Computação Aplicada (Mestrado Profissional) - Dissertações - FCI Higienópolis
URI Permanente para esta coleção
Navegar
Navegando Computação Aplicada (Mestrado Profissional) - Dissertações - FCI Higienópolis por Orientador "Vallim Filho, Arnaldo Rabello de Aguiar"
Agora exibindo 1 - 3 de 3
Resultados por página
Opções de Ordenação
- DissertaçãoOtimização de carteiras de investimento em ações utilizando meta-heurísticasOliveira, Kaleb Rodrigues (2024-02-16)
Faculdade de Computação e Informática (FCI)
O investidor atual enfrenta um ambiente muito instável e cheio de incertezas em termos políticos, econômicos e sociais, o que pode prejudicar seus investimentos e colocar em risco seu capital investido. Tendo o objetivo financeiro de obter um retorno sobre o principal aplicado ou proteger o patrimônio atual, e essencial que os investidores estejam aptos para lidar com o risco dos ativos em que investem e a volatilidade destes. Uma estratégia comum para lidar com esses investimentos arriscados e criar uma carteira diversificada, composta por várias ações. Distribuindo o risco entre várias ações é possível reduzir a exposição a qualquer ativo individual e, assim, minimizar o risco total da carteira. No entanto, a aplicação adequada de recursos na seleção de ativos é crucial, dado que uma escolha inadequada pode prejudicar a rentabilidade da carteira e causar perdas. Este trabalho visa apresentar a aplicação de meta-heurísticas para solucionar o problema de seleção e otimização de carteiras utilizando ações que compõem o índice IBOVESPA, adaptando essas técnicas para avaliar e encontrar a melhor solução no espaço de busca. As meta-heurísticas são ferramentas poderosas que permitem explorar eficientemente o espaço de soluções e encontrar soluções próximas `a ótima, possibilitando resolver problemas complexos de maneira mais eficaz. - DissertaçãoUm estudo comparativo e aplicado de técnicas de machine learning e de features para modelos de previsão de parada de equipamentos em processos de manutenção preditivaVenites, Victor de Oliveira (2023-08-02)
Faculdade de Computação e Informática (FCI)
Esta pesquisa vai seguir o padrão de abordagem da Ciência de Dados explorando bases de dados, no sentido de buscar compor um processo de benchmarking de atributos e de técnicas de Machine Learning (ML) para apoio à Manutenção Preditiva de Máquinas Industriais. O objetivo geral é a exploração de técnicas de Feature Engineering tendo por base os dados históricos (séries temporais) de estados conhecidos de máquinas industriais, que neste estudo são classificados em cinco tipos denominados: Run, Setup, Down, Standby e Offline. Com base em características temporais criadas, buscou-se construir e comparar uma pipeline de modelos de ML conhecidos na literatura, buscando como resultado esperado previsões do momento de quebra de uma máquina, e medindo-se a performance dos modelos pelas métricas de acurácia. As séries temporais tem a característica de se trabalhar partindo apenas das observações anteriores para prever as futuras, por tanto, bases de dados com apenas duas colunas como o histórico dos estados e data/hora já são o suficiente para um estudo de modelagem. Os resultados obtidos foram promissores. E, do ponto de vista prático, com a previsão dos momentos de quebras e/ou paradas indesejadas de equipamentos, a indústria pode economizar nos gastos, diminuindo a manutenção corretiva e preventiva. Portanto, otimizando a operação na produção máxima possível. - DissertaçãoUma abordagem de aprendizado de máquina baseada no CRISP-DM para predição de canais de negociação em uma plataforma de cobrança digital no BrasilMartins, Jonnathan de Almeida (2024-08-16)
Faculdade de Computação e Informática (FCI)
Este trabalho concentra-se nas complexidades enfrentadas pelas operações financeiras ao lidar com a cobrança de dívidas em um cenário de elevada inadimplência no Brasil. Em contrapartida às abordagens tradicionais comumente empregadas para fortalecer a capacidade de negociação de uma empresa, propõe-se a implementação de um modelo preditivo para ser utilizado como uma nova ferramenta de apoio nas ações de cobrança de dívidas. Para isso, foi desenvolvida uma abordagem seguindo a metodologia Cross-Industry Standard Process for Data Mining (CRISP-DM), incorporando técnicas avançadas de pré processamento de dados, engenharia e seleção de atributos, uso de algoritmos de classificação e avaliação rigorosa dos resultados obtidos, com o objetivo de prever o canal de negociação de preferência do cliente em situação de inadimplência quando recebem comunicações de cobrança e buscam negociar suas dívidas em uma plataforma digital no Brasil. A principal contribuição deste trabalho foi propor uma abordagem metodológica inovadora oferecendo resultados valiosos para aprimorar as praticas das empresas de cobrança de dívidas, além de contribuir para o avanço do conhecimento no campo do estudo.