Há um grande interesse no desenvolvimento de aplicações de realidade virtual e realidade aumentada para o uso em tratamentos de reabilitação neuromotora, com as quais os pacientes possam interagir através de dispositivos de rastreamento corporal. Estas aplicações proveem os benefícios da reabilitação tradicional sem se tornarem massantes, pois permitem a imersão do usuário nos mais variados cenários e situações. Ademais, devido à forma de interação com estas aplicações, é possível recuperar e analisar os dados gerados pelos movimentos dos usuários durante o tratamento. Contudo, é muito difícil encontrar datasets de movimentos corporais e os que existem não incluem movimentos específicos do contexto da reabilitação. Desta forma, apresenta-se framework que disponibiliza um sistema de armazenamento padronizado de dados de sessões de reabilitação motora e neuromotora, o ReBase. Ele foi projetado de forma a permitir a reunião dos dados gerados por qualquer aplicação, independentemente da forma de rastreamento corporal empregada, além de suportar aplicações de Realidade Virtual e Aumentada. A partir dos dados armazenados no banco de dados do ReBase, é possível criar datasets de movimentos específicos, sobre os quais podem ser aplicadas técnicas de aprendizado de máquina ou mesmo de mineração de dados. Este trabalho apresenta as diversas melhorias a serem implementadas na infraestrutura já existente do ReBase e demonstra uma aplicação capaz de reconhecer o alfabeto da Libras através de aprendizado de máquina desenvolvido com o uso do framework, o CLibras.

A Modelagem de Tópicos (MT) é uma abordagem popular para extrair e organizar informações de grandes quantidades de dados textuais, descobrindo e representando tópicos semânticos de documentos. Neste trabalho, investigamos um desafio importante no contexto da MT, a Avaliação de tópicos, área responsável por impulsionar os avanços no campo e avaliar a qualidade geral do processo de geração de tópicos. As métricas tradicionais de MT capturam a qualidade dos tópicos avaliando estritamente as palavras que os construíram, seja sintaticamente (i.e., NPMI, TF-IDF Coherence) ou semanticamente (i.e., WEP). Neste caso, investigamos se estamos nos aproximando dos limites das métricas atuais em relação à qualidade de avaliação dos tópicos para a MT. Realizamos um experimento abrangente, considerando três coleções de dados amplamente utilizadas em tarefas de classificação automática, para as quais o tópico (classe) de cada documento é conhecido (i.e., ACM, 20News e WOS). Comparamos a qualidade dos tópicos gerados por quatro das principais estratégias de MT (i.e., LDA, NMF, CluWords e BerTopic) com a estrutura de tópicos prévia de cada coleção. Nossos resultados mostram que, apesar da importância das métricas atuais, estas não conseguiram captar alguns aspectos idiossincráticos importantes da MT, indicando a necessidade de propor novas métricas que considerem, por exemplo, a estrutura e organização dos documentos que compõem os tópicos. Para mitigar essa limitação, propomos adaptar métricas comumente utilizadas para avaliar algoritmos de clusterização, uma vez que existem semelhanças significativas entre as estratégias de MT e de clusterização, como sua natureza não supervisionada e o objetivo de agrupar elementos semelhantes. Neste contexto, avaliamos três métricas distintas (Silhouette Score, Calinski-Harabasz e BetaCV) nos mesmos cenários anteriores e os resultados evidenciam a eficácia das métricas de clusterização na distinção dos resultados dos algoritmos de MT e do ground truth (classes). No entanto, isto implica expandir o espaço de análise através da inclusão de um novo conjunto de métricas. Assim, propomos consolidar as várias métricas, que consideram tanto a qualidade das palavras que compõem os tópicos como a estrutura organizacional dos documentos, num resultado unificado, utilizando a Multiattribute Utility Theory (MAUT). Nossos resultados demonstraram que essa abordagem permitiu classificar com mais precisão as diferentes estratégias de MT, evidenciando os avanços semânticos gerados pelo uso de word embeddings presentes em algumas estratégias, bem como a solidez e consistência na construção de tópicos através de estratégias de fatoração de matrizes.

Atualmente, pesquisas indicam que compreensão de código leva muito mais tempo de trabalho de um desenvolvedor do que escrever código. Dado que a maioria das linguagens de programação modernas impõe pouca ou nenhuma limitação aos nomes de identificadores e, portanto, os desenvolvedores podem escolher nomes de identificadores a seu próprio critério, um aspecto fundamental da compreensão do código é a nomenclatura dos identificadores. Pesquisas sobre nomenclatura de identificadores mostram que nomes informativos são cruciais para melhorar a legibilidade e a manutenção de software: essencialmente, nomes reveladores de intenção tornam o código mais fácil de entender e atuam como uma forma básica de documentação. Identificadores mal nomeados tendem a prejudicar a compreensão e a capacidade de manutenção de sistemas de software. No entanto, a maioria dos currículos de Ciência da Computação enfatiza conceitos de programação e sintaxe de linguagem em vez de diretrizes e convenções de nomenclatura. Consequentemente, os desenvolvedores não têm conhecimento sobre as práticas de nomenclatura de identificadores. Anteriormente, exploramos práticas de nomenclatura de desenvolvedores Java. Para tanto, analisamos 1.421.607 nomes de identificadores (ou seja, nomes de atributos, parâmetros e variáveis) de 40 projetos Java de código aberto e categorizamos esses nomes em oito práticas de nomenclatura. Como um estudo de acompanhamento para investigar mais detalhadamente as práticas de nomenclatura, examinamos também 40 projetos C++ de código aberto e categorizamos 1.181.774 nomes de identificadores de acordo com as oito práticas de nomenclatura mencionadas anteriormente. Examinamos a ocorrência e prevalência dessas categorias em projetos C++ e Java e nossos resultados também destacam em quais contextos os identificadores que seguem cada prática de nomenclatura tendem a aparecer com mais regularidade. Também conduzimos um questionário on-line com 52 desenvolvedores de software para obter informações do setor. No geral, acreditamos que os resultados baseados na análise de 2.603.381 nomes de identificadores podem ser úteis para aumentar a conscientização dos programadores e contribuir para melhorar os materiais educacionais e os métodos de revisão de código. Por fim, desenvolvemos uma ferramenta de análise estática para ser usada em pipelines de CI/CD, que categoriza nomes de identificadores com base nas categorias de nomenclatura criadas anteriormente, possibilitando a verificação da existência de nomes potencialmente problemáticos.

As doenças cardiovasculares são as principais causas de morte no mundo e muitas
dessas enfermidades requerem um entendimento profundo e detalhado das alterações
eletrofisiológicas para o estudo de novos fármacos e dispositivos clínicos para auxi-
liar no tratamento. Consequentemente, as simulações numéricas surgem como uma
ferramenta relevante na investigação dessas alterações eletrofisiológicas em doenças
cardíacas, mas a complexidade da aplicação de modelos matemáticos da eletrofisi-
ologia cardíaca, recaem em sistemas de equações diferenciais ordinárias (EDO) de
elevado número de incógnitas, demandando grande esforço computacional. O tra-
balho aqui desenvolvido consistiu na implementação de uma versão em memória
distribuída e multi-GPU (Graphics Processing Unit) de um simulador da eletrofi-
siologia cardíaca já existente, como forma de acelerar a solução de modelos dessa
classe. Para isso, foi adotado o modelo monodomínio de membrana celular e modelo
de dinâmica celular Bondarenko, juntamente com passos de tempo adaptativos. O si-
mulador foi executado em um domíniobenchmark. Para realização dos testes, foram
utilizadas placas de vídeo de diferentes desempenho. A combinação de duas placas
de vídeo de menor desempenho possibilitou aceleração superior a 1,5 vezes para ca-
sos onde foi utilizada a malha mais refinada e, um balanceamento de carga entre
placas de diferentes desempenhos foi o que proporcionou os melhores resultados. Os
resultados mostraram que a implementação proposta foi capaz de acelerar a solu-
ção das EDOs em diferentes cenários, demonstrando ser uma ferramenta importante
para simulações numéricas de problemas complexos de eletrofisiologia cardíaca.

O acesso à tecnologia como um item de necessidade básica humana; e o compartilhamento e distribuição, podem ser não apenas como produto, mas como pesamento e código liberto a alteração e a adequação para cada necessidade. O acesso ao código-fonte está diretamente relacionado a colaboração, levando em consideração que o distribuído e colaborativo depende diretamente do compartilhamento do código-fonte. Este trabalho aborda a colaboração mediada por tecnologias baseadas em software livre, discutindo a arte tradicional e a arte digital; os valores e as liberdades do software livre; e o compartilhamento de artefatos de software em diferentes granularidades. É realizado um estudo descritivo-analítico à luz dos fundamentos de Computer-Supported Cooperative Work (CSCW) e de plataformas Groupware e Low-Code. O estudo resulta em requisitos e features de Groupware que apoiam a colaboração em processos criativos presentes no desenvolvimento de software e conduz um estudo de casos da implementação das features definidas, que tem a ferramenta Mosaicode como objeto do estudo. Essa ferramenta é ambiente de programação visual, gerador de código-fonte e software livre, com o foco na geração de aplicações de software para o domínio das artes digitais. Foi desenvolvida na Universidade Federal de São João del-Rei (UFSJ), no laboratório ALICE -- Arts Lab in Interfaces, Computers, and Everything Else. O trabalho contribui para a compreensão das possibilidades e desafios do desenvolvimento colaborativo nesse contexto, abrindo caminho para um ambiente mais inclusivos, cooperativos e livres, permitindo que artistas digitais e não-programadores (citzen developers) explorem a criatividade e a colaboração em novas dimensões tecnológicas.

A evasão escolar é um fenômeno caracterizado por sofrer influências de diversas variáveis, o que torna complexo o estudo para identificação de quais fatores contribuem para o desligamento de um estudante da sua instituição acadêmica. Na última década houve uma considerável ampliação da oferta de cursos superiores em Instituições Federais de Ensino, especialmente em função de polı́ticas públicas que fomentaram melhorias na infraestrutura fı́sica e de pessoal das unidades educacionais, permitindo que indivı́duos com os mais variados perfis iniciassem seus estudos e fazendo com que a tarefa de compreender a evasão escolar seja mais complexa para os gestores. Paralelamente a este cenário, a área de Aprendizado de Máquina também expandiu suas possibilidades de aplicação para as mais diversas áreas, dentre elas a educação, oportunizando diferentes maneiras de analisar e compreender os dados que são gerados no ambiente de cada instituição/organização. Esta Dissertação objetivou utilizar técnicas de Aprendizado de Máquina para prever o risco de evasão escolar nos cursos de graduação presencial do Instituto Federal de Ciência, Educação e Tecnologia de Minas Gerais (IFMG), bem como identificar quais são os atributos mais associados com este fenômeno na instituição. A estruturação e organização das atividades previstas neste trabalho teve como suporte a metodologia CRISP-DM (Cross-Industry Standard Process for Data Mining). Foram conduzidas três fases de experimentos, a primeira tratando sobre o balanceamento do conjunto de dados, a segunda com a utilização de técnicas de Seleção de Atributos e a terceira aplicando uma estratégia de aprendizado semi-supervisionado para melhorar as métricas de desempenho coletadas. Como principal resultado, obteve-se um modelo capaz de classificar a evasão com 90% de acurácia e 86% de F1, indicando uma considerável possibilidade de complementar a atuação institucional no que tange a ações que visam controlar os nı́veis de evasão no IFMG.

Atualmente,Sistemas de Recomendação (SsR) têm assumido um papel de destaque na academia e seus avanços têm refletido diretamente na qualidade de serviços oferecidos pela indústria, como em plataformas dee-commerce, de entretenimento, e até mesmo em redes sociais. Um dos principais avanços recentes é que os SsR são responsáveis pororientar a experiência dos usuários a cada feedback fornecido por meio de recomendações interativas, em que a cada interação do usuário o sistema deve recomendar um ou mais itens, receber o'feedback e atualizar seu conhecimento para a próxima recomendação.A literatura atual tem proposto diversos trabalhos que representam o'cenário de recomendação interativa como um modelo de Multi-Armed Bandits (MAB). Apesar dos significativos avanços recentes, ainda falta consenso sobre as melhores práticas a serem adotadas para avaliar essas soluções MAB. Diversas variáveis podem afetar o processo de avaliação, mas a maioria dos trabalhos se preocupa apenas com a métrica de precisão de cada método. Assim, este trabalho propõe um framework para modelos interativos em Sistemas de Recomendação,denominado iRec. Nossa proposta abrange todo o processo de experimentação, seguindo as principais diretrizes de avaliação de SsR. O iRec fornece três módulos para preparar os conjuntos de dados, criar novos agentes de recomendação e simular diferentes cenários interativos.Além disso, também contém diversos algoritmos de última geração,um módulo de ajuste de hiper parâmetros, um vasto conjunto de métricas de avaliação, diferentes formas de visualização dos resultados e um processo de validação estatística.

Um desafio importante na educação tem sido construir estratégias inovadoras para motivar e engajar os estudantes ao longo do processo de ensino-aprendizado. Nesse sentido, a gamificação é uma abordagem que vem sendo empregadas nos últimos anos, e que tem trazido diversos resultados positivos. De forma geral, a gamificação consiste em utilizar estratégias semelhantes às vistas em jogos em contextos que não são relacionados a jogos. Os Pesquisadores, em particular, têm estudado como a gamificação pode ser utilizada para melhorar o desempenho de estudantes ao tentarem aprender conteúdos desafiadores. Avaliamos até que ponto a gamificação pode ser útil no ensino de critérios de teste de software baseados em grafos. Para isso, projetamos e implementamos o Gamifying Graph Coverage Criteria (GGCC), uma ferramenta que apresenta instruções gamificadas sobre critérios baseados em grafos. Conduzimos um experimento envolvendo 20 voluntários para avaliar a efetividade da gamificação nesse contexto. Os resultados mostram que os participantes expostos ao conteúdo por meio da GGCC tiveram um desempenho melhor do que os participantes expostos ao conteúdo em salas de aula tradicionais, percepção confirmada em pesquisa posterior aplicada aos participantes em relação ao GGCC.

Os algoritmos de aprendizado por reforço permitem que os agentes aprendam com a experiência, sem a necessidade de conhecimento prévio. Por essa razão, eles têm sido amplamente pesquisados e o uso de jogos digitais de baixa e média complexidade como ambientes de benchmark tornou-se uma prática comum. Em 2013, um novo algoritmo, chamado DQN (Deep Q Network), causou grande impacto no meio acadêmico ao obter resultados a nível de humanos em diversos jogos do Atari 2600, utilizando para isso redes neurais artificiais. Consequentemente, novas linhas de pesquisa surgiram e novos algoritmos derivados foram propostos. Dentre esses, destaca-se o FQF (Fully Parameterized Quantile Function), um algoritmo que se tornou o estado da arte entre os algoritmos não distributivos no domínio do Atari 2600. No entanto, o FQF ainda não alcançou os resultados obtidos por um especialista humano em todos os jogos avaliados. Considerando a habilidade da inteligência artificial em detectar padrões imperceptíveis por humanos, isso nos levou a acreditar que resultados melhores do que os atuais ainda poderiam ser obtidos.     Portanto, neste trabalho foi realizada uma pesquisa por trabalhos relacionados e foram escolhidas três melhorias que trouxeram sucesso em algoritmos propostos antes do FQF para serem combinadas e avaliadas juntamente com o FQF, buscando assim melhorar o algoritmo. As melhorias aplicadas ao FQF são: a utilização de três passos na diferença temporal, a aplicação da abordagem de Munchausen e o uso da experiência por repetição priorizada. A combinação das três melhorias possibilitou a análise de oito algoritmos, os quais foram avaliados em cinco jogos do Mini Atari. De acordo com as métricas analisadas, a versão do FQF que faz o uso das três melhorias foi melhor que o FQF original em todos os experimentos realizados, disponibilizando portanto uma versão mais promissora do algoritmo para a comunidade científica.

Há um crescente interesse comum entre as áreas de pesquisa pela análise e descoberta de conhecimento em redes sociais. Para alguns pesquisadores, entretanto, essa tarefa esbarra no empecilho do requisito técnico para implementação (e por consequência alto custo para terceirização) de uma metodologia para esse tipo de análise. A fim de auxiliar esse processo desde o agendamento da coleta dos dados até o pós-processamento e visualização, este trabalho deu origem a uma plataforma \textit{web} cuja interação viabiliza a automatização dessas etapas. A fim de validar a utilização da plataforma desenvolvida, foi realizada (com o auxílio da ferramenta) a análise do evento da leitura do relatório da CPI do COVID no Brasil, ocorrido no mês de Outubro de 2021. Dentre as principais funcionalidades implementadas, destacam-se: modelagem de tópicos, análise de sentimento, nuvem de palavras, usuários mais centrais, potenciais usuários não-autênticos, apresentação de tendências relacionadas no período de coleta e detecção e análise de padrões em comunidades. Os resultados apresentam, além da avaliação de qualidade das funcionalidades implementadas, uma análise qualitativa de informações e conhecimentos que puderam ser extraídos através do uso da própria ferramenta.

O interesse pela dinâmica e a compreessão das características de disseminação de doenças infectocontagiosa datam de mais de dois séculos. Diversas perspectivas podem ser consideradas nesses estudos, onde há um apreço especial pela imunização. A escolha assertiva de grupos de indivíduos a serem imunizados pode impactar diretamente na dinâmica de contaminação, tanto na proteção de partes da população quanto na minimização da velocidade de contágio. Tal tarefa é importante e desafiadora em cenários de epidemias com número reduzidos de doses disponíveis, por envolver inúmeras combinações de escolhas.

O objetivo deste trabalho é propor uma melhora em uma metodologia para a escolha de indivíduos a serem imunizados baseada em algoritmo genético, que utiliza o modelo epidemiológico SIR para avaliação dos diferentes conjuntos propostos. Sua efetividade será verificada através de um estudo comparativo com critérios que utilizam de métricas de centralidade em redes e de uma escolha aleatoria de indivíduos. Os resultados obtidos por experimentos que simulam epidemias com a vacinação por cada um dos critérios serão avaliados sob as perspectivas que consideram o número de indivíduos afetados, o maior número de infectados em um mesmo instante e a taxa de contaminação estimada. Os resultados obtidos indicam que a escolha sistemática de indivíduos é uma decisão acertada para este tipo de problema e que os resultados obtidos pela metodologia de otimização são equivalentes aos resultados entregues pelas principais métricas de centralidade utilizadas em redes complexas.

O Programa Nacional de Imunizações (PNI), criado em 1973 pelo Ministério da Saúde do Brasil, é responsável pela regulação sobre a sala de vacinação, o que inclui os procedimentos operacionais em relação a sua utilização. O enfermeiro é o profissional responsável pela supervisão da sala de vacinação e pelo processo de educação permanente da equipe, sendo necessário realizar capacitações periodicamente. No entanto, as capacitações geralmente não ocorrem de maneira sistematizada, sendo normalmente focadas apenas na atualização do calendário vacinal. Neste trabalho é proposto o uso de abordagens inovadoras, como mundos virtuais, jogos digitais e metodologias ativas, de modo a contribuir com um ambiente para ensino de vacinação. A pesquisa é delineada segundo a metodologia Design Science Research (DSR), contanto com a orientação de uma equipe multidisciplinar. Foi modelada e desenvolvido um ambiente virtual tridimensional, como uma aplicação desktop por meio do motor de jogo Unity, para apoiar a realização de capacitações em uma sala de vacina virtual. Também foi realizada a modelagem e implementação de um sistema para a criação e educação de cenários para a simulação. Foram executadas duas avaliações, uma com juízes especialistas para validar o artefato construído por meio do método Delphi e outra com aprendizes, para validar a usabilidade e aceitação de tecnologia por meio dos métodos System Usability Scale (SUS) e Unified Theory of Acceptance and Use of Technology (UTAUT2). A partir dos resultados foi possível evidenciar que a simulação proposta foi bem aceita e possui boa usabilidade de acordo com o método SUS (Score de 81,38). A análise promovida pelo UTAUT2 permitiu ainda identificar que a expectativa de desempenho foi o fator que mais influencia positivamente na intenção comportamental dos aprendizes. Destaca-se ainda que ambos os públicos que participaram das avaliações ressaltaram a relevância da simulação proposta, bem como são apontados aprimoramentos em relação à representação de alguns itens na sala virtual. Por fim, conclui-se que a simulação proposta consiste em uma alternativa viável e desejável para o ensino de vacinação.

As redes sociais refletem os relacionamentos e interações entre indivíduos e têm desempenhado um papel muito importante na difusão de informação, em que a comunicação de ideias e compartilhamento de opiniões acontecem a todo momento. São diversos os exemplos de como as redes sociais podem afetar o comportamento dos indivíduos, tais como o marketing viral, a difusão de memes e a propagação de fake news. Essa dinâmica de difusão de informação tem motivado o estudo de diversas abordagens para identificar os principais influentes em uma rede. 
O problema de Maximização de Influência consiste em encontrar um subconjunto S, chamado de conjunto de sementes, de no máximo k elementos, de modo que a propagação máxima (esperada) seja alcançada por meio de um modelo de difusão, tendo S como os influenciadores iniciais em uma rede. Já foi demonstrado que o o problema de maximização de influência é um problema de otimização NP-difícil, portanto, devido à sua complexidade, é inviável encontrar o subconjunto S que garanta a difusão mais abrangente. 
A abordagem mais comum para este problema é a utilização de algoritmos aproximados, destacando-se o Cost-Effective Lazy Forward (CELF), cerca de 700 vezes mais rápido do que a estratégia gulosa proposta por Kemp et al., e o CELF++, que apresenta um ganho em tempo de execução entre 35 a 55% sobre o CELF.
Este trabalho apresenta uma modificação dos dois algoritmos estado-da-arte supracitados, CELF e CELF++, substituindo as simulações de Monte Carlo por estimativas de difusão (metamodelos), para a seleção de conjunto de sementes. Buscou-se sintetizar e, com um foco especial, mostrar que: (1) os metamodelos podem ser usados para estimar qualitativamente a difusão de conjuntos de sementes; (2) o uso de métodos já conhecidos na literatura em conjunto com metamodelos é capaz de identificar, ordens de grandeza mais rápido, indivíduos mais influentes e, em alguns casos, até superar o resultado desses métodos em propagação.

Redes sociais online, como WhatsApp, Twitter e Facebook são utilizados diariamente por milhares de pessoas como meio de entretenimento, comunicação, acesso à informação e reivindicações. Neste ambiente, qualquer pessoa tem o poder de gerar e propagar notícias, resultando em novas oportunidades e dilemas, como a epidemia de desinformação. Dentro desse ecossistema, bots e estratégias como \textit{Reflexive Control} (RC) podem ser utilizadas por diferentes agentes com o intuito de confundir, manipular e distorcer a opinião pública sobre assuntos de seu interesse. Portanto, abordagens que permitam auxiliar na caracterização deste ambiente com foco no usuário tornam-se essenciais. Com este intuito apresentamos a SARA (Automated System with Complex Networks and Analytics), uma abordagem que permite a caracterização de eventos em larga escala centrada nos usuários em redes sociais online, em especial no Twitter. Combinando redes complexas, mineração de texto, aprendizado de máquina com uma abordagem de comunidades a SARA, permite a identificação de contas automatizadas (bots), mapeamento de visões antagônicas sobre determinado assunto, extração de tópicos de interesse, identificação de padrões de propagação de informação e interação dos usuários de maneira semi-automatizada. No presente trabalho também é apresentando a sua aplicação na análise de três assuntos reais no Brasil, foram analisados cerca de 3 milhões de tweets sobre STF, ansiedade e vacinação.

A Internet é uma rede de computadores que interconecta centenas de milhões de dispositivos em todo o mundo. Não muito tempo atrás, esses dispositivos eram principalmente computadores desktop, estações de trabalho Linux e os chamados servidores que armazenam e transmitem informações, mas hoje em dia, cada vez mais sistemas finais de Internet modernos, como TVs, consoles de jogos, telefones celulares, webcams, automóveis, dispositivos de detecção ambiental, quadros e sistemas elétricos e de segurança internos fazem parte da rede. Seguindo essa mudança que está ocorrendo na Internet (e também nas redes privadas de computadores), o termo “Internet das Coisas” (IoT – Internet of Things) está se tornando cada vez mais difundido. Este trabalho tem como objetivo implementar um protótipo funcional para Internet das Coisas utilizando Arduino e a tecnologia de comunicação LoRaWAN. Análises foram realizadas em ambiente indoor e outdoor.

Com a popularização da Internet, discussões online vêm possibilitando uma intensa e constante troca de conhecimentos entre usuários sobre os mais variados temas. Enquanto os dados produzidos nessas discussões possibilitam novas maneiras de se fazer ciência, sua análise manual apresenta-se inviável. Técnicas de mineração de dados vêm sendo adotadas, fundamentando-se na descoberta de conhecimento em bases de dados (Knowledge Discovery in Databases), um processo iterativo e com o envolvimento do especialista no domínio de problema analisado, que visa extrair conhecimento útil de grandes volumes de dados. Cada deste processo apresenta numerosas escolhas, impactando significativamente nos resultados finais da pesquisa. Entretanto, a participação do especialista em todo o processo apresenta-se como um desafio em análises multidisciplinares, onde o domínio de problema e os pesquisadores muitas vezes não pertencem à área de Mineração de Dados. Trabalhos propostos envolvem o pesquisador predominantemente na etapa de análise final dos dados, ficando a cargo dos especialistas em mineração definir os parâmetros das demais etapas. Observa-se também a ausência de propostas de processos metodológicos para as análises, limitando seu rigor e reprodutibilidade. O presente trabalho apresenta a pesquisa e o desenvolvimento de uma ferramenta de mineração de dados para análise interativa de discussões online, bem como seu processo de uso, com foco na participação do usuário pesquisador em todas as etapas da análise. Para garantir o rigor científico do desenvolvimento, é empregada a metodologia Design Science Research, onde o conhecimento e a compreensão de um domínio do problema e sua solução são alcançados por meio de um artefato projetado. O processo de uso proposto para aplicação da ferramenta desenvolvida utiliza a análise sistemática dos dados para construção de teorias, proveniente da Pesquisa Fundamentada em Dados. Sua efetiva contribuição é avaliada por meio do método System Usability Scale, aplicado a usuários na exploração de uma discussão online real. A avaliação apresenta uma alta taxa de aceitação, indicando a relevância e utilidade da ferramenta e seu processo de uso. Também é realizado um estudo de caso aplicando a ferramenta e seu processo à análise de uma discussão online sobre neurociência. A consistência dos assuntos produzidos pela análise da comunidade e sua capacidade de responder de forma satisfatória às questões de pesquisa demonstraram a aplicabilidade da pesquisa desenvolvida, além de contribuir com a criação de novos conhecimentos científicos na área. Os resultados deste trabalho foram comunicados cientificamente nos eventos internacionais IEEE 20th International Conference on Information Reuse and Integration for Data Science e II Latin American Workshop on Computational Neuroscience.

O processo de Descoberta de Conhecimento de Bases de Dados (KDD) aplicado em dados estruturados é um desafio onde diversas abordagens já há algum tempo conseguiram relativo sucesso. Muitas destas abordagens baseiam-se no Aprendizado de Máquina tradicional e seus paradigmas. Já o processamento de dados não-estruturados teve sua popularização apenas recentemente, com o surgimento do Deep Learning, uma abordagem baseada em Redes Neurais Artificiais (RNAs). Embora as RNAs não sejam um método
novo, a evolução do poder computacional de forma acessível, em especial através das GPUs, juntamente com o surgimento de técnicas cada vez mais eficientes de otimização, impulsionaram suas aplicações de uma forma extraordinária em domínios como processamento de imagens, áudio, linguagem natural, dentre outros. Este trabalho busca investigar como estas novas técnicas podem ser aplicadas a fim de melhorar os resultados em modelos gerados sobre dados estruturados. Desta investigação, surgiu a proposta da OlapNet, uma arquitetura de Rede Neural Convolucional (CNN) que baseia-se em operações implícitas de
cubos de dados como entrada. Formalmente identificou-se que esta arquitetura é capaz se superar os resultados de um grupo específico de transformações realizadas sobre os dados, permitindo em partes a automação da etapa de transformação de dados no processo de KDD. Para verificar a proposta empiricamente, foi utilizada uma amostra de dados de uma base real contendo dados anonimizados do histórico de endividamento dos clientes de uma instituição financeira. A partir destes dados, foi modelado um problema de classificação preditiva para estimar a probabilidade de um cliente qualquer contratar novos créditos nos próximos três meses. Assim, foram utilizados métodos tradicionais de Aprendizado de
Máquina e variações de CNNs, incluindo a proposta deste trabalho. Os resultados mostraram que em quase todos os casos as CNNs superam os métodos tradicionais, indicando que os Features Maps gerados a partir dos kernels convolucionais aprendidos pela rede são capazes de extrair características relevantes. Estes kernels não somente permitem extrair características, como reduzem a complexidade da rede ao delimitar uma vizinhança para cada pixel e diminuem a propensão de ocorrer overfitting. Dentre as CNNs testadas, a
OlapNet supera todos os outros métodos, indicando que a arquitetura proposta é bastante promissora.

O projeto e desenvolvimento de sistemas de software autônomos vem sendo amplamente investigados principalmente a partir do manifesto disseminado pela IBM concomitantecom o advento da Computação Autonômica (Autonomic Computing). Sistemas de software autônomos (ou autonômicos) são aqueles capazes de adaptar os comportamentos existentes à demanda de novos requisitos e de resolver incidentes com a mínima intervenção humana. Porém, investigações de como incorporar as capacidades de adaptação e resolução autônoma de incidentes em sistemas existentes (legados), apesar de desejado, pouco foi investigado nos últimos anos. Permitir que sistemas de software legados se adaptem requer a identificação e incorporação de atuadores responsáveis pela adaptação do comportamento e dos sensores que medem a variação no estado dos comportamentos monitorados. Idealmente, a incorporação de atuadores e sensores deve ser realizada de um modo flexível, isto é, sem que o sistema de software tenha que ser projetado e implementado novamente. Para isso, neste artigo, propomos uma nova abordagem para o gerenciamento autônomo de incidentes em sistemas de software legados. Nossa abordagem é baseada em dois conceitos primordiais: (i) composição transversal dos sensores com o código existe pormeio de técnicas de composição invasiva; e (ii) adaptação do comportamento por meio de tecnologias de virtualização. Com isso, é possível incorporar em sistemas legados novos comportamentos autônomos de modo rápido e flexível. Apresentamos adicionalmente uma avaliação da aplicabilidade da nossa abordagem no Moodle, um sistema legado largamente utilizado na prática para a condução de cursos a distância.

Atualmente, os chamados Sistemas de Recomendação (SsR) têm sido usados para auxiliar usuários a descobrir Pontos de Interesse (POIs) relevantes em redes sociais baseadas em localização (Location Based Social Network - LBSN), tais como o Yelp e o FourSquare. Diante dos principais desafios de esparsidade de dados e diferentes fontes de informação, tais como a influência geográfica, nesse cenário, a maioria dos trabalhos sobre recomendações de POIs tem se concentrado apenas na melhoria da efetividade (i.e., acurácia) dos sistemas. No entanto, existe um crescente consenso de que apenas a efetividade não é suficiente para avaliar a utilidade prática desses sistemas. Em cenários reais, as diversidades categóricas e geográficas foram identificadas como as principais dimensões complementares para avaliar a satisfação dos usuários e a utilidade das recomendações. Os poucos trabalhos existentes na literatura estão concentrados em apenas um desses conceitos, isoladamente. Neste trabalho, propomos uma nova estratégia de pós-processamento, que combina esses conceitos a fim de melhorar a utilidade dos POIs recomendados para os usuários. Nesse contexto, o pós-processamento consiste em reordenar uma lista de POIs oriunda de um Recomendador Base (RB) a fim de maximizar as diversidades categórica e geográfica entre os primeiros itens da lista. Nossos resultados experimentais nos conjuntos de dados do Yelp mostram que nossa estratégia pode melhorar a utilidade da lista de POIs recomendados aos usuários, considerando diferentes SsR e múltiplas métricas de diversificação. Nosso método é capaz de melhorar a diversidade em até 120% sem grandes perdas de efetividade.

A modernização das plataformas computacionais vem proporcionando o surgimento de novas características nos sistemas de informação que são pouco exploradas, e quando são, em boa parte, não apresentam padronização quanto à sua utilização. Neste cenário, um dos pontos a ser explorado é o compartilhamento de recursos criados pelos mais diversos tipos de usuário de sistemas computacionais. No entanto, é possível verificar que o  compartilhamento de recursos entre usuários finais de sistemas computacionais costuma não possuir uma padronização para controlar seu empacotamento, distribuição e versionamento. Considerando as particularidades envolvidas em cada sistema de informação, torna-se necessário a definição de uma camada de abstração que propicie que este compartilhamento possa ocorrer de forma transparente entre os usuários dos mais diversos sistemas. Com isso, este trabalho traz o UAISharing - uma interface Universal de Acesso a Recursos Compartilhados, uma proposta que visa apresentar um modelo de empacotamento e distribuição de recursos produzidos por usuários finais.