Inscrições prorrogadas para a pós-graduação em Informática (Mestrado e Doutorado) na PUC-Rio!

Vocês terão uma nova oportunidade para se inscreverem no programa de pós-graduação em Informática, oferecido pelo Departamento de Informática (DI) da PUC-Rio, pois as inscrições foram prorrogadas para o dia 09 de dezembro de 2022!

O programa foi duplamente pioneiro na área de computação no Brasil: o primeiro a ser criado (em 1967) e o primeiro a receber conceito 7 (máximo) da CAPES — conceito atribuído a instituições que possuem excelência em pesquisa. O conceito 7 foi mantido desde então em todas as avaliações e acaba de ser renovado também na última avaliação, confirmando a excelente produção intelectual e o caráter de vanguarda do programa!?Se você pretende fazer um mestrado ou doutorado na área de computação, se inscrever para o DI da PUC-Rio é sem dúvida uma escolha acertada!

Candidatos ao título de mestre ou doutor em Informática poderão se inscrever nas seguintes linhas de pesquisa: Banco de Dados, Ciência de Dados, Computação Gráfica,?Engenharia de Software, Hipertexto e Multimídia, Interação Humano-Computador, Linguagens de Programação, Otimização e Raciocínio Automático, Redes de Computadores e Sistemas Distribuídos ou Teoria da Computação.

Cada área de concentração tem diversos temas de pesquisa sendo trabalhados, dentre as quais se pode citar: Internet das Coisas e Computação Móvel, Jogos e Entretenimento Digital, Machine Learning, Metaverso e Realidade Virtual Aumentada, Engenharia de Software para Ciência de Dados, entre outras. O DI atua também em temas interdisciplinares, como Bioinformática e Inteligência Artificial (pesquisadas em várias das áreas de concentração do DI).

O programa se situa em uma universidade que é líder em integração com indústria na América Latina e é comum que os alunos tenham oportunidades de atuação em projetos de pesquisa e desenvolvimento durante seus cursos de pós-graduação.

Para mais informações veja o edital no site: http://www.inf.puc-rio.br/pos-graduacao/

 

 

 

Última semana para inscrição – Mestrado e Doutorado em Informática

Última semana para se inscrever!

 

O programa de pós-graduação em Informática (Mestrado e Doutorado), oferecido pelo Departamento de Informática (DI) da PUC-Rio está com inscrições abertas até sexta-feira, dia 25 de novembro de 2022.

 

O programa foi duplamente pioneiro na área de computação no Brasil: o primeiro a ser criado (em 1967) e o primeiro a receber conceito 7 (máximo) da CAPES — conceito atribuído a instituições que possuem excelência em pesquisa. O conceito 7 foi mantido desde então em todas as avaliações e acaba de ser renovado também na última avaliação, confirmando a excelente produção intelectual e o caráter de vanguarda do programa!?Se você pretende fazer um mestrado ou doutorado na área de computação, se inscrever para o DI da PUC-Rio é sem dúvida uma escolha acertada!

 

Candidatos ao título de mestre ou doutor em Informática poderão se inscrever nas seguintes linhas de pesquisa: Banco de Dados, Ciência de Dados, Computação Gráfica,?Engenharia de Software, Hipertexto e Multimídia, Interação Humano-Computador, Linguagens de Programação, Otimização e Raciocínio Automático, Redes de Computadores e Sistemas Distribuídos ou Teoria da Computação.

 

Cada área de concentração tem diversos temas de pesquisa sendo trabalhados, dentre as quais se pode citar: Internet das Coisas e Computação Móvel, Jogos e Entretenimento Digital, Machine Learning, Metaverso e Realidade Virtual Aumentada, Engenharia de Software para Ciência de Dados, entre outras. O DI atua também em temas interdisciplinares, como Bioinformática e Inteligência Artificial (pesquisadas em várias das áreas de concentração do DI).

 

O programa se situa em uma universidade que é líder em integração com indústria na América Latina e é comum que os alunos tenham oportunidades de atuação em projetos de pesquisa e desenvolvimento durante seus cursos de pós-graduação.

 

Para mais informações veja o edital no site: http://www.inf.puc-rio.br/pos-graduacao/

Inscrições abertas para o Mestrado e Doutorado Acadêmico em Informática 

Inscrições abertas para o Mestrado e Doutorado Acadêmico em Informática 

Oportunidade! 

As inscrições para o programa de pós-graduação em Informática (Mestrado e Doutorado), oferecido pelo Departamento de Informática (DI) da PUC-Rio estão abertas e ficarão disponíveis até o dia 25 de novembro de 2022!

O programa foi duplamente pioneiro na área de computação no Brasil: o primeiro a ser criado (em 1967) e o primeiro a receber conceito 7 (máximo) da CAPES — conceito atribuído a instituições que possuem excelência em pesquisa. O conceito 7 foi mantido desde então em todas as avaliações e acaba de ser renovado também na última avaliação, confirmando a excelente produção intelectual e o caráter de vanguarda do programa!?Se você pretende fazer um mestrado ou doutorado na área de computação, se inscrever para o DI da PUC-Rio é sem dúvida uma escolha acertada!

Candidatos ao título de mestre ou doutor em Informática poderão se inscrever nas seguintes linhas de pesquisa: Banco de Dados, Ciência de Dados, Computação Gráfica,?Engenharia de Software, Hipertexto e Multimídia, Interação Humano-Computador, Linguagens de Programação, Otimização e Raciocínio Automático, Redes de Computadores e Sistemas Distribuídos ou Teoria da Computação.

Cada área de concentração tem diversos temas de pesquisa sendo trabalhados, dentre as quais se pode citar: Internet das Coisas e Computação Móvel, Jogos e Entretenimento Digital, Machine Learning, Metaverso e Realidade Virtual Aumentada, Engenharia de Software para Ciência de Dados, entre outras. O DI atua também em temas interdisciplinares, como Bioinformática e Inteligência Artificial (pesquisadas em várias das áreas de concentração do DI).

O programa se situa em uma universidade que é líder em integração com indústria na América Latina e é comum que os alunos tenham oportunidades de atuação em projetos de pesquisa e desenvolvimento durante seus cursos de pós-graduação.Para mais informações veja o edital no site: http://www.inf.puc-rio.br/pos-graduacao/

Defesa de Dissertação de Mestrado do aluno Bruno Yusuke

Defesa de Dissertação de Mestrado do aluno Bruno Yusuke

Título da dissertação: Estratégias para otimizar processos de anotação e geração de datasets de segmentação semântica em imagens de mamografia

 

Resumo: Com o avanço recente do uso de aprendizagem profunda supervisionada (supervised deep learning) em aplicações no ramo da visão computacional, a indústria e a comunidade acadêmica vêm evidenciando que uma das principais dificuldades para o sucesso destas aplicações é a falta de datasets com a suficiente quantidade de dados anotados. Nesse sentido aponta-se a necessidade de alavancar grandes quantidades de dados rotulados para que estes modelos inteligentes possam solucionar problemas pertinentes ao seu contexto para atingir os resultados desejados. O uso de técnicas para gerar dados anotados de maneira mais eficiente está sendo cada vez mais explorado, juntamente com técnicas para o apoio à geração dos datasets que servem de insumos para o treinamento dos modelos de inteligência artificial. Este trabalho tem como propósito propor estratégias para otimizar processos de anotação e geração de datasets de segmentação semântica. Dentre as abordagens utilizadas neste trabalho destacamos o Interactive Segmentation e Active Learning. A primeira, tenta melhorar o processo de anotação de dados, tornando-o mais eficiente e eficaz do ponto de vista do anotador ou especialista responsável pela rotulagem dos dados com uso de um modelo de segmentação semântica que tenta imitar as anotações feitas pelo anotador. A segunda, consiste em uma abordagem que permite consolidar um modelo deep learning utilizando um critério inteligente, visando a seleção de dados não anotados mais informativos para o treinamento do modelo a partir de uma função de aquisição que se baseia na estimação de incerteza da rede para realizar a filtragem desses dados. Para aplicar e validar os resultados de ambas as técnicas, o trabalho os incorpora em um caso de uso relacionado em imagens de mamografia para segmentação de estruturas anatômicas.

 

Orientador: Alberto Barbosa Raposo

Banca: 

Prof. Dr. Marcelo Blois Ribeiro

Prof. Dr. Marcelo Gattass

Prof. Dr. Sérgio Colcher

 

Acompanhe-nos também no site: https://puc-rio.zoom.us/j/92538663299?pwd=bUxqL2MrOWViN09iQmhGeFVlMTFQdz09

 

 

Defesa de Dissertação de Mestrado do aluno Pedro Ferreira Alves Pinto

Defesa de Dissertação de Mestrado do aluno Pedro Ferreira Alves Pinto
Título da dissertação: Super Resolução de Imagens Sísmicas
Resumo: A super resolução (SR) é um tema de suma importância em domínios de conhecimentos variados, como por exemplo a área médica, de monitoramento e de segurança. O uso de redes neurais profundas para a resolução desta tarefa é algo extremamente recente no universo da sísmica, tendo poucas referências, as quais começaram a ser divulgadas há menos de 2 anos. Todavia, a literatura apresenta uma vasta gama de métodos, que utilizam redes neurais para a super resolução de imagens naturais. Tendo isto em vista, o objetivo deste trabalho é explorar tais abordagens aplicadas em dados sísmicos sintéticos de reservatórios. Para isto, foram empregados modelos de importância cronológica na literatura e foram comparados com um método clássico de interpolação e com os modelos da literatura de super resolução de imagens sísmicas. São estes modelos: o SRCNN, o RDN, a abordagem do Deep Image Prior e o SAN. Por fim, os resultados apresentam que o PSNR obtido por arquiteturas de projetos no domínio da sísmica equivale a 38.23 e o melhor resultado das arquiteturas propostas 38.62, mostrando o avanço que tais modelos trazem ao campo da sísmica.
Orientador: Prof. Dr. Sérgio Colcher
Banca:
Prof. Dr. Helio Côrtes Vieira Lopes
Prof. Dr. Alberto Barbosa Raposo
Prof. Dr. Sergio Lifschitz

Defesa de Dissertação de Doutorado do aluno Leonardo Cardia da Cruz

Defesa de Dissertação de Doutorado do aluno Leonardo Cardia da Cruz

Título da dissertação: Habilitando Anotações de Dados Autônomos: Uma Abordagem de Aprendizado por Reforço com Humano no Loop

Resumo: As técnicas de aprendizado profundo têm mostrado contribuições significativas em vários campos, incluindo a análise de imagens. A grande maioria dos trabalhos em visão computacional concentra-se em propor e aplicar novos modelos e algoritmos de aprendizado de máquina. Para tarefas de aprendizado supervisionado, o desempenho dessas técnicas depende de uma grande quantidade de dados de treinamento, bem como de dados rotulados. No entanto, a rotulagem é um processo caro e demorado. Uma recente área de exploração são as reduções dos esforços na preparação de dados, deixando-os sem inconsistências, ruídos, para que os modelos atuais possam obter um maior desempenho. Esse novo campo de estudo é chamado de Data-Centric IA. Apresentamos uma nova abordagem baseada em Deep Reinforcement Learning (DRL), cujo trabalho é voltado para a preparação de um conjunto de dados onde as anotações de caixas delimitadoras são feitas de modo autônomo e econômico. Nossa abordagem consiste na criação de uma metodologia para treinamento de um agente virtual a fim de rotular automaticamente os dados, a partir do auxílio humano como professor desse agente. Implementamos o algoritmo Deep Q-Network para criar o agente virtual e desenvolvemos uma abordagem de aconselhamento para facilitar a comunicação do humano professor com o agente virtual estudante. Para completar nossa implementação, utilizamos o método de aprendizado ativo para selecionar casos onde o agente possui uma maior incerteza, necessitando da intervenção humana no processo de anotação durante o treinamento. Nossa abordagem foi avaliada e comparada com outros métodos de aprendizado por reforço e interação humano-computador, em diversos conjuntos de dados, onde o agente virtual precisou criar novas anotações na forma de caixas delimitadoras. Os resultados mostram que o emprego da nossa metodologia impacta positivamente para obtenção de novas anotações a partir de um conjunto de dados com rótulos escassos, superando métodos existentes. Desse modo, apresentamos a contribuição no campo de Data-Centric IA, com o desenvolvimento de uma metodologia de ensino para criação de uma abordagem autônoma com aconselhamentos humanos para criar anotações econômicas a partir de anotações escassas.

Orientador: Prof. Dr.  Alberto Barbosa Raposo

Co-orientador: Prof. Dr. Cesar Augusto Sierra Franco

Banca: 

Prof. Dr. Anselmo Cardoso de Paiva

Prof(a) Dr(a) Sandra Eliza Fontes de Avila

Prof. Dr. Marcelo Gattass

Prof. Dr. Jan Jose Hurtado Jauregui

Prof. Dr. Luiz José Schirmer Silva

Prof. Dr. Helio Côrtes Vieira Lopes

Acompanhe-nos também no site: https://puc-rio.zoom.us/j/99944871210?pwd=clk0QUtqM2lyNTFJZTFIYms1WUFTQT09

Defesa de Dissertação de Mestrado do aluno Felipe Poggi de A. Fraga

Defesa de Dissertação de Mestrado do aluno Felipe Poggi de A. Fraga

Título da dissertação: On Automatic Generation of Knowledge Connections

Resumo: Contexto: Recentemente, o tópico de Gestão de Conhecimento Pessoal vem ganhando muita popularidade, ilustrado pelo rápido crescimento de aplicativos como Notion, Obsidian, e Roam Research e da aparição de livros como ”How to Take Smart Notes” e ”Building a Second Brain”.Contudo, ainda é uma área que não foi fortemente envolvida pelo Processamento de Linguagem Natural, abrindo assim uma oportunidade para a aplicação do processamento de texto aplicado à operações com conhecimento.Objetivo: Nosso objetivo é o desenvolvimento de um sistema de software que utiliza Processamento de Linguagem Natural (NLP) para transformar uma coleção de textos isolados em uma coleção de textos inter-conectada e internavegável, através de mecanismos de navegação baseados em conceitos mencionados e recomendações semânticas.Trabalho: Neste trabalho apresentamos a metodologia para construir o sistema, demonstrações com exemplos palpáveis, assim como uma avaliação para determinar a coerência dos resultados.

Orientador: Prof. Dr.  Marcus Vinicius Soledade Poggi de Aragao

Banca: 

Prof. Dr. Marco Antonio Casanova

Prof(a) Dr(a) Simone Diniz Junqueira Barbosa

Prof. Dr. Helio Côrtes Vieira Lopes

Acompanhe-nos também pelo link: https://puc-rio.zoom.us/j/99231065632?pwd=T1lWTS9vWlVidUd4ZWp2citocTN5Zz09

 

Defesa de Dissertação de Mestrado do aluno Arthur Monteiro

Defesa de Dissertação de Mestrado do aluno Arthur Monteiro
Título da dissertação: Districting and Vehicle Routing: Learning the Delivery Costs
Resumo: O problema de Districting-and-routing é um problema estratégico no qual porções geográficas devem ser agregadas em regiões de entrega, e cada região de entrega possui um custo estimado de roteamento no longo prazo. O objetivo do problema é minimizar os custos de roteamento esperados, além de garantir a divisão regional através da definição dos distritos. A simulação para obter uma boa aproximação dos custos estimados requer um grande esforço computacional, enquanto mecanismos como busca local precisam que esse cálculo seja feito de forma muito eficiente, tornando essa estratégia de cálculo inviável. A maioria das abordagens de solução existentes para esse problema se baseiam em fórmulas de aproximação contínua para medir custos, embora normalmente rápidas, essas fórmulas podem cometer erros significativos. Em contraste, propomos uma Rede Neural Grafo (GNN) treinada em um conjunto de cenários, que é então usada dentro de uma abordagem de otimização para inferir custos de roteamento. Nossos experimentos computacionais em várias cidades do Reino Unido mostram que a GNN produz previsões de custos precisas. Além disso, usar esse melhor estimador durante uma busca local impacta positivamente a qualidade das soluções, levando a uma economia de 10,35% no custo de entrega em relação a função Beardwood, que é comumente usada nesses cenários, e ganhos similares em comparação com outros métodos de aproximação.
Orientador: Prof. Dr. Thibaut Victor Gaston Vidal
Co-orientador: Prof. Dr. Quentin Cappart
Banca:
Prof. Dr. Alberto Maria Santini
Prof. Dr. Marcus Vinicius Soledade Poggi de Aragao
Prof. Dr. Helio Côrtes Vieira Lopes
 
Acompanhe-nos também pelo link: https://polymtl-ca.zoom.us/j/9098098533

Defesa de Dissertação de Mestrado do aluno Victor Augusto Lima L.

Defesa de Dissertação de Mestrado do aluno Victor Augusto Lima L.

Título da dissertação: TuningChef: uma abordagem para escolher as ações de sintonia fina de banco de dados com melhor custo-benefício

Resumo: Enquanto muitos trabalhos de pesquisa propõem uma forma de listar um conjunto de opções de sintonia fina para uma determinada carga de trabalho, poucos oferecem uma maneira de ajudar o DBA a tomar melhores decisões ao encontrar um conjunto de ações disponíveis, principalmente ao levar em consideração suas próprias. TuningChef é o resultado do desenvolvimento de uma proposta do passo a passo desse processo de decisão. Dado um conjunto de opções de sintonia fina, recomendamos o subconjunto de melhor custo-benefício com contexto suficiente para que o DBA entenda a motivação por trás de cada decisão, com a possibilidade de deixar o usuário construir seu próprio subconjunto e verificar o impacto esperado.

Orientador: Prof. Dr. Sergio Lifschitz

Banca: 

Prof. Dr.  Javam de Castro Machado

Prof(a) Dr(a) Fernanda Araujo Baião

Prof(a) Dr(a) Juliana Alves Pereira

Prof. Dr. Edward Hermann Haeusler

Acompanhe-nos pelo link:  https://puc-rio.zoom.us/j/93725142535?pwd=YXdKdXhxY3BWQmQxU1RHNWkwTXZUdz09

Defesa de Dissertação de Mestrado do aluno Lucas Aguiar Pavanelli

Defesa de Dissertação de Mestrado do aluno Lucas Aguiar Pavanelli

Título da dissertação: An End-to-End Model for Joint Entity and Relation Extraction in Portuguese

Resumo: As técnicas de processamento de linguagem natural (PLN) estão se tornando populares recentemente. A gama de aplicativos que se beneficiam da PLN é extensa, desde criar sistemas de tradução automática até ajudar no marketing de um produto. Dentro da PLN, o campo de Extração de Informações (IE) é difundido; concentra-se no processamento de textos para recuperar informações específicas sobre uma determinada entidade ou conceito. Ainda assim, a comunidade de pesquisa se concentra principalmente na construção de modelos para dados na língua inglesa. Esta tese aborda três tarefas no domínio do IE: Reconhecimento de Entidade Nomeada, Extração de Relações Semânticas e Extração Conjunta de Entidade e Relação. Primeiro, criamos um novo conjunto de dados em português no domínio biomédico, descrevemos o processo de anotação e medimos suas propriedades. Além disso, desenvolvemos um novo modelo para a tarefa de Extração Conjunta de Entidade e Relação, verificando que o mesmo é competitivo em comparação com outros modelos. Finalmente, avaliamos cuidadosamente os modelos propostos em textos de idiomas diferentes do inglês e confirmamos a dominância de modelos baseados em redes neurais.

Orientador: Prof. Dr. Eduardo Sany Laber

Banca: 

Prof. Dr. Sérgio Colcher

Prof. Dr. Thiago Castro Ferreira

Prof. Dr. Helio Côrtes Vieira Lopes

Acompanhe-nos pelo link: https://puc-rio.zoom.us/j/94612639630?pwd=ODh1VnJXQUhSN0huVVg1TDhISDlhQT09