TCC - Engenharia Física

URI Permanente para esta coleção

https://dspace.unila.edu.br/handle/123456789/4350
ILACVN - Centro de Ciências da Natureza - Bacharelado em Engenharia Física

Navegar

Navegando TCC - Engenharia Física por Assunto "aprendizado do computador"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Detecção de anomalias em séries temporais do bitcoin utilizando o aprendizado de máquina quântico
    (2025) Sánchez Salinas, Dylan Rafael
    Este trabalho investiga a aplicação do algoritmo denominado Quantum Variational Rewinding (QVR) na detecção de anomalias em séries temporais, com foco na variação do Bitcoin nos últimos anos. As criptomoedas, em particular o Bitcoin, apresentam uma volatilidade extrema, o que dificulta a previsão e análise de seu comportamento. Isso torna essencial o desenvolvimento de métodos mais avançados, como o QVR, para identificar padrões irregulares e prever variações no mercado. Métodos tradicionais de análise de séries temporais enfrentam dificuldades para identificar padrões ocultos em dados financeiros complexos, especialmente em mercados de alta volatilidade como o das criptomoedas. Nesse contexto, abordagens baseadas em Computação Quântica e aprendizado de máquina se destacam como ferramentas poderosas para detectar essas anomalias de forma mais eficiente e precisa. O Quantum Variational Rewinding, uma técnica inovadora, surge como uma solução promissora para enfrentar esses desafios, oferecendo uma forma avançada de modelar e analisar séries temporais financeiras. A metodologia adotada envolve a coleta e normalização de dados históricos do Bitcoin, implementação do modelo QVR em um ambiente simulado de Computação Quântica e a análise dos resultados utilizando o coeficiente de Pearson, que mede a correlação entre os padrões identificados e as variações do preço do Bitcoin. Os experimentos demonstram que o QVR não apenas apresenta potencial, mas também evidenciou resultados promissores ao capturar padrões complexos em séries temporais financeiras, oferecendo uma abordagem inovadora e eficaz para a análise de dados financeiros altamente voláteis, como os de criptomoedas. Comparado a métodos tradicionais, o QVR se destaca ao identificar desvios significativos no comportamento das séries temporais do Bitcoin, indicando seu grande potencial em mercados voláteis. Resumen Este trabajo investiga la aplicación del algoritmo denominado Quantum Variational Rewinding (QVR) en la detección de anomalías en series temporales, con enfoque en la variación del Bitcoin en los últimos años. Las criptomonedas, en particular el Bitcoin, presentan una volatilidad extrema, lo que dificulta la previsión y el análisis de su comportamiento. Esto hace esencial el desarrollo de métodos más avanzados, como el QVR, para identificar patrones irregulares y predecir variaciones en el mercado. Los métodos tradicionales de análisis de series temporales enfrentan dificultades para identificar patrones ocultos en datos financieros complejos, especialmente en mercados de alta volatilidad como el de las criptomonedas. En este contexto, enfoques basados en Computación Cuántica y aprendizaje automático se destacan como herramientas poderosas para detectar estas anomalías de forma más eficiente y precisa. El Quantum Variational Rewinding, una técnica innovadora, surge como una solución prometedora para enfrentar estos desafíos, ofreciendo una forma avanzada de modelar y analizar series temporales financieras. La metodología adoptada implica la recolección y normalización de datos históricos del Bitcoin, la implementación del modelo QVR en un entorno simulado de Computación Cuántica y el análisis de los resultados utilizando el coeficiente de Pearson, que mide la correlación entre los patrones identificados y las variaciones del precio del Bitcoin. Los experimentos demuestran que el QVR no solo presenta potencial, sino que también evidenció resultados prometedores al capturar patrones complejos en series temporales financieras, ofreciendo un enfoque innovador y eficaz para el análisis de datos financeiros altamente volátiles, como los de criptomonedas. En comparación con métodos tradicionales, el QVR se destaca al identificar desviaciones significativas en el comportamiento de las series temporales del Bitcoin, lo que indica su gran potencial em mercados volátiles.
  • Imagem de Miniatura
    Item
    Novo método de recomendação de classificadores de séries temporais com meta-learning e extração de características usando CATCH22
    (2025) Palma, Wallace Pannace
    O grande volume de dados temporais e sua crescente complexidade exige o desenvolvimento de técnicas avançadas para a sua visualização, agrupamento, classificação e detecção de padrões. A classificação de séries temporais por meio de algoritmos de aprendizado de máquina tem sido amplamente explorada na literatura para atender a tais demandas. Como resultado, verifica-se o aumento da quantidade e da diversidade de algoritmos aplicados na solução de uma grande gama de problemas envolvendo dados temporais. Contudo, a adequada identificação do melhor algoritmo para cada domínio tornou-se um desafio em termos de desempenho e custo de tempo computacional. Nesse contexto, neste trabalho desenvolvemos e avaliamos um novo método de recomendação de classificadores de séries temporais ao extrair atributos das séries e empregar técnicas de meta-learning. É proposto a extração de atributos temporais por meio da ferramenta Catch22 combinado com técnicas de extração de meta-features para criar uma base de meta-knowledge. A avaliação experimental conduzida neste estudo empregou 112 conjuntos de dados de séries temporais do repositório da University of California, Riverside, envolveu a avaliação do método proposto para a recomendação dentre 34 diferentes classificadores de séries temporais e 7 meta-learners para o mapeamento da meta-knowledge. Por meio dos resultados gerados foi possível constatar que o método proposto possibilitou redução significativa no tempo de construção de meta-features, mantendo um desempenho competitivo, em termos de acurácia, aos métodos da literatura. Nos experimentos, dentre os algoritmos testados, o algoritmo Random Forest obteve o melhor desempenho como meta-learner para o método proposto. Em comparação com a literatura destaca-se o baixo custo computacional do método proposto. Resumen El gran volumen de datos temporales y su creciente complejidad exigen el desarrollo de técnicas avanzadas para su visualización, agrupamiento, clasificación y detección de patrones. La clasificación de series temporales mediante algoritmos de aprendizaje automático ha sido ampliamente explorada en la literatura para atender tales demandas. Como resultado, se observa un aumento en la cantidad y diversidad de algoritmos aplicados en la solución de una amplia gama de problemas que involucran datos temporales. Sin embargo, la adecuada identificación del mejor algoritmo para cada dominio se ha convertido en un desafío en términos de rendimiento y costo de tempo computacional. En este contexto, en este trabajo desarrollamos y evaluamos un nuevo método de recomendación de clasificadores de series temporales al extraer atributos de las series y emplear técnicas de meta-learning. Se propone la extracción de atributos temporales mediante la herramienta Catch22 combinada con técnicas de extracción de meta-características para crear una base de meta-conocimiento. La evaluación experimental realizada en este estudio empleó 112 conjuntos de datos de series temporales del repositorio de la University of California, Riverside, e involucró la evaluación del método propuesto para la recomendación entre 34 diferentes classificadores de series temporales y 7 meta-learners para el mapeo del meta-conocimiento. A través de los resultados generados, fue posible constatar que el método propuesto permitió uma reducción significativa en el tiempo de construcción de meta-características, manteniendo un rendimiento competitivo, en términos de precisión, con los métodos de la literatura. Em los experimentos, entre los algoritmos probados, el algoritmo Random Forest obtuvo el mejor rendimiento como meta-learner para el método propuesto. En comparación con la literatura, se destaca el bajo costo computacional del método propuesto.