Bacharelado em Ciência da Computação (Sede)
URI permanente desta comunidadehttps://arandu.ufrpe.br/handle/123456789/6
Siglas das Coleções:
APP - Artigo Publicado em Periódico
TAE - Trabalho Apresentado em Evento
TCC - Trabalho de Conclusão de Curso
Navegar
4 resultados
Resultados da Pesquisa
Item Aprendizado profundo com capacidade computacional reduzida: uma aplicação à quebra de CAPTCHAs(2018-08-16) Melo, Diogo Felipe Félix de; Sampaio, Pablo Azevedo; http://lattes.cnpq.br/8865836949700771; http://lattes.cnpq.br/2213650736070295Na última década, Redes Neurais Profundas tem se mostrado uma poderosa técnica de aprendizado de máquina. Em geral, essas técnicas demandam alto poder computacional e grandes volumes de dados para obter resultados expressivos, o que pode ser um fator limitante em algumas realidades. Entretanto, o projeto cuidadoso da arquitetura e do treino podem ajudar a reduzir estes requisitos. Neste trabalho apresentamos uma abordagem comparativa para a aplicação de redes neurais profundas à quebra de CAPTCHAs de texto como uma forma de contornar essas limitações. Estudamos modelos capazes de aprender a segmentar e identificar o texto contido em imagens baseando-se apenas em exemplos. A partir da experimentação de diferentes hiper-parâmetros e arquiteturas, fomos capazes de obter um modelo final com acurácia de 96.06% de acerto por token em aproximadamente 3 horas de treino executado em um simples computador pessoal.Item Um currículo de aprendizado por reforço para o cenário “Run to Score with Keeper” do Google Research Football Environment(2019-12-10) Silva, Jonatan Washington Pereira da; Sampaio, Pablo Azevedo; Macário Filho, Valmir; http://lattes.cnpq.br/4346898674852080; http://lattes.cnpq.br/8865836949700771; http://lattes.cnpq.br/6846637095187550O aprendizado por reforço é um conjunto de técnicas que permitem a um agente interagir com um determinado ambiente. Os agentes observam o estado do ambiente e executam uma ação, a ação é avaliada por meio de uma recompensa obtida. O agente tem como objetivo maximizar esta recompensa. Diversas questões como: locomoção em três dimensões e jogos eletrônicos foram abordados pelo aprendizado por reforço (KURACH et al., 2019). O treinamento de agentes para um jogo de futebol normalmente possui recompensas esparsas, o que retarda o aprendizado (MATIISEN et al., 2019). Uma técnica que pode contornar este obstaculo é o aprendizado por currículo proposto em (BENGIO et al., 2009). O aprendizado por currículo é uma técnica que aborda sub-tarefas mais simples da tarefa principal e aumenta gradativamente o nível de dificuldade ao longo do tempo. Neste trabalho apresentamos dois currículos, identificados como: 5-15-30-50 e 3-10-20-67, para o cenário Run to Score with Keeper da Football Academy. Mostramos que os currículos, em média, obtiveram melhores resultados se comparados ao treinamento apenas no cenário principal, sem currículo. O currículo 3-10-20-67 obteve um melhor resultado mesmo considerando o desvio padrão.Item Classificação de documentos de identificação com redes neurais convolucionais(2019-01-18) Rocha, Alessandro Nazário da; Sampaio, Pablo Azevedo; http://lattes.cnpq.br/8865836949700771; http://lattes.cnpq.br/2466292990350036O aprendizado profundo (Deep Learning) tem desempenhado um papel importante em processamento de dados, tendo com uma de suas principais técnicas as redes neurais convolucionais, uma de suas aplicações é na área de visão computacional e pode ser utilizada para aprender automaticamente características incluídas em imagens em suas camadas. No entanto, essas redes neurais artificiais profundas precisam de uma quantidade significante de imagens, para os problemas propostos, já separados em categorias para realização dos treinamentos e validações dos modelos que nem sempre são disponíveis. Nexte contexto, neste trabalho foi construído um dataset com imagens de documento de identificação brasileiro de Registro Nacional (RG) e Carteira Nacional de Habilitação (CNH) separando-os em algumas categorias e por se tratar de documentos com informações sensíveis, juntar uma quantidade de imagens para obter bons resultados, foi um passo que demandou tempo. Por isso, foram tomados os devidos cuidados para que essas informações sensíveis fossem preservadas. Este trabalho apresenta algumas arquiteturas de redes neurais artificias convolucionais para classificar as imagens em diferentes categorias. Experimentos foram realizados com a utilização de unidade de processamento gráfico (GPU) e com a utilização só de unidade central de processamento (CPU). Resultados de 99% de acertos foram obtidos em alguns cenários que foram testados no decorrer do trabalho para as diferentes arquiteturas propostas.Item Proposta de um meta-modelo para avaliação de robutez de redes de computadores com base na combinação de métricas topológicas(2017) Barros, Gustavo Henrique Pinto Soares de; Araújo, Danilo Ricardo Barbosa de; http://lattes.cnpq.br/2708354422178489; http://lattes.cnpq.br/1155438495823549Uma crescente demanda por robustez e resiliência em redes de computadores surge da grande diversidade de aplicações das mesmas. Os sistemas modernos apresentam cada vez mais um caráter crítico, e a ocorrência de perturbações podem acarretar em sérias perdas, sejam elas humanas, econômicas ou ambientais. A fibra óptica atua nos sistemas de comunicação atuais como o principal meio de transferência de dados. Dentre suas diversas aplicações, que dependem fortemente de sua infra-estrutura, estão a Internet, televisão a cabo e sistemas que necessitam de altas taxas de transmissão. A natureza não homogênea e complexa das topologias destas redes determinam os altos custos nas avaliações das mesmas. E por este motivo, as redes ópticas são o objeto de estudo deste trabalho. A quantificação de confiança de uma rede de computadores é frequentemente alcançada através de simulações de falhas em nós e conexões. Simulações estas em que o custo temporal e financeiro crescem proporcionalmente ao tamanho da rede. Este trabalho avalia a possibilidade da obtenção de valores de métricas de robustez em redes complexas de computadores, as quais seriam adquiridas originalmente a partir de simulações, utilizando um método alternativo que aplica regressão e que tem como entrada um conjunto de valores de métricas simples correlacionadas não obtidas por simulações e utiliza um modelo de redes neurais artificiais para predizer os resultados das simulações visando alcançar um menor custo temporal. Os resultados são avaliados após uma comparação entre os valores obtidos pelo modelo proposto e os valores obtidos por simulações de falhas aleatórias e simulações de ataques direcionados. Eles indicam que o método descrito apresenta uma margem de erro satisfatória,entre 10−³ e 10−9, e que se atingiu com sucesso a obtenção dos valores simuláveis através do métodos de regressão em um menor intervalo de tempo.