Faculdade de Engenharia da Computação - FECOMP/CAMTUC
URI Permanente para esta coleção
Campus de Tucuruí /
Bibliotecária: Mayara de Kassia Pinheiro Menezes
Whatsapp: (94) 98199-9226
E-mail: bibliocamtuc@ufpa.br
Facebook: https://www.facebook.com/bibcamtuc/
Instagram: https://www.instagram.com/bcamtuc/
Navegar
Navegando Faculdade de Engenharia da Computação - FECOMP/CAMTUC por Orientador "GONZÁLEZ, Marcos Tulio Amaris"
Agora exibindo 1 - 5 de 5
Resultados por página
Opções de Ordenação
Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) LAWS: ferramenta web para anotações manuais em arquivos audiovisuais(2022-01-12) ESTUMANO, Jeremias Kalebe Cunha; GONZÁLEZ, Marcos Tulio Amaris; http://lattes.cnpq.br/9970287865377659Linguistas passam horas fazendo anotações em mídias audiovisuais. E a facilidade de acesso e manuseio das ferramentas é muito importante no desempenho do trabalho dos mesmos. Existe a ferramenta ELAN, muito usada atualmente, para anotações. Entretanto, a sua interface robusta e o alto grau de complexidade torna um desafio para os iniciantes. Assim, desenvolvemos uma nova ferramenta, que seja web, simples e com interface de fácil visualização. Apresentamos o Laws, ferramenta web, para facilitar o acesso, manuseio e a documentação em linguística. O LAWS pode ser acessado nesse link: https://marcosamaris.github.io/laws/.Trabalho de Curso - Graduação - Artigo Acesso aberto (Open Access) Uma metodologia em cascata de quatro etapas para classificar códigos NCM usando técnicas de PLN(2022-09-30) PINHEIRO, Pedro Luiz Braga; GONZÁLEZ, Marcos Tulio Amaris; http://lattes.cnpq.br/9970287865377659Esse trabalho tem como objetivo desenvolver um processo para classificar as descrições dos produtos presentes nas Notas Ficais eletrônicas (NF-e). Essa classificação e feita sobre os 8 dígitos da Nomenclatura Comum do Mercosul (NCM), separado em 4 partes, Capítulo, Posição, Subposição e item/Subitem. A classificação foi realizada utilizando o algoritmo de Máquina de Vetores de Suporte (SVM) e o algoritmo de Naive Bayes em conjunto com as técnicas de Processamento Natural de Linguagem (PNL), para o processamento de uma base de dados de 340.000 produtos distintos. Os dados foram divididos em 80% treinamento e 20% teste e obteve-se um acurácia de 90% para um total de 98 classes.Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) No cerne da eficiência: uma análise comparativa sobre compiladores e seu desempenho(2023-12-14) SILVA, Erick Vinícius Damasceno da; GONZÁLEZ, Marcos Tulio Amaris; http://lattes.cnpq.br/9970287865377659Desde a década de 1950, o crescimento exponencial na demanda por poder de processamento impulsionou o avanço da Computação de Alto Desempenho (HPC). Nesse cenário, os Compiladores desempenham um papel crucial, ultrapassam as barreiras dos elementos de hardware e das linguagens de programação. Essas ferramentas essenciais têm a responsabilidade vital de traduzir o código de alto nível elaborado pelos programadores para a linguagem de máquina compreendida pelo computador. Este estudo realiza uma análise comparativa da eficiência de Compiladores e utiliza métricas de consumo de energia em diversos domínios da Computação de Alto Desempenho. O objetivo é identificar quais compiladores se destacam em diferentes áreas de análise e assim proporcionar uma base sólida para a escolha criteriosa dessas ferramentas, alinhada à natureza específica de cada tarefa. A análise indica que, do total de energia consumida, o GCC foi responsável por 33.23%, o Clang por 36.01%, e o ICC por 30.76%, respectivamente. Além disso, o ICC demonstrou ser 7.43% mais eficiente que o GCC, enquanto o Clang foi 8.35% menos eficiente.Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Predição de consumo energético de aplicações OpenMP em máquinas multi-core usando técnicas de regressão de aprendizado de máquina(2023-12-13) QUEIROZ, Fellipe Augusto Santana; GONZÁLEZ, Marcos Tulio Amaris; http://lattes.cnpq.br/9970287865377659O campo de pesquisa em Green Computing, que visa tornar a computação mais sustentável e ecologicamente correta, tem sido impulsionado pela crescente integração de tecnologias de processamento e armazenamento de dados em larga escala. A complexidade crescente e o volume massivo de dados provenientes de diversas fontes têm desafiado as infraestruturas tradicionais, levando à exploração de plataformas Multi-core. Apesar do significativo aumento no desempenho e na eficiência energética com a utilização das máquinas multi-core, ainda assim, devido à crescente demanda de consumo, os gastos energéticos atingiu valores elevados. Neste estudo, descobrimos que modelos de regressão polinomial são mais eficazes que os lineares para prever o consumo de energia, especialmente em dados complexos. Além de que, a CPU é o maior consumidor de energia, sugerindo a necessidade de otimização ou uso de GPUs. Não encontramos uma correlação direta entre o tempo de execução e o consumo de energia, sugerindo que aplicações demoradas podem ter gastos menores, devido a otimizações. A análises de agrupamento dos benchmarks indicaram padrões de consumo semelhantes, úteis para otimizações futuras. A regressão polinomial de grau 3 foi eficiente em muitos casos, porém a eficácia varia com a quantidade de dados, e modelos personalizados de dados se mostraram mais eficientes do que abordagens unificadas.Trabalho de Curso - Graduação - Artigo Acesso aberto (Open Access) Predição de desempenho de aplicações CUDA utilizando aprendizado de máquina e características de pré-execução(2024-07-11) SIQUEIRA, Luan Ribeiro; GONZÁLEZ, Marcos Tulio Amaris; http://lattes.cnpq.br/9970287865377659Com a evolução das unidades de processamento gráfico (GPU), as aplicações de computação paralela estão se tornando cada vez mais complexas. Predizer o desempenho dessas aplicações ajuda desenvolvedores a otimizar seus algoritmos escalonadores na distribuição de seus trabalhos. Neste trabalho, foram desenvolvidos e avaliados modelos de aprendizado de maquina para predizer o desempenho de aplicações CUDA utilizando características de pre-execução. Foram comparados os modelos Ridge Regression, Random Forest e Decision Tree em nove aplicações CUDA, utilizando a métrica MAPE. Os resultados mostram que o Decision Tree obteve os menores valores de MAPE, enquanto o Random Forest apresentou um desempenho consistente. Já o Ridge Regression teve desempenho variável devido a sua limitação em lidar com multicolinearidade. O estudo enfatiza a importância considerar as características específicas da aplicação e da GPU ao fazer predições de desempenho