Navegando por Assunto "Aprendizagem profunda"

Agora exibindo 1 - 2 de 2

Classificação multi-rótulo para análise de qualidade de feedback
(2025-08-06) Batista, Hyan Hugo Noá; Mello, Rafael Ferreira de Leite; http://lattes.cnpq.br/6190254569597745; http://lattes.cnpq.br/4262454011553103
O feedback é um fator muito importante no processo de ensino-aprendizagem e crucial na Educação a Distância, pois, como professores e alunos estão separados no espaço e/ou tempo, é através do feedback que o aluno vai entender como está o seu desempenho na disciplina e quais são os próximos passos do aprendizado. Existem na literatura modelos de feedback que ajudam o professor a estruturar e fornecer um feedback de qualidade ao aluno. Nesse trabalho utilizamos o conceituado modelo de feedback de Hattie e Timperley que divide o feedback em categorias (tarefa, processamento da tarefa, regulação e pessoal). É possível encontrar na literatura trabalhos que analisam feedback automaticamente com base nesse modelo. Contudo, esses trabalhos utilizam algoritmos tradicionais de aprendizagem de máquina e treinam classiﬁcadores binários para cada nível de feedback. Dessa forma, este trabalho tem como objetivo utilizar algoritmos de deep learning para classiﬁcação multi-classe de feedback com base no modelo de Hattie e Timperley.
Filtragem de sinais sobre grafos aplicada à classificação de dados ruidosos definidos em estruturas irregulares
(2023-10-03) Medeiros, Jorge Barros; Ferreira, Felipe Alberto Barbosa Simão; http://lattes.cnpq.br/9939255113143786; http://lattes.cnpq.br/9517722947492097
As redes convolucionais baseadas em grafos (Graph Convolutional Networks, GCN) permitem que modelos de redes neurais profundas aprendam a partir de dados definidos em estruturas irregulares representados por meio de um grafo. Essa abordagem tem atraído cada vez mais atenção nos últimos anos. Tais algoritmos geralmente aprendem com base na informação associada aos vértices e arestas do grafo, sendo possível utilizá-las para melhorar o desempenho de diversas tarefas como classificação de vértices, de um sinal definido sobre o grafo ou do próprio grafo. O objetivo deste trabalho é avaliar a classificação de dados ruidosos dispostos em uma estrutura irregular a partir do treinamento de filtros passa-baixas realizado pelas camadas convolucionais de uma GCN. Os filtros são projetados e aplicados baseando-se em ferramentas de processamento de sinais sobre grafos como a transformada de Fourier sobre grafos. A rede neural convolucional baseada em grafos realizará o aprendizado de parâmetros para diferentes escalas de ruídos no domínio da transformada de Fourier sobre grafos que sejam capazes de extrair informação relevante para classificação do conjunto de dados ruidosos.