Seminários de Pesquisa do DAINF
Descrição
Ciclo de apresentações de temas de pesquisa no DAINF.
Programação
Primeiro semestre de 2009
23/06/2009 (terça-feira) - 10:20 - "Transformações de imagens baseadas em morfologia matemática e aplicações" - Profa. Leyza Dorini
Local: Mini-auditório da UTFPR Campus Curitiba.
Mini-CV: Leyza Baldo Dorini é professora adjunta do Departamento Acadêmico de Informática da Universidade Tecnológica Federal do Paraná - UTFPR. Possui mestrado em Ciência da Computação pelo Instituto de Computação da Universidade Estadual de Campinas - Unicamp, tendo como foco neste período a pesquisa na área de visão computacional. Durante o doutorado, realizado neste mesmo instituto, realizou período sanduíche na University of Wyoming, EUA. Tem experiência na área de Ciência da Computação, com ênfase em Processamento Gráfico, atuando principalmente nos seguintes temas: análise multi-escala de imagens, morfologia matemática, extração automática e rastreamento de características, filtragem e segmentação de imagens e reconhecimento de padrões.
22/04/2009 (quarta-feira) - 10:30 - "KEMS - Um provador de teoremas multi-estratégia" - Prof. Adolfo Neto
Local: Mini-auditório da UTFPR Campus Curitiba.
Resumo: O KEMS (http://www.dainf.ct.utfpr.edu.br/~adolfo/KEMS) é um provador de teoremas multi-estratégia baseado no método KE. O sistema KE é um método de tablôs que foi apresentado como uma melhoria, no sentido da eficiência computacional, em relação ao método dos Tablôs Analíticos. Um provador de teoremas multi-estratrégia é um provador de teoremas no qual podemos variar a estratégia sem modificar o núcleo da implementação. Um provador de teoremas multi-estratégia pode ser utilizado com três propósitos: educacional, exploratório e adaptativo. Para fins educacionais, o KEMS pode ser usado para ilustrar como a escolha da estratégia de prova pode afetar a performance de um provador de teoremas. Como uma ferramenta exploratória, um provador de teoremas multi-estratégia pode ser usado para testar novas estratégias e compará-las com outras existentes. E podemos pensar também em um provador de teoremas multi-estratégia adaptativo que modifique a estratégia usada de acordo com as características do problema apresentado ao provador. O KEMS foi implementado durante o doutorado de Adolfo Neto, que foi orientado por Marcelo Finger. Nesta palestra discutiremos as contribuições do KEMS na área de Lógica para Computação. Falaremos também um pouco sobre a implementação do KEMS, que foi feita em Java e AspectJ (uma linguagem orientada a aspectos), usando algumas técnicas usadas em métodos ágeis de desenvolvimento de software.
Mini-CV: Adolfo Neto é Doutor em Ciências da Computação pela Universidade de São Paulo (USP), Mestre em Ciência da Computação pela Universidade Federal de Pernambuco (UFPE) e bacharel em Ciências da Computação pela Universidade Federal de Alagoas (UFAL). Atualmente é professor do Departamento de Informática (DAINF) da Universidade Tecnológica Federal do Paraná (UTFPR), Campus Curitiba. Foi professor da Universidade do Estado de Santa Catarina (UDESC), do Centro Federal de Educação Tecnológica de São Paulo (CEFET-SP), da Pontifícia Universidade Católica de Campinas (PUC-CAMPINAS), do Centro Federal de Educação Tecnológica de Alagoas (CEFET-AL) e da Universidade Federal de Alagoas. Foi analista desenvolvedor de sistemas na Inmetrics, uma empresa de soluções em serviços de APM.
Tem experiência na área de Ciência da Computação, com ênfase em Lógica Aplicada à Computação, atuando principalmente nos seguintes temas: sistemas de prova baseados em tablôs, prova automática de teoremas, e lógicas paraconsistentes. Tem, também, interesse em métodos ágeis para o desenvolvimento de software.
06/04/2009 (segunda-feira) - 14:00 - "Classificação Automática de Gêneros Musicais" - Prof. Celso Kaestner
Local: Sala de vídeo conferência.
Resumo: O tema a ser apresentado é a classificação automática de gêneros musicais a partir de arquivos em formato digital (MP3 ou similar). Inicialmente os arquivos são tratados por procedimentos de extração, que geram vetores de características. Estes vetores são então submetidos a algoritmos de aprendizagem de máquina, seguindo o paradigma supervisionado para problemas de classificação. No projeto empregou-se uma abordagem baseada na cooperação de diversos classificadores, seguindo a decomposição do problema nas dimensões "espacial" e "temporal". São empregados diversos classificadores: naïve-Bayes, árvores de decisão, SVM, redes neurais e k-NN. Foram também realizados experimentos de seleção de atributos, com o uso de um procedimento baseado em algoritmos genéticos. Todos os experimentos empregaram uma nova base de dados, a "Latin Music Database", composta por 3.160 músicas de 10 gêneros musicais.
- Clique aqui para ler um artigo relacionado a esta palestra.
Sugestões para Futuras Palestras
- Myriam Delgado
- Ricardo Lüders
