Mestrado em Informática Aplicada
URI permanente para esta coleção:
Navegar
Entradas recentes
- Classificação de Perigos Rodoviários com Recurso a Dados de Acelerómetros:Um Estudo Comparativo entre Abordagens de Aprendizagem Automática Clássica e Aprendizagem ProfundaPublication . Moutinho, Joana Barreira Pardal; Madeira, Filipe; Pires, Ivan Miguel Serrano; Velez, Fernando José da SilvaA classificação automática de perigos rodoviários, como buracos e lombas, com base em dados de acelerómetro constitui uma solução de baixo custo para a monitorização de infraestruturas viárias. Comparam-se abordagens de aprendizagem automática clássica e de aprendizagem profunda, recorrendo a três conjuntos de dados públicos integrados num fluxo unificado de pré-processamento e extração de características. Foram avaliados nove modelos clássicos e três arquiteturas profundas, com métricas sensíveis ao desequilíbrio entre classes. A 1D CNN alcançou o melhor desempenho global (F1 macro = 0.5108; exatidão balanceada = 0.6143), revelando maior capacidade na deteção de buracos, enquanto os modelos clássicos baseados em ensembles de árvores se mostraram competitivos na deteção de lombas, com custo computacional inferior. O desequilíbrio entre classes manteve-se um desafio significativo. A aprendizagem profunda demonstra vantagens na extração automática de padrões, mas os modelos clássicos continuam relevantes onde a interpretabilidade e a eficiência computacional são prioritárias.
- A Leakage-Aware Benchmark of Hourly Bitcoin Return Forecasting:Naive, Statistical, and Machine Learning Models under Walk-Forward ValidationPublication . Timotin, Vasile; Sobreiro, Pedro Nuno de Alexandre; Madeira, FilipeThis dissertation evaluates whether machine-learning models reliably forecast hourly Bitcoin returns under a reproducible protocol that prevents future information from leaking into training. The data comprise hourly Bitcoin prices, trading volumes and technical indicators from the Binance exchange, from August 2017 to January 2025, together with external variables for the periods with sufficient coverage. Seven models were compared — two naive benchmarks, a linear regression, a random forest, two classical time-series models and a recurrent neural network — at horizons of 1, 6 and 24 hours, using walk forward validation with 24-hour purge gaps across 53 segments of the final year of the sample. No model outperformed a zero-return forecast in mean absolute error, and the gap to the closest challenger, the linear regression, was not statistically significant. The contribution is methodological: it proposes a reproducible evaluation protocol and shows that the predictive gains reported under permissive validation do not survive rigorous testing.
- Integração de Sistemas Orientados à Deteção de Fogos NoturnosOliveira, Wilson Cristiano; Marques, Artur; Almeida, Joel ParenteEste relatório descreve o estágio no INOV em Computer Vision, focado na deteção de fogos noturnos em florestas, tema crucial face aos riscos das alterações climáticas. O objetivo foi desenvolver um sistema de redes neuronais integrado na produção do INOV, em formato compatível. A metodologia incluiu pré-processamento, treino e avaliação de modelos. Um contributo central foi a anotação manual de um dataset de 17 443 imagens, adaptando dados inários para o treino do algoritmo YOLOv8, com as arquiteturas ResNet-50 e Vision Transformer (ViT). O treino foi “orgânico”, mantendo distorções reais para garantir a robustez da solução. Apesar dos desafios técnicos na conversão do ViT para o formato pretendido, a solução final integrou classificação e deteção com sucesso. O sistema alcançou uma exatidão de 99,78%, sendo validado em ambiente de produção através de deteções em condições reais
- Padrões principais do Abandono Escolar no Ensino Superior:Estudo de caso no IPSantarémOliveira, Guilherme Ribeiro de; Madeira, FilipeO abandono escolar no ensino superior é um problema complexo que afeta os estudantes, as instituições de ensino e a sociedade (Sosu & Pheunpha, 2019). Muitos estudantes enfrentam dificuldades que os levam a interromper os estudos, seja por razões económicas, falta de adaptação ao ambiente académico ou outros fatores pessoais e institucionais. Este estudo, de natureza quantitativa e baseado num estudo de caso, centra-se na análise dos padrões de abandono no Instituto Politécnico de Santarém (IPSantarém), recorrendo aos dados administrativos provenientes do Sistema de Informação para Gestão Agregada dos Recursos e dos Registos Académicos (SIGARRA). Através de processos de ETL (Extract, Transform and Load) e da utilização de ferramentas de Business Intelligence (BI), nomeadamente o Power BI, foram desenvolvidas visualizações e análises que permitem identificar tendências, perfis de risco e variáveis associadas ao abandono. Foram ainda testadas abordagens analíticas complementares, incorporando técnicas de Inteligência Artificial (IA) para apoiar a previsão de tendências. Os resultados obtidos através da análise dos dados do SIGARRA e das visualizações construídas no Power BI permitem identificar padrões claros de abandono no IPSantarém. Observou-se que o abandono tende a concentrar-se em determinados ciclos de estudo, cursos e faixas etárias sendo também influenciado por outros fatores tais como o facto de o estudante estar ou não deslocado. A incorporação de técnicas de Inteligência Artificial permitiu aprofundar a compreensão das relações entre variáveis, contribuindo para a identificação de perfis de risco e reforçando a utilidade de abordagens preditivas. Com base nos resultados obtidos, recomenda-se o desenvolvimento de estratégias institucionais direcionadas aos grupos de maior risco, nomeadamente os estudantes deslocados, os que apresentam baixo desempenho académico e os que “desaparecem” do instituto sem anular a matrícula. A criação de programas de acolhimento mais estruturados, acompanhamento pedagógico contínuo e sistemas de alerta precoce suportados por modelos preditivos de IA poderão contribuir para a redução das taxas de abandono. Sugere-se ainda que o IPSantarém invista na melhoria contínua da recolha e consolidação dos dados administrativos, de forma a permitir análises mais robustas e o desenvolvimento de mecanismos automáticos de monitorização.