TCC Ciência da Computaçãohttp://hdl.handle.net/10183/264282024-03-28T11:19:53Z2024-03-28T11:19:53ZDesenvolvimento de um aplicativo iOS para o ensino de língua francesaMaciel, Ronald de Souzahttp://hdl.handle.net/10183/2740932024-03-23T08:01:52Z2024-01-01T00:00:00ZDesenvolvimento de um aplicativo iOS para o ensino de língua francesa
Maciel, Ronald de Souza
É irrefutável que o avanço da tecnologia digital desempenha uma função de notável im portância no cenário educacional. Nesse contexto, a crescente demanda por proficiência em idiomas estrangeiros somada a grande popularização do uso de smartphones propiciou o surgimento de aplicativos focados no ensino de línguas. Contudo, por diversos motivos, algumas aplicações ainda se deparam com necessidade de aperfeiçoamento. Diante desse problema, este estudo propõe criar um aplicativo dedicado ao ensino da língua francesa que potencialize a experiência do usuário, aplicando abordagens que atendam as diretri zes de ensino de uma língua estrangeira e que apresente uma jogabilidade ímpar.; It is irrefutable that the advancement of digital technology plays a role of notable impor tance in the educational scenario. In this context, the growing demand for proficiency in foreign languages, combined with the widespread use of smartphones, has led to the emergence of applications focused on language teaching. However, for various reasons, some applications are still in need of improvement. Faced with this problem, this study proposes to create an application dedicated to teaching the French language that enhance the user experience, applying approaches that meet the guidelines for teaching a foreign language and that present unique gameplay.
2024-01-01T00:00:00ZAvaliação da navegação sem mapeamento para exploração de ambientes internos desconhecidos por múltiplos robôs móveis autônomos usando Aprendizagem por ReforçoRuhe, Maria Eduarda Nothenhttp://hdl.handle.net/10183/2740942024-03-23T08:01:52Z2024-01-01T00:00:00ZAvaliação da navegação sem mapeamento para exploração de ambientes internos desconhecidos por múltiplos robôs móveis autônomos usando Aprendizagem por Reforço
Ruhe, Maria Eduarda Nothen
Em aplicações de exploração de regiões desconhecidas com utilização de robôs, existe uma grande preocupação de que o método utilizado nos projetos não seja apenas eficiente, mas também demande o menor custo computacional para realizar a tarefa. A maneira mais tradicional de resolver esse problema seria primeiro mapear a região utilizando os robôs e, conforme o mapa da região é criado, a partir do conhecimento adquirido pelos robôs decidir qual direção deve seguir. Porém, esse tipo de método conforme o tamanho da região e número de robôs aumentam significamente o custo de memória e computacional. Desta forma, algoritmos de exploração com multi-robôs de forma que não necessite de um mapa ganharam notoriedade nos últimos anos. Neste trabalho, temos como objetivo avaliar se as técnicas de Aprendizado por Reforço permitem estratégias de exploração eficientes para aplicações com múltiplos robôs em ambientes não mapeados. Para isso, utilizamos o método otimização de política proximal, que é um algoritmos de aprendizado profundo, na qual resultou em bom resultados para o problema de exploração sem mapa. Também focamos de como o número de robôs modifica a qualidade dos resulta dos utilizando o mesmo método de aprendizado. Para isso, foram criados estruturas de comunicações entre os robôs de modo que o aumento do número de robôs, não cause um aumento significativo no custo de memória ou processamento computacional.; In applications for exploring unknown regions using robots, there is a great concern that the method used in the projects is not only efficient, but also requires the lowest compu tational cost possible to carry out the task. The most traditional way to solve this problem would be to first map the region using the robots and, as the map of the region is cre ated, based on the knowledge acquired by the robots, decide which direction to follow. However, this type of method, depending on the size of the region and number of robots, significantly increases memory and computational costs. In this way, multi-robot explo ration algorithms that use mapless navigation have gained notoriety in recent years.In this work, we aim to evaluate whether Reinforcement Learning techniques allow efficient ex ploration strategies for applications with multiple robots in unmapped environments. For this, we use the proximal policy optimization method, which is a deep learning algorithm, which has been studied with good results for the mapless exploration problem. We also focus on how the number of robots modifies the quality of the results using the same learning method. To achieve this, communication structures were created between the robots so that the increase in the number of robots does not cause a significant increase in the cost of memory or computational processing.
2024-01-01T00:00:00ZROBiT : um método de detecção de plágio baseado em otimizações de arquivos bináriosRobert, Robertahttp://hdl.handle.net/10183/2740882024-03-23T08:01:42Z2024-01-01T00:00:00ZROBiT : um método de detecção de plágio baseado em otimizações de arquivos binários
Robert, Roberta
O aumento significativo da utilização de plataformas remotas de ensino de programação desde a crise do COVID-19, aliado aos recentes progressos na área de Inteligencia Artificial (IA) generativa, trouxeram novos desafios à forma como códigos fonte são tipicamente avaliados em busca de plágios. O esforço necessário para cometer-se plágio diminuiu, seja utilizando técnicas automatizadas de transformação sintática, ou gerando versões alternativas do código fonte através de IA generativa. A maioria das abordagens atuais usadas na construção de ferramentas anti-plágio não são robustas o suficiente para lidar com o novo escopo de tais avanços tecnológicos. Trabalhos existentes na literatura sobre detectores de clonagem de código demonstraram que existem transformações sintáticas que alteram o código de tal forma que os algoritmos de representação sintática/semântica usados na avaliação de plágio (e.g., AST—árvore de sintaxe abstrata; CFG—grafo de controle de fluxo; PDG—grafo de dependência de programa; e Tokenização) não reconhecem o código alterado como um possível clone. Atualmente, a abordagem de otimização de código binário já é reconhecida como uma técnica de ofuscação e manipulação de códigos maliciosos na área de evasão de antivírus, mas pouca atenção tem sido dada ao seu potencial na construção de ferramentas anti-plágio. Neste trabalho, iremos propor um método para detecção de plágio que estende as capacidades demonstradas por abordagens existentes. Nosso método consiste em uma técnica que não apenas analisa códigos fonte, ou apenas os arquivos binários correspondentes resultantes da compilação, e sim efetua uma análise do binário resultante da compilação com otimizações. Intuitivamente, o uso de otimizações de compilação serve como um “filtro reverso”, removendo do código binário possíveis fontes de ofuscação implementadas pelo plagiador em sua modificação de um código fonte original. Nossos experimentos confirmam esta correlação entre código binário otimizado e seu código fonte original. A avaliação empírica de nosso método demonstra uma utilização para calcular níveis de similaridade entre códigos binários, tendo boa eficácia na detecção de plágios mesmo quando os códigos fontes correspondentes tenham sofrido alterações sintáticas complexas. Dessa forma, o método aqui proposto pode ser utilizado de forma efetiva como uma ferramenta complementar às existentes para efetuar análises de plágio.; The significant increase in the use of remote programming education platforms since the COVID-19 crisis, coupled with recent advances in the field of generative Artificial Intelligence (AI), has brought new challenges to the way source codes are typically evaluated for plagiarism. The effort required to commit plagiarism has decreased, whether by using automated syntactic transformation techniques or by generating alternative versions of the source code through generative AI. Most of the current approaches used in the construction of anti-plagiarism tools are not robust enough to deal with the new scope of such technological advances. Existing works in the literature on code cloning detectors have demonstrated that there are syntactic transformations that change the code in such a way that the syntactic/semantic representation algorithms used in plagiarism assessment (e.g., AST—abstract syntax tree; CFG—control flow graph; PDG—program dependency graph; and Tokenization) do not recognize the altered code as a possible clone. Currently, the approach of binary code optimization is already recognized as an obfuscation technique and manipulation of malicious codes in the area of antivirus evasion, but little attention has been given to its potential in the construction of anti-plagiarism tools. In this work, we propose a method for plagiarism detection that extends the capabilities demonstrated by existing approaches. Our method consists of a technique that not only analyzes source codes, or just the corresponding binary files resulting from compilation but also performs an analysis of the binary resulting from the compilation *with optimizations*. Intuitively, the use of compilation optimizations serves as a "reverse filter," removing from the binary code possible sources of obfuscation implemented by the plagiarist in their modification of an original source code. Our experiments confirm this correlation between optimized binary code and its original source code. The empirical evaluation of our method demonstrates a use for calculating levels of similarity between binary codes, having good efficiency in detecting plagiarism even when the corresponding source codes have undergone complex syntactic changes. Thus, we believe that the method proposed here can be effectively used as a complementary tool to existing ones for conducting plagiarism analysis.
2024-01-01T00:00:00ZUma abordagem para detecção de serpentes de interesse em saúde pública no Brasil por meio de imagensChu, Daives Kawonhttp://hdl.handle.net/10183/2740822024-03-23T08:01:31Z2024-01-01T00:00:00ZUma abordagem para detecção de serpentes de interesse em saúde pública no Brasil por meio de imagens
Chu, Daives Kawon
A detecção de animais peçonhentos é de extrema importância para a segurança pública e para a preservação da vida selvagem. O conhecimento antecipado da presença desses animais em determinadas áreas pode prevenir acidentes graves e até mesmo salvar vidas. No entanto, a identificação manual desses animais é uma tarefa desafiadora e arriscada, exigindo profissionais com formações específicas que nem sempre estão disponíveis em determinadas regiões. Este trabalho busca apresentar uma nova abordagem de detecção de serpentes de interesse em saúde pública no Brasil por meio de imagens, utilizando técnicas de aprendizado de máquina e apresentar um meio de aquisição de imagens de serpentes da fauna brasileira para estudos futuros. Para isso, criamos o conjunto de da dos e criamos modelos de aprendizado de máquina baseados em quatro arquiteturas ANN com um conjunto de dados contendo 9236 imagens desses animais. Dentre as arquiteturas testadas, VGG, ResNet, DenseNet e Inception V3, a arquitetura que apresentou melhor re sultado foi a VGG, conseguindo atingir uma acurácia de 85,9% e um F1-score de 63,5%. Os resultados atingidos tem o potencial de auxiliar na prevenção de acidentes e contribuir para a preservação da vida tanto dos seres humanos quanto dos próprios animais, além de fornecer uma ferramenta para profissionais de saúde, pesquisadores e socorristas que atuam na área da saúde e segurança em todo o país.; The detection of venomous animals is extremely important for public safety and wildlife preservation. Advanced knowledge of the presence of these animals in certain areas can prevent serious accidents and even save lives. However, manual identification of these animals is a challenging and risky task, requiring professionals with specific training not always available in certain regions. This work seeks to present a new approach to de tecting snakes of public health interest in Brazil through images, using machine learning techniques and providing a means of acquiring images of snakes from Brazilian fauna for future studies. For this, we created a dataset and developed machine learning models based on four ANN architectures with a dataset containing 9,236 images of these ani mals. Among the tested architectures, VGG, ResNet, DenseNet, and Inception V3, VGG showed the best performance, achieving an accuracy of 85.9% and an F1-score of 63.5%. The achieved results have the potential to assist in accident prevention and contribute to the preservation of the life of both humans and the animals themselves, in addition to pro viding a tool for health professionals, researchers, and first responders working in health and safety across the country.
2024-01-01T00:00:00Z