No abstract

Chatbots são sistemas de conversação capazes de simular interações utilizando linguagem natural. Essa tecnologia permite a interação com os usuários de forma rápida, e seu uso como ferramenta de apoio ao ensino oferece aos estudantes uma nova forma de acesso ao conteúdo. Este trabalho apresenta uma base de dados de domínio específico, bem como sua utilização na construção de um chatbot generativo para auxiliar alunos na área de Ferrovias. Para isso, foram utilizadas as redes neurais BiLSTM e GRU, ambas em uma arquitetura do tipo codificador-decodificador com mecanismo de atenção. Os experimentos realizados demonstraram que a arquitetura usando GRUs obteve melhor desempenho com base nas medidas de avaliação do BLEU e ROUGE-L.

Anomalias em poços produtores de petróleo podem provocar impactos financeiros significativos. O uso de aprendizado de máquina para detectar essas situações podem prevenir interrupções indesejadas de produção bem como custos de manutenção. Nesse contexto, este trabalho propõe a aplicação e comparação de classificadores para detecção de anomalias em poços de produção de petróleo e gás. Classificadores de classe única Floresta de Isolamento, \textit{One-class Support Vector Machine} (OCSVM), \textit{Local Outlier Factor} (LOF) e Envelope Elíptico foram aplicados em uma base de dados com casos reais, sendo o melhor desempenho obtido pelo LOF com medida F1 de 88,2\%, seguido da Floresta de Isolamento com 74,3\%. Os resultados obtidos apresentam melhoria em comparação ao \textit{benchmark} de referência e estimulam a continuação do trabalho com a experimentação de outras famílias de classificadores.

Nos últimos anos, os cidadãos brasileiros têm se interessado cada vez mais sobre política, especialmente quando o assunto afeta a economia, e assim procurando notícias em portais online. Neste trabalho, analisamos alguns portais de notícias nacionais para identificar quais temas são mais presentes na sessão de notícias mais lidas e entender as preferências dos usuários. Para isso, o sistema desenvolvido faz a coleta das páginas mais lidas de cada portal e categoriza as notícias encontradas. Para testar e validar o sistema, catalogamos as notícias mais lidas do ano de 2017 e 2018 de três portais: UOL, Veja e Estadão. Os dados demonstram que os usuários do portal UOL têm uma preferência por notícias de entretenimento, enquanto no Estadão, o público é dividido entre Política e Entretenimento, e na Veja a preferência é por notícias de política, economia e opinião. Os resultados mostram que notícias de política tiveram um aumento de leituras no ano de 2018, comparado ao ano de 2017.

Scene classification is an important issue in the field of computer vision. To face this problem we explore in this paper a combination of Holistic Descriptors to scene categorization task. Therefore, we first describe the Contextual Mean Census Transform (CMCT), an image descriptor that combines distribution of local structures with contextual information. CMCT is a holistic descriptor based on CENTRIST and, as CENTRIST, encodes the structural properties within an image and suppresses detailed textural information. Second, we present the GistCMTC, a combination of Contextual Mean Census Transform descriptor with Gist in order to generate a new holistic descriptor representing scenes more accurately. Experimental results on four used datasets demonstrate that the proposed methods could achieve competitive performance against previous methods.