Esta dissertação apresenta o desenvolvimento de uma infraestrutura tecnológica auto-hospedada voltada para a criação artística e colaborativa no contexto do Laboratório ALICE, da Universidade Federal de São João del-Rei. O trabalho parte da observação de problemas práticos enfrentados no dia a dia do laboratório, como a fragmentação de ambientes, dependência de plataformas proprietárias, dificuldade de acesso remoto e ausência de controle centralizado. Em resposta, foi proposta e implementada a plataforma WONDERLAND, um sistema orquestrador que integra ferramentas de software livre para provisionamento automático de máquinas, sincronização de arquivos, gestão de artefatos, controle de acesso e colaboração remota. A solução foi projetada para ser flexível, sustentável e adaptável às demandas técnicas e artísticas do laboratório, oferecendo aos usuários um ambiente personalizado, seguro e sempre disponível.

Neste trabalho abordam-se técnicas de simulação de um tratamento de Estimulação Transcraniana utilizado em indivíduos com microcefalia. Foram feitos procedimentos de discretização para a geração de uma malha de elementos finitos que representava a geometria do cérebro de um paciente, construída a partir de imagens do exame de tomografia. Essa malha fi dividida em diferentes regiões para que fosse possível variar a condutividade elétrica ao longo do domínio. A equação de Laplace foi usada para representar a distribuição do potencial elétrico pelo cérebro, induzido pela terapia de estimulação transcraniana. A solução numérica do modelo foi obtida através de um algoritmo desenvolvido para aplicar o método dos elementos finitos. Por fim, foi desenvolvido um algoritmo genético (AG) que varia diversos parâmetros, como o posicionamento dos eletrodos e amplitude da corrente, de forma a obter boas configurações para a terapia em um tempo computacional factível. 

Tumores cerebrais representam um dos maiores desafios no campo da neurologia e da oncologia, dada sua agressividade, taxa elevada de mortalidade e os efeitos debilitantes que podem causar em áreas funcionais do cérebro. A detecção precoce dessas lesões é um fator determinante para o sucesso do tratamento, e técnicas baseadas em imagens de ressonância magnética vêm sendo amplamente utilizadas por oferecerem elevado contraste entre tecidos e ausência de radiação ionizante. No entanto, a análise dessas imagens ainda depende fortemente da experiência do especialista e está sujeita a erros de interpretação. Neste cenário, este trabalho propõe uma abordagem baseada em redes neurais convolucionais para a detecção e segmentação automática de tumores cerebrais, aliando precisão algorítmica à interpretabilidade dos resultados por meio de técnicas de inteligência artificial explicável. O conjunto de dados utilizado foi construído a partir da curadoria de duas bases públicas amplamente utilizadas na literatura, cujas imagens foram reorganizadas, ajustadas para uma mesma resolução e reanotadas de forma padronizada para garantir consistência e qualidade no processo de treinamento. Foram avaliadas duas arquiteturas de aprendizado profundo: inicialmente, a Mask R-CNN, reconhecida pela eficácia em tarefas de segmentação de instâncias; e posteriormente, a YOLOv11 com suporte nativo à segmentação e notória eficiência em cenários que exigem alto desempenho computacional. A técnica de inteligência artificial explicável Grad-CAM foi implementada manualmente sobre o modelo YOLOv11, com o objetivo de gerar mapas de ativação visual que evidenciem as regiões da imagem mais relevantes para as predições do modelo. Os resultados alcançados demonstraram desempenho expressivo, com média de precisão (mAP@50) de 0.967 e elevada taxa de acurácia na tarefa de segmentação, além de baixos índices de falsos positivos e negativos. As visualizações geradas pelo Grad-CAM mostraram boa correlação com as regiões patológicas esperadas, validando visualmente as decisões do modelo e reforçando sua aplicabilidade em contextos clínicos. Dessa forma, esta dissertação apresenta uma solução eficaz, interpretável e potencialmente integrável a sistemas de apoio ao diagnóstico, contribuindo para o avanço das aplicações de inteligência artificial em imagens médicas.

Modelos de aprendizado de máquina estão sendo utilizados extensivamente em diversas áreas do conhecimento e possuem inúmeras aplicações em quase todos os segmentos da atividade humana. Na área da saúde, o uso de técnicas de inteligência artificial tem revolucionado o diagnóstico de doenças com excelentes desempenhos na classificação de imagens. Embora esses modelos tenham alcançado resultados extraordinários, a falta de explicabilidade das decisões tomadas pelos modelos tem sido uma limitação significativa para a adoção generalizada dessas técnicas na prática clínica. O glaucoma é uma doença ocular neurodegenerativa que pode levar à cegueira de forma irreversível. A sua detecção precoce é crucial para prevenir a perda de visão. A detecção automatizada do glaucoma tem sido objeto de intensa pesquisa em visão computacional com diversos estudos propondo o uso de redes neurais convolucionais (CNNs) para analisar automaticamente imagens de fundo de retina e diagnosticar a doença. No entanto, essas propostas carecem de explicabilidade, o que é crucial para que os oftalmologistas compreendam as decisões tomadas pelos modelos e possam justificá-las aos seus pacientes. Este trabalho tem a finalidade de explorar e aplicar técnicas de inteligência artificial explicável (XAI) em diferentes arquiteturas de CNNs para a classificação do glaucoma e fazer uma análise comparativa sobre quais métodos de explicação fornecem os melhores recursos para a interpretação humana, servindo de apoio no diagnóstico clínico. Uma abordagem para interpretação visual denominada SCIM (SHAP-CAM interpretable mapping) é proposta demonstrando resultados promissores. Os experimentos preliminares indicam que, em um olhar não clínico, as técnicas de interpretabilidade baseadas em mapeamento de ativação de classe com gradientes ponderados (Grad-CAM), assim como a abordagem proposta (SCIM), aplicadas na arquitetura VGG19 fornecem os melhores recursos para a interpretabilidade humana.

As áreas de Modelagem Matemática e Computacional têm se tornado cada vez mais importantes no mundo atual, no qual estudos científicos devem trazer resultados cada vez mais rápidos. Os modelos matemáticos e computacionais surgem como ferramentas poderosas no estudo e compreensão de sistemas complexos e que podem ser usados por pesquisadores de diversas áreas diferentes. Frequentemente, os modelos comumente requerem extensivo conhecimento matemático para serem criados, o que resulta em uma grande barreira de entrada para cientistas sem formação relacionada diretamente com a matemática, como biólogos por exemplo, e estudantes iniciando carreiras acadêmicas. Apesar de existirem softwares que auxiliam o desenvolvimento de modelos computacionais, estes frequentemente apresentam interfaces muito complexas na busca para se tornarem genéricos o suficiente e fornecerem muitos recursos. Neste trabalho, é apresentado o software que foi desenvolvido para construir e simular modelos de Equações Diferenciais Ordinárias. O objetivo foi desenvolver um software simples, fácil de usar e de estender com novas funcionalidades. Através da interface gráfica, o usuário pode construir um modelo utilizando um editor baseado em nós, realizar simulações e gerar o código que implementa o modelo. O software poderá ser utilizado na pesquisa e no processo ensino-aprendizagem de modelagem computacional. 

A evasão estudantil consiste no abandono dos estudos por parte de estudantes formalmente matriculados. Este fenômeno é influenciado por diferentes fatores, como a perda de interesse, dificuldades financeiras, falta de investimentos e políticas adequadas, entre outros. Os impactos da evasão alcançam diferentes níveis, desde a formação interrompida do estudante, o desperdício de recursos e até a sociedade, que perde um futuro profissional. Embora a análise da evasão seja uma tarefa complexa, o avanço de técnicas computacionais como inteligência artificial tem possibilitado a análise e inferência a partir de dados, visando a compreensão e até predição desse fenômeno. Este trabalho tem como objetivo prever a evasão no contexto do ensino superior da Universidade Federal de São João del-Rei (UFSJ) considerando períodos antes e durante a pandemia da COVID-19, através da aplicação de técnicas de aprendizado de máquina. Além disso, avaliar as principais variáveis relacionadas ao fenômeno da evasão em ambos os períodos em busca de diferenças. Dados de estudantes formados e evadidos entre os anos de 2018 e 2021 dos cursos de graduação presencial da UFSJ são incluídos na análise e criação dos modelos de predição. Variáveis sociodemográficas, informações relacionadas ao curso e desempenho do estudante são selecionadas como possíveis preditoras. A análise inicial dos dados permitiu avaliar a qualidade dos dados disponíveis, a distribuição de frequência das variáveis e realizar sua preparação. A base de dados após a preparação conta com 7.305 registros e 23 variáveis além da classe alvo. A metodologia CRISP-DM comandou o processo de entendimento sobre o negócio e sobre os dados, na preparação dos dados, criação dos modelos e avaliação. Baseada em trabalhos semelhantes, a utilização dos algoritmos de Árvore de Decisão e Random Forest apresentaram taxas de acurácia, precisão, AUC e F1-score próximo ou acima dos 90%, revelando o Random Forest como detentor dos melhores resultados. Analisando a relevância das variáveis nos resultados, atributos de desempenho acadêmico e de assistência social/financeira eram esperados como importantes e confirmaram a expectativa em ambos os períodos analisados. Outros atributos já mostraram movimentos de ganho ou perda na transição ou mesmo baixa significância entre os períodos. Em suma, os resultados deste estudo revelam um desempenho promissor do modelo proposto na análise da evasão estudantil na UFSJ. Além disso, os insights obtidos sobre as características dos alunos fornecem uma base para o desenvolvimento de estratégias preventivas e de suporte aos estudantes.

Este trabalho apresenta o desenvolvimento de um novo modelo de predição de cobertura celular embasado em modelos teóricos (Espaço Livre) e empíricos (Okumuta-Hata), porém, com o diferencial de aplicar conceitos de propagação de sinal através da combinação do uso de diferentes mapas como relevo, visibilidade da torre, densidade populacional e medições de intensidade de sinal coletado em campo para calibração.

Foi desenvolvido um algoritmo genético com o objetivo de realizar uma otimização do modelo, de modo a sugerir valores ótimos para os fatores que multiplicam os parâmetros do modelo sugerido.

O ambiente de teste e visualização dos mapas gerados foi o QGIS, ferramenta \textit{open source} de geoprocessamento de dados, e após validação dos estudos foi desenvolvido utilizando terminal \textit{Python} embarcado no próprio QGIS, para replicação da fórmula do novo modelo proposto. O cenário de estudo para o trabalho, foi a aplicação do modelo para simular a cobertura de uma rede 4G (LTE) na frequência de 700 MHz de propagação de sinal na cidade de São João del Rei-MG.

O objetivo do trabalho é apresentar resultados que sugerem um ganho na precisão do sinal predito, quando comparado com os modelos já conhecidos e consequentemente representem uma redução na margem de erro quando comparado com o sinal medido em campo. Este novo modelo poderá ser utilizado para representar a estimativa de cobertura de uma rede celular móvel, além de auxiliar em projetos e planejamento de redes no setor de telecomunicações, como  5G (NR), 4G (LTE), NB-IoT, LoRa e etc.

O controle de qualidade de software (QA) é realizada em conjunto com o desenvolvimento de software. Essencialmente, as atividades de controle de qualidade são conduzidas na esperança de avaliar até que ponto um produto de software se alinha com os requisitos predefinidos. Embora o controle de qualidade inclua tarefas altamente técnicas, muito parecidas com o desenvolvimento de software, ele permanece em grande parte um esforço centrado no ser humano. Consequentemente, as softskills podem desempenhar um papel significativo na contribuição para o sucesso de um projeto e na qualidade do produto, além de aumentar a produtividade dos profissionais de QA. Objetivo: Este trabalho possui dois objetivos principais: (i) investigar as soft skills mais procuradas para profissionais de QA, possíveis correlações entre essas soft skills, variações nos requisitos de soft skills com base no nível de senioridade dos cargos, e possíveis diferenças nas expectativas de soft skills de acordo com o tamanho das empresas contratantes; e (ii) com base nessas análises, fornecer uma ferramenta de recomendação de empregos e habilidades para usuários, focada no mercado brasileiro. Método: Foram analisadas soft skills em 2164 anúncios de emprego de empresas brasileiras. O processo de extração de dados seguiu uma abordagem indutiva e orientada por dados que incluía etapas manuais e automatizadas. Resultados: aproximadamente 91% dos anúncios de emprego listam pelo menos uma soft skill. Foram identificadas 32 soft skills, das quais cinco habilidades destacam-se como as mais procuradas: habilidades relacionadas à comunicação, planejamento, inovação, colaboração e comunicação escrita. Notavelmente, empresas de diversos tamanhos consistentemente priorizam habilidades relacionadas à comunicação e planejamento, considerando-as cruciais para profissionais de QA. Dados os resultados obtidos, emergiu a necessidade de criação de uma ferramenta de recomendação para a área de QA, a fim de contornar o problema constantemente negligenciado sobre a demanda por soft skills. Discussão: A análise dos resultados ressalta a importância crítica de cinco habilidades interpessoais: habilidades relacionadas à comunicação, planejamento, inovação, colaboração e comunicação escrita. Dessa forma, os resultados desse estudo têm potencial valor para profissionais de QA no Brasil que buscam aumentar sua empregabilidade e auxiliando aqueles na indústria responsáveis pelas contratações, bem como para aqueles que buscam propor abordagens baseadas em pesquisa para currículo e desenvolvimento profissional. Além disso, a ferramenta beneficiaria especialmente os usuários que desejam iniciar suas carreiras na área de QA ou aprimorar sua situação atual adquirindo novas habilidades.

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.