DSpace Coleção:http://www.monografias.ufop.br/handle/35400000/102026-07-23T14:57:45Z2026-07-23T14:57:45ZProposta e desenvolvimento de uma estratégia para predição da evasão de alunos em áreas de tecnologia.Campos, Marcella Silveirahttp://www.monografias.ufop.br/handle/35400000/93872026-07-23T10:34:53Z2026-01-01T00:00:00ZTítulo: Proposta e desenvolvimento de uma estratégia para predição da evasão de alunos em áreas de tecnologia.
Autor(es): Campos, Marcella Silveira
Resumo: A evasão estudantil no ensino superior é um dos principais desafios enfrentados por instituições de ensino, especialmente em cursos da área de tecnologia. Este trabalho, de natureza aplicada e caráter metodológico, tem como objetivo propor, desenvolver e validar uma estratégia de predição da evasão de alunos nas áreas de tecnologia, utilizando registros acadêmicos e informações sociodemográficas reais de alunos do curso de Ciência da Computação da Universidade Federal de Ouro Preto (UFOP). Para isso, foi definida uma arquitetura metodológica composta pelas etapas de coleta, pré-processamento dos dados, treinamento e validação de três algoritmos de aprendizado supervisionado: Floresta Aleatória, K-Vizinhos Mais Próximos (KNN) e XGBoost. A eficácia de cada modelo foi comparada por meio das métricas de acurácia, precisão, revocação e F1-score, estabelecendo-se o algoritmo Floresta Aleatória como o mais eficaz para compor a estratégia final de predição. O diferencial do trabalho está na proposição de uma estratégia capaz de estimar, individualmente, a probabilidade de evasão de cada aluno, permitindo que gestores e professores intervenham preventivamente, de forma direcionada, na tentativa de reduzir os índices de evasão. Assim, este trabalho contribui com o meio acadêmico ao oferecer um modelo sólido, replicável e potencialmente aplicável não apenas ao curso de Ciência da Computação da UFOP, mas também a outros cursos da área de tecnologia e, futuramente, de diferentes áreas do conhecimento.2026-01-01T00:00:00ZAplicação de aprendizagem federada na Identificação de plantas daninhas.Veloso, Elisa Alveshttp://www.monografias.ufop.br/handle/35400000/93632026-07-15T14:07:31Z2026-01-01T00:00:00ZTítulo: Aplicação de aprendizagem federada na Identificação de plantas daninhas.
Autor(es): Veloso, Elisa Alves
Resumo: A agricultura de precisão voltada para a cultura da cana-de-açúcar tem recebido investimentos expressivos no cenário brasileiro. Nesse contexto, um dos principais desafios das grandes produções é a infestação de plantas daninhas, que competem com a lavoura principal e comprometem a produtividade. Para mitigar o crescimento dessas espécies e otimizar os custos via aplicação localizada de herbicidas, investiga-se a identificação inteligente de plantas invasoras no campo. Atualmente, as soluções predominantes baseiam-se em modelos centralizados de aprendizado de máquina, que apresentam alta performance, mas exigem o envio de imagens para um servidor central, expondo dados corporativos e operacionais sensíveis do produtor rural. Como alternativa para a preservação da privacidade, o Aprendizado Federado (Federated Learning) propõe o treinamento local nos dispositivos dos clientes, compartilhando apenas as atualizações de pesos com um servidor agregador para a construção de um modelo global. Este trabalho propõe e avalia um ecossistema de aprendizado federado para a identificação de plantas daninhas, comparando-o com abordagens centralizadas tradicionais. Os resultados experimentais baseados na arquitetura DarkNet53 demonstraram que, enquanto o treinamento centralizado atingiu níveis de Acurácia e Recall próximos a 98%, o cenário federado de distribuição homogênea (IID) obteve desempenho altamente competitivo, superando 90% em ambas as métricas. Ademais, no desafiador cenário heterogêneo (Non-IID), a aplicação do algoritmo de agregação FedProx evitou a divergência dos clientes locais, garantindo a convergência estável do classificador global e validando a técnica como uma solução segura, privada e eficiente para a identificação agrícola em larga escala.2026-01-01T00:00:00ZAnálise preditiva e interpretável de dados clínicos em traumatismo cranioencefálico leve com XGBoost e SHAP.Almeida, Patrick Araujo dehttp://www.monografias.ufop.br/handle/35400000/92452026-05-22T17:56:40Z2025-01-01T00:00:00ZTítulo: Análise preditiva e interpretável de dados clínicos em traumatismo cranioencefálico leve com XGBoost e SHAP.
Autor(es): Almeida, Patrick Araujo de
Resumo: O avanço das técnicas de aprendizado de máquina, como o eXtreme Gradient Boosting (XGBoost), tem revolucionado a análise de dados complexos, especialmente em áreas críticas como a
saúde. Contudo, a complexidade desses modelos pode dificultar sua interpretação, tornando métodos como o SHapley Additive exPlanations (SHAP) fundamentais para garantir transparência e
confiança. Este trabalho realiza uma análise exploratória de dados de pacientes com traumatismo
cranioencefálico (TCE), utilizando a sinergia entre o XGBoost e a interpretabilidade SHAP para
predizer desfechos emocionais — ansiedade e depressão. Foram treinados modelos XGBoost
independentes para cada condição, alcançando desempenho satisfatório. A análise SHAP revelou
assinaturas biológicas distintas para cada desfecho: para a ansiedade, o biomarcador LIGHT e a
idade emergiram como os fatores de maior impacto, enquanto para a depressão, Lipocalin-2 e
MCP-1 foram as variáveis mais influentes. O estudo demonstra que a combinação do poder preditivo do XGBoost com a clareza explicativa do SHAP é uma ferramenta robusta para identificar
preditores clinicamente relevantes, reforçando a complexidade fisiopatológica dos transtornos
pós-TCE e a necessidade de abordagens personalizadas.2025-01-01T00:00:00ZStochastically generating well-typed CPS-calculus terms : a context-directed algorithm.Torres, Artur Bermondhttp://www.monografias.ufop.br/handle/35400000/92222026-05-19T18:07:47Z2026-01-01T00:00:00ZTítulo: Stochastically generating well-typed CPS-calculus terms : a context-directed algorithm.
Autor(es): Torres, Artur Bermond
Resumo: Continuações são frequentemente empregadas no contexto de compiladores, em especial como fundamento para representações intermediárias baseadas em continuation-passing style (CPS). Um campo emergente de pesquisa é o desenvolvimento de um cálculo baseado em CPS, visando-se criar uma base teórica para essas representações intermediárias. O trabalho atual tem o objetivo de contribuir a essa linha de pesquisa implementando uma variante de CPS-calculus em PLT Redex, formalizando um gerador de termos bem-tipados para essa linguagem e apresentando uma maneira de unir esses dois aspectos do trabalho em Racket, programando-se propriedades em Redex e depois testando-as usando o gerador de termos implementado em Rackcheck. Primeiramente, diversas semânticas de CPS-calculus foram implementadas, possibilitando o teste de reduções, tipagem e traduções entre CPS-calculus e λ-calculus, tanto por call-by-name quanto por call-by-value. Após, um gerador estocástico de termos bem-tipados foi formalizado usando-se árvores de provas e pseudo-código puramente funcional e depois implementado em Rackcheck, que possui suporte a shrinking automático de termos. Por último, foram testadas algumas propriedades sobre a imagem do gerador, além da propriedade de preservação de tipos da semântica operacional jump reduction e das traduções de λ-calculus para CPS-calculus. Com todos esses desenvolvimentos, o trabalho aqui apresentado obteve êxito em criar um caminho para possibilitar testes baseados em propriedades de CPS-calculus, algo que poderá ser de utilidade a futuras explorações acadêmicas no tópico, em especial como um prelúdio para provas formais que visa diminuir o tempo gasto com tentativas de se provar algo falso.2026-01-01T00:00:00Z