O transtorno do especto autista (TEA) intriga pesquisadores no mundo inteiro. Nesse sentido esse trabalho aborda um estudo sobre o uso da Inteligência Artificial (IA) como ferramenta auxiliar para rastreio do TEA em adultos. Este trabalho teve como objetivo desenvolver um sistema auxiliar com base nos classificadores SVM e MLP como ferramenta de detecção de traços autísticos em adultos. A metodologia foi implementada com base em 610 amostras de indivíduos com/sem o TEA de um banco de dados público, através do software WEKA utilizando o SVM e a MLP, validação cruzada k-fold, z-score e a técnica SMOTE. Os resultados mostraram para a acurácia do SVM uma taxa média de 99,48% enquanto que para a MLP foi de 95,42%.
Resumo: Tendo em vista a literatura acerca de testes de agentes, pode-se evidenciar uma lacuna em termos de técnicas efetivas utilizadas especificamente para testar agentes inteligentes. Este trabalho propõe uma abordagem para o teste de programas de agentes racionais. A abordagem consiste em um agente que monitora e realiza o diagnóstico de falhas no agente testado, identificando o subsistema que está gerando erros. Os experimentos buscaram avaliar a abordagem com programas de agentes reativos baseados em modelos e regras condição-ação, para resolver problemas em ambientes de tarefa parcialmente observáveis.Palavras-chave: Diagnóstico de Falhas, Monitoramento de Teste, Teste de Agentes Racionais.Abstract: In view of the literature on agents tests can show an effective gap in the specific techniques used for testing intelligent agents. This paper proposes an approach to the test of rational agents programs. The approach consists of an agent that monitors and performs the fault diagnosis in the test agent, identifying the subsystem that is generating errors. The experiments sought to evaluate the approach with reactive agents programs based on models and rules condition-action, to solve problems in partially observable task environments.Keywords: Diagnosis of Faults, Test Monitoring., Test Rational Agents,
IntroduçãoA concepção de agentes inteligentes foi inicialmente introduzida na década de 70 [1]. Por serem bastante flexíveis, os agentes inteligentes podem ser aplicados nos mais diversos tipos de problemas, podem executar diferentes funções e modificar seu comportamento dinamicamente. Agentes são capazes de resolver problemas complexos, principalmente aqueles que os sistemas tradicionais não conseguem resolver [2].Enquanto os agentes estão cada vez mais comuns, existe uma necessidade imprescindível para orientações das particularidades do processo de teste de agentes [3]. Entretanto tem sido escasso os estudos que visam propor métodos e técnicas eficazes e que garantam a qualidade dos sistemas baseados em agentes [4].Uma das possíveis razões para a ausência de técnicas para um agente de teste é a dificuldade de aplicar as técnicas que são capazes de garantir a confiabilidade destes sistemas, devido as propriedades peculiares e a natureza específica de agentes de software, que se destinam a serem distribuídos e autônomos. Como consequência, a procura de um erro específico pode ser difícil, uma vez que você não pode reproduzi-lo a cada nova execução [5].O agente percebe seu ambiente por intermédio dos sensores e age sobre o ambiente que o mesmo está inserido por meio dos atuadores. Sendo assim o agente verifica uma sequência de percepções(histórico completo
A COVID-19 é um dos maiores problemas de saúde pública enfrentados no Brasil e no mundo atualmente. Para essa pesquisa utilizou-se de dados disponibilizados pela plataforma Brasil.io. Dessa forma usou-se de algoritmos com regressão polinomial para predizer os casos de COVID-19, com base no treinamento e teste a partir dos dados extraidos dos boletins diários que são fornecidos pela Secretaria de Saúde do Município. Os resultados obtidos foram satisfatórios visto que foram próximos aos observados na realidade. Assim, o classificador Random Forest (RF) obteve os melhores resultados com 83,70% de taxa média do coeficiente de determinação frente aos 54,50% obtidos pelo Support Vector Machine (SVM).
A dislexia é uma das dificuldades de aprendizagem mais comum nas salas de aula. Dessa forma o estudo teve como finalidade a classificação de crianças com ou sem dislexia através da aplicação de técnicas de Inteligência Computacional (IC). Para a metodologia utilizou-se de uma base de dados pública e da aplicação das arquiteturas neurais, Multilayer Perceptron (MLP), Radial Basis Function (RBF) e Extreme Learning Machine (ELM) e dos classificadores estatísticos, Support Vector Machine (SVM), Random Forest (RF) e K-Nearest Neighbors (K-NN), assim como das técnicas k-fold, SMOTE e normalização z-score. Os resultados demonstraram que o classificador SVM obteve a melhor taxa média de acerto com 98,03% de acurácia.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.