http://www.monografias.ufop.br/handle/35400000/10 2026-07-25T02:17:23Z 2026-07-25T02:17:23Z Tezza, Sthéphany Karoline Soares de Araújo http://www.monografias.ufop.br/handle/35400000/9389 2026-07-23T15:48:56Z 2026-01-01T00:00:00Z

Título: CSS Grid em perspectiva : uma abordagem didática. Autor(es): Tezza, Sthéphany Karoline Soares de Araújo Resumo: O ensino de layout no desenvolvimento Web, especialmente no que se refere ao uso do Cascading Style Sheets (CSS) Grid, apresenta desafios relacionados à abstração espacial e à compreensão da relação entre código e comportamento visual. Este trabalho tem como objetivo o desenvolvimento de uma aplicação Web interativa que auxilie no ensino dos conceitos fundamentais do CSS Grid por meio da experimentação prática. Na plataforma desenvolvida, busca-se estruturar um ambiente que permita a edição de código com retorno visual imediato, organizar o processo de aprendizagem em fases progressivas divididas entre propriedades dos Grid Items e propriedades do Grid Container, e integrar edição de estilos, gerenciamento de estado da aplicação e renderização do layout em um fluxo coerente. O resultado deste trabalho foi o desenvolvimento da primeira versão funcional de uma aplicação denominada Tezza Space, implementada com React e TypeScript, utilizando uma arquitetura baseada em componentes reutilizáveis e gerenciamento centralizado de estado. O sistema organiza o processo de aprendizagem em vinte fases, distribuídas em dois módulos didáticos, nas quais o usuário edita propriedades de layout e acompanha, em tempo real, sua aplicação em um tabuleiro orbital estruturado com CSS Grid. A correção dos mecanismos implementados foi verificada por meio de um conjunto de 151 testes automatizados, que alcançaram uma cobertura geral de 97,8%. A análise do desenvolvimento indica que a aplicação sustenta um fluxo completo e consistente entre a edição de regras, a conversão em estilos computáveis e a renderização visual, contemplando tanto as propriedades estruturantes do Grid Container quanto as propriedades de posicionamento e alinhamento dos Grid Items. Por fim, o Tezza Space estabelece uma base técnica e pedagógica consistente para o ensino interativo do CSS Grid, apresentando relevância no contexto acadêmico ao propor uma abordagem prática e visual para o aprendizado de layouts, além de apontar como trabalhos futuros a validação empírica da proposta junto a usuários reais e a ampliação do conjunto de fases para contemplar desafios de articulação simultânea entre múltiplas propriedades.

2026-01-01T00:00:00Z Campos, Marcella Silveira http://www.monografias.ufop.br/handle/35400000/9387 2026-07-23T10:34:53Z 2026-01-01T00:00:00Z

Título: 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.

2026-01-01T00:00:00Z Veloso, Elisa Alves http://www.monografias.ufop.br/handle/35400000/9363 2026-07-15T14:07:31Z 2026-01-01T00:00:00Z

Título: 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.

2026-01-01T00:00:00Z Almeida, Patrick Araujo de http://www.monografias.ufop.br/handle/35400000/9245 2026-05-22T17:56:40Z 2025-01-01T00:00:00Z

Título: 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.

2025-01-01T00:00:00Z