Engenharia de Computação (Leopoldina)

URI Permanente para esta coleção

https://repositorio.cefetmg.br//handle/123456789/603

Navegar

Navegando Engenharia de Computação (Leopoldina) por Autor "Basílio, Samuel da Costa Alves"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Modelagem e otimização de sistemas dinâmicos biológicos derivados de modelos booleanos: estudo de estratégias de computação evolucionista para a identificação de parâmetros em sistemas derivados de modelos booleanos com cinéticas variadas.
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2026-06-19) Rezende, Lucas da Cruz; Silva, José Eduardo Henriques da; Basílio, Samuel da Costa Alves; http://lattes.cnpq.br/6188828001943466; http://lattes.cnpq.br/3305201288921237; http://lattes.cnpq.br/7944615344890251; José Eduardo Henriques da Silva; Samuel da Costa Alves Basílio; Maicom Peters Xavier; Fernando Garcia Diniz Campos Ferreira
    Redes de Regulação Gênica (GRNs) modelam as interações moleculares que controlam a expressão gênica, podendo ser representadas de forma discreta, por modelos Booleanos, ou contínua, por equações diferenciais ordinárias (EDOs). A conversão de modelos Booleanos em contínuos permite obter uma descrição quantitativa da dinâmica gênica, mas gera um modelo simbólico cujos coeficientes numéricos precisam ser determinados. Este trabalho analisa estratégias para essa conversão explorando três cinéticas, Hill, Michaelis-Menten e Goldbeter-Koshland, e propõe a otimização dos coeficientes por meio de Estratégia Evolutiva (EE) e Evolução Diferencial (ED). As abordagens foram validadas em dois problemas de referência: GRN5, um modelo de ritmo circadiano com cinco genes, e ABCD, uma rede de quatro genes com dinâmica amortecida. Os resultados indicam que a cinética de Hill produziu os melhores ajustes nos dois problemas, por incorporar o expoente de cooperatividade necessário para representar transições abruptas entre estados. A Michaelis-Menten revelou-se estruturalmente inadequada para as dinâmicas avaliadas, convergindo para patamares de erro elevados independentemente do algoritmo. Quanto aos otimizadores, a ED superou a EE em qualidade de ajuste e estabilidade entre execuções: no ABCD com cinética de Hill, a ED atingiu erro mínimo de 6,76 com desvio padrão nulo, enquanto a EE registrou mediana de 25,62. A combinação ED com cinética de Hill destacou-se como a mais eficaz, reunindo menor erro, maior consistência e custo computacional intermediário.
  • Imagem de Miniatura
    Item
    Uso de algoritmos de aprendizado de máquina na previsão de ativos financeiros utilizando indicadores técnicos: avaliação de modelos preditivos em séries temporais financeiras
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2026-06-19) Fernandes, Vinícius Lima; Basílio, Samuel da Costa Alves; Ferreira, Fernando Garcia Diniz Campos; http://lattes.cnpq.br/4126688051850017; http://lattes.cnpq.br/6188828001943466; http://lattes.cnpq.br/3836261899945973; Basílio, Samuel da Costa Alves; Ferreira, Fernando Garcia Diniz Campos; Silva, José Eduardo Henriques da; Oliveira, Luan Soares
    Prever o comportamento de um ativo no mercado financeiro é uma tarefa complexa, uma vez que seu valor é determinado pela combinação de diversos fatores, como condições econômicas, políticas, emocionais e até mesmo comportamentais dos agentes de mercado. Nesse contexto, as criptomoedas representam ativos com características distintas dos mercados tradicionais, como alta volatilidade e ausência de regulação centralizada, o que torna a previsão de sua tendência ainda mais desafiadora. Este trabalho tem como objetivo avaliar o desempenho de diferentes algoritmos de aprendizado de máquina na previsão de tendências de criptomoedas com características distintas de mercado, verificando como essas características influenciam na eficácia dos modelos. Para isso, foram utilizados os modelos Random Forest (RF), K-Nearest Neighbors (KNN) e Long Short-Term Memory (LSTM), aplicados ao Bitcoin (BTC), Ethereum (ETH) e Cardano (ADA), representando respectivamente um ativo de referência, um cenário de maior estabilidade e um cenário de maior volatilidade. Os indicadores técnicos foram utilizados como entrada para os modelos, com foco na métrica de Precisão como critério principal de avaliação. Cada modelo foi executado por trinta simulações independentes, permitindo a análise estatística. O ETH, representando o cenário mais estável, apresentou os piores resultados de precisão, com modelos próximos ao limiar aleatório de 50%. O ADA, representando o cenário mais volátil, produziu os melhores retornos financeiros. O LSTM foi o único modelo a superar significativamente o buy and hold nos três ativos simultaneamente, demonstrando maior capacidade de generalização entre diferentes cenários de mercado.