Navegando por Assunto "Online learning"

Agora exibindo 1 - 3 de 3

Acesso aberto (Open Access)
LABEXP - Laboratório de experimentação remota em tempo real
(Universidade Federal do Pará, 2009-08-14) SANTOS, Diego Lima; COSTA JÚNIOR, Carlos Tavares da; http://lattes.cnpq.br/6328549183075122
Este trabalho apresenta o processo de desenvolvimento e implementação do Laboratório de Experimentação Remota em Tempo Real (LabExp), atualmente em funcionamento na Universidade Federal do Pará, com o objetivo de funcionar como uma plataforma auxiliar para ensino e aprendizagem das disciplinas de sistemas de controle. O ensino e aprendizagem foram contemplados através da disponibilização de experimentos, onde os usuários poderão interagir com os mesmos, alterando parâmetros e observando o resultado desta interação. Além dos experimentos disponíveis, acredita-se que em ambientes de educação online é interessante disponibilizar aos alunos ferramentas que proporcionem maior interação entre alunos e professores e com o próprio laboratório remoto, proporcionando uma metodologia de aprendizado mais colaborativo, estimulando o aluno. Desta forma, são disponibilizadas aos alunos três aplicações: uma para envio de seus próprios experimentos; outra para interação com outros alunos, através de um fórum; e outra para o envio de suas opiniões/críticas. Antes do processo de desenvolvimento e implementação do LabExp, foi realizada uma análise sucinta sobre educação online, tendo em vista ser esta a finalidade do laboratório. Esta análise proporcionou maior conhecimento sobre esta metodologia de educação, orientando no restante do desenvolvimento do LabExp. Compreende-se que as tecnologias utilizadas não são determinantes para o desenvolvimento de um laboratório remoto, voltado para a educação online, entretanto experimentos remotos de sistemas de controle possuem uma restrição temporal, ou seja, necessitam obedecer a limites de tempo restritos, funcionando em tempo real. Para conseguir este comportamento foi utilizada a Real-Time Application Interface (RTAI), com o componente RTAI-XML. Além das tecnologias utilizadas, neste trabalho também é apresentado o processo de modelagem do LabExp, de acordo com padrões, princípios e recursos da Unified Modeling Language (UML) aplicada a aplicações web. Este processo de modelagem foi de fundamental importância, pois facilitou e orientou o desenvolvimento do laboratório.
Acesso aberto (Open Access)
Mitigating concept drifts in proactive mobile core scaling via online learning models
(Universidade Federal do Pará, 2025-07-28) FERREIRA, Abrahão Leite; BOTH, Cristiano Bonato; http://lattes.cnpq.br/2658002010026792; https://orcid.org/0000-0002-9776-4888; GONÇALVES, Glauco Estácio; http://lattes.cnpq.br/6157118581200722; https://orcid.org/0000-0003-1341-5339; CARDOSO, Diego Lisboa; CARDOSO, Kleber Vieira; http://lattes.cnpq.br/0507944343674734; http://lattes.cnpq.br/0268732896111424; https://orcid.org/0000-0002-5971-3668; https://orcid.org/0000-0001-5152-5323
As redes móveis passam por constantes mudanças e, a cada geração, novos casos de uso surgem para desafiar a tecnologia atual. Os casos de uso atuais do 5G e do futuro 6G exigem que a rede móvel ofereça maior confiabilidade e baixa latência, desafiando assim toda a rede e, em particular, o núcleo da rede móvel. Para atender a esses requisitos rigorosos, a tecnologia de rede central atual incorpora técnicas de escalabilidade baseadas em modelos de aprendizado de máquina, que permitem antecipar as demandas de tráfego e ajustar proativamente os recursos da rede antes que ocorra qualquer degradação na qualidade do serviço. No entanto, mudanças nos hábitos dos usuários, aplicativos e protocolos de rede podem levar a alterações nos padrões estatísticos do tráfego móvel, um fenômeno conhecido como desvios de conceito. Consequentemente, modelos convencionais de aprendizado de máquina, treinados em dados antigos, tendem a perder precisão ao longo do tempo, o que pode comprometer a adoção de casos de uso com requisitos rigorosos de desempenho. Para superar essa limitação, este estudo avalia o uso de modelos de aprendizado online para o escalabilidade proativa de funções de rede no núcleo de redes móveis. Essa abordagem busca empregar modelos que possam se adaptar continuamente às mudanças na distribuição de tráfego, mantendo previsões consistentes mesmo em cenários sujeitos a desvios de conceito. Como um estudo de caso, esta dissertação de mestrado discute como modelos de aprendizagem online podem ser empregados para aprimorar a escalabilidade da Função de Gerenciamento de Acesso e Mobilidade (AMF) sob diferentes tipos de desvio de conceito. Utilizando tráfego de dados real de uma operadora de telecomunicações, diversos cenários de desvio de conceito foram delineados e uma simulação abrangente de treze estratégias de aprendizagem online foi realizada em um núcleo móvel simulado. Os resultados mostram como as previsões precisas dos modelos online impactam métricas de serviço, como o número de solicitações perdidas e a taxa de ocupação da função. Além disso, o estudo aponta que nem todos os modelos online mantêm boa precisão preditiva sob desvios de conceito no tráfego, o que confirma a importância de testar diferentes modelos.
Acesso aberto (Open Access)
Online learning for software defect prediction
(Universidade Federal do Pará, 2025-02-28) VIDAL, Douglas Almeida; SERUFFO, Marcos César da Rocha; http://lattes.cnpq.br/3794198610723464; https://orcid.org/0000-0002-8106-0560; GONÇALVES, Glauco Estácio; http://lattes.cnpq.br/6157118581200722; https://orcid.org/0000-0003-1341-5339; KLAUTAU JUNIOR, Aldebaro Barreto da Rocha; RIKER, André Figueira; CARDOSO, Diego Lisboa; http://lattes.cnpq.br/1596629769697284; http://lattes.cnpq.br/2949449810540513; http://lattes.cnpq.br/0507944343674734; https://orcid.org/0000-0001-7773-2080; xxx; https://orcid.org/0000-0002-5971-3668
A previsão de defeitos de software Just-in-Time (JIT-SDP) busca identificar mudanças no código que podem introduzir defeitos no momento em que são realizadas, permitindo uma correção antecipada e reduzindo custos de manutenção. No entanto, modelos tradicionais de JIT-SDP enfrentam dificuldades devido ao desvio de conceito e à necessidade de grandes quantidades de dados rotulados, tornando-os menos eficazes em ambientes dinâmicos de desenvolvimento de software. Esta dissertação apresenta o modelo Semi-supervised Stochastic Weight Averaging (S3WA), uma abordagem de aprendizado adaptativo que utiliza dados rotulados e não rotulados, ajustando-se dinamicamente às mudanças na distribuição dos dados. O modelo foi avaliado comparativamente a técnicas de aprendizado online de última geração em conjuntos de dados artificiais e reais, com foco especial no JIT-SDP. Os resultados mostram que o S3WA mantém uma maior precisão preditiva ao longo do tempo, lidando melhor com a desvio de conceito e reduzindo a dependência de dados rotulados. Esses achados demonstram o potencial das abordagens semissupervisionadas adaptativas para aprimorar a previsão de defeitos em tempo real em fluxos de trabalho de desenvolvimento de software.