O Programa de Pós Graduação em Ciência da Computação tem a honra de convidar toda a comunidade acadêmica para participar da Defesa de Dissertação de Mestrado abaixo relacionada:

Matrícula: 201520070001.
Titulo: "Análise de Perfil de Motoristas: Um Investigação com Diferentes Sensores e Técnicas de Aprendizado de Máquina"   

Orientador: Prof. Dr.Gustavo Pessin
Data: 22/02/2018.

Hora: 09h30

Local: LABCOMP I do Instituto de Ciências Exatas e Naturais da Ufpa.

Banca Examinadora:

1. Prof. Dr.  Gustavo Pessin  - Orientador (PPGCC/UFPA)
2. Prof. Dr.Denis Lima do Rosário - Membro Interno (PPGCC/UFPA)
3. Profa. Dra. Marley Maria Rebuzzi Vellasco - Membro Externo  (PUC/RJ)

Resumo:

O comportamento do motorista afeta a segurança do tráfego, o consumo de combustível/energia e as emissões de gases dos veículos. A Análise de Perfil de Motorista (APM) tenta entender e influenciar positivamente o comportamento do motorista. Geralmente, a APM envolve a coleta automatizada de dados de condução e a aplicação de modelos de computador para gerar uma classificação que caracterize o perfil de agressividade do motorista. Diferentes sensores e métodos de classificação têm sido empregados nesta tarefa, no entanto, soluções de baixo custo e alto desempenho ainda são alvos de pesquisa. Esta dissertação apresenta duas principais contribuições. A primeira é uma investigação com diferentes sensores de smartphone Android e algoritmos de classificação, a fim de avaliar quais combinações de sensor e método permitem a classificação de eventos agressivos de condução com maior desempenho. A segunda contribuição é uma proposta de máquina de comitê composta de um subconjunto dos modelos de aprendizado de máquina investigados. Os resultados mostram que (i) combinações específicas de sensores e métodos inteligentes permitem melhorar o desempenho da classificação; e (ii) a máquina de comitê proposta tem desempenhos de classificação e de tempo superior aos melhores convencionais avaliados, tornando possível seu uso em tempo real em um smartphone.

Palavras-Chave: Análise de perfil de motoristas; aprendizado de máquina; máquinas de comitê; sensores de smartphone; smartphone de Android. 

Matrícula: 201620070001.
Titulo: "Um Estudo Sistemático sobre o Controle Estatístico de Processos e a Definição de um Catálogo de Abordagens". 

Orientador: Prof. Dr.Sandro Ronaldo Bezerra Oliveira
Data: 23/02/2018.

Hora: 08h00

Local: Sala FC-01 do Instituto de Ciências Exatas e Naturais da Ufpa.

Banca Examinadora:

1. Prof. Dr.  Sandro Ronaldo Bezerra Oliveira  - Orientador (PPGCC/UFPA)
2. Prof. Dr. Alfredo Braga Furtado  - Membro Externo (FACOMP/UFPA)
3. Prof. Dr. Carlos dos Santos Portela - Membro Externo  (UFPA/CAMPUS DE CAMETÁ)
   
   

O Controle Estatístico de Processos (CEP) tem sido utilizado em organizações de software (acadêmicas e industriais) para a análise dos processos fundamentais, aderentes aos objetivos estratégicos da organização. O CEP é utilizado na representação (gráficos de controle) e análise dos dados coletados (medição) dos processos da organização. Através desta análise, os desvios (falhas) dos processos são identificados e corrigidos. Assim, é definida a estabilidade e a capacidade do processo (baseline). Existem alguns estudos que falam sobre o CEP no contexto de software, entretanto, estes ainda não descrevem de forma aprofundada as abordagens relacionadas ao mesmo. O objetivo desta dissertação de mestrado é desenvolver uma Revisão Sistemática da Literatura (RSL) que identifique quais abordagens: frameworks, métodos, ativos, ferramentas que apoiam o Controle Estatístico de Processos. Com estes resultados, foi definido um catálogo de abordagens, descrevendo e exemplificando as formas de uso de cada delas. O catálogo pode auxiliar as organizações de software a compreender e aplicar melhor as abordagens nele descritas, facilitando, assim, a implementação do CEP nas organizações.

Palavras-Chave: Engenharia de Software Baseada em Evidências, Controle Estatístico de Processos, revisão Sistemática da Literatura, Catálogo de Abordagens. 

Matrícula: 201620070008.
Titulo: "Disseminação de Dados Baseada em Métricas de Redes Complexas para Sistemas de Transporte Inteligentes".  

Orientador: Prof. Dr. Eduardo Coelho Cerqueira

Co-Orientador: Denis Lima do Rosário
Data: 23/02/2018.

Hora: 09h00 

Local: LABCOMP 1 do Instituto de Ciências Exatas e Naturais da Ufpa.

Banca Examinadora:

1. Prof. Dr. Eduardo Coelho Cerqueira  - Orientador (PPGCC/UFPA)
2. Prof. Dr. Denis Lima do Rosário  - Co-Orientador -  (PPGCC/UFPA)
3. Prof. Dr. Marcos Cesar da Rocha Seruffo - Membro Externo (/ITECUFPA)
4. Pesq.Dr. Billy Anderson Pinheiro - Membro Externo (UFPA)
5. Prod. Dr. Leandro Aparecido Villas - Membro Externo (UNICAMP)

Serviços que visam tornar o sistema de transporte atual mais seguro, sustentável e eficiente constituem o arcabouço conhecido como Sistemas de Transporte Inteligentes (ITSs). Pelo fato dos serviços necessitarem de dados, comunicação e processamento para operação, as Redes Veiculares Ad-Hoc (VANETs) exercem forte influência nesse contexto, por possibilitar comunicação direta entre os veículos e, adicionalmente, que dados sejam trocados e processados entre eles. Diversos serviços em ITSs requerem informações disseminadas entre os veículos para tomada de decisões. Contudo, essa disseminação é uma tarefa desafiadora, devido características específicas das VANETs, tais como, comunicação de curto alcance e alta mobilidade dos nós, resultando em variações constantes em sua topologia. Diante dos desafios, neste trabalho é apresentado um protocolo para disseminação de dados em cenários urbanos que considera métricas de redes complexas em seu funcionamento, denominado DDRX. O DDRX toma proveito dos beacons que são trocados periodicamente na rede para coletar informações dos veículos e assim construir um grafo de diâmetro 2 para análise topográfica local da rede, onde os vértices são veículos e as arestas os links de comunicação entre veículos vizinhos. Com o grafo local criado, é possível identificar os melhores veículos para continuarem o processo de disseminação. Resultados de simulações mostram que o DDRX oferece alta eficiência em termos de cobertura, número de transmissões, atraso e colisões de pacotes em comparação aos protocolos amplamente conhecidos de disseminação de dados. Complementarmente, o DDRX oferece melhorias significativas a um sistema de gerenciamento de trânsito distribuído que necessita das informações de trânsito disseminadas de forma eficiente, possibilitando que os veículos fiquem menos tempo em congestionamentos, atinjam maiores velocidades médias e tenham menor tempo de viagem. 

Palavras-Chave: Redes Veiculares; Disseminação de Dados; Grafos.  

Matrícula: 201620070002.
Titulo: "Uma Abordagem para a Implementação da Gestão do Conhecimento dos Resultados Esperados do MR-MPS-SW Usando a Rede Social Facebook". 

Orientador: Prof. Dr.Sandro Ronaldo Bezerra Oliveira
Data: 23/02/2018.

Hora: 10h30 

Local: Sala FC-01 do Instituto de Ciências Exatas e Naturais da Ufpa.

Banca Examinadora:

1. Prof. Dr. Sandro Ronaldo Bezerra Oliveira - Orientador (PPGCC/UFPA)
2. Prof. Dr. Alfredo Braga Furtado  - Membro Externo (FACOMP/UFPA)
3. Prof. Dr. Carlos dos Santos Portela - Membro Externo  (UFPA/CAMPUS DE CAMETÁ)
   
   

Estudos mostram que a falta de práticas de gestão de conhecimento em uma organização pode comprometer seus processos de negócios gerando um conjunto de problemas, entre elas a perda de produtividade e qualidade em seus serviços. Assim, muitas empresas passaram a utilizar ferramentas que apoiam estas práticas, buscando aumentar suas vantagens competitivas no mercado. Logo, este trabalho tem como objetivo apresentar uma implementação dos resultados esperados da área de Gestão de Conhecimento do MR-MPS-SW usando as funcionalidades da rede social Facebook como ferramenta de apoio a essas práticas. Neste trabalho é relatado, também, o cenário no qual foi abordada a aplicação/avaliação e os resultados obtidos durante a pesquisa. 

Palavras-Chave: Melhorias de Processos; Gestão de Conhecimento; Redes Sociais; MPS.BR. 

5) Aluno: Alexandre Abreu de Freitas

Matrícula: 201620070020.
Titulo: "Avaliação da Interação por Rastreamento de Cabeça em Aplicações WEB para Ambiente Desktop" 

Orientador: Prof. Dr. Bianchi Serique Meiguins
Data: 26/02/2018.

Hora: 09h30 

Local: LABCOMP 1 do Instituto de Ciências Exatas e Naturais da Ufpa.

Banca Examinadora:

1. Prof. Dr. Bianchi Serique Meiguins  - Orientador (PPGCC/UFPA)
2. Prof. Dr. Carlos Gustavo Resque dos Santos - Membro Interno (PPGCC/UFPA)
3. Profa. Dra. Marcelle Pereira Mota - Membro Interno  (PPGCC/UFPA)
4. Prof. Dr. Dionne Cavalcante Monteiro - Membro Externo (FACOMP/UFPA)

Resumo

Novos cenários interativos estão surgindo com o avanço tecnológico, como quiosques com displays sensíveis ao toque, aplicações de realidade aumentada e virtual, entre outros. Estes novos cenários estimulam o desenvolvimento de novos métodos de interação não convencionais, os quais fogem dos tradicionais mouse e teclado, como, por exemplo, o rastreamento de cabeça, o rastreamento dos olhos, a detecção de gestos, entre outros, que podem ser utilizados por diversos perfis de usuários, incluindo os com deficiência motora, por exemplo. Geralmente, quando estas novas tecnologias de interação são aplicadas como substitutas do mouse e teclado, e não como uma nova forma de interação, com suas particularidades e adequada de forma diferente, de acordo com o perfil do usuário e a interface. Com base neste contexto, esta dissertação busca avaliar a interação e navegação através do rastreamento de cabeça em aplicações web na plataforma desktop, incorporando uma metodologia de avaliação que combine uma análise no aspecto quantitativo e qualitativo. Foram realizados testes com algumas tecnologias de rastreamento de cabeça, e a escolhida para o desenvolvimento deste trabalho foi o software eViacam utilizando webcam comum. Serão feitos testes em web browser, com tarefas especificas de sites popularmente conhecidos, tais como: google.com, youtube.com, g1.com, entre outros. A avaliação busca identificar problemas de interação com o rastreamento de cabeça com as aplicações web, assim como na organização da interface. São coletados diversos dados, como: tempo para completar tarefas, número de cliques em componentes, quantidade de entradas no componente antes de interagir com o mesmo, localização de componentes, etc. Por fim, esses dados são pré-processados e analisados em busca de padrões e outleirs para indicação de boas práticas na utilização de rastreamento de cabeça em aplicações Web. 

Palavras-Chave: Interação Por Rastreamento De Cabeça, Interação Não Convencional, Design de Interface, Interação Humano-Computador. 

6) Aluno: Paulo Roberto Silva Chagas Junior

Matrícula: 201620070015.
Titulo: "Avaliação de Arquiteturas de Redes Neurais Convolucionais para a Classificação de Imagens de Gráficos" 

Orientador: Prof. Dr.Jefferson Magalhães de Morais
Co-Orientador: Prof. Dr. Bianchi Serique Meiguins
Data: 26/02/2018.

Hora: 16h00 

Local: LABCOMP 1 do Instituto de Ciências Exatas e Naturais da Ufpa.

Banca Examinadora:

1. Prof. Dr. Jefferson Magalhães de Morais  - Orientador (PPGCC/UFPA)
2. Prof. Dr. Bianchi Serique Meiguins  - Co-Orientador (PPGCC/UFPA)
3. Prof. Dr. Filipe de Oliveira Saraiva - Membro Interno  (PPGCC/UFPA)
4. Prof. Dr. Dionne Cavalcante Monteiro - Membro Externo (FACOMP/UFPA)

Resumo

Em uma era onde a quantidade de dados disponíveis cresce continuamente, formas de representar esses dados se fazem necessárias para que o ser humano possa entendê-los e fazer inferências a partir dos mesmos. No entanto, nem sempre é possível acessar esses dados, de modo que em vários cenários somente os gráficos estão disponíveis para análise. Assim, métodos automáticos de extração de dados de imagens de gráficos se fazem necessários, permitindo um posterior tratamento desses dados recuperados. Nesse contexto, o processo de extração de dados dos gráficos pode ser dividido em duas etapas: classificação e extração. Este trabalho foca na etapa de classificação, propondo uma avaliação de Redes Neurais Convolucionais para esta tarefa. Para treinamento e teste, foi utilizada uma base de imagens geradas automaticamente e de forma aleatória, para 10 tipos de gráficos (Arco, Área, Barra, Coordenadas Paralelas, Linha, Matriz, Pizza, Scatter Plot, Sunburst e Treemap). Da mesma forma, imagens foram coletadas da internet para compor uma base de validação, de modo que se possa verificar se os classificadores conseguem generalizar os 10 tipos de gráficos de forma satisfatória treinando somente com imagens sintéticas. Para validar a metodologia proposta, testes sistemáticos foram realizados utilizando diferentes arquiteturas de Redes Neurais Convolucionais que estão presentes na literatura (VGG-19, Resnet-50 e Inception-V3), e comparando as mesmas com classificadores convencionais (K-Nearest Neighbor, Naive Bayes, Support Vector Machine e Random Forest) combinados com o método de extração de características HOG. Os resultados mostraram que os modelos Resnet-50 e Inception-V3 obtiveram as maiores acurácias na base de validação, com 77,76% e 76,77% respectivamente. Além disso, as matrizes de confusão foram analisadas a fim de verificar não só as diferenças em desempenho dos classificadores mas também como cada um se comporta para cada classe. 

Palavras-Chave: Deep Learning, Redes Neurais Convolucionais, Visualização da Informação, Imagens de Gráfico. 

Matrícula: 201520070012.
Titulo: " Um Pipeline para a Predição de Genes em Dados Metatranscriptômicos".

Orientador: Prof. Dr. Ronnie Cley de Oliveira Alves
Data: 26/02/2018.

Hora: 10h00

Local: Sala FC-01 do Instituto de Ciências Exatas e Naturais da Ufpa.

Banca Examinadora:

1. Prof. Dr. Ronnie Cley de Oliveira Alves - Orientador (PPGCC/UFPA)
2. Prof. Dr. Jefferson Magalhães de Morais  - Membro Interno (PPGCC/UFPA)
3. Profa. Dra. Regiane Silva Kawasaki Francês - Membro Externo  (FACOMP/UFPA)
   
   

Resumo 

Através de estudos de dados metagenômicos, é possível definir quais organismos estão presentes em uma amostra e as suas atividades. Ferramentas para predição de genes em dados metagenômicos foram criadas para definir quais são os genes presentes na amostra, mas é necessário que mais ferramentas estudem os dados dos transcritos a fim de compreender o comportamento delas, como o TransGeneScan. Este artigo apresenta o GeneFinder-TR, um pipeline para predição de genes em dados metatranscriptômicos. O pipeline teve os melhores resultados em metade dos testes, obtendo até 95,14% de acurácia em suas predições. 

Palavras-Chave: Aprendizado de Máquinas, predição de genes, metatranscriptômica.