Graduações em Engenharias e Ciência da Computação

URI permanente para esta coleçãohttps://repositorio.insper.edu.br/handle/11224/3249

Navegar

Filtros

2021 - 20245

Configurações

Palavra-chave: search.filters.subject.Machine Learning

Resultados da Pesquisa

Agora exibindo 1 - 5 de 5
  • N/D
    Trabalho de Conclusão de Curso
    Estimating Room Temperature Arrival Time
    (2024) Moura, Adney Costa; Drummond, Felipe Martins da Costa; Lopes, Lorran Caetano Machado; Alessi, Tomas Rodrigues
    This project aims to develop a predictive model to estimate the temperature decay in a room equipped with air conditioning, using data collected by the Klima device, developed by Boldr, and integrating it into the company’s client environment for visualization. Klima is a device that integrates temperature and humidity sensors, allowing for both the control of air conditioning units and the transmission of data to the cloud, where it is stored and accessed through the company’s application. Based on this historical data, which includes variables such as the air conditioner’s operating mode and the temperature evolution over time, the project seeks to build a model capable of predicting the temperature decay curve of the environment, adapting to the specific behavior of each room. Besides developing the predictive model, the project also aims to integrate these predictions into Boldr’s application, making them accessible to customers, and to update the device’s firmware so that the predictions can also be displayed on a physical screen.
  • N/D
    Trabalho de Conclusão de Curso
    Desempenho de carteira long-short de moedas estrangeiras com base em técnicas de machine learning
    (2024) Wever, Alexandre; Melo, André Barboza Braga de; Borba, Gustavo Paciléo; Sanches, Lucca Barufatti Velini
    Este projeto tem como objetivo desenvolver uma plataforma para otimizar decisões de compra e venda de moedas estrangeiras, utilizando técnicas de machine learning. A estratégia aplicada é a long-short, que mantém simultaneamente posições compradas (long) em moedas com expectativa de valorização e vendidas (short) em moedas com expectativa de desvalorização. O problema abordado é a dificuldade em prever movimentos no mercado cambial devido à volatilidade e à complexidade dos fatores externos que o influenciam, o que limita a eficácia de estratégias tradicionais. O uso de machine learning busca aumentar a precisão dessas previsões e identificar oportunidades de investimento que complementem análises convencionais. A metodologia inclui a coleta e análise de dados financeiros diários de pares de moedas indexadas ao dólar, seguida de um processo de ranqueamento para identificar quais moedas devem ser compradas e quais devem ser vendidas. Este trabalho parte dos modelos preditivos já desenvolvidos pela empresa parceira, aprimorando-os com a incorporação de novos sinais financeiros e ajustes na metodologia de ranqueamento, para aumentar a precisão das previsões.
  • Imagem de Miniatura
    Financial Data Synthesis and Analysis in Open Finance
    (2023) Souza, Ana Carolina Leal Garcia de; Rodrigues, Bruno Freitas do Nascimento; Cho, Nicolas Byung Kwan; Rocha, Thiago Hampl de Pierri
    O projeto em questão tem como objetivo desenvolver uma análise comportamental de clientes bancários em um ambiente de Open Finance simulado. Desta forma, o projeto busca compreender sobre a possibilidade de extrair métricas em relação aos clientes, como score de crédito, considerando os dados compartilhados entre instituições financeiras. Levando em conta a indisponibilidade de dados bancários reais, vê-se a necessidade de aplicação de técnicas de geração de dados para uma etapa inicial do projeto, seguida da definição das métricas relevantes e posterior análise envolvendo tanto uma abordagem estatística clássica quanto a utilização de aprendizado de máquina, a exemplo de um modelo de processamento de linguagem natural para dados textuais contidos em extratos bancários. Ao final, espera-se a criação de um dashboard com os insights julgados como relevantes, integrado em um pipeline em Docker, como um produto final.
  • Imagem de Miniatura
    Trabalho de Conclusão de Curso
    Detecção de Bugs em Modelos de Machine Learning
    (2022) Santos, Giovanni Cardoso Pertence dos; Andrade, João Pedro Gianfaldoni de; Silva, William Augusto Reis da
    Modelos de Machine Learning em produção muitas vezes apresentam comportamentos inesperados, que não foram detectados durante as etapas de treino, teste e validação, ao serem expostos a dados do mundo real. Esses comportamentos inesperados, ou “bugs” do modelo, ocorrem por diferentes motivos, como o não cumprimento de regras de negócio, dados de treino rotulados incorretamente e generalizações errôneas do próprio modelo. Este projeto tem como objetivo desenvolver uma biblioteca de Machine Learning explainability, open source, na linguagem de programação Python, que seja capaz de realizar diagnósticos e produzir relatórios que identifiquem esses bugs e comportamentos inesperados, permitindo assim que o cliente IFOOD, ou qualquer outro usuário da biblioteca, os corrija. Essa biblioteca poderá ser utilizada em modelos de classificação binária, na forma de “caixa-preta”, que foram treinados com dados tabulares.
  • Imagem de Miniatura
    Trabalho de Conclusão de Curso
    MLOps - Transformando Teoria em Prática
    (2021) Olga, Arthur Quintella de Mello; Monteiro, Gabriel Lopes; Leite, Guilherme Peres; Lima, Vinicius Gomes de
    Este projeto tem como objetivo desenvolver um guia de implementação de MLOps. O termo MLOps refere-se ao conjunto de práticas e ferramentas para colaboração e comunicação entre cientistas de dados e profissionais de operações, além da automatização da transferência de modelos de aprendizado de máquina do ambiente de desenvolvimento para o de produção. Adicionalmente, tem-se por objetivo a construção de um pipeline funcional end-to-end como prova de conceito, em suporte ao guia de implementação. O guia tem em foco profissionais já familiares com conceitos de machine learning e operações e é composto por um tutorial prático que passa por todo o ciclo de desenvolvimento e deployment de modelos utilizando práticas de MLOps para aumentar sua automação, qualidade e reprodutibilidade. O ferramental utilizado no tutorial é baseado em produtos de machine learning da IBM combinado com outras ferramentas que possam contribuir com a execução de projetos de clientes que procuram melhorar seu ciclo de desenvolvimento através da aplicação da metodologia de MLOps.