Orientador: Roberto Nardi / Resumo: Esta pesquisa desenvolveu-se na correlação entre escola e universidade, no âmbito da formação inicial de professores de Matemática de uma universidade pública, cujo referencial teórico-metodológico utilizado foi a Perspectiva Histórico-Cultural, particularmente, a Teoria da Atividade de Leontiev e os pressupostos do Materialismo Histórico-Dialético. Objetivou-se investigar o movimento de constituição da atividade de ensino, no contexto da Educação de Jovens e Adultos (EJA), desenvolvido no processo de formação inicial de professores de Matemática, por meio do Estágio Curricular Supervisionado (ECS). Percebemos que compreender a formação de professores em suas diferentes particularidades faz-se necessário, considerando a função social do seu trabalho, enquanto agente da práxis transformadora. Diante desta necessidade, apresenta-se a seguinte questão: Quais aprendizagens teórico-práticas, da formação inicial de professores de Matemática, desenvolvidas no ECS, contribuem para a constituição do ser professor para a EJA? A obtenção dos dados empíricos ocorreu por meio de questionário aberto, observação participante, diário de campo, produções dos participantes ao longo do desenvolvimento do estágio e gravações em vídeo das intervenções, regências de estágio e dos momentos de reflexões sobre estas ações. Em consonância ao método Materialista Histórico-Dialético buscou-se a apreensão do objeto de pesquisa em seu movimento lógico-histórico, embasado no conceito de unidades de análise... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: This research was developed in the correlation between school and university, in the scope of the initial training of Mathematics teachers of a public university. The theoretical-methodological framework used was the Historical-Cultural Perspective, in particular, Leontiev’s Activity Theory and the assumptions of Historical-Dialectical Materialism. The aim was to investigate the movement of constitution of the teaching activity, in the context of Youth-and-Adult Education (EJA), developed in the process of Mathematics teachers initial training, through Supervised Internship (ECS). We realized that comprising teachers’ training in their different peculiarities is necessary, considering the social function of their work, as agents of transformative praxis. Because of this need, the following question arises: What theoretical-practical learning from mathematics teachers’ the initial training, developed during the ECS, contributes to the constitution of being a teacher at EJA? Empirical data were obtained through an open questionnaire, participant observation, field diary, participant productions during the internship and video recordings of the interventions, teaching and moments of reflection on these actions. In line with the Historical-Dialectical Materialist method, we sought to perceive the object of this research in its logical-historical movement, based on the concept of units of analysis proposed by Vigotski. Two units emerged from the data: particularities of the senses... (Complete abstract click electronic access below) / Doutor

[pt] Problemas reais de engenharia mecânica podem compreender tarefas de i) otimização multi-objetivo (MO) ou ii) regressão, classificação e predição. Os métodos baseados em inteligência artificial (AI) são bastante difundidos na resolução desses problemas por i) demandarem menor custo computacional e informações do domínio do problema para a resolução de uma MO, quando comparados com métodos de programação matemática, por exemplo; e ii) apresentarem melhores resultados com estrutura mais simples, adaptabilidade e interpretabilidade, em contraste com outros métodos. Sendo assim, o presente trabalho busca i) otimizar um controle proporcional-integral-derivativo (PID) aplicado a um sistema de frenagem anti-travamento de rodas (ABS) e o projeto de trocadores de calor de placas aletadas (PFHE) e casco-tubo (STHE) através de métodos de otimização baseados AI, buscando o desenvolvimento de novas versões dos métodos aplicados, e.g. multi-objective salp swarm algorithm (MSSA) e multi-objective heuristic Kalman algorithm (MOHKA), que melhorem a performance da otimização; ii) desenvolver um sistema de detecção de vazamento em dutos (LDS) sensível ao roubo de combustível a partir do treinamento de árvores de decisão (DTs) com features baseadas no tempo e na análise de componentes principais (PCA), ambas exraídas de dados de transiente de pressão de operação normal do duto e de roubo de combustível; iii) constituir um guia de aplicação para problemas de MO de controle e projeto, processo de extração de features e treinamento de classificadores baseados em aprendizado de máquina (MLCs), através de aprendizado supervisionado; e, por fim iv) demonstrar o potencial das técnicas baseadas em AI. / [en] Real-world mechanical engineering problems may comprise tasks of i) multi-objective optimization (MO) or ii) regression, classification and prediction. The use of artificial intelligence (AI) based methods for solving these problems are widespread for i) demanding less computational cost and problem domain information to solve the MO, when compared with mathematical programming for an example; and ii) presenting better results with simpler structure, adaptability and interpretability, in contrast to other methods. Therefore, the present work seeks to i) optimize a proportional-integral-derivative control (PID) applied to an anti-lock braking system (ABS) and the heat exchanger design of plate-fin (PFHE) and shell-tube (STHE) types through AI based optimization methods, seeking to develop new versions of the applied methods, e.g. multi-objective salp swarm algorithm (MSSA) and multi-objective heuristic Kalman algorithm (MOHKA), which enhance the optimization performance; ii) develop a pipeline leak detection system (LDS) sensitive to fuel theft by training decision trees (DTs) with features based on time and principal component analysis (PCA), both extracted from pressure transient data of regular pipeline operation and fuel theft; iii) constitute an application guide for control and design MO problems, feature extraction process and machine learning classifiers (MLCs) training through supervised learning; and, finally, iv) demonstrate the potential of AI-based techniques.

[pt] Recentemente, ondas guiadas por ultrassom têm mostrado grande potencial para ensaios não destrutivos e monitoramento de integridade estrutural (SHM) em um cenário de avaliação de danos. As medições obtidas por meio de ondas elásticas são particularmente úteis devido a sua capacidade de se propagarem em diferentes materiais, como meios sólidos e fluidos e, também, a capacidade de abrangerem áreas amplas. Ao possuir suficientes medições oriundas de ondas guiadas, técnicas avançadas baseadas em dados, como aprendizado de máquina, podem ser aplicadas ao problema, tornando o procedimento de avaliação de danos ainda mais poderoso e robusto. Com base nessas circunstâncias, o presente trabalho trata da aplicação de modelos de aprendizado de máquina para fornecer inferências de avaliação de falhas baseadas em informações de ondas guiadas por ultrassom. Dois principais estudos de caso são abordados. Primeiramente, uma placa de polímero reforçado com fibra de carbono (PRFC) é avaliada, utilizando dados da literatura de sinais de onda guiada do tipo Lamb na detecção de defeitos pontuais. Os resultados demonstraram que uma abordagem que utiliza um sinal de referência foi capaz de obter excelentes acurácias ao usar a extração de características baseadas em técnicas de identificação de sistemas. Em um segundo momento, defeitos semelhantes à corrosão em uma placa de alumínio são classificados de acordo com sua gravidade. A metodologia é auxiliada por um esquema de separação de modos em sinais de ondas guiadas do tipo SH pré-adquiridos. Os resultados obtidos mostraram que a adoção da separação de modos pode, de fato, melhorar os resultados do aprendizado de máquina. / [en] Recently ultrasonic guided waves have shown great potential for nondestructive testing and structural health monitoring (SHM) in a damage evaluation scenario. Measurements utilizing elastic waves are particularly useful due to their capability to propagate in different materials such as solid and fluid bounded media, and, also, the ability to cover broad areas. When enough guided waves measurements are available and advanced data-driven techniques such as machine learning can be applied to the problem, the damage evaluation procedure becomes then even more powerful and robust. Based on these circumstances, the present work deals with the application of machine learning models to provide fault evaluation inferences based on ultrasonic guided waves information. Two main case studies are tackled in the mentioned subject. Firstly, a carbon fiber reinforced polymer (CFRP) plate is assessed using open data of Lamb guided wave signals in the detection of dot type defects. Results demonstrated that a baseline dependent approach can obtain excellent results when using system identification feature extraction. Secondly, corrosion-like defects in an aluminium plate are classified according to their severity. The methodology is assisted by a mode separation scheme of SH guided waves signals of pre-acquired data. Results have shown that the adoption of mode separation can in fact improve the machine learning results.

Extracting useful knowledge from data sets is a key concept in modern information systems. Consequently, the need of efficient techniques to extract the desired knowledge has been growing over time. Machine learning is a research field dedicated to the development of techniques capable of enabling a machine to \"learn\" from data. Many techniques have been proposed so far, but there are still issues to be unveiled specially in interdisciplinary research. In this thesis, we explore the advantages of network data representation to develop machine learning techniques based on dynamical processes on networks. The network representation unifies the structure, dynamics and functions of the system it represents, and thus is capable of capturing the spatial, topological and functional relations of the data sets under analysis. We develop network-based techniques for the three machine learning paradigms: supervised, semi-supervised and unsupervised. The random walk dynamical process is used to characterize the access of unlabeled data to data classes, configuring a new heuristic we call ease of access in the supervised paradigm. We also propose a classification technique which combines the high-level view of the data, via network topological characterization, and the low-level relations, via similarity measures, in a general framework. Still in the supervised setting, the modularity and Katz centrality network measures are applied to classify multiple observation sets, and an evolving network construction method is applied to the dimensionality reduction problem. The semi-supervised paradigm is covered by extending the ease of access heuristic to the cases in which just a few labeled data samples and many unlabeled samples are available. A semi-supervised technique based on interacting forces is also proposed, for which we provide parameter heuristics and stability analysis via a Lyapunov function. Finally, an unsupervised network-based technique uses the concepts of pinning control and consensus time from dynamical processes to derive a similarity measure used to cluster data. The data is represented by a connected and sparse network in which nodes are dynamical elements. Simulations on benchmark data sets and comparisons to well-known machine learning techniques are provided for all proposed techniques. Advantages of network data representation and dynamical processes for machine learning are highlighted in all cases / A extração de conhecimento útil a partir de conjuntos de dados é um conceito chave em sistemas de informação modernos. Por conseguinte, a necessidade de técnicas eficientes para extrair o conhecimento desejado vem crescendo ao longo do tempo. Aprendizado de máquina é uma área de pesquisa dedicada ao desenvolvimento de técnicas capazes de permitir que uma máquina \"aprenda\" a partir de conjuntos de dados. Muitas técnicas já foram propostas, mas ainda há questões a serem reveladas especialmente em pesquisas interdisciplinares. Nesta tese, exploramos as vantagens da representação de dados em rede para desenvolver técnicas de aprendizado de máquina baseadas em processos dinâmicos em redes. A representação em rede unifica a estrutura, a dinâmica e as funções do sistema representado e, portanto, é capaz de capturar as relações espaciais, topológicas e funcionais dos conjuntos de dados sob análise. Desenvolvemos técnicas baseadas em rede para os três paradigmas de aprendizado de máquina: supervisionado, semissupervisionado e não supervisionado. O processo dinâmico de passeio aleatório é utilizado para caracterizar o acesso de dados não rotulados às classes de dados configurando uma nova heurística no paradigma supervisionado, a qual chamamos de facilidade de acesso. Também propomos uma técnica de classificação de dados que combina a visão de alto nível dos dados, por meio da caracterização topológica de rede, com relações de baixo nível, por meio de medidas de similaridade, em uma estrutura geral. Ainda no aprendizado supervisionado, as medidas de rede modularidade e centralidade Katz são aplicadas para classificar conjuntos de múltiplas observações, e um método de construção evolutiva de rede é aplicado ao problema de redução de dimensionalidade. O paradigma semissupervisionado é abordado por meio da extensão da heurística de facilidade de acesso para os casos em que apenas algumas amostras de dados rotuladas e muitas amostras não rotuladas estão disponíveis. É também proposta uma técnica semissupervisionada baseada em forças de interação, para a qual fornecemos heurísticas para selecionar parâmetros e uma análise de estabilidade mediante uma função de Lyapunov. Finalmente, uma técnica não supervisionada baseada em rede utiliza os conceitos de controle pontual e tempo de consenso de processos dinâmicos para derivar uma medida de similaridade usada para agrupar dados. Os dados são representados por uma rede conectada e esparsa na qual os vértices são elementos dinâmicos. Simulações com dados de referência e comparações com técnicas de aprendizado de máquina conhecidas são fornecidos para todas as técnicas propostas. As vantagens da representação de dados em rede e de processos dinâmicos para o aprendizado de máquina são evidenciadas em todos os casos

Machine learning is evidenced as a research area with the main purpose of developing computational methods that are capable of learning with their previously acquired experiences. Although a large amount of machine learning techniques has been proposed and successfully applied in real systems, there are still many challenging issues, which need be addressed. In the last years, an increasing interest in techniques based on complex networks (large-scale graphs with nontrivial connection patterns) has been verified. This emergence is explained by the inherent advantages provided by the complex network representation, which is able to capture the spatial, topological and functional relations of the data. In this work, we investigate the new features and possible advantages offered by complex networks in the machine learning domain. In fact, we do show that the network-based approach really brings interesting features for supervised, semisupervised, and unsupervised learning. Specifically, we reformulate a previously proposed particle competition technique for both unsupervised and semisupervised learning using a stochastic nonlinear dynamical system. Moreover, an analytical analysis is supplied, which enables one to predict the behavior of the proposed technique. In addition to that, data reliability issues are explored in semisupervised learning. Such matter has practical importance and is found to be of little investigation in the literature. With the goal of validating these techniques for solving real problems, simulations on broadly accepted databases are conducted. Still in this work, we propose a hybrid supervised classification technique that combines both low and high orders of learning. The low level term can be implemented by any classification technique, while the high level term is realized by the extraction of features of the underlying network constructed from the input data. Thus, the former classifies the test instances by their physical features, while the latter measures the compliance of the test instances with the pattern formation of the data. Our study shows that the proposed technique not only can realize classification according to the semantic meaning of the data, but also is able to improve the performance of traditional classification techniques. Finally, it is expected that this study will contribute, in a relevant manner, to the machine learning area / Aprendizado de máquina figura-se como uma área de pesquisa que visa a desenvolver métodos computacionais capazes de aprender com a experiência. Embora uma grande quantidade de técnicas de aprendizado de máquina foi proposta e aplicada, com sucesso, em sistemas reais, existem ainda inúmeros problemas desafiantes que necessitam ser explorados. Nos últimos anos, um crescente interesse em técnicas baseadas em redes complexas (grafos de larga escala com padrões de conexão não triviais) foi verificado. Essa emergência é explicada pelas inerentes vantagens que a representação em redes complexas traz, sendo capazes de capturar as relações espaciais, topológicas e funcionais dos dados. Nesta tese, serão investigadas as possíveis vantagens oferecidas por redes complexas quando utilizadas no domínio de aprendizado de máquina. De fato, será mostrado que a abordagem por redes realmente proporciona melhorias nos aprendizados supervisionado, semissupervisionado e não supervisionado. Especificamente, será reformulada uma técnica de competição de partículas para o aprendizado não supervisionado e semissupervisionado por meio da utilização de um sistema dinâmico estocástico não linear. Em complemento, uma análise analítica de tal modelo será desenvolvida, permitindo o entendimento evolucional do modelo no tempo. Além disso, a questão de confiabilidade de dados será investigada no aprendizado semissupervisionado. Tal tópico tem importância prática e é pouco estudado na literatura. Com o objetivo de validar essas técnicas em problemas reais, simulações computacionais em bases de dados consagradas pela literatura serão conduzidas. Ainda nesse trabalho, será proposta uma técnica híbrica de classificação supervisionada que combina tanto o aprendizado de baixo como de alto nível. O termo de baixo nível pode ser implementado por qualquer técnica de classificação tradicional, enquanto que o termo de alto nível é realizado pela extração das características de uma rede construída a partir dos dados de entrada. Nesse contexto, aquele classifica as instâncias de teste segundo qualidades físicas, enquanto que esse estima a conformidade da instância de teste com a formação de padrões dos dados. Os estudos aqui desenvolvidos mostram que o método proposto pode melhorar o desempenho de técnicas tradicionais de classificação, além de permitir uma classificação de acordo com o significado semântico dos dados. Enfim, acredita-se que este estudo possa gerar contribuições relevantes para a área de aprendizado de máquina.

Extracting useful knowledge from data sets is a key concept in modern information systems. Consequently, the need of efficient techniques to extract the desired knowledge has been growing over time. Machine learning is a research field dedicated to the development of techniques capable of enabling a machine to \"learn\" from data. Many techniques have been proposed so far, but there are still issues to be unveiled specially in interdisciplinary research. In this thesis, we explore the advantages of network data representation to develop machine learning techniques based on dynamical processes on networks. The network representation unifies the structure, dynamics and functions of the system it represents, and thus is capable of capturing the spatial, topological and functional relations of the data sets under analysis. We develop network-based techniques for the three machine learning paradigms: supervised, semi-supervised and unsupervised. The random walk dynamical process is used to characterize the access of unlabeled data to data classes, configuring a new heuristic we call ease of access in the supervised paradigm. We also propose a classification technique which combines the high-level view of the data, via network topological characterization, and the low-level relations, via similarity measures, in a general framework. Still in the supervised setting, the modularity and Katz centrality network measures are applied to classify multiple observation sets, and an evolving network construction method is applied to the dimensionality reduction problem. The semi-supervised paradigm is covered by extending the ease of access heuristic to the cases in which just a few labeled data samples and many unlabeled samples are available. A semi-supervised technique based on interacting forces is also proposed, for which we provide parameter heuristics and stability analysis via a Lyapunov function. Finally, an unsupervised network-based technique uses the concepts of pinning control and consensus time from dynamical processes to derive a similarity measure used to cluster data. The data is represented by a connected and sparse network in which nodes are dynamical elements. Simulations on benchmark data sets and comparisons to well-known machine learning techniques are provided for all proposed techniques. Advantages of network data representation and dynamical processes for machine learning are highlighted in all cases / A extração de conhecimento útil a partir de conjuntos de dados é um conceito chave em sistemas de informação modernos. Por conseguinte, a necessidade de técnicas eficientes para extrair o conhecimento desejado vem crescendo ao longo do tempo. Aprendizado de máquina é uma área de pesquisa dedicada ao desenvolvimento de técnicas capazes de permitir que uma máquina \"aprenda\" a partir de conjuntos de dados. Muitas técnicas já foram propostas, mas ainda há questões a serem reveladas especialmente em pesquisas interdisciplinares. Nesta tese, exploramos as vantagens da representação de dados em rede para desenvolver técnicas de aprendizado de máquina baseadas em processos dinâmicos em redes. A representação em rede unifica a estrutura, a dinâmica e as funções do sistema representado e, portanto, é capaz de capturar as relações espaciais, topológicas e funcionais dos conjuntos de dados sob análise. Desenvolvemos técnicas baseadas em rede para os três paradigmas de aprendizado de máquina: supervisionado, semissupervisionado e não supervisionado. O processo dinâmico de passeio aleatório é utilizado para caracterizar o acesso de dados não rotulados às classes de dados configurando uma nova heurística no paradigma supervisionado, a qual chamamos de facilidade de acesso. Também propomos uma técnica de classificação de dados que combina a visão de alto nível dos dados, por meio da caracterização topológica de rede, com relações de baixo nível, por meio de medidas de similaridade, em uma estrutura geral. Ainda no aprendizado supervisionado, as medidas de rede modularidade e centralidade Katz são aplicadas para classificar conjuntos de múltiplas observações, e um método de construção evolutiva de rede é aplicado ao problema de redução de dimensionalidade. O paradigma semissupervisionado é abordado por meio da extensão da heurística de facilidade de acesso para os casos em que apenas algumas amostras de dados rotuladas e muitas amostras não rotuladas estão disponíveis. É também proposta uma técnica semissupervisionada baseada em forças de interação, para a qual fornecemos heurísticas para selecionar parâmetros e uma análise de estabilidade mediante uma função de Lyapunov. Finalmente, uma técnica não supervisionada baseada em rede utiliza os conceitos de controle pontual e tempo de consenso de processos dinâmicos para derivar uma medida de similaridade usada para agrupar dados. Os dados são representados por uma rede conectada e esparsa na qual os vértices são elementos dinâmicos. Simulações com dados de referência e comparações com técnicas de aprendizado de máquina conhecidas são fornecidos para todas as técnicas propostas. As vantagens da representação de dados em rede e de processos dinâmicos para o aprendizado de máquina são evidenciadas em todos os casos

Machine learning is evidenced as a research area with the main purpose of developing computational methods that are capable of learning with their previously acquired experiences. Although a large amount of machine learning techniques has been proposed and successfully applied in real systems, there are still many challenging issues, which need be addressed. In the last years, an increasing interest in techniques based on complex networks (large-scale graphs with nontrivial connection patterns) has been verified. This emergence is explained by the inherent advantages provided by the complex network representation, which is able to capture the spatial, topological and functional relations of the data. In this work, we investigate the new features and possible advantages offered by complex networks in the machine learning domain. In fact, we do show that the network-based approach really brings interesting features for supervised, semisupervised, and unsupervised learning. Specifically, we reformulate a previously proposed particle competition technique for both unsupervised and semisupervised learning using a stochastic nonlinear dynamical system. Moreover, an analytical analysis is supplied, which enables one to predict the behavior of the proposed technique. In addition to that, data reliability issues are explored in semisupervised learning. Such matter has practical importance and is found to be of little investigation in the literature. With the goal of validating these techniques for solving real problems, simulations on broadly accepted databases are conducted. Still in this work, we propose a hybrid supervised classification technique that combines both low and high orders of learning. The low level term can be implemented by any classification technique, while the high level term is realized by the extraction of features of the underlying network constructed from the input data. Thus, the former classifies the test instances by their physical features, while the latter measures the compliance of the test instances with the pattern formation of the data. Our study shows that the proposed technique not only can realize classification according to the semantic meaning of the data, but also is able to improve the performance of traditional classification techniques. Finally, it is expected that this study will contribute, in a relevant manner, to the machine learning area / Aprendizado de máquina figura-se como uma área de pesquisa que visa a desenvolver métodos computacionais capazes de aprender com a experiência. Embora uma grande quantidade de técnicas de aprendizado de máquina foi proposta e aplicada, com sucesso, em sistemas reais, existem ainda inúmeros problemas desafiantes que necessitam ser explorados. Nos últimos anos, um crescente interesse em técnicas baseadas em redes complexas (grafos de larga escala com padrões de conexão não triviais) foi verificado. Essa emergência é explicada pelas inerentes vantagens que a representação em redes complexas traz, sendo capazes de capturar as relações espaciais, topológicas e funcionais dos dados. Nesta tese, serão investigadas as possíveis vantagens oferecidas por redes complexas quando utilizadas no domínio de aprendizado de máquina. De fato, será mostrado que a abordagem por redes realmente proporciona melhorias nos aprendizados supervisionado, semissupervisionado e não supervisionado. Especificamente, será reformulada uma técnica de competição de partículas para o aprendizado não supervisionado e semissupervisionado por meio da utilização de um sistema dinâmico estocástico não linear. Em complemento, uma análise analítica de tal modelo será desenvolvida, permitindo o entendimento evolucional do modelo no tempo. Além disso, a questão de confiabilidade de dados será investigada no aprendizado semissupervisionado. Tal tópico tem importância prática e é pouco estudado na literatura. Com o objetivo de validar essas técnicas em problemas reais, simulações computacionais em bases de dados consagradas pela literatura serão conduzidas. Ainda nesse trabalho, será proposta uma técnica híbrica de classificação supervisionada que combina tanto o aprendizado de baixo como de alto nível. O termo de baixo nível pode ser implementado por qualquer técnica de classificação tradicional, enquanto que o termo de alto nível é realizado pela extração das características de uma rede construída a partir dos dados de entrada. Nesse contexto, aquele classifica as instâncias de teste segundo qualidades físicas, enquanto que esse estima a conformidade da instância de teste com a formação de padrões dos dados. Os estudos aqui desenvolvidos mostram que o método proposto pode melhorar o desempenho de técnicas tradicionais de classificação, além de permitir uma classificação de acordo com o significado semântico dos dados. Enfim, acredita-se que este estudo possa gerar contribuições relevantes para a área de aprendizado de máquina.

[pt] Prever com precisão a resposta a drogas para uma dada amostra baseado em características moleculares pode ajudar a otimizar o desenvolvimento de drogas e explicar mecanismos por trás das respostas aos tratamentos. Nessa dissertação, dois estudos de caso foram gerados, cada um aplicando diferentes dados genômicos para a previsão de resposta a drogas. O estudo de caso 1 avaliou dados de perfis de metilação de DNA como um tipo de característica molecular que se sabe ser responsável por causar tumorigênese e modular a resposta a tratamentos. Usando perfis de metilação de 987 linhagens celulares do genoma completo na base de dados Genomics of Drug Sensitivity in Cancer (GDSC), utilizamos algoritmos de aprendizado de máquina para avaliar o potencial preditivo de respostas citotóxicas para oito drogas contra o câncer. Nós comparamos a performance de cinco algoritmos de classificação e quatro algoritmos de regressão representando metodologias diversas, incluindo abordagens tree-, probability-, kernel-, ensemble- e distance-based. Aplicando sub-amostragem artificial em graus variados, essa pesquisa procura avaliar se o treinamento baseado em resultados relativamente extremos geraria melhoria no desempenho. Ao utilizar algoritmos de classificação e de regressão para prever respostas discretas ou contínuas, respectivamente, nós observamos consistentemente excelente desempenho na predição quando os conjuntos de treinamento e teste consistiam em dados de linhagens celulares. Algoritmos de classificação apresentaram melhor desempenho quando nós treinamos os modelos utilizando linhagens celulares com valores de resposta a drogas relativamente extremos, obtendo valores de area-under-the-receiver-operating-characteristic-curve de até 0,97. Os algoritmos de regressão tiveram melhor desempenho quando treinamos os modelos utilizado o intervalo completo de valores de resposta às drogas, apesar da dependência das métricas de desempenho utilizadas. O estudo de caso 2 avaliou dados de RNA-seq, dados estes comumente utilizados no estudo da eficácia de drogas. Aplicando uma abordagem de aprendizado semi-supervisionado, essa pesquisa busca avaliar o impacto da combinação de dados rotulados e não-rotulados para melhorar a predição do modelo. Usando dados rotulados de RNA-seq do genoma completo de uma média de 125 amostras de tumor AML rotuladas da base de dados Beat AML (separados por tipos de droga) e 151 amostras de tumor AML não-rotuladas na base de dados The Cancer Genome Atlas (TCGA), utilizamos uma estrutura de modelo semi-supervisionado para prever respostas citotóxicas para quatro drogas contra câncer. Modelos semi-supervisionados foram gerados, avaliando várias combinações de parâmetros e foram comparados com os algoritmos supervisionados de classificação. / [en] Accurately predicting drug responses for a given sample based on molecular features may help to optimize drug-development pipelines and explain mechanisms behind treatment responses. In this dissertation, two case studies were generated, each applying different genomic data to predict drug response. Case study 1 evaluated DNA methylation profile data as one type of molecular feature that is known to drive tumorigenesis and modulate treatment responses. Using genome-wide, DNA methylation profiles from 987 cell lines in the Genomics of Drug Sensitivity in Cancer (GDSC) database, we used machine-learning algorithms to evaluate the potential to predict cytotoxic responses for eight anti-cancer drugs. We compared the performance of five classification algorithms and four regression algorithms representing diverse methodologies, including tree-, probability-, kernel-, ensemble- and distance-based approaches. By applying artificial subsampling in varying degrees, this research aims to understand whether training based on relatively extreme outcomes would yield improved performance. When using classification or regression algorithms to predict discrete or continuous responses, respectively, we consistently observed excellent predictive performance when the training and test sets consisted of cell-line data. Classification algorithms performed best when we trained the models using cell lines with relatively extreme drug-response values, attaining area-under-the-receiver-operating-characteristic-curve values as high as 0.97. The regression algorithms performed best when we trained the models using the full range of drug-response values, although this depended on the performance metrics we used. Case study 2 evaluated RNA-seq data as one of the most popular molecular data used to study drug efficacy. By applying a semi-supervised learning approach, this research aimed to understand the impact of combining labeled and unlabeled data to improve model prediction. Using genome-wide RNA-seq labeled data from an average of 125 AML tumor samples in the Beat AML database (varying by drug type) and 151 unlabeled AML tumor samples in The Cancer Genome Atlas (TCGA) database, we used a semi-supervised model structure to predict cytotoxic responses for four anti-cancer drugs. Semi-supervised models were generated, while assessing several parameter combinations and were compared against supervised classification algorithms.

[pt] Este estudo tem por objetivo investigar as (re) construções identitárias de uma licencianda no estágio na comunidade de prática de Inglês para Fins Específicos (IFE) a qual pertenço, como parte da busca de entendimentos sobre esse contexto. Para tanto, os dados foram gerados ao longo do semestre que a estagiária compartilhou conosco e eles englobam participações orais e escritas, nas quais foram analisadas suas identidades, que parecem emergir de suas escolhas na linguagem para interpretar o que ela estava vivenciando durante o estágio. Seguindo uma abordagem qualitativo-interpretativista (ERICKSON, 1986; DENZIN; LINCOLN, 2006) e desenvolvida dentro da Linguística Aplicada (MOITA LOPES, 2006, 2013), esta pesquisa se baseia em uma perspectiva socioconstrucionista de identidades (MOITA LOPES, 2003; BUCHOLTZ; HALL, 2005) e sua relação com crenças (BARCELOS, 2006) e emoções (BARCELOS, 2012; ZEMBYLAS, 2004), em conjunção com o prisma da Linguística Sistêmico-Funcional (THOMPSON, 2014a; HALLIDAY; MATTHIESSEN, 2014; EGGINS, 2004; GOUVEIA, 2009) e do Sistema de Avaliatividade (MARTIN; WHITE, 2005; VIAN JR, 2009). A partir desse arcabouço teórico, as análises e discussões sugerem que há novas construções e reformulações significativas nas identidades da estagiária, que emergem discursivamente, principalmente dentro do domínio do afeto. Além disso, é possível interpretar que o estágio supervisionado e as experiências e interações na comunidade de prática de IFE foram essenciais nessas (re) construções, especialmente como professora, com identidades, crenças e emoções interconectadas. O processo de questionamento, análise e reflexão dessas identidades e sua relação complexa com crenças e emoções contribuiu para o desenvolvimento de entendimentos para nossa comunidade de prática, como também promoveu oportunidades de aprendizagem mútua e a curiosidade por outras questões, que podem nos motivar a continuar na pesquisa constante sobre esse contexto de forma mais dinâmica e inclusiva. / [en] The aim of this study is to investigate the identity (re) constructions of a student-teacher in the practicum in the community of practice of English for Specific Purposes (ESP) that I belong to as part of the search for understandings about our context. In order to accomplish such objective, data generated throughout the semester the student-teacher shared with us encompass oral and written participations in which the identities were analysed and they seemed to emerge from the choices in language to interpret what she was living during the practicum. This interpretative-qualitative research (ERICKSON, 1986; DENZIN; LINCOLN, 2006) is in the area of Applied Linguistics (MOITA LOPES, 2006; 2013) and it is aligned with social constructionist theories of identity (MOITA LOPES, 2003; BUCHOLTZ; HALL, 2003, 2005), beliefs (BARCELOS, 2006) and emotions (BARCELOS, 2012; ZEMBYLAS, 2004). It is also in interface with the principles of Systemic Functional Linguistics (HALLIDAY, 1994; HALLIDAY; MATTHIESSEN, 2014) and the Appraisal System (MARTIN; WHITE, 2005; VIAN JR, 2009). Based on this theoretical framework, the analysis and discussions suggest that there are new constructions and significant reformulations in the student-teacher s identities, which emerge discursively, mainly within the domain of affect. In addition, it is possible to interpret that the practicum and the experiences and interactions in our community of practice of ESP were essential in her (re) constructions, especially as a teacher, and they include interconnected identities, beliefs and emotions. The process of questioning, analysing and reflecting on these identities and their complex relation to beliefs and emotions has contributed to the development of understandings for our community of practice. It also fostered opportunities for mutual learning and the curiosity for other inquiries that can motivate us to continue the constant research about this context in a more dynamic and inclusive way.

Seguindo uma tendência internacional, os programas de formação inicial de professores no Brasil começaram, nas últimas décadas, a incluir cada vez mais e mais cedo aspectos da vida profissional no currículo dos cursos superiores. Em especial, a ampliação das horas de estágio renova as questões sobre a integração entre a universidade e a escola, o papel da escola de educação básica na formação do professor de Física e a integração entre os conteúdos disciplinares a serem ensinados, os conteúdos pedagógicos e a vivência no futuro ambiente de trabalho. Essas questões passam sistematicamente pela disciplina de Práticas em Ensino de Física, que foi criada em 2008 para atender a estas novas demandas e organizar parte do estágio supervisionado. Neste trabalho foi analisada a disciplina de Práticas em Ensino de Física ministrada em 2010 para aproximadamente 60 licenciandos divididos em duas turmas de dois períodos, diurno e noturno. Centrado majoritariamente na abordagem experimental do ensino de Física, os alunos devem preparar aulas de regência para serem conduzidas na escola a cada duas semanas ao longo do ano letivo. Três atividades básicas, na qual os licenciandos participam, constituem a disciplina: (i) O estágio realizado na sala de aula com o auxilio do professor de Física da escola; (ii) as oficinas de planejamento do estágio no qual os licenciandos eram auxiliados por monitores; (iii) as aulas na qual os licenciandos faziam relatos sobre os eventos ocorridos durante o estágio. Por meio da pesquisa qualitativa foram coletadas diversas fontes de dados como vídeo gravações, entrevistas, questionários e análise de material escrito e documental. Utilizando uma forma mista entre o indutivo e o dedutivo na análise dos dados foi possível construir um quadro amplo da organização da disciplina, traçando a dinâmica que a disciplina ganha semanalmente e ao longo do ano. Com base na teoria histórico-cultural da atividade, iniciada por Vigotski e posteriormente desenvolvida por Leontiev, Engeström e muitos outros pesquisadores, foi possível construir um ferramental analítico robusto para compreender a dinâmica da disciplina e suas contradições internas. A análise foi construída a partir de três focos: O primeiro refere-se à formação do objeto da disciplina, mostrando que é um objeto histórico e complexo. Justamente a diversidade de participantes e de níveis hierárquicos faz com que o objeto seja multifacetado e contraditório. O segundo foco da análise está na vida material da disciplina, em especial como os roteiros eram re/produzidos ao longo do tempo, fornecendo ao pesquisador elementos importantes sobre o processo de ensino-aprendizagem e participação dos licenciandos na disciplina. O terceiro foco da análise está sobre o conceito de agência, como a ação crítica transformadora da própria atividade. Na realização do estágio os licenciandos têm que tomar decisões, organizar-se e agir com base em informações novas de eventos não previstos. Essa agência fornece informações importantes sobre quão integrado o estágio está à vida diária da escola. Por fim, esse quadro analítico criado para a disciplina nos permite ao fim apontar em direções possíveis de ampliação do objeto e, por consequência, de transformação da atividade de estágio produzindo uma relação efetivamente integrada, orgânica, entre a universidade e a escola. / Following an international trend, in the last decades the initial teacher education program in Brazil started to include more and earlier aspects of professional practice in the curriculum of higher education. In particular the expansion of Practicum hours included in an even sharper questions about the integration between university and school, the role of the basic education system in teacher education and the integration between subject content to be taught (e. g. Physics), the educational content and the experience in the future workplace. These issues are the subject of the course of Practice of Physics Teaching, which was established in 2008 to meet these new demands and organize part of supervised internship. In this research is analyzed the course of Practice of Physics Teaching carried out in 2010 with about 60 undergraduates divided into two classes. Focused mainly on experimental approach for teaching Physics, students should prepare for conducting lessons are developed at school every two weeks throughout the academic year. Three basic activities in which undergraduates participate: (i) The training held in the classroom with the help of the Physics teacher at school, (ii) the planning workshops for the Practicum in which undergraduates were assisted by monitors/teachers educators, (iii) the classes in which undergraduates make reports on events during the Practicum. Through qualitative research were collected several sources of data such as video recordings, interviews, questionnaires and analysis of written and documentary material. Using a mixed method analysis of the data - between inductive and deductive reasoning - was possible to build a comprehensive picture of the course organization and the course dynamics weekly and throughout the year. Based on the cultural-historical theory of activity initiated by Vigotski and later developed by Leontiev, Engeström and many other scholars was possible to build a robust analytical tools to understand the course\'s dynamics and its contradictions. The analysis was constructed from three focus: The first one refers to the formation of the object of the discipline, showing that it is a historical object and complex. Precisely the diversity of participants and hierarchical levels causes the object to be multifaceted and contradictory. The second focus of the analysis is the material life of discipline, especially as the lab guidelines were re/produced over time, providing the researcher to important elements of the teaching-learning and participation of undergraduate students in the discipline. The third focal point of the analysis is on the concept of agency, as the critical action transforming the activity itself. On completion of stage undergraduates have to make decisions, organize the participants and act on new information that was not even planned. The agency provides important information about how integrated the Practicum are to the daily life of the school. Finally, the analytical framework for the course/Practicum allows us to end point in directions possible object expansion and therefore the transformation activity stage producing an organic integration between the university and the school.