[pt] Situada no campo da filosofia da educação, a tese dialoga também com o campo das tecnologias educacionais. O trabalho busca uma compreensão filosófica dos impactos da aprendizagem de máquina ou machine learning na educação. Para isso, dedica-se aos pressupostos subjacentes à aprendizagem de máquina em articulação com os pressupostos subjacentes à concepção de aprendizagem humana que descende do enativismo. Defende-se que a chegada da aprendizagem de máquina na educação encontra um campo em que ainda predomina o paradigma cognitivista, o qual é bastante profícuo para que germinem as tecnologias baseadas em dados e redes neurais. Avança-se para demonstrar que esse paradigma, no entanto, vem sendo desafiado por outras abordagens de pesquisa que se dedicam à mente humana, dentre as quais se destaca o enativismo. São explicitadas as bases teóricas fundamentais do enativismo, e como elas se desdobram em pressupostos para uma aprendizagem humana que é corporificada e essencialmente orientada ao acoplamento do ser com o mundo e com os outros agentes. É dedicada atenção especial aos impactos da aprendizagem de máquina na autonomia do cognoscente, a qual, sob a perspectiva do enativismo, somente pode existir e se manter nas trocas com o meio e com aqueles que habitam e formam esse ambiente. Demonstra-se que, para que as tecnologias algorítmicas sejam adequadas a uma concepção de cognição e de aprendizagem enativista, é preciso buscar um caminho de valorização ainda maior do corpo na aprendizagem, bem como da intersubjetividade, uma vez que as relações entre os agentes cognitivos não são concebidas como articulações opcionais, mas como um elemento que está no cerne da atividade cognitiva humana e do qual essa atividade emerge. / [en] This work is situated in the field of philosophy of education, and also relates to the field of educational technologies. The thesis seeks a philosophical understanding of the impacts of machine learning in education. To do so, it addresses the assumptions underlying machine learning in conjunction with the premises underlying the conception of human learning that derive from enactivism. It is argued that the arrival of machine learning in education found fertile ground in which the cognitivist paradigm still prevails, a situation that is rather fruitful for technologies based on data and neural networks to thrive. The thesis demonstrates that this paradigm, however, has been challenged by other research approaches that are dedicated to the human mind, among which enactivism is emphasized. The fundamental theoretical underpinnings of autopoietic enactivism are explained, as well as how they unfold in assumptions for a notion of human learning that is embodied and essentially oriented towards the coupling of the human organism with the world and with other agents. Particular attention is drawn to the impacts of machine learning on the autonomy of the cognizer, which, from the perspective of enactivism, can only exist and be maintained in exchanges with the environment and with those who inhabit and shape this environment. It is shown that for algorithmic technologies to be suited to an enactivist conception of cognition and learning a greater appreciation of the body in learning is necessary, as well as intersubjectivity, since the connections between cognitive agents are not conceived as optional articulations, but as an element that is at the core of human cognitive activity and from which this activity emerges.

[pt] A Indústria 4.0 (I4.0) e a transformação digital estão revolucionando a manutenção nas indústrias, impulsionando-a rumo a uma abordagem mais inteligente e proativa, conhecida como manutenção inteligente (smart maintenance – SM). Recentemente vive-se a transição para a Manutenção 4.0, em que decisões baseada em dados e análises avançadas trazidas com a SM permitem aumentar a eficiência, reduzir os custos operacionais e têm um grande impacto no desempenho operacional. Com a crescente digitalização dos processos e a disponibilidade de novas tecnologias, as decisões estão se tornando mais inteligentes, o que requer ter um processo de tomada de decisão estruturado. No entanto, tomar decisões gerenciais pode ser complexo devido a múltiplos critérios e pontos de vista envolvidos. Por exemplo, podem existir trade-offs e prioridades competitivas diferentes entre equipes funcionais como de manutenção, de produção e financeira. Nessa perspectiva, é crucial ter uma metodologia que combine esses aspectos conflitantes e, na era da Manutenção 4.0, a consideração de múltiplos critérios e pontos de vista, justifica a necessidade de um framework de apoio a decisão que combine técnicas de apoio multicritério a decisão (multi-criteria decision making - MCDM) e Machine Learning (ML). A partir da revisão de escopo observou-se a ausência de metodologias (e frameworks) de apoio a decisão combinando essas abordagens em estudos empíricos e em países emergentes. Diante disso, a presente pesquisa propoe aplicar um framework de apoio à decisão para SM em empresa de manufatura brasileira. Como método empírico foi realizado um estudo de caso, utilizando dados reais de manutenção, observação participante e entrevistas, além de análise documental. Uma abordagem multicritério híbrida é proposta por meio dos métodos AHP, MOORA, MULTIMORA e de Borda com dados qualitativos e quantitativos, para resolver um problema de ranking de impressoras para fazer parte do início das manutenções preditivas. A implementação computacional compõem a metodologia ocorreu em Python. Ao final foi possível observar que a combinação de MCDM e ML pode ser uma abordagem eficaz para aprimorar a tomada de decisão na manutenção, considerando a complexidade dos dados envolvidos. / [en] Industry 4.0 (I4.0) and digital transformation are revolutionizing maintenance in industries, pushing it towards a more intelligent and proactive approach, known as smart maintenance (SM). Recently, the transition to Maintenance 4.0 has been experienced, where maintenance decisions based on data and advanced analytics brought about by SM make it possible to increase efficiency, reduce operating costs and have a major impact on operational performance. With the increasing digitalization of processes and the availability of new technologies, decisions are becoming smarter, which requires having a structured, data-driven decision-making process for efficient decisions. However, making management decisions can be complex due to the multiple criteria and points of view involved. For example, there can be trade-offs and different competing priorities between functional areas such as maintenance, production and finance. From this perspective, it is crucial to have a methodology that combines these conflicting aspects, and in the Maintenance 4.0 era, the consideration of multiple criteria and points of view justifies the need for a decision support framework that combines multi-criteria decision making (MCDM) and Machine Learning (ML) techniques. A scoping review showed that there is a lack of decision support methodologies (and frameworks) combining these approaches in empirical studies and in emerging countries. In view of this, this research aims to propose and apply a decision support framework for MS in a Brazilian manufacturing company. A case study is used as the empirical method, using real maintenance data, participant observation and interviews, as well as document analysis. A hybrid multi-criteria approach is proposed using AHP, MOORA, MULTIMORA and Borda methods with qualitative and quantitative data, to solve a problem of ranking printers to be part of the start of predictive maintenance. The computational implementation of the approaches that make up the methodology took place in Python. At the end of the research, it was possible to observe that the combination of MCDM and ML can be an effective approach to improve decision-making in asset maintenance, considering multiple criteria and the complexity of the data involved.

[pt] Prever precisamente a produção de óleo é essencial para o planejamento e administração de um reservatório. Entretanto, prever a produção de óleo é um problema complexo e não linear, devido a todas as propriedades geofísicas que com pequenas variações podem resultar em differentes cenários. Além disso, todas as decisões tomadas durante a exploração do projeto devem considerar diferentes algoritmos para simular dados, fornecer cenários e conduzir a boas deduções. Para reduzir as incertezas nas simulações, estudos recentes propuseram o uso de algoritmos de aprendizado de maquina para solução de problemas da engenharia de reservatórios, devido a capacidade desses modelos de extrair o maxiomo de informações de um conjunto de dados. Essa tese propôe o uso ed duas tecnicas de machine learning para prever a produção diaria de óleo de um reservatório. Inicialmente, a produção diária de óleo é considerada uma série temporal, é pré-processada e reestruturada como um problema de aprendizado supervisionado. O modelo Random Forest, uma extensão das arvores de decisão muito utilizado em problemas de regressão e classificação, é utilizado para predizer um passo de tempo a frente. Entretanto, as restrições dessa abordagem nos conduziram a um modelo mais robusto, as redes neurais recorrentes LSTM, que são utilizadas em varios estudos como uma ferramenta dee aprendizado profundo adequada para modelagem de séries temporais. Várias configurações de redes LSTM foram construidas para implementar a previsão de um passo de tempo e de multiplos passos de tempo, a pressão do fundo de poço foi incorporada aos dados de entrada. Para testar a eficacia dos modelos propostos, foram usados quatro conjunto de dados diferentes, três gerados sintéticamente e um conjunto de dados reais do campo de produção VOlve, como casos de estudo para conduzir os experimentos. Os resultados indicam que o Random Forest é suficiente para previsões de um passo de tempo da produção de óleo e o LSTM é capaz de lidar com mais dados de entrada e estimar multiplos passos de tempo da produção de óleo. / [en] Precisely forecasting oil field performance is essential in oil reservoir planning and management. Nevertheless, forecasting oil production is a complex nonlinear problem due to all geophysical and petrophysical properties that may result in different effects with a bit of change. Thus, all decisions to be made during an exploitation project must consider different efficient algorithms to simulate data, providing robust scenarios to lead to the best deductions. To reduce the uncertainty in the simulation process, recent studies have efficiently introduced machine learning algorithms for solving reservoir engineering problems since they can extract the maximum information from the dataset. This thesis proposes using two machine learning techniques to predict the daily oil production of an offshore reservoir. Initially, the oil rate production is considered a time series and is pre-processed and restructured to fit a supervised learning problem. The Random Forest model is used to forecast a one-time step, which is an extension of decision tree learning, widely used in regression and classification problems for supervised machine learning. Regardless, the restrictions of this approach lead us to a more robust model, the LSTM RNN s, which are proposed by several studies as a suitable deep learning technique for time series modeling. Various configurations of LSTM RNN s were constructed to implement single-step and multi-step oil rate forecasting and down-hole pressure was incorporated to the inputs. For testing the robustness of the proposed models, we use four different datasets, three of them synthetically generated and one from a public real dataset, the Volve oil field, as a case study to conduct the experiments. The results indicate that the Random Forest model could sufficiently estimate the one-time step of the oil field production, and LSTM could handle more inputs and adequately estimate multiple-time steps of oil production.

[pt] Gliomas estão entre os tumores cerebrais malignos mais comuns. Eles podem ser classificados entre gliomas de baixo e alto grau e sua identificação precoce é fundamental para o direcionamento do tratamento aplicado. Utilizando uma abordagem radiomics, o presente trabalho propõe o uso de índices de biodiversidade e de diversidade filogenética, definidos no campo da biologia, no problema de classificação de gliomas. O método proposto apresentou resultados promissores, com AUC-ROC (area under the ROC curve), acurácia, sensibilidade e especificidade de 0,951, 0,930, 0,967 e 0,827, respectivamente. / [en] Gliomas are among the most common malignant brain tumors. They can be classified into low-grade and high-grade gliomas and their early identification is crucial for treatment direction. Using a radiomics approach, the present work proposes the use of biodiversity and phylogenetic diversity biology indices to handle the glioma classification problem. The proposed method presented promising results, with AUC-ROC (area under the ROC curve), accuracy, sensitivity and specificity of 0,951, 0,930, 0,967 and 0,827, respectively.

[pt] A segmentação semântica das estruturas anatômicas em imagens de mamografia desempenha um papel significativo no apoio da análise médica. Esta tarefa pode ser abordada com o uso de um modelo de aprendizado de máquina, que deve ser capaz de identificar e delinear corretamente as estruturas de interesse tais como papila, tecido fibroglandular, músculo peitoral e tecido gorduroso. No entanto, a segmentação de estruturas pequenas como papila e peitoral é frequentemente um desafio. Sendo o maior desafio o reconhecimento ou deteção do músculo peitoral na vista craniocaudal (CC), devido ao seu tamanho variável, possíveis ausências e sobreposição de tecido fibroglandular. Para enfrentar esse desafio, este trabalho propõe uma abordagem centrada em dados para melhorar o desempenho do modelo de segmentação na papila mamária e no músculo peitoral. Especificamente, aprimorando os dados de treinamento e as anotações em duas etapas. A primeira etapa é baseada em modificações nas anotações. Foram desenvolvidos algoritmos para buscar automaticamente anotações fora do comum dependendo da sua forma. Com estas anotações encontradas, foi feita uma revisão e correção manual. A segunda etapa envolve um downsampling do conjunto de dados, reduzindo as amostras de imagens do conjunto de treinamento. Foram analisados os casos de falsos positivos e falsos negativos, identificando as imagens que fornecem informações confusas, para posteriormente removê-las do conjunto. Em seguida, foram treinados modelos usando os dados de cada etapa e foram obtidas as métricas de classificação para o músculo peitoral em vista CC e o IoU para cada estrutura nas vistas CC e MLO (Mediolateral Oblíqua). Os resultados do treinamento mostram uma melhora progressiva na identificação e segmentação do músculo peitoral em vista CC e uma melhora na papila em vista MLO, mantendo as métricas para as demais estruturas. / [en] The semantic segmentation of anatomical structures in mammography images plays a significant role in supporting medical analysis. This task can be approached using a machine learning model, which must be capable of identifying and accurately delineating the structures. However, segmentation of small structures such as nipple and pectoral is often challenging. Especially in there cognition or detection of the pectoral muscle in the craniocaudal (CC) view,due to its variable size, possible absences and overlapping of fibroglandular tissue.To tackle this challenge, this work proposes a data-centric approach to improvethe segmentation model s performance on the mammary papilla and pectoral muscle. Specifically, enhancing the training data and annotations in two stages.The first stage is based on modifications to the annotations. Algorithms were developed to automatically search for uncommon annotations dependingon their shape. Once these annotations were found, a manual review and correction were performed.The second stage involves downsampling the dataset, reducing the image samples in the training set. Cases of false positives and false negatives were analyzed, identifying images that provide confusing information, which were subsequently removed from the set. Next, models were trained using the data from each stage, and classification metrics were obtained for the pectoral muscle in the CC view and IoU for each structure in CC and MLO (mediolateral oblique) views. The training results show a progressive improvement in the identification and segmentation of the pectoral muscle in the CC view and an enhancement in the mammary papilla in the MLO view, while maintaining segmentation metricsfor the other structures.

[pt] Perdendo em média mais de 20 por cento da base de alunos todo semestre, a evasão de alunos no ensino superior privado representa um desafio para a gestão dessas instituições. Diferentes abordagens são utilizadas para combater este problema. Para a gestão de marketing de retenção, a identificação dos alunos é o primeiro passo necessário para aplicar uma estratégia de interação personalizada. Nesse sentido, este trabalho apresenta uma metodologia quantitativa para classificação de risco de evasão de alunos ativos. Baseado em dados históricos de alunos que evadiram ou se formaram, modelos gerados por algoritmos de machine learning foram calculados e comparados e, na sequência, utilizados para classificar alunos ativos. Por fim, estimou-se o lifetime value desses alunos para auxiliar na definição de estratégias de retenção. / [en] Losing more than 20 percent of its students each semester, the student attrition in private graduation courses challenges its institutions management. Different approaches to address this problem have been used. To retention marketing management the identification of students is the first necessary step to apply a personalized interaction strategy. In this sense, this work uses a quantitative methodology to classify its students by risk of attrition. Based in historic data of former students of an institution, models were generated by machine learning algorithms and its results compared. Then they were used to classify active students in the educational institution. Afterwards, their lifetime value were estimated in order to help in the definition of retention strategies.

[pt] Tão expressiva quanto a curva de crescimento do número de matrículas nas instituições de ensino superior (IES) privadas nos últimos anos é a respectiva curva da inadimplência, cujo aumento pode ser explicado, principalmente, pelo aprofundamento da crise econômica no país e pela redução do número de vagas ofertadas pelo FIES. A inadimplência apresenta-se como um desafio à gestão financeira das instituições de ensino, uma vez que impacta os seus custos operacionais e acaba sendo repassada aos alunos sob forma de aumento de mensalidade. Além disso, a evasão estudantil é também uma das principais consequências da inadimplência, à medida que alunos com dificuldades financeiras acabam por abandonar seus cursos, representando para as instituições de ensino não só uma perda econômica, como também acadêmica e social. As IES, em sua maioria, não utilizam qualquer tipo de técnica de credit scoring para prever o risco de seus alunos se tornarem inadimplentes. Nesse sentido, este trabalho apresenta uma metodologia quantitativa para previsão de risco de inadimplência de alunos ativos. Baseado em dados históricos de alunos que estavam inadimplentes ou adimplentes, modelos gerados por algoritmos de machine learning foram estimados e comparados. Por fim, os resultados obtidos evidenciaram a relação entre a inadimplência e a variação do valor pago ao longo dos semestres analisados, quantidade média de disciplinas cursadas, natureza empregatícia ao aluno e existência de débitos em semestres anteriores. Com a aplicação dos modelos propostos, as IES seriam capazes de identificar alunos com maior risco de inadimplência e planejar ações preventivas específicas para este grupo. / [en] As impressive as the growth rate in the number of enrollments in private higher education institutions in recent years is the increase in the related default rate, driven by the deepening economic crisis in Brazil and by the reduction of the number of vacancies offered by the FIES. Default presents itself as a challenge to the financial management of educational institutions, since it impacts their operational costs and ends up being passed on to students in the form of an increase in tuition. In addition, student dropout is also one of the main consequences of default, since students with economic difficulties end up abandoning their courses. Most higher education institutions do not use any type of credit scoring analysis to predict the risk of their students becoming defaulters, failing to understand which factors cause it, and, therefore, refraining from planning preventive actions. Therefore, this study presents a quantitative methodology to predict the default risk of active students. Models generated by machine learning algorithms were analyzed based on a historical database of students who were in or not in default. The results showed a relationship between default and economic, academic and social characteristics of students. Thus, by employing models such as the ones proposed, higher education institutions should be able to identify those students who are at higher risk of defaulting and take specific preventive actions to prevent such an outcome.

[pt] Em um contexto mercadológico de orientação para o mercado e não mais para o produto, torna-se fundamental que as empresas conheçam seus clientes, entreguem valor a eles e maximizem o valor dos clientes para a empresa. O valor do cliente está relacionado ao valor econômico do relacionamento do cliente com a empresa. Nesta relação, empresas podem obter informações em relação ao comportamento dos clientes e construir bases de dados valiosas que ajudem a compreender o perfil de cada um e mensurar o valor dos mesmos. A partir de uma base de dados de clientes de uma grande empresa de varejo no setor supermercadista, esse trabalho tem como objetivo propor um modelo de classificação de clientes de alto valor e analisar a resposta destes e dos demais clientes a uma ação de relacionamento de cross-selling, compreendendo o impacto desta ação no aumento de valor do cliente. O trabalho contribui com o entendimento do perfil de clientes com maior e menor propensão de resposta a uma ação de CRM e a consequente geração de valor à base de clientes, sendo útil a praticantes e acadêmicos. A partir de um modelo de dados secundários extraídos de bancos de dados de um supermercado brasileiro, aplicou-se modelos machine learning de classificação em uma base de mais de mil e quinhentos clientes para encontrar modelos que expliquem clientes de alto valor. / [en] In a market context oriented towards the customer and no longer towards the product, it is essential that companies know their customers, deliver value to them and maximize the value of customers to the company. The value of the customer is related to the economic value of the customer s relationship with the company. In this relationship, companies can obtain information regarding customer behavior and build valuable databases that help to understand each other s profile and measure their value. Based on a database of customers of a large retail company in the supermarket sector, this work aims to propose a model for classifying high-value customers and analyze the response of these and other customers to a cross-selling relationship action, understanding the impact of this action on increasing customer value. The work contributes to the understanding of the customer profile with greater and lesser propensity to respond to a CRM action and the consequent generation of value to the customer base, being useful to practitioners and academics. Using a secondary data model extracted from databases in a Brazilian supermarket, machine learning classification models were applied to a base of more than thousand five hundred customers to find models that explain high-value customers.

[pt] O presente trabalho investiga as potenciais explicações para o fenômeno do Missing Disinflation Puzzle. Nós montamos uma base de dados contendo apenas variáveis associadas com o fenômeno, e utilizamos métodos de Machine Learning para calcular estimativas para a inflação do Consumer Price Index durante o período de interesse. Esses métodos podem lidar com bases de dados extensas, e realizar seleção de variáveis. Um exercício de seleção de melhores modelos utilizando a técnica de Model Confidence Set sobre previsões pseudo out-of-sample é proposto. Nós analisamos o padrão de seleção de variáveis entre os melhores modelos selecionados e encontramos evidência a favor das explicações associadas ao uso de diferentes métricas de expectativas de inflação - em especial aquelas ligadas a pesquisas feitas com consumidores. / [en] This paper examines the potential explanations for the Missing Disinflation Puzzle (MDP). We construct a data set containing only variables associated with the puzzle, and use of Machine Learning (ML) methods to compute estimates for U.S. Consumer Price Index inflation over the period of interest. These methods can handle large data sets, and perform variable selection. A model selection exercise using Model Confidence Set over pseudo-out-of-sample forecasts is proposed to assess forecasting performance and to analyze the variable selection pattern of these models. We analyze the variable selection performed by the best models and find evidence for explanations associated with different metrics for inflation expectations - in particular those linked to consumers surveys.

[pt] Nos últimos anos tem ocorrido um notável desenvolvimento de técnicas de Image Inpainting, entretanto transpor esse conhecimento para aplicações em vídeo tem se mostrado um desafio. Além dos desafios inerentes a tarefa de Video Inpainting (VI), utilizar essa técnica requer um trabalho prévio de anotação da área que será reconstruída. Se a aplicação do método for para remover um objeto ao longo de um vídeo, então a anotação prévia deve ser uma máscara da área deste objeto frame a frame. A tarefa de propagar a anotação de um objeto ao longo de um vídeo é conhecida como Video Object Segmentation (VOS) e já existem técnicas bem desenvolvidas para solucionar este problemas. Assim, a proposta desse trabalho é aplicar técnicas de VOS para gerar insumo para um algoritmo de VI. Neste trabalho iremos analisar o impacto de utilizar anotações preditas no resultado final de um modelo de VI. / [en] In recent years there has been a remarkable development of Image Inpainting techniques, but using this knowledge in video application is still a challenge. Besides the inherent challenges of the Video Inpainting (VI) task, applying this technique requires a previous job of labeling the area that should be reconstructed. If this method is used to remove an object from the video, then the annotation should be a mask of this object s area frame by frame. The task of propagating an object mask in a video is known as Video Object Segmentation (VOS) and there are already well developed techniques to solve this kind of task. Therefore, this work aims to apply VOS techniques to create the inputs for an VI algorithm. In this work we shall analyse the impact in the result of a VI algorithm when we use a predicted annotation as the input.