Search

Orientador: Ulisses Martins Dias Dissertação (mestrado) – Universidade Estadual de Campinas, Faculdade de Tecnologia Resumo: Futebol é um dos esportes mais populares do mundo, sendo essa popularidade refletida nas movimentações financeiras das competições profissionais, que se tornam cada vez mais competitivas a ponto de qualquer vantagem tática influenciar nos resultados. Este trabalho pretende investigar se, observando os primeiros segundos da tomada de posse de bola por uma equipe, seria possível identificar se aquela posse de bola resultaria em uma jogada de perigo na zona de ataque próxima à grande área do oponente, dado que a maneira de vencer uma partida implica em chegar próximo ao gol adversário com a posse de bola. Para responder a essa questão, utilizamos métricas extraídas da atuação dos jogadores e de suas interações em campo, como, por exemplo: posição dos jogadores de ambas as equipes em função do tempo e métricas de redes (centralidade, entropia, vulnerabilidade da rede). Esses dados são tratados modelando o posicionamento dos jogadores como uma série temporal de grafos em que, a cada instante de tempo, o posicionamento dos jogadores gera uma rede. As métricas dessas redes, quando convertidas em imagens de ritmo visual, permitem a extração de características por meio de arquiteturas de redes convolucionais profundas, o que aproxima o nosso estudo da área de aprendizado profundo (do inglês, deep learning), agregando possibilidades como o uso de técnicas de transferência de aprendizado (do inglês, transfer learning) junto de um refinamento (do inglês, fine-tune). A validação foi feita com a arquitetura EfficientNet B0, sendo utilizada para a transferência de aprendizado a partir de uma rede treinada com dados do ImageNet e com seus pesos ajustados com nossos dados. Dessa forma, características de imagens foram obtidas e aplicadas para o treinamento de uma Rede Neural Profunda (do inglês, Deep Neural Network) para a classificação das amostras. A técnica de grid-search com validação cruzada foi utilizada para otimizar os parâmetros da rede. Essa modelagem pretendem determinar se a posse de bola irá produzir uma jogada ofensiva no campo próximo ao gol do oponente. Além disso, validar quais métricas mais influenciam o resultado do modelo, permitindo assim identificar as mais determinantes para se chegar com a posse de bola na zona de defesa do oponente. Os resultados indicam que as chegadas próximas à grande área adversária podem ser preditas observando somente os primeiros 5 segundos de posse de bola, e que as principais métricas utilizadas pelos modelos encontram embasamento na literatura de análise de partidas de futebol Abstract: The focus of this work is investigated if watching the first seconds of a ball possession interval (BPI) of a team is possible to determine whether the ball possession will arrive in the last fourth of the soccer field, thereafter creating a goal chance situation. For answer this question were extracted metrics of players interactions like: the players positions of both teams in function of time and the graph metrics (centrality, entropy, vulnerably). The players positions were modeled in a temporal series of graphs, where each instant of time is represented as a network. These metrics when converted to images of visual rhythm allow the feature extraction through convolutional networks, what allows use of transfer learning techniques with fine-tuning. Efficient B0 architecture was used for the transfer of learning with fine-tuning, this network was trained begin the ImageNet dataset and your weights adjusted with your data. In this way, the features were obtained and applied to a Deep Neural Network (DNN) that are the responsible for classify the ball possessions. The grid-search technic with cross-validate was utilized to optimize the parameters of the DNN. This modeling intends to determine if the ball possession will produce an offensive play nearest the adversary penalty area. Furthermore, we intend valid which are the metrics that influence in the classifier results, thus allowing to identify the most important metric for the ball possession arrive in the final quarter of the pitch. The results indicate that the arrivals near the opponent box can be predicted only looking the first 5 seconds of ball possession, and that the main metrics utilized by the models has foundation on literature of soccer match analyzes Mestrado Sistemas de Informação e Comunicação Mestre em Tecnologia FAPESP 2019/17729-0, 2019/22262-3, 2019/16253-1, 021/00050-4)

Orientador: Guilherme Palermo Coelho Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia Resumo: O mercado de ações é um importante segmento da economia que movimenta diariamente um grande volume de ativos, devido às transações realizadas entre empresas de capital aberto e investidores. Diversos fatores influenciam direta e indiretamente os valores dessas transações, o que pode gerar variações abruptas. Essa oscilação é um problema para aqueles que estudam esse nicho e buscam formas de se estimar valores futuros de ações, o que significaria uma vantagem para maximização de lucros na compra e vendas de ações. O problema é ainda maior quando uma série histórica de valores de ações apresenta o fenômeno de mudança de conceito, ou seja, quando os padrões de valores vão mudando ao longo do tempo. Neste trabalho, buscou-se avaliar se a presença de mecanismos capazes de lidar com mudanças de conceito em preditores baseados em aprendizado de máquina melhora a capacidade de predição de valores futuros de ações. A partir de uma base de dados históricos de 10 ações negociadas na bolsa de valores brasileira, coletados em um período de 20 anos, foi verificada a ocorrência de mudança de conceito em tais séries temporais e comparados os desempenhos de preditores baseados em diferentes paradigmas: Random Forests (RF), Support Vector Machines (SVM), K-Nearest Neighbors (KNN), Online Sequential Extreme Learning Machines (OS-ELM), Dynamic and Online Ensemble for Regression (DOER) e Ensemble of Online Learners With Substituiton of Models (EOS). Dentre esses, OS-ELM, DOER e EOS possuem mecanismos para lidar com mudanças de conceito. Os resultados mostraram que, apesar de as estrategias que incorporam mecanismos para tratamento de mudança de conceito demandarem um maior tempo computacional, elas também tendem a apresentar menores erros de predição. De acordo com o teste estatístico de Bergmann-Hommel foi possível observar que os modelos SVM e RF com uma versão ajustada possuem desempenho similares aos de modelos que lidam com mudança de conceito Abstract: The stock market is an important segment of the economy that circulates a large volume of assets due to transactions between open-ended companies and investors. Several factors, directly and indirectly, affect these transaction values, which can generate abrupt variations. The stock value fluctuation is a problem for those who search for ways to predict future stocks values, which would mean an advantage for profits maximization in buying and selling stocks. The problem becomes even harder when the stock values series presents the concept drift phenomenon, where patterns change over time. In this work, we evaluated whether mechanisms that deal with concept drift in machine learning-based predictors improve their stock market forecasting capabilities. From a historic database of 10 stocks negotiated in the Brazilian stock exchange, considering a time period of 20 years, we verified the occurrence of concept drift and compared the performance of predictors based in different paradigms: Random Forests (RF), Support Vector Machines (SVM), K-Nearest Neighbors (KNN), Online Sequential Extreme Learning Machines (OS-ELM), Dynamic and Online Ensemble for Regression (DOER) and Ensemble of Online Learners With Substitution of Models (EOS). Among these, OS-ELM, DOER and EOS explicitly deal with concept drift. The obtained results showed that, despite the higher computational time required by strategies that include mechanisms for handling concept drift, such strategies also tend to yield smaller predictions errors. Besides, according to the Bergmann-Hommel’s statistical test, it was possible to observe that SVM and RF with an adjusted version models achieve similar performances to models that deal with the concept drift Mestrado Sistemas de Informação e Comunicação Mestre em Tecnologia CAPES 001

Orientador: Ana Estela Antunes da Silva Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia Resumo: As explosões solares são capazes de afetar o ambiente espacial próximo da órbita do planeta Terra, com possíveis impactos em serviços tecnológicos. Assim, existe a necessidade de melhoria em sistemas de monitoramento para prever as ocorrências de explosões solares. O objetivo deste trabalho é analisar a utilização de algoritmos de classificação e suas combinações em ensembles na predição de explosões solares maiores ou iguais a M1.0 e C1.0 em um tempo de 24h. Para tanto, foram utilizados dados magnéticos do instrumento SDO/HMI (do inglês, Solar Dynamics Observatory's/Helioseismic and Magnetic Imager) e dados de explosões solares do SWPC (do inglês, Space Weather Prediction Center). O SDO/HMI é um instrumento projetado para estudar o campo magnético na superfície solar e o SWPC é um dos centros de meteorologia espacial dos Estados Unidos. Na base de dados integrada a partir dos dados do SDO/HMI e SWPC, foram aplicadas as técnicas: oversampling e undersampling, filtro de localização de regiões ativas, filtro de qualidade dos dados magnéticos, atributos com dados históricos de explosões solares e combinação de classificadores. A partir do treinamento e teste da combinação de classificadores, foi possível prever explosões solares a partir de uma determinada região ativa dentro do período de 24 horas, considerando como métrica de avaliação de desempenho do classificador a métrica True Skill Statistic (TSS). Os experimentos realizados indicam que o uso de: dados magnéticos, dados históricos de explosões solares, filtro de qualidade dos dados magnéticos e combinação de algoritmos, resulta em um método válido para predições de explosões solares em comparação com trabalhos anteriores Abstract: Solar flares are capable of affecting the space environment close to the orbit of planet Earth, with possible impacts on technological services. The objective of this work is to analyze the use of classification algorithms and their combinations in ensembles in the prediction of solar flares greater than or equal to M1.0 and C1.0 in a time of 24h. For this purpose, magnetic data from the SDO/HMI instrument (Solar Dynamics Observatory's/Helioseismic and Magnetic Imager) and solar flare data from the SWPC (Space Weather Prediction Center) were used. The SDO/HMI is an instrument designed to study the magnetic field on the solar surface and the SWPC is one of the United States space meteorology centers. In the integrated database from SDO/HMI and SWPC data, the following techniques were applied: oversampling and undersampling, active region location filter, magnetic data quality filter, attributes with data history of solar flares and combination of classifiers. From the training and testing of the combination of classifiers, it was possible to predict solar flares from a certain active region within a 24-hour period, considering the classifier's performance evaluation metric and True Skill Statistic (TSS) metric. The experiments carried out indicate that the use of: magnetic data, historical data of solar flares, magnetic data quality filter and combination of algorithms, results in a valid method for solar flare predictions compared to previous works Mestrado Sistemas de Informação e Comunicação Mestre em Tecnologia CAPES 001