MACIEL CALEBE VIDAL
Lattes
Google ScholarUnidades Organizacionais
Resumo profissional
person.page.researcharea
Nome para créditos
15 resultados
Resultados da Pesquisa
Agora exibindo 1 - 10 de 15
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 VeliniEste 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.Trabalho de Conclusão de Curso Identification of Flooding Incident Impacts Using Neural Networks(2024) Santos, Alexandre Magno Maciel dos; Vaz, Eduardo Mendes; Cadorniga, João Lucas de Moraes Barros; Pertusi, Pedro Vaz de MoraesIn a world where flooding impacts are becoming increasingly common, such as the disaster in the Brazilian state of Rio Grande do Sul in 2024, the goal of this project is to develop an open-source flooding impact assessment pipeline. Preliminary technical evaluation by NVIDIA indicates that this tool could be integrated with technologies such as a flood simulation system, allowing for predictions in susceptible regions. The pipeline utilizes Convolutional Neural Networks (CNN), public population, and geographic data to process images extracted from the Sentinel-1 and Sentinel-2 satellites and generate metrics. This project classifies flooded regions prior to and after a crisis, providing, for example, estimations of the affected population by area to showcase the impact to assist urban planning professionals. The developed tool integrates a satellite data collection system from these satellites, as they are also open-source and include periodical data, and the CNNs in an intuitive and easily utilizable pipeline, inspired by UNOSAT’s Emergency Mapping which analyzed the impact of floodings in Nepal in 2021. Keywords:Relatório de Iniciação Tecnológica Classificação de imagens médicas de alzheimer utilizando Redes neurais convolucionais para a identificação da doença(2024) Rodrigues Filho, Ricardo MourãoA pesquisa aborda o uso de redes neurais convolucionais (CNNs) para identificar e classificar diferentes estágios da Doença de Alzheimer (DA) a partir de imagens médicas, especificamente ressonâncias magnéticas (MRI). O estudo utiliza duas bases de dados principais: OASIS-1 e um conjunto de dados do Kaggle. O objetivo central do estudo foi desenvolver modelos de predição para detectar diferentes estágios da Doença de Alzheimer. Para isso, foram implementados dois modelos principais de CNN, além de uma abordagem com a arquitetura Inception V3 utilizando técnicas de transfer learning. O estudo também incluiu a criação de uma aplicação web escalável para facilitar o uso dos modelos em um ambiente de produção, permitindo que as previsões fossem realizadas em tempo real através da integração com a Google Cloud Platform (GCP). O pré-processamento dos dados foi uma etapa crucial, especialmente para as imagens do OASIS-1, que necessitavam de maior tratamento comparado ao conjunto de dados do Kaggle. As imagens tridimensionais de ressonância magnética foram fatiadas em imagens bidimensionais, focando em fatias que melhor representavam regiões cerebrais relevantes para o diagnóstico de Alzheimer. Esse processo gerou um conjunto ampliado de dados, essencial para treinar os modelos de CNN. Além disso, a pesquisa destaca a importância de métodos interpretáveis para a aplicação de CNNs na área médica, utilizando SHAP values para identificar as regiões das imagens que mais contribuíram para as previsões dos modelos. Essa abordagem ajuda na confiabilidade dos diagnósticos e oferece insights para os profissionais de saúde. Por fim, o projeto foi solidificado em uma implementação de uma aplicação web escalável baseada em microsserviços, utilizando a GCP. Ferramentas como Google Cloud Run, Google Cloud Functions e Google Vertex AI foram integradas para permitir a automação e escalabilidade do processo de predição a partir de imagens fornecidas ao modelo. O código-fonte foi disponibilizado no GitHub, com pipelines CI/CD configuradas para facilitar contribuições de outros pesquisadores.Trabalho de Conclusão de Curso Modelagem financeira de alta frequência com Big Data e Machine Learning(2024) Dias, Felipe Maluli de Carvalho; Martins, Guilherme dos Santos; Pereira, Marlon SilvaO objetivo deste projeto é desenvolver uma arquitetura robusta e escalável que atenda às necessidades específicas do fluxo de dados de cotação intradiária de ativos, para sustentar modelagem de alta frequência nas estratégias de compra e venda de ações de uma gestora de investimentos, e então desenvolver um modelo de compra e venda de ações que utilize esses dados. Para alcançar esses objetivos, o projeto propõe uma infraestrutura composta por processos de extração, limpeza, e armazenamento de dados, com ênfase na eficiência do tratamento de grandes volumes de informações. A infraestrutura proposta é baseada em uma pipeline de dados construída em Python, que inclui etapas de extração e carregamento (EL). Para o armazenamento dos dados, foi utilizado de início o banco de dados PostgreSQL, que foi substituído pelo QuestDB, uma escolha motivada pela sua otimização voltada a grandes volumes de dados de série temporal. A arquitetura, desenvolvida com uma aplicação de extração e limpeza em Python e integrada a um banco de dados QuestDB, mostrou-se eficaz para lidar com o volume de dados esperado através de testes de estresse realizados usando protótipos iniciais do sistema e simulando a fonte de dados, destacando-se pela sua capacidade de fácil integração com outras ferramentas. Além disso, o projeto contempla o estudo e a aplicação de diferentes sinais financeiros, utilizando técnicas e métricas quantitativas, além de modelos de Machine Learning, com o objetivo de avaliar as melhores variáveis para o desenvolvimento de um modelo de Factor Investing para os dados intradiários.Trabalho de Conclusão de Curso Monitoramento e análise de recursos multicloud com controles de custo, KPIS e segurança cibernética(2024) Barbosa, Alan Matheus Alves; Martins, Antônio Amaral Egydio; Gemha, Enricco; Carvalho, Esdras GomesEste trabalho visa melhorar o sistema de monitoramento da infraestrutura, em múltiplos provedores de nuvem, da PinPag, uma empresa brasileira especializada em soluções de pagamento, que atualmente utiliza Amazon Web Services e Azure. Aprimorar-seão os Key Performance Indicators, além de se restaurar os fluxos de monitoramento de infraestrutura, adicionar cobertura de Web Application Firewall a mais aplicações, implementar o monitoramento de vulnerabilidades em código com SemGrep, configurar alertas em tempo real para comunicação de falhas e simplificar a apresentação dos dados em painéis no Grafana. Espera-se, com essas melhorias, ampliar a visibilidade e o controle da infraestrutura, favorecer a tomada de decisão interna, aumentar a segurança das aplicações e agilizar a resposta a incidentes.Trabalho de Conclusão de Curso Development of a dashboard for real-time student performance data visualization(2024) Carvalho, Arthur Ferreira; Carreras, Natália Queiroz Menezes; Mahfuz, Pedro OsbornThis project is designed to provide instructors who use the PrairieLearn platform with visual tools and insights into students’ performance by creating and displaying said information in an external dashboard. The data used to create the dashboard is pulled from PrairieLearn’s API. The objective with this is to help instructors model their courses to maximize academic engagement and performance. The PrairieLearn platform offers a dynamic and interactive environment for students to engage with course material, enabling instructors to create customizable quizzes, assignments, and assessments tailored to the evolving educational landscape. With their current system, which provides limited insights by a statistics table that displays average scores and completion times, the project aims to expand the analytical tools available to educators with the creation of this external tool. By integrating features such as performance metric analysis, question score histograms, and assessment completion percentage tracking, the dashboard equips instructors with a detailed view into student performance. This allows for a deeper understanding of assessment effectiveness, enabling educators in identifying learning gaps, adjusting teaching strategies, and customizing content to meet individual student needs more effectively. The anticipated outcome is a user-friendly dashboard, which provides insights into students' learning patterns, allowing instructors to make informed decisions and improve educational outcomes.Artigo Científico Granger Causality among Graphs and Application to Functional Brain Connectivity in Autism Spectrum Disorder(2021) Ribeiro, Adèle Helena; MACIEL CALEBE VIDAL; Sato, João Ricardo; Fujita, AndréGraphs/networks have become a powerful analytical approach for data modeling. Besides, with the advances in sensor technology, dynamic time-evolving data have become more common. In this context, one point of interest is a better understanding of the information flow within and between networks. Thus, we aim to infer Granger causality (G-causality) between networks’ time series. In this case, the straightforward application of the well-established vector autoregressive model is not feasible. Consequently, we require a theoretical framework for modeling time-varying graphs. One possibility would be to consider a mathematical graph model with time-varying parameters (assumed to be random variables) that generates the network. Suppose we identify G-causality between the graph models’ parameters. In that case, we could use it to define a G-causality between graphs. Here, we show that even if the model is unknown, the spectral radius is a reasonable estimate of some random graph model parameters. We illustrate our proposal’s application to study the relationship between brain hemispheres of controls and children diagnosed with Autism Spectrum Disorder (ASD). We show that the G-causality intensity from the brain’s right to the left hemisphere is different between ASD and controls.Trabalho de Conclusão de Curso Development of an Administrator Web App for subscriptions’ management and a Mobile App for unlocking E-bikes(2024) Ades, Cesar Ezra; Hadba, Lila Takahashi; Kawahara, Thiago ShigueroThis project aims to develop a Web Application (App) for the Administrator (E-Moving personnel) and an users’ Mobile App for E-Moving, a rental electric bike (E-Bike) company focused on improving urban mobility. This endeavour builds upon a prior Capstone Project (PFE), which developed a control board for electric bicycles in 2023. The current initiative seeks to enhance the E-Moving profitability and control, by being able to block users’ e-bikes and mitigating the risks of theft and default. The project, a collaboration between students from Insper (São Paulo, Brazil) and Texas A&M (Texas, United States), involves Insper students developing two Apps in accordance with the requirements established by the previous project and those of the Texas A&M students. Notably, the hardware component is being developed by Texas A&M students. The project is structured into five primary segments: (i) Web App and Mobile App screen flowchart, (ii) Web App and Mobile App screen design and front-end implementation, (iii) Bluetooth connection with E-bike, (iv) Database integration with both Web App and Mobile App front-end, and (v) Integration of Bluetooth, Web App, Mobile App, and E-bike. This project emphasizes a practical application that enables administrators (E-Moving personnel) to remotely monitor client's E-bikes and for them to manage its E-bike.Trabalho de Conclusão de Curso Search of shipwrecked people using drone swarms (part 2)(2024) Oliveira, Jorás Custódio Campos de; Andrade, Pedro Henrique Britto Aragão; Falcão, Renato Laffranchi; Rodrigues, Ricardo RibeiroThe project's purpose is to iterate on the given multi-agent Drone Swarm Search Environment (DSSE) and research into Reinforcement Learning methods. The DSSE was created with the direct purpose of using reinforcement learning algorithms to train swarms of drones to execute autonomous maritime search and rescue missions of shipwrecked people in the ocean. The environment simulates the movement of persons-in-water (PIW) considering the ocean's dynamic circumstances and calculates a dynamic map of probabilities to be given to the agents, with two distinct environments, one for rescue scenarios with simulated PIW and a second expanding on state-of-the-art research for maritime coverage search path planning. The DSSE facilitates the training and visualization of drone behavior, the project emphasizes continuous improvement and open accessibility, with the release of the DSSE as an open-source Python package and documentation. The focus is on the continuous improvement of simulation quality and applicability of the environments for research purposes, with development, training and evaluation of Reinforcement learning algorithms to improve the path planning of autonomous agents, for search and rescue maritime scenarios.Artigo Científico Identification of alterations associated with age in the clustering structure of functional brain networks(2018) Guzman, Grover E. C.; Sato, Joao R.; MACIEL CALEBE VIDAL; Fujita, AndreInitial studies using resting-state functional magnetic resonance imaging on the trajectories of the brain network from childhood to adulthood found evidence of functional integration and segregation over time. The comprehension of how healthy individuals’ functional integration and segregation occur is crucial to enhance our understanding of possible deviations that may lead to brain disorders. Recent approaches have focused on the framework wherein the functional brain network is organized into spatially distributed modules that have been associated with specific cognitive functions. Here, we tested the hypothesis that the clustering structure of brain networks evolves during development. To address this hypothesis, we defined a measure of how well a brain region is clustered (network fitness index), and developed a method to evaluate its association with age. Then, we applied this method to a functional magnetic resonance imaging data set composed of 397 males under 31 years of age collected as part of the Autism Brain Imaging Data Exchange Consortium. As results, we identified two brain regions for which the clustering change over time, namely, the left middle temporal gyrus and the left putamen. Since the network fitness index is associated with both integration and segregation, our finding suggests that the identified brain region plays a role in the development of brain systems.