A analise de sentimento em mídias sociais tem se tornado uma ferramenta para entender as opiniões e comportamentos dos usuários a partir de suas interações em plataformas digitais. Este trabalho investiga os padrões de sentimento expressos em comentários de vídeos no TikTok em português, focando na correlação com as hashtags associadas. O TikTok, uma das plataformas de vídeo mais populares globalmente, oferece um vasto conjunto de dados gerados pelos usuários, refletindo suas reações e emoções em relação a diversos temas. Utilizando técnicas de processamento de linguagem natural e analise de dados, este estudo busca identificar e categorizar os sentimentos predominantes (positivos, negativos e neutros) e correlaciona-los com as hashtags utilizadas. Os resultados revelam padrões emergentes nos temas que geram diferentes tipos de reações e fornecem informações sobre as tendencias atuais. As conclusões deste estudo tem implicações para a compreensão das dinâmicas de interação nas mídias sociais.

Neste trabalho, exploramos a teoria de álgebras semissimples de dimensão finita, com o objetivo final de estudar suas aplicações em problemas de combinatória e de otimização semidefinida. O trabalho é autocontido e discute praticamente todos os pré-requisitos necessários para o entendimento dos resultados principais, culminando em uma demonstração do Teorema de Wedderburn.

Algoritmos de ranking são amplamente utilizados na atualidade: para apresentar produtos em lojas on-line, exibir páginas da web como resultados de consultas em buscadores, ou até sugerir perfis de trabalho com os quais se conectar em redes sociais profissionais. Entretanto, se não acompanhados de forma cautelosa, os resultados dos rankings gerados podem conter vieses, como de etnia ou orientação sexual. Nesse contexto, mitigar possíveis preconceitos motiva a área de justiça em algoritmos de ranking. Justiça, porém, é distinta de diversidade no contexto de recuperação de informação. Neste trabalho, é apresentado um estudo de técnicas de justiça em algoritmos de ranking no contexto de busca acadêmica, utilizando abordagem de diversificação de resultados.

Algoritmos de ranking são amplamente utilizados no mundo moderno: para recomendar produtos em lojas on-line, apresentar páginas da web em buscadores, ou até sugerir perfis de trabalho para se conectar em redes sociais profissionais. Entretanto, se não acompanhados de forma cautelosa, os resultados dos rankings gerados podem conter vieses: como de etnia ou orientação sexual, por exemplo. Neste trabalho, é apresentado um estudo da literatura que aborda técnicas de justiça em algoritmos de ranking.

O ambiente digital desenvolvido nas últimas décadas facilitou a geração de informações, e o grande fluxo dessas intensificou a necessidade de técnicas avançadas para sua organização e compartilhamento. As empresas modernas, altamente dependentes do fluxo de dados, precisam enfrentar os desafios da gestão do conhecimento que elas geram e demandam, a fim de garantir a eficiência de suas operações. Tendo em vista esse problema, a empresa IEBT Innovation, em parceria com a BH-Tec por meio do programa TCC-Labs, buscou soluções para lidar com sua demanda de organização de conhecimento. Os trabalhos em volta desse tema iniciaram durante a disciplina de Monografia em Sistemas de Informação I, onde foram levantados requisitos e demandas da empresa e ao fim foi proposto a criação de um sistema para gestão de conhecimento com funcionalidades que auxiliassem em seu dia-a-dia e que pudesse ser usado de forma geral para empresas de médio porte.Nesta disciplina é dada continuidade aos trabalhos já realizados, com o desenvolvimento de um protótipo da aplicação proposta, que recebeu o nome de Smartflow, e a realização da validação do mesmo por funcionários da IEBT.

Esse trabalho trata do desenvolvimento e aprimoramento de um sistema chamado Linked OntoGazetteer (LoG), que é um dicionário de nomes geográficos. O LoG combina informações de diversas fontes, como GeoNames e DBPedia, utilizando uma base de dados em grafos e tecnologias NoSQL. O objetivo principal é melhorar a arquitetura do sistema para suportar operações geográficas, como consultas e recuperação de informações espaciais. O estudo aborda os desafios de escalabilidade, migração de dados e configuração de ferramentas, com foco em soluções que permitam maior eficiência no processamento de dados geográficos.

Os recentes avanços no desenvolvimento de algoritmos de Aprendizado de Máquina, bem como o aumento da adoção destes modelos, geraram uma grande demanda por explicabilidade. Este trabalho apresenta uma ferramenta desenvolvida para auxiliar na explicabilidade de modelos de previsão (mais especificamente, de classificação), inspirada em (PRUDÊNCIO; SILVA FILHO, 2022). Diferentemente da maioria das publicações na área, são exploradas as regiões de falha dos modelos (ao invés de se estudar as features que levaram a uma dada previsão). O funcionamento básico da aplicação consiste em encontrar regiões nos dados onde as previsões são estatisticamente excepcionais, ou seja, regiões cujo desempenho é muito abaixo do esperado, e exibi-las por meio de uma visualização interativa. Em comparação com o artigo original, é usado um algoritmo diferente (Beam Search) para a descoberta das regiões.

O projeto concluído teve como proposito consolidar e validar as tarefas de aprendizado não supervisionado na plataforma LEMONADE. Os esforços do trabalho, foram centrados na implementação de algoritmos de clustering e na melhoria da interface de resultados da plataforma no módulo de Construção de Modelos chamado MODEL BUILDER, com adição de componentes que auxiliam os usuários na validação dos experimentos. Foi feito um amplo estudo de viabilidade em relação a quais elementos e algoritmos poderiam ser adicionados a plataforma, com proposito de tornar o processo de treinamentos de modelos mais eficiente e intuitivo. A finalidade do projeto foi contribuir de forma ativa na construção de um interface versátil e funcional para usuários com diferentes níveis de conhecimento em programação e aprendizado de máquina. No processo de implementação, foi feito uma analise dos modelos de aprendizado não supervisionado compatíveis com o pipeline do LEMONADE e também avaliando as limitações do framework utilizado. Testes abrangentes e correções foram realizados, visando garantir robustez na execução do treinamento dos modelos. Foram adicionados quatro algoritmos de clustering, K-means, Gaussian mixture, Latent Dirichlet allocation (LDA), Bisecting k-means. Além disso, foi feito uma analise de quais componentes poderiam ser incorporados na interface dos resultados, para ajudar na interpretação dos experimentos para a tarefa de agrupamento. Por fim, foi realizado uma serie de experimentos práticos para consolidação do funcionamento dos algoritmos e componentes implementados. O projeto fortaleceu o LEMONADE, proporcionando um ambiente mais poderoso e acessível para a construção eficaz de modelos de aprendizado de máquina em diferentes contextos.

Online forums are a handy tool for software developers: they can learn how to use libraries and frameworks through code examples. Although these code snippets are a great way to learn, they have a problem that hinders the apprenticeship process: the API elements are rarely fully qualified, and it may be hard for a developer to infer them and make the code examples compilable. Researchers have provided solutions that automatically infer the Fully Qualified Names of a code snippet. The present work aims to analyze and enhance these studies by reproducing their experiments, calculating accuracy metrics, comparing them, and identifying potential issues and inconsistencies.

Este relatório abordou técnicas avançadas em aprendizado de maquina, focando em programação genetica e redes neurais para grafos, com ênfase em um artigo na area publicado recentemente. Reproduzimos as técnicas descritas, identificando problemas e melhorias, gerando avanços nos resultados obtidos anteriormente. Descobrimos que, apesar dos desafios em complexidade computacional e representação de dados, estas técnicas tem potencial para resolver certos problemas. Destacamos as redes neurais hiperbólicas pela sua eficácia em representar dados hierárquicos e grafos e large language models. Concluímos que a continuação da pesquisa pode trazer avanços significativos no aprendizado de maquina e modelagem de dados complexos, principalmente para problemas de otimização.

O presente trabalho tem como objetivo analisar a adesão do currículo do Bacharelado em Ciência da Computação da UFMG ao de Information Assurance and Security (IAS) da ACM&IEEE de 2013. Foi realizado um estudo extenso e profundo para compreender a relação entre cada assunto de cada tópico sugerido pela ACM&IEEE e as disciplinas ofertadas no bacharelado em questão. A contribuição desse estudo é uma tabela que apresenta as porcentagens de cobertura de cada tópico por disciplinas obrigatórias e optativas.

Os data centers desempenham um papel crucial no suporte à crescente demanda por infraestrutura de nuvem e aplicações centradas em dados. No entanto, as topologias de rede tradicionais dentro dos data centers frequentemente sofrem com configurações estáticas que não se adaptam às demandas dinâmicas da rede, levando a ineficiências. Para enfrentar esses desafios, este artigo apresenta um novo módulo para o simulador NS-3, projetado para avaliar e melhorar o desempenho de topologias de rede reconfiguráveis em data centers. Ao implementar topologias auto configuráveis, buscamos aumentar a eficiência dos recursos e nos adaptar a padrões de tráfego variados. Nosso módulo facilita o desenvolvimento e teste de algoritmos de reconfiguração, simulando cenários de tráfego sintético e do mundo real. Métricas-chave, como makespan e custo de roteamento, são coletadas para fornecer insights sobre o desempenho dos algoritmos. Este trabalho contribui para o avanço da adaptabilidade e eficiência das redes de data centers, apoiando o desenvolvimento de redes autoadaptáveis.

Dada a popularização de seu uso, as redes sociais on-line tem se tornado cada vez mais importantes no estudo de fenômenos sociais, incluindo a polarização. Neste trabalho, apresentamos uma metodologia baseada na combinação e adaptação de técnicas previamente propostas na literatura para caracterizar discussões polarizadas em redes sociais. Como estudo de caso, foram coletadas threads de discussao no Reddit durante as eleições presidenciais brasileiras de 2018 e 2022 e conduzidas analises do grau de polarização polıtica em cada período. Os resultados mostraram uma tendencia de cresci mento da polarização e uma diminuição da diversidade nos debates conduzidos pelos usuários nos períodos analisados.

Este relatório técnico descreve o desenvolvimento e funcionamento de um protótipo para uma aplicação móvel destinada a permitir a execução da técnica MoLVERIC, um método gamificado para inspeção de diagramas MoLIC, em contexto digital. O objetivo é explorar as praticidades em torno do meio de aplicativo para aprimorar aspectos de gamificação e construir uma experiência de usuário otimizada considerando observações de usabilidade e comunicabilidade de pesquisas anteriores no uso dos cartões MoLVERIC.

Este trabalho propõe uma solução para a dificuldade de se agendar eventos presenciais entre amigos, utilizando da metodologia de Design Thinking com sete ciclos de iteração sobre o problema e a solução. Descreve extensamente o produto proposto, Confirmee, com suas funcionalidades e fluxos da experiência do usuário. O projeto proposto cumpre com os objetivos principais de idealizar uma solução financeiramente viável, tecnicamente possível e útil para usuários.