http://hdl.handle.net/123456789/272 Sun, 13 Sep 2026 01:10:37 GMT 2026-09-13T01:10:37Z http://hdl.handle.net/123456789/4251 SCALPER MAJOR: a computational solution for automated trading in high-volatility environments CORDEIRO, José Jeovane Reges ABSTRACT: This work addresses the complexity and challenges of manual trading in the Forex market, a high-volatility environment where decisions are often compromised by emotional biases and the human limitation in processing information and executing orders promptly. To overcome these difficulties, Scalper Major, an automated trading system (Expert Advisor), was developed. The solution is based on a modular architecture composed of a signal processor, a risk manager, and a money manager. These components apply technical criteria, specialized heuristics, and strict management rules to operate with minimal human intervention. The validation of Scalper Major was conducted in two distinct scenarios. In the simulated environment, using historical data from January 2016 to December 2023 with an initial capital of $20,000.00, the system obtained a net profit of $751,533.23, with an overall win rate of 82.54% across 11,571 executed trades. In the live environment, operating from June 2024 to September 2025, the system started with a capital of $20,000.00 and generated a net profit of $19,673.82, achieving a win rate of 78.58% in 1,886 trades. The results from both scenarios demonstrate the robustness and effectiveness of the proposed solution, which proved to be profitable and resilient even in the face of events of significant market instability. Orientador: Prof. Dr. Arlino H. Magalhães de Araújo Examinador interno: Prof. Dr. Guilherme Amaral Avelino Examinador interno: Prof. Dr. Raimundo Santos Moura Examinador externo: Prof. Dr. Angelo Roncalli Alencar Brayner - UFC Thu, 20 Aug 2026 00:00:00 GMT http://hdl.handle.net/123456789/4251 2026-08-20T00:00:00Z http://hdl.handle.net/123456789/4250 EXPLORAÇÃO DE MODELOS HÍBRIDOS COM ATENÇÃO PARA CLASSIFICAÇÃO DE CERATITE INFECCIOSA EM IMAGENS DE MICROSCOPIA CONFOCAL IN VIVO RAMOS, Isaac Silva Santos RESUMO: A ceratite infecciosa (CI) é uma inflamação da córnea causada por agentes patológicos, como fungos e protozoários do gênero Acanthamoeba, podendo evoluir para cegueira quando não diagnosticada precocemente. Embora a cultura microbiológica seja um método preciso de diagnóstico, sua natureza invasiva e o tempo de resposta limitam o uso clínico. Nesse contexto, a microscopia confocal in vivo (IVCM) surge como alternativa não invasiva e de alta resolução, porém sua interpretação demanda expertise especializada. Este trabalho investiga modelos de deep learning para a classificação automática de imagens IVCM em quatro classes: ceratite fúngica (FK), ceratite por Acanthamoeba (AK), ceratite não especificada (NSK) e córnea normal. A partir da base pública IVCM-Keratitis, foram avaliadas quatro arquiteturas convolucionais individuais (VGG16, MobileNetV3, DenseNet161 e ResNet101) e quatro abordagens, baseadas na concatenação de vetores de características de duas arquiteturas base. As abordagens mais completas incorporam um bloco de atenção do tipo Self-Attention (SA) após a concatenação, permitindo ponderar a relevância relativa das características antes da classificação por uma MLP. Os resultados indicam que a Abordagem IV (DenseNet161 + ResNet101 com SA) apresentou o melhor equilíbrio entre detecção e erros de classificação, alcançando médias de precisão de 96,22%, sensibilidade de 96,01% e F1-score de 96,03% (acurácia média de 96,01%). Por fim, aplicou-se o algoritmo Grad-CAM para interpretar qualitativamente as regiões mais relevantes nas predições, evidenciando padrões de atenção complementares entre as arquiteturas base. Os achados sugerem que modelos híbridos com SA podem contribuir para diagnósticos assistidos em contextos com escassez de especialistas, apoiando a tomada de decisão clínica e reduzindo casos de perda visual evitável. ABSTRACT: Infectious keratitis (IK) is an inflammation of the cornea caused by pathogenic agents such as fungi and protozoa of the genus Acanthamoeba, and it may progress to blindness when not diagnosed early. Although microbiological culture is an accurate diagnostic method, its invasive nature and turnaround time limit routine clinical use. In this context, in vivo confocal microscopy (IVCM) emerges as a non-invasive, high-resolution alternative; however, its interpretation requires specialized expertise. This study investigates deep learning models for automatic classification of IVCM images into four categories: fungal keratitis (FK), Acanthamoeba keratitis (AK), non-specified keratitis (NSK), and normal cornea. Using the public IVCM-Keratitis dataset, we evaluated four individual convolutional architectures (VGG16, MobileNetV3, DenseNet161, and ResNet101) and four hybrid approaches based on concatenating feature vectors extracted by two backbone networks. The most comprehensive variants incorporate a self-attention (SA) block after concatenation, enabling adaptive weighting of the relative importance of features prior to classification by an MLP. The results indicate that Approach IV (DenseNet161 + ResNet101 with SA) achieved the best balance between detection performance and misclassification errors, with mean precision of 96.22%, sensitivity of 96.01%, and F1-score of 96.03% (mean accuracy of 96.01%). Finally, Grad-CAM was employed to qualitatively interpret the most relevant regions driving the predictions, revealing complementary attention patterns between the backbone networks. Overall, the findings suggest that SA-enabled hybrid models can support computer-aided diagnosis in settings with limited specialist availability, assisting clinical decision-making and reducing avoidable vision loss. Orientador: Prof. Dr. Ivan Saraiva Silva Examinador externo: Profa. Anne Magaly de Paula Canuto - UFRN Examinador interno: Prof. Kelson Romulo Teixeira Aires Examinador interno: Prof. Rodrigo de Melo Souza Veras Examinador interno: Prof. Vinícius Ponte Machado Thu, 20 Aug 2026 00:00:00 GMT http://hdl.handle.net/123456789/4250 2026-08-20T00:00:00Z http://hdl.handle.net/123456789/4249 CLASSIFICAÇÃO MULTICLASSE DO MICROAMBIENTE TUMORAL NO CÂNCER GÁSTRICO UTILIZANDO ENSEMBLE HIERÁRQUICO DE DOIS NÍVEIS COM MODELOS DE APRENDIZADO PROFUNDO BARBOSA, François Fernandes Ribeiro RESUMO: O câncer gástrico (CG) permanece entre as principais causas de morte por câncer no Brasil e no mundo, com altas taxas de incidência e mortalidade, especialmente em países em desenvolvimento. A oncologia moderna evoluiu de modo a estratificar os pacientes em grupos distintos, com base nas características genotípicas e fenotípicas dos tumores, bem como em seus respectivos desfechos clínicos. Nesse contexto, o estudo do microambiente tumoral (TME) é essencial para a definição de condutas terapêuticas individualizadas e eficazes. Assim, a classificação automatizada dos componentes do TME por meio de modelos de aprendizado profundo (DL Deep Learning) surge como uma alternativa promissora. Apesar dos avanços em patologia digital, a classificação automática dos diferentes componentes teciduais do TME em lâminas coradas com Hematoxilina e Eosina (H&E) ainda é pouco explorada em CG. Diante dessa lacuna, este trabalho propõe um método de classificação multiclasse, baseado em um ensemble hierárquico de dois níveis, composto por modelos de DL. Foram avaliadas doze arquiteturas pré-treinadas em ImageNet (EfficientNet, ViT, MobileNet, Xception, VGG, ResNet, DenseNet, AlexNet, entre outras), explorando transferência de aprendizado, extração e concatenação de embeddings, arranjos hierárquicos de classificadores binários, variação do número de neurônios nas camadas totalmente conectadas e técnicas de aumento de dados em tempo de execução. Os experimentos foram conduzidos sobre o conjunto de dados HMU-GC-HE-30K, composto por 31.096 patches balanceados em oito classes de tecidos, utilizando validação cruzada estratificada (k = 8), e 20% das imagens reservadas para teste externo. A partir dos melhores modelos, foi construído um ensemble hierárquico de dois níveis: comitês locais homogêneos e, em seguida, um comitê global entre arquiteturas distintas, usando as predições do comitê local. Os melhores resultados obtidos nos conjuntos de teste indicaram que comitê mais performático obteve acurácia de 81,2%, AUC de 98,1% e F1-score de 81,2%, superando em mais de dez pontos percentuais o baseline da literatura para essa base, e demonstrando a superioridade do ensemble hierárquico frente a classificadores isolados. Esse comitê usou como estratégia de apuração a média ponderada pelo F1-score de cada classe de classificador membros. Esses achados mostram que a combinação estruturada de arquiteturas diversas, aplicada a um comité hierárquico, reduz a variância entre execuções e aumenta a capacidade discriminativa em cenários multiclasse complexos, contribuindo para o avanço da patologia digital assistida por Inteligência Artificial (IA). ABSTRACT: Gastric cancer (GC) remains one of the leading causes of cancer-related death in Brazil and worldwide, with high incidence and mortality rates, especially in developing countries. Modern oncology has evolved toward stratifying patients into distinct groups based on the genotypic and phenotypic characteristics of tumors, as well as on their respective clinical outcomes. In this context, the study of the tumor microenvironment (TME) is essential for defining individualized and effective therapeutic strategies. Thus, the automated classification of TME components using deep learning (DL) models emerges as a promising alternative. Despite advances in digital pathology, the automatic classification of different TME tissue components in hematoxylin and eosin (H&E)stained slides remains underexplored in GC. To address this gap, this work proposes a multiclass classification method based on a two-level hierarchical ensemble composed of DL models. Twelve ImageNet-pretrained architectures (EfficientNet, ViT, MobileNet, Xception, VGG, ResNet, DenseNet, AlexNet, among others) were evaluated, exploring transfer learning, embedding extraction and concatenation, hierarchical arrangements of binary classifiers, variation in the number of neurons in fully connected layers, and on-the-fly data augmentation techniques. The experiments were conducted on the HMU-GC-HE-30K dataset, which comprises 31,096 patches balanced across eight tissue classes, using stratified crossvalidation (k = 8), with 20% of the images held out for external testing. Based on the best-performing models, we built a two-level hierarchical ensemble: homogeneous local committees and, subsequently, a global committee across distinct architectures using the predictions of the local committees. The best results obtained on the test sets indicated that the highest-performing committee achieved an accuracy of 81.2%, an AUC of 98.1%, and an F1-score of 81.2%, outperforming the literature baseline for this dataset by more than ten percentage points and demonstrating the superiority of the hierarchical ensemble over individual classifiers. This ensemble used as its aggregation strategy a class-wise F1-scoreweighted average of the member classifiers predictions. These findings show that the structured combination of diverse architectures within a hierarchical ensemble reduces variance across runs and increases discriminative capacity in complex multiclass scenarios, contributing to the advancement of artificial intelligence (AI)assisted digital pathology. Orientador: Prof. Dr. Ivan Saraiva Silva Co-orientador: Prof. Dr. Rodrigo de Melo Souza Veras Examinador Interno: Prof. Dr Kelson Romulo Teixeira Aires Examinador Interno: Prof. Dr. Vinicius Ponte Machado Examinador Interno: Profa. Dra. Mariana Recamonde Mendoza - UFRGS Thu, 20 Aug 2026 00:00:00 GMT http://hdl.handle.net/123456789/4249 2026-08-20T00:00:00Z http://hdl.handle.net/123456789/4213 MODELAGEM PREDITIVA PARA O IDEB MUNICIPAL NA EDUCAÇÃO BÁSICA PIAUIENSE POR MEIO DE ALGORITMOS DE APRENDIZADO DE MÁQUINA E APRENDIZADO PROFUNDO SILVA, Maria Eva Clemencia Fonseca de Castro RESUMO: As desigualdades no desempenho educacional entre municípios brasileiros permanecem amplas e persistentes, conforme evidenciado pelas variações do Índice de Desenvolvimento da Educação Básica (IDEB) nas diferentes etapas da educação básica. Apesar da cres- cente disponibilidade de informações sobre os sistemas de ensino, ainda há limitações na utilização integrada desses insumos para prever o desempenho municipal e subsidiar decisões estratégicas. Essa lacuna é particularmente relevante em estados como o Piauí, onde os municípios apresentam desempenho heterogêneo, com alguns registrando avanços consistentes e outros mantendo resultados inferiores à média estadual.Neste contexto, o presente trabalho tem como objetivo principal aplicar e avaliar modelos preditivos baseados em aprendizado de máquina (Machine Learning - ML) e aprendizado profundo (Deep Learning - DL) para prever o desempenho educacional dos municípios piauienses, representado pelo IDEB, nas três etapas da educação básica (anos iniciais, anos finais e ensino médio), integrando variáveis educacionais, socioeconômicas e financeiras. Para tanto, foram construídas três bases de dados, compreendendo o período de 2013 a 2023, considerando os anos ímpares. Foram testados e comparados dez algoritmos clássicos de regressão supervisionada, incluindo regressões penalizadas, modelos baseados em árvore, como Floresta Aleatória (Random Forest - RF) e Extreme Gradient Boosting (XGBoost) e métodos baseados em instâncias, além de sete arquiteturas de Redes Neurais Artificiais (Artificial Neural Networks - ANN) profundas, como Perceptron Multicamadas (Multi- layer Perceptron - MLP), Rede Neural Convolucional (Convolutional Neural Network – CNN), Memória de Longo e Curto Prazo (Long Short-Term Memory - LSTM) e híbridas. O desempenho dos modelos foi avaliado por meio de métricas de erro e coeficiente de determinação (R2), calculadas nos conjuntos de treino, teste e validação cruzada com 5 folds. Os resultados indicaram que o modelo XGBoost apresentou o melhor desempenho global nas três etapas da educação básica, com R2 de 0,5455 nos anos iniciais, 0,5205 nos anos finais e 0,4488 no ensino médio, segundo validação cruzada. Destacou-se para sua robustez nos anos iniciais e finais e sua relativa estabilidade no ensino médio, etapa notoriamente mais difícil de prever devido à maior variabilidade e evasão. A análise de importância das variáveis identificou determinantes centrais para o IDEB. Nos anos iniciais e finais, destacaram-se o PIB per capita, a taxa de distorção idade-série, o percentual de docentes sem curso superior, variáveis da agropecuária local e repasses do programa Criança Feliz. No ensino médio, assumiram relevância variáveis ligadas à infraestrutura escolar, gestão e esforço docente. Com base no modelo XGBoost, foi desenvolvido um sistema de simulação de cenários, que permite testar, de forma contrafactual, o impacto de alterações paramétricas nas variáveis explicativas sobre os valores previstos do IDEB municipal de 2023. Esse módulo opera com interface amigável e recursos de exportação, gráficos e visualizações personalizadas, representando uma contribuição concreta para o planejamento educacional baseado em evidências. Os resultados obtidos demonstram que é possível antecipar, com razoável grau de acurácia, o comportamento do IDEB em nível municipal. O sistema de simulação desenvolvido consolida-se como ferramenta de apoio à tomada de decisão, permitindo que gestores visualizem os efeitos hipotéticos de políticas públicas educacionais. Como perspectivas futuras, recomenda-se a inclusão de novas variáveis e a replicação da metodologia em outros contextos federativos. ABSTRACT: Inequalities in educational performance among Brazilian municipalities remain wide and persistent, as evidenced by variations in the Basic Education Development Index (IDEB) across different stages of basic education. Despite the increasing availability of information on education systems, there are still limitations in the integrated use of these inputs to predict municipal performance and support strategic decisions. This gap is particularly relevant in states like Piauí, where municipalities exhibit heterogeneous performance, with some registering consistent progress and others maintaining results below the state average. In this context, the present work aims to apply and evaluate predictive models based on machine learning (ML) and deep learning (DL) to predict the educational performance of municipalities in Piauí, represented by the IDEB (Basic Education Development Index), in the three stages of basic education (early years, later years, and high school), integrating educational, socioeconomic, and financial variables. To this end, three databases were constructed, covering the period from 2013 to 2023, considering odd-numbered years. Ten classic supervised regression algorithms were tested and compared, including penalized regressions, tree-based models, such as Random Forest (RF) and Extreme Gradient Boosting (XGBoost), and instance-based methods, in addition to seven deep Artificial Neural Network (ANN) architectures, such as Multilayer Perceptron (MLP), Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and hybrid architectures. The performance of the models was evaluated using error metrics and coefficient of determination (R2), calculated on the training, test, and cross-validation sets with 5 folds. The results indicated that the XGBoost model presented the best overall performance in the three stages of basic education, with an R2 of 0.5455 in the early years, 0.5205 in the later years, and 0.4488 in high school, according to cross-validation. It stood out for its robustness in the early and later years and its relative stability in high school, a stage notoriously more difficult to predict due to greater variability and dropout rates. The analysis of the importance of the variables identified central determinants for the IDEB (Basic Education Development Index). In the early and later years, the following stood out: GDP per capita, the age-grade distortion rate, the percentage of teachers without a higher education degree, variables from local agriculture, and transfers from the Criança Feliz (Happy Child) program. In high school, variables related to school infrastructure, management, and teacher effort became relevant. Based on the XGBoost model, a scenario simulation system was developed, which allows testing, in a counterfactual way, the impact of parametric changes in explanatory variables on the predicted values of the municipal IDEB (Basic Education Development Index) for 2023. This module operates with a user- friendly interface and export features, customized graphs and visualizations, representing a concrete contribution to evidence-based educational planning. The results obtained demonstrate that it is possible to anticipate, with a reasonable degree of accuracy, the behavior of the IDEB at the municipal level. The developed simulation system consolidates itself as a tool to support decision-making, allowing managers to visualize the hypothetical effects of educational public policies. As future perspectives, the inclusion of new variables and the replication of the methodology in other federative contexts is recommended. Orientador(a): Prof. Dr. Ivan Saraiva Silva Coorientador: Prof. Dr. Vinícius Ponte Machado Examinador interno: Prof. Dr. Raimundo Santos Moura Examinador externo: Profa. Dra. Luisa Xavier de Oliveira (FUN - UFPI) Fri, 24 Jul 2026 00:00:00 GMT http://hdl.handle.net/123456789/4213 2026-07-24T00:00:00Z