a totalidade dos ciclos, para se ter uma referência do 
desempenho que poderia ser obtido. Posteriormente, foram realizados 
treinamentos com uma redução desse número de ciclos, com o intuito de 
antecipar o exame e consequentemente diminuir o tempo necessário para sua 
conclusão. Para comparar os desempenhos, foram analisadas as métricas AUROC 
(do inglês, Area Under the Receiver Operating Characteristic), acurácia, 
especificidade e sensibilidade, com média e desvio padrão calculadas em 
cima de cem reamostragens da base de dados. Para o cenário de redução de 30 
ciclos, foi realizada a otimização de hiperparâmetros dos três algoritmos 
que se destacaram na etapa anterior: um baseado em redes neurais, MLP 
(Multilayer Perceptron) e dois comitês de classificadores, o XGBoost e o 
Time Series Forest (TSF), sendo que este último considera a relação 
temporal das características. Testes estatísticos realizados indicaram um 
maior desempenho do TSF (AUROC 98,98 ± 0, 07%) e do MLP (98,94 ± 0, 19%) 
para 30 ciclos, uma melhoria de desempenho graças à otimização, mas ainda 
com desempenho inferior ao algoritmo treinado com 35 ciclos com valores 
padrões de hiperparâmetros. Com isso, este trabalho fornece respaldo para a 
redução do tempo do RT-qPCR aplicado para COVID-19, por meio de algoritmos 
de aprendizagem de máquina.

Os fungos dispersam-se na natureza através do ar atmosférico ou por outras 
vias, como água, insetos, humanos e animais. Os fungos que são dispersados 
através do ar atmosférico são denominados fungos anemófilos. Sendo assim, a 
microbiota fúngica anemófila pode ser semelhante ou diferente em cada 
cidade ou região. Em indústrias como farmacêutica e de alimentos, a 
preservação da qualidade do ar dos ambientes é ponto importante para a 
garantia asséptica dos produtos. Hospitais constituem ambientes que 
necessitam de maior atenção, no que diz respeito ao monitoramento ambiental 
das áreas críticas. Por outro lado, em climatizadores de ar, o acúmulo de 
umidade e material orgânico pode torná-los poderosas fontes dispersoras de 
bioaerossóis. Outra problemática na disseminação de fungos é a produção de 
micotoxinas. Para conhecer o objeto desse trabalho apresenta-se um estudo 
sobre os fungos anemófilos, uma breve discursão sobre Inteligência 
Artificial, em seguida é apresentado o nariz eletrônico utilizado nos 
experimentos, apresenta-se e explica-se os princípios de funcionamento dos 
modelos de aprendizagem de máquina testados como solução do problema. 
Relata-se a exploração dos dados levantados e experimentos das bases de 
dados de leituras do nariz eletrônico. Os resultados foram satisfatórios em 
duas bases e insatisfatório em uma base. O classificador InceptionTime 
obteve o melhor desempenho em uma das bases, atingindo acurácia 97,7% no 
conjunto de teste. Em outra base o classificador HIVE-COTE 2.0 obteve os 
melhores resultados alcançando acurácia 96,4% no conjunto de teste. Na 
última base testada, os resultados foram insatisfatórios, com acurácia 
máxima de apenas 41,6% no conjunto de teste. Estando no princípio da 
pesquisa, um ou outro resultado adverso é natural, contudo, conclui-se que 
essa dissertação contribui desenvolver produtos e serviços que monitorem a 
qualidade do ar em áreas sensíveis como indústrias alimentícias e 
farmacêuticas, áreas hospitalares críticas, acúmulo de umidade e material 
orgânico em condicionadores de ar, como também a presença de micotoxinas 
produzidas por esses microrganismos. A ampliação e a diversificação da 
testagem de fungos anemófilos objetivando cobrir uma gama maior de 
problemas e patologias associadas a mais espécies de fungos anemófilos, 
como também ampliação das bases de dados, isto é, mais dados e melhores 
dados para minimizar os erros, implica em modelos mais bem treinados, que 
generalizam adequadamente para casos novos, que não são conhecidos pelos 
modelos. Outra frente de trabalho importante é aprofundar o estudo dos 
modelos de classificadores especializados em séries temporais. O objetivo é 
encontrar o modelo com resultados mais satisfatórios e com os menores 
custos computacionais.

A língua de sinais é uma ferramenta essencial na vida do Surdo, capaz de 
assegurar seu acesso à comunicação, educação, desenvolvimento cognitivo e 
socio-emocional. Na verdade, ela é a principal força que une essa 
comunidade e o símbolo de identificação entre seus membros. Por outro lado, 
o número de indivíduos ouvintes que conseguem se comunicar por meio dessa 
língua atualmente é pequeno e, na prática, isso acaba trazendo alguns 
obstáculos para o cotidiano do Surdo. Tarefas simples como utilizar o 
transporte público, comprar roupas, ir ao cinema ou obter assistência 
médica acabam se tornando um desafio por conta dessa comunicação limitada. 
O Reconhecimento de Língua de Sinais é uma das áreas de pesquisa que atuam 
para desenvolver tecnologias capazes de reduzir essas barreiras 
linguísticas e facilitar a comunicação entre esses indivíduos. Apesar 
disso, ao analisarmos sua evolução ao longo das últimas décadas, percebemos 
que seu progresso ainda não é suficiente para disponibilizar soluções 
efetivamente aplicáveis ao mundo real. Isso ocorre principalmente porque 
várias pesquisas nessa área acabam não se apropriando ou abordando 
adequadamente as particularidades linguística apresentadas pelas línguas de 
sinais, que são decorrentes de sua natureza visual. Tendo isso em vista, 
este trabalho introduz uma abordagem linguística para o reconhecimento de 
língua de sinais que objetiva estabelecer uma direção capaz de conduzir a 
avanços mais efetivos para essa área e, consequentemente, contribuir com a 
superação dos obstáculos hoje enfrentados pelo Surdo.

A seleção de algoritmos é uma tarefa crucial e desafiadora no aprendizado de máquina em diferentes domínios do conhecimento. O meta-aprendizado trata a seleção de algoritmos como uma tarefa de aprendizado supervisionado. Exemplos de treinamento (ou seja, meta-exemplos) são gerados a partir de experimentos realizados com um conjunto de algoritmos candidatos em vários conjuntos de dados. Pode haver uma pequena disponibilidade de conjuntos de dados reais 
em alguns domínios, o que torna difícil gerar bons meta-exemplos. Portanto, confiar em conjuntos de dados sintéticos pode ser uma boa alternativa para gerar meta-exemplos. No entanto, não é garantido que todos os conjuntos de dados sintéticos sejam relevantes e representativos em comparação com os conjuntos de dados reais. Desta forma, o uso indiscriminado de muitos 
conjuntos de dados sintéticos aumenta o custo computacional da realização de experimentos sem melhorar significativamente a precisão do meta-aprendizado. Nesta tese, lidamos com a seleção de conjuntos de dados sintéticos para meta-aprendizagem como um problema de classificação de uma classe (OCC). Em OCC, os classificadores são construídos assumindo a disponibilidade de exemplos de treinamento pertencentes a uma classe única de interesse (ou seja, a classe positiva), enquanto os rótulos de classe dos outros exemplos são desconhecidos. Na solução proposta, técnicas de OCC são utilizadas para selecionar os conjuntos de dados sintéticos mais 
relevantes (a classe desconhecida), considerando os conjuntos de dados reais (a classe positiva) disponíveis. Também conduzimos experimentos em dois estudos de caso, nos quais empregamos dois procedimentos diferentes de manipulação de dados para produzir conjuntos de dados sintéticos e duas técnicas de OCC para seleção de conjuntos de dados. Os resultados demonstraram que é possível usar um número reduzido de conjuntos de dados sintéticos selecionados, mantendo um bom desempenho de meta-aprendizagem.

Nas últimas décadas Sistemas Híbridos (SH) que utilizam a modelagem residual têm sido
amplamente aplicados no contexto de previsão de séries temporais. Esta abordagem utiliza
como previsão final a combinação da previsão de um modelo linear com a previsão do resíduo obtida por um modelo de Aprendizagem de Máquina (AM) não linear. Essa série de resíduo representa a diferença entre a previsão linear e valor real da série temporal. Uma vez que normalmente são encontrados padrões lineares e não lineares em séries temporais reais, esta classe de SH tem alcançado resultados empíricos e teóricos promissores em razão da sua arquitetura ser capaz de modelar esses padrões em etapas especificas. Contudo, são identificadas limitações na etapa de modelagem residual, sendo que por conta de sua complexidade, um modelo de AM pode apresentar problemas de má especificação de parâmetros, sobre ajuste e sub ajuste, prejudicando os resultados de todo SH. Baseado neste problema, este trabalho propõe um método de ensemble para previsão residual (Ensemble method for Residual Forecast (ERF)). O método ERF é composto por três fases gerais: (i) previsão da série temporal por meio de um modelo linear; (ii) previsão do erro realizada por um ensemble; (iii) combinação pela soma das previsões das fases (i) e (ii). A fase (ii) é a principal contribuição desta tese, na qual é proposta uma abordagem homogênea que cria um ensemble de modelos de AM diverso e de forma sistemática. O ARIMA é utilizado como modelo linear, já como modelo não linear são avaliados o MLP e SVR. Desta forma, são obtidas duas versões do método proposto: ERFMLP e ERFSVR. Essas versões são aplicadas em doze séries temporais reais com os respectivos modelos simples (ARIMA, MLP e SVR) e sete sistemas híbridos da literatura. Todos os métodos são avaliados por meio da métrica Raiz do Erro Quadrático Médio e testes estatísticos de Wilcoxon, Friedman e Nemenyi. Com base nessas formas de avaliação, visualiza-se que as abordagens propostas possuem a capacidade de encontrar bons resultados quando aplicadas em diferentes séries temporais.

Um Data Warehouse Geoespacial (DWG) é uma extensão de um Data Warehouse tradicional que inclui dados geoespaciais nos processos de tomada de decisão. Diversos estudos propõem o uso de bancos de dados orientados a documentos em um DWG como alternativa aos bancos de dados relacionais. Isso se deve à capacidade dos bancos de dados não relacionais de escalar horizontalmente, permitindo o armazenamento e o processamento de grandes volumes de dados. Nesse contexto, modelar por meio da análise visual a maneira como fatos e dimensões estão estruturados é importante para entender, manter e evoluir o DWG Orientado a Documentos (DWGD). No entanto, até onde sabemos, não há linguagens de modelagem conhecidas que suportem o design de fatos e dimensões como documentos referenciados (normalizados) ou embutidos (desnormalizados), particionados em uma ou mais coleções. Para superar essa lacuna, propomos Aggregate Star (AStar), uma linguagem de modelagem específica de domínio para projetar esquemas lógicos de DWGD. AStar é definida por uma sintaxe concreta (notação gráfica), uma sintaxe abstrata (metamodelo) e semântica estática (regras de boa formação). Para descrever a semântica dos conceitos definidos em AStar, semântica translacional é usada para mapear a notação gráfica para o metamodelo e o respectivo código que define o esquema no MongoDB (usando JSON Schema). Avaliamos a notação gráfica usando \textit{Physics of Notations} (PoN), que fornece um conjunto de princípios para projetar notações visuais cognitivamente eficazes. Essa avaliação revelou que AStar está de acordo com oito dos nove Princípios PoN, um nível adequado de eficácia cognitiva. Como prova de conceito, o metamodelo e as regras de boa formação foram implementados em um protótipo de ferramenta de Engenharia de Software Assistida por Computador, denominado AStarCASE. Nesta versão atual, AStarCASE pode ser usada para projetar esquemas lógicos de DWGD e gerar seu código correspondente na forma de esquemas JSON. Além disso, apresentamos uma guia que mostra como projetar esquemas que possuem fatos, dimensões convencionais e dimensões geoespaciais relacionadas como documentos referenciados ou incorporados, particionados em uma ou mais coleções. O guia também apresenta boas práticas para obter baixo volume de dados e baixo tempo de execução de consulta em um DWGD.

Um dado simbólico de tipo 𝑏𝑜𝑥𝑝𝑙𝑜𝑡 pode ser considerado como um caso particular das
variáveis numéricas multi-valoradas no contexto da Análises de Dados Simbólicos (ADS). Este tipo de dado tem uma estrutura simples que permite resumir informações de unidades agregadas, chamadas de classes. No entanto, esse tipo de estrutura tem sido pouco explorada na literatura de ADS. Este trabalho apresenta duas novas abordagens de predição com o objetivo de extrair conhecimento e fazer inferência usando dados de 𝑏𝑜𝑥𝑝𝑙𝑜𝑡. A primeira abordagem considera um modelo de regressão para 𝑏𝑜𝑥𝑝𝑙𝑜𝑡 através da equação paramétrica da reta. Esta parametrização permite o ajuste dos pontos nas variáveis regressoras que permite melhorar a qualidade da variável resposta. Nessa direção, um critério é também proposto para verificar a coerência matemática da predição. Se a coerência não é garantida, uma nova estratégia, através de transformações 𝐵𝑜𝑥 −𝐶𝑜𝑥 é aplicada sobre a variável resposta de tipo 𝑏𝑜𝑥𝑝𝑙𝑜𝑡. A segunda abordagem proposta nesse trabalho consiste de um modelo que combina agregação, seleção de protótipos e previsão de series temporais. Inicialmente, as séries temporais são agregadas em classes de entidades e representadas por 𝑏𝑜𝑥𝑝𝑙𝑜𝑡𝑠. Um processo de seleção de protótipos baseado na informação mútua é aplicado para mitigar ruídos no conjunto de dados. Por último, um modelo multivariado para previsão de 𝑏𝑜𝑥𝑝𝑙𝑜𝑡𝑠 é construído. Ambos modelos são avaliados com conjuntos de dados sintéticos e reais. Uma comparação entre as
abordagens propostas e outros métodos de predição da literatura de ADS é também descrita. Além disso, este trabalho apresenta uma aplicação do mundo real no Setor Elétrico Brasileiro para fazer predição da temperatura dos motores usando a abordagem de regressão paramétrica para dados de 𝑏𝑜𝑥𝑝𝑙𝑜𝑡.

As aplicações do mundo real têm lidado com uma grande quantidade de 
informações, que chegam de forma contínua e sequencialmente ao longo do 
tempo, caracterizadas como fluxos de dados. Esse tipo de dado desafia os 
algoritmos de aprendizado de máquina devido à mudança de conceito. A 
mudança de conceito é uma mudança na distribuição de probabilidade conjunta 
do problema e tem duas variações: a mudança virtual que afeta a 
distribuição de probabilidade incondicional p(x); e a mudança real que 
afeta a distribuição de probabilidade condicional p(y|x). Essas mudanças 
podem ocorrer separadamente e simultaneamente e ter impactos diferentes no 
desempenho do classificador. Os trabalhos da literatura geralmente não 
compreendem bem esses aspectos. Devido a isso, se concentram apenas nas 
mudanças reais, por que elas causam degradação direta no desempenho do 
classificador. No entanto, desvios virtuais também podem causar essa 
degradação de forma indireta. Novas observações podem chegar em uma região 
não treinada pelo classificador, forçando-o a confundir sua verdadeira 
classe, assim cometendo erros de classificação. O ideal seria ter 
classificadores que entendam que tipo de mudança ocorre em determinado 
momento para ativar estratégias apropriadas para lidar com este desafio. 
Este processo é chamado de entendimento da mudança. Como as abordagens da 
literatura não compreendem bem os diferentes impactos causados pelas 
mudanças virtuais e reais, o seu desempenho fica limitado. Motivados por 
isso, propomos três abordagens para entender o tipo da mudança e usar a 
estratégia correta para se adaptar, sendo elas: (i) (GMM-VRD) Gaussian 
Mixture Model For Dealing With Virtual and Real Concept Drifts; (ii) 
(OGMMF-VRD) On-line Gaussian Mixture Model With Noise Filter For Handling 
Virtual And Real Concept Drifts ; e (iii) (GLDD-DU) Gaussian Local Drift 
Detector for Drift Understanding. Essas abordagens atualizam e criam 
Gaussians on-line para lidar com mudanças virtuais, usam detectores de 
mudança para reinicializar o conhecimento do sistema para lidar com 
mudanças reais e recuperam modelos do pool para acelerar a adaptação a um 
novo conceito. Os principais resultados mostraram que todas as abordagens 
apresentam desempenho competitivo, mas o OGMMF-VRD foi mais consistente ao 
longo dos conjuntos de dados, apresentando melhor desempenho.

Realidade Aumentada (RA) tem um impacto positivo na motivação e no desempenho cognitivo dos alunos de várias idades e em diferentes contextos. Porém, seu uso ainda está longe de ser difundido na educação. Poucas ferramentas de autoria de RA disponíveis são pensadas do ponto de vista educacional, o que evidencia a necessidade de novas pesquisas sobre ferramentas de autoria para a criação de atividades de RA. Assim, este trabalho investiga quais características são importantes na autoria de RA para a educação. Através da pesquisa baseada em design, com a participação de uma equipe interdisciplinar para investigar e propor princípios de design para autoria educacional de RA, buscamos identificar como os professores gostariam de criar experiências de RA com base em suas necessidades pedagógicas. Nosso estudo desenvolveu-se em quatro etapas: (1) análise dos problemas de RA a partir da literatura e práticos por pesquisadores e profissionais em colaboração, (2) desenvolvimento de soluções a partir de princípios de design existentes e inovações tecnológicas advindos da etapa 1, (3) ciclos iterativos de teste e refinamento das soluções identificadas na prática, e (4) desenvolvimento dos princípios de design para autoria docente de RA. Na etapa 1, realizamos entrevistas com 15 professores que usavam tecnologia; 7 professores e 2 coordenadores que utilizaram RA juntamente com uma pesquisa com 106 professores de contextos variados. Essa etapa também abrangeu a revisão da literatura. Embora os professores pareçam interessados e ávidos por aprender sobre RA, seu uso ainda não atingiu níveis mais elevados de maturidade nas escolas. Diferentes aspectos estão relacionados a isso, como falta de infraestrutura, ferramentas de autoria e tempo. Observamos a necessidade de ferramentas de RA para apoiar a colaboração, a criatividade por meio da criação de conteúdo e a capacidade de avaliar os alunos de maneiras mais flexíveis. A partir dos resultados iniciais, definimos um estudo de caso focado na aprendizagem de línguas para crianças e adolescentes. A etapa 2 consistiu em uma série de sessões interativas com um grupo interdisciplinar a fim de mapear os problemas, esboçar as soluções possíveis e decidir aquela a ser prototipada e testada. Na etapa 3, uma ferramenta de RA, Virtual Playground, que permite a criação de narrativas aumentadas de forma colaborativa, bem como sua ferramenta de autoria foi concebida, prototipada e testada com os usuários por meio de uma série de interações e ciclos iterativos de teste e refinamento de soluções. A primeira e a segunda rodada de testes foram realizadas com 5 e 6 professores de inglês com experiência prévia em RA, respectivamente. Os principais problemas relacionaram-se à limitada biblioteca 3D e à falta de possibilidades de criação. Os resultados foram usados para melhorar a UI e UX dos protótipos. Também analisamos ferramentas de autoria de RA que não exigem programação. Boa parte delas carecem de recursos importantes para os professores, especificamente os pedagógicos. Finalmente, na etapa 4, através da reflexão sobre os resultados das etapas anteriores, desenvolvemos princípios de design e aprimoramos a implementação da solução. O principal resultado deste estudo são 11 princípios de design identificados e divididos em três aspectos: infraestrutura, realidade aumentada e pedagogia. Esses princípios foram validados durante a segunda rodada de testes. O protótipo da ferramenta de autoria de RA foi baseado em sete dos princípios de design identificados e apresenta as seguintes características: é flexível e permite que os professores criem planos de aula diferentes, bem como trabalhem com diferentes habilidades e competências.

Muitos desafios de aplicações comerciais envolvem mineração de dados 
aplicado a classificação em fluxo de dados. Onde os classificadores são 
métodos incrementais de instâncias que aprendem com cada exemplo conforme 
chegam e são capazes de lidar com um fluxo teoricamente infinito de 
instâncias, suscetível a mudança de conceito, com severas restrições de 
tempo de processamento e quantidade de memória, além disso, também precisam 
ser capazes de predizer um padrão a qualquer momento. Assim sendo, 
diferentes modelos de classificação foram adaptados para manipular fluxos 
de dados nessas condições, destacando-se para este trabalho a estratégia de 
aprendizado adaptativo aplicado a classificação com detecção, na qual a 
adaptação do modelo de aprendizado leva em consideração sinais de detecção 
do método de detecção de mudança de conceito. Normalmente, os trabalhos da 
literatura de detecção de mudança de conceito escolhem essa estratégia. 
Entretanto, é comum nas avaliações de desempenho entre métodos detectores 
não fazer distinção entre métodos que consideram dos que não consideram, 
sinais de detecção Warning. Neste trabalho, foram analisados os impactos do 
sinal de detecção Warning na acurácia de modelos e para isso são fornecidas 
evidências empíricas, referências e justificativas para descrever os 
efeitos do Warning na acurácia. Deste modo, sendo possível concluir que os 
sinais de detecção Warning na maioria das situações analisadas, quando são 
omitidos degradam da acurácia Prequential, resultando em diferenças 
estatísticas. Baseando-se nesses resultados, foram desenvolvidas duas 
estratégias para melhor lidar com os efeitos do sinal de detecção Warning. 
Elas possuem mecanismos capazes de garantir que novos modelos sejam 
treinados antes de serem testados sem depender dos sinais de detecção 
Warning do método de detecção de mudança de conceito. Assim sendo, foi 
possível fornecer uma análise aprofundada comparando os impactos dos sinais 
de detecção Warning na acurácia Prequential, incluindo um estudo empírico 
para comparar várias versões diferentes de métodos de detecção de mudança 
de conceito em cada estratégia. Por fim, os experimentos empíricos, tanto 
com bases artificiais como reais e os novos algoritmos foram implementados 
no framework Massive Online Analysis (MOA) e executados na ferramenta 
MOAManager, alcançando resultados promissores nos novos algoritmos.

As redes móveis 5G foram projetadas para atender a três casos de uso 
principais: banda larga móvel aprimorada (eMBB), comunicação massiva do 
tipo máquina (mMTC) e comunicação de baixa latência ultra confiável 
(URLLC), sendo os requisitos conflitantes de latência e confiabilidade 
definidos pelo URLLC considerados um problema desafiador. Nesse contexto, a 
Computação de Borda Multiacesso (MEC) e a Virtualização de Funções de Rede 
(NFV) surgem como paradigmas complementares que devem suportar URLLC, 
oferecendo recursos distribuídos sob demanda e de maneira granular mais 
próximos do Equipamento do Usuário (UE), mitigando assim problemas de 
camada física. Por outro lado, a adoção do NFV-MEC inevitavelmente eleva os 
custos de implantação e operação, muitos dos quais estão relacionados ao 
consumo de energia. Neste trabalho, realizamos uma análise de desempenho 
para a camada de virtualização da arquitetura NFV-MEC da perspectiva de um 
Provedor de Serviços (SP), que inclui disponibilidade de nós e consumo de 
energia, além dos requisitos conflitantes de URLLC. Projetamos um modelo 
para representar um nó NFV-MEC baseado em Cadeias Contínuas de Markov 
(CTMC) que contém um esquema de dimensionamento de recursos virtuais para 
otimizar a alocação dinâmica de recursos (DRA), que visa permitir a análise 
de como as solicitações críticas são processadas pelos recursos de 
virtualização subjacentes de um nó NFV-MEC .Para tornar o modelo mais 
realista, incorporamos falhas de recursos, tempos de configuração/reparo e 
atrasos de sobrecarga de processamento em nossa formulação, pois esses 
aspectos podem afetar a utilização de recursos no contexto de futuras 
aplicações críticas. Além disso, o Veículo Aéreo Não Tripulado (UAV) 
habilitado para MEC é uma opção para implantação de infraestrutura URLLC 
sob o paradigma NFV-MEC, que pode fornecer Linha de Visada (LoS) entre o 
UAV e os nós de transmissão terrestres, o que é uma vantagem desta 
abordagem. No entanto, neste contexto, o compromisso entre os recursos 
computacionais e o desempenho do URLLC torna-se ainda mais desafiador,uma 
vez que, em geral, os veículos aéreos não tripulados são limitados devido 
ao seu tamanho, peso e potência, o que impõe um ônus às funções de rede 
(NFs) convencionais. Portanto, também formulamos um problema multiobjetivo 
relacionado ao dimensionamento de nós de UAV habilitado para NFV-MEC e 
projetamos uma abordagem baseada em Algoritmos Genéticos (GA) para 
resolvê-lo.

Nos últimos anos, a área de computação musical tem presenciado o surgimento 
de diversas tecnologias que permitem novas formas de interação com música, 
variando desde novas formas de reprodução musical aos chamados Instrumentos 
Musicais Digitais (DMIs) e smart instruments. Particularmente, os avanços 
nas áreas de Internet das Coisas (IoT) e interfaces gestuais proporcionam a 
criação instrumentos musicais aumentados, que utilizam estas tecnologias 
para incorporar novas funcionalidades. No contexto de aprendizado musical, 
surgem sistemas que utilizam LEDs para exibir o conteúdo musical 
diretamente no corpo do instrumento – e.g. Fretlight, Fret Zealot e 
populele –, os quais serão referenciados como instrumentos musicais 
aumentados para estudo (AMIS, do inglês Augmented Musical Instruments for 
Study). Isto gera novas oportunidades para auxiliar o aprendizado de 
instrumentos musicais, que envolve a aquisição de habilidades cognitivas e 
motoras para entendimento de conceitos musicais e tradução destes conceitos 
para o instrumento. Desta forma, é possível que estas tecnologias possam 
ser utilizadas para solucionar alguns dos obstáculos relacionados com este 
aprendizado, e.g., guiar e motivar o estudante no aprendizado, auxiliar na 
aquisição destas habilidades, etc. Entretanto, estes sistemas estão 
inseridos em um contexto de design de interação que envolve demandas em 
diferentes dimensões: sistemas interativos, design simultâneo de hardware e 
software, sistemas de “tempo real” e o aprendizado musical. Isto demanda de 
aspectos de engenharia (e.g. consumo de energia, latência, confiabilidade); 
de usabilidade (e.g. legibilidade, antecipação e oclusão de informação); do 
processo de design (e.g. exploração de ideias, prototipação, seleção dos 
recursos, adaptabilidade a mudanças de sistema); do aprendizado musical 
(e.g. motivação do usuário, diferentes formas de aprendizado, etc.); além 
do fato de ser uma área relativamente nova, carente de métodos e diretrizes 
de design estruturados. Assim, este projeto busca investigar se estes AMIS 
podem ser utilizados para auxiliar o aprendizado, buscando atingir uma 
parcela do público não coberta pelas soluções existentes para o aprendizado 
de instrumentos, focando especialmente no processo de ativação e 
engajamento dos estudantes no aprendizado. Desta forma, busca-se atender as 
demandas dos usuários e possivelmente levantar insights que possam auxiliar 
futuros designers de sistemas similares. Para isso, está sendo 
desenvolvido, em parceria com a empresa Daccord Music Software, um violão 
com LEDs capaz de exibir notas/acordes musicais na escala do instrumento, 
focando principalmente no serviço para este AMIS. Foram realizados dois 
ciclos de desenvolvimento para ambos o hardware e o aplicativo do sistema 
além de testes com potenciais usuários. Identificou-se também obstáculos no 
processo que apontam para decisões de design, como antecipação de conteúdo, 
oclusão, consumo de energia, etc. que podem auxiliar futuros designers na 
criação de sistemas similares.

O Speed Drawing Challenge consiste em um desafio em que artistas devem 
representar um desenho em segundos sem perder as principais características 
que o tornam fiel ao desenho original. À medida que o tempo é reduzido, o 
artista se encaminha a produzir um desenho mais simples, se aproximando de 
um desenho contendo apenas os traços mais representativos, focando nos 
contornos. Para o problema de detecção de contorno, uma imagem de borda 
representa um desenho produzido sem uma grande limitação de tempo. Assim, o 
método proposto faz uso dos conceitos de superpixel, detecção de bordas e 
mapas de saliência para produção de uma imagem, simulando a variação de 
tempo do Speed Drawing Challenge: a modelagem do desafio em poucos segundos 
expressa uma imagem com apenas os contorno mais relevantes detectados. 
Diferente das técnicas do estado-da-arte, o método proposto gera uma imagem 
de bordas já final, sem necessidade de posterior pós-processamento como 
binarização. Mais do que um algoritmo apenas, propomos uma metodologia que 
pode ser aplicada de formas diferentes, mas seguindo a mesma ideia, em 
outros domínios, como na segmentação de mapas e plantas baixas. Os 
resultados alcançados foram bastante promissores quando o método é aplicado 
a imagens de cenas naturais e plantas baixas.

A eletricidade se tornou uma das principais fontes de calor e de força nas 
indústrias, representando um percentual importante nos custos da produção.       
É possível afirmar que no contexto mundial o setor industrial é o maior 
consumidor de energia elétrica e a fabricação com uso de energia-intensiva 
é o maior componente desse setor. No contexto nacional o consumo de energia 
elétrica pelas indústrias atualmente representa 35% do consumo total de 
energia consumida no país. A busca por uma melhor eficiência energética 
pelo setor industrial, vem tornando, cada vez mais frequente. O uso de 
dispositivos de Internet of Things (IoT), energias renováveis, 
gerenciamento e monitoramento de energia, bem como Inteligência Artificial 
(IA) são alternativas para alcançar a redução e o consumo consciente da 
energia elétrica. Desta forma, esta pesquisa de doutorado teve como 
objetivo o desenvolvimento de um framework de gerenciamento de energia 
elétrica em uma indústria de resinas termoplásticas. O framework recebe 
como entrada dados de variáveis elétricas e variáveis de processo da planta 
industrial e produz como saída informações para auxiliar a tomada de 
decisão: gráficos com a predição do identificador de desempenho energético; 
alertas; faixas de vazão de produção e tempo de produção; retorno do 
investimento de um dado equipamento ou material, entre outros. O 
processamento desses dados é realizado através da integração entre três 
modelos baseados em técnicas de IA, otimização linear e lei da afinidade - 
modelo de predição do consumo de energia elétrica, escalonamento da vazão 
de produção e viabilidade de materiais e equipamentos. Para validação do 
framework um estudo de caso foi realizado e foi verificado uma economia de 
9,74% oriunda da aplicação do modulo de escalonamento e uma economia mensal 
de aproximadamente R$ 9.000 oriunda do módulo de viabilidade. Além disso, o 
framework contribuiu para a manutenção do certificado da ISO 50001.

Apesar das conquistas teóricas e resultados práticos encorajadores, o aprendizado profundo ainda apresenta limitações em muitas áreas, como raciocínio, inferência causal, interpretabilidade e explicabilidade. Do ponto de vista da aplicação, uma das restrições mais impactantes está relacionada à robustez desses sistemas. De fato, as soluções atuais de aprendizado profundo são bem conhecidas por não informar se podem classificar um exemplo de maneira confiável durante a inferência. As redes neurais modernas geralmente são superconfiantes, mesmo quando estão erradas. Portanto, construir aplicativos robustos de aprendizado profundo é atualmente um tópico de pesquisa de ponta em visão computacional, processamento de linguagem natural e muitas outras áreas. Uma das maneiras mais eficazes de construir soluções de aprendizado profundo mais confiáveis é melhorar seu desempenho na chamada tarefa de detecção fora de distribuição, que consiste essencialmente em ``saber que você não sabe'' ou ``conhecer o desconhecido''. Em outras palavras, sistemas com capacidade de detecção fora de distribuição podem rejeitar a realização de uma classificação sem sentido quando submetidos a instâncias de classes nas quais a rede neural não foi treinada. Esta tese aborda a desafiadora tarefa de detecção fora da distribuição, propondo novas funções de perda e pontuações de detecção. A estimativa de incerteza também é uma tarefa auxiliar crucial na construção de sistemas de aprendizado profundo mais robustos. Portanto, tratamos também dessa tarefa relacionada à robustez, que avalia quão realistas são as probabilidades apresentadas pela rede neural profunda. Para demonstrar a eficácia de nossa abordagem, além de um conjunto substancial de experimentos, que incluí resultados estado-da-arte, utilizamos argumentos baseados no princípio da máxima entropia para estabelecer a fundamentação teórica das abordagens propostas. Ao contrário da maioria dos métodos atuais, além de apresentarem inferência rápida e eficiente, nossas perdas e pontuações são soluções baseadas em princípios e não produzem efeitos colaterais indesejados. Além disso, nossas abordagens podem ser incorporadas em projetos atuais e futuros simplesmente substituindo a perda usada para treinar a rede neural profunda e computando uma pontuação rápida para detecção.

A descoberta de trajetórias anômalas de ônibus no tráfego urbano pode ajudar as agências de transporte a melhorar seus serviços, fornecendo um melhor planejamento para lidar com eventos inesperados, como fenômenos climáticos, desvios ou acidentes. Para ajudar a identificar a causa potencial da anomalia, podemos detectar trajetórias anômalas e também identificar onde a anomalia está localizada.
No entanto, um grande desafio para realizar esta tarefa é a falta de dados de trajetória anômala rotulados. A falta desses dados rotulados dificulta a avaliação de modelos e a construção de abordagens de aprendizagem indutivas. Além disso, as abordagens anteriores dependem fortemente de tarefas de pré-processamento para segmentar trajetórias antes de detectar a anomalia. Essa estratégia não é apenas cara, mas também pode perder informações importantes porque os segmentos são analisados individualmente sem considerar o relacionamento entre os segmentos. Por fim, poucas estratégias na literatura propõem soluções online, o que restringe sua contribuição em tempo real. Com base nisso, esta tese tem como objetivo propor uma abordagem online
baseado em aprendizado indutivo para detectar trajetórias anômalas de ônibus e identificar os segmentos anômalos. Para isso, inicialmente observamos que as trajetórias de ônibus são pré-definidas e bem formadas, e incluem a informação de rotas. Com base nisso, supomos que uma abordagem supervisionada poderia aprender a classificar essas trajetórias de ônibus de acordo com as rotas e detectar indiretamente quais delas são anômalas. Assim, propomos um classificador multiclasse chamado Spatial-Temporal Outlier Detection como nossa primeira solução para detectar trajetórias anômalas. Usamos a incerteza da classificação aplicando a função de entropia sobre a distribuição de classes para gerar um score de anomalia. Embora experimentos extensivos tenham mostrado resultados promissores, nossa primeira solução não pode identificar onde ocorrem os segmentos anômalos. Para superar essa restrição, nossa intuição é que as trajetórias podem ser representadas como uma sequência de tokens semelhantes a
frases de palavras que nos permitem aplicar um modelo de linguagem. Consequentemente, propomos usar uma abordagem baseada na arquitetura generativa de redes neuronais profundas chamada encoder-decoder Transformer para aprender a relação entre pontos de trajetória sequenciais com base no mecanismo de autoatenção. Nossa solução final não requer nenhuma extração manual de recursos e pode ser facilmente adaptada a outros tipos de trajetórias (por exemplo, carro, pessoas e embarcações). Realizamos uma extensa avaliação experimental que mostra: (1) nossa abordagem é eficaz para detecção de anomalias de trajetória e subtrajetória; e (2) supera os métodos usados para comparação em alguns cenários e alcança estatisticamente resultados comparáveis em outros cenários.

Uma das competências específicas necessárias para enfrentar desafios 
globais complexos é, sem dúvida, o pensamento crítico, razão pela qual nos 
princípios dos projetos de programas de aprendizagem em rede há uma 
motivação para desenvolver esse tipo de habilidade. No entanto, ela não foi 
desenvolvida totalmente devido, entre outros fatores, ao fato de os modelos 
pedagógicos dos cursos on-line tenderem a ser excessivamente homogêneos, 
descontextualizados, despersonalizados e individualistas. Verifica-se, 
ainda, que muitos desses cursos apresentam, frequentemente, uma sequência 
rígida de conteúdos, com ferramentas de socialização muito limitadas e 
processos de avaliação altamente estruturados. Desse modo, o presente 
estudo tem como objetivo identificar as relações entre as estratégias 
utilizadas durante as discussões assíncronas baseadas em texto, por meio de 
Ambiente Virtual de Aprendizagem (AVA) e sua relação com o pensamento 
crítico de estudantes do ensino médio. A partir do método de triangulação, 
foram observados dados com diferentes naturezas para identificar relações 
entre estratégias de comunicação na rede educacional Redu. Assim, o 
propósito da análise foi verificar de que modo as interações assíncronas, 
eventualmente, deram suporte à estruturação de situações para promover o 
desenvolvimento do pensamento crítico, bem como identificar as limitações 
da plataforma para apoiar o progresso dessa habilidade. Os resultados 
evidenciaram que existe uma dissociação entre o desenho dos Ambientes 
Virtuais de Aprendizagem e as metodologias usadas pelos professores para 
estimular o desenvolvimento do pensamento crítico. Verificou-se, também, 
que os ritmos e estilos de aprendizagem são outra variável desconsiderada 
nos ambientes de aprendizagem. Isto ocorre porque tais ambientes favorecem 
somente a um tipo de estudante, com determinadas características. 
Finalmente, os resultados obtidos destacam que um dos métodos de maior 
contribuição para desenvolver competências do raciocínio de alto nível é a 
pergunta.