Navegando por Autor "Marques, Julliana Caroline Gonçalves de Araújo Silva"
Agora exibindo 1 - 3 de 3
- Resultados por página
- Opções de Ordenação
TCC Análise de dados dos egressos da UFRN no período de 2014 a 2023(Universidade Federal do Rio Grande do Norte, 2025-07-09) Carneiro, Robson da Costa; Oliveira, Luiz Affonso Henderson Guedes de; http://lattes.cnpq.br/7987212907837941; http://lattes.cnpq.br/7565639249093262; Brito Junior, Agostinho de Medeiros; http://lattes.cnpq.br/0958617290020120; Marques, Julliana Caroline Gonçalves de Araújo Silva; http://lattes.cnpq.br/5554033822360657Este trabalho analisou os dados dos estudantes da Universidade Federal do Rio Grande do Norte (UFRN) que se formaram entre 2014 e 2023. Uma motivação para esta pesquisa seria observar quais variáveis poderiam influenciar no tempo de curso. A proposta inicial previa a comparação entre diversos atributos, como o sexo (gênero), idade e área de conhecimento. No entanto, alguns desses dados não foram disponibilizados nos Dados Abertos da UFRN. Presume-se que determinadas informações possam conflitar com a Lei Geral de Proteção de Dados (LGPD), motivo pelo qual foram suprimidas. Outros dados que estão disponíveis, como o nome do aluno, foram ocultados da análise. O questionamento surgiu por causa de eventos externos que poderiam prejudicar o desempenho dos discentes, como a pandemia do Coronavírus, que interrompeu a jornada acadêmica por causa do isolamento compulsório e de outros contratempos que comprometeram o desempenho. Foram utilizadas algumas ferramentas muito úteis para análise de dados, como notebook do Google Colab e o Dashboard do Streamlit para manipular dados, criar e analisar gráficos, que contribuíram para a interpretação de padrões estatísticos dos acadêmicos. Os resultados das análises desta pesquisa indicaram que a pandemia de 2020 influenciou no aumento da quantidade de períodos para a formação dos alunos nos anos de 2021 e 2022. Outra consequência foi uma redução na quantidade de formados no ano de 2020. Nos anos seguintes, houve uma recuperação do desempenho que estava se assemelhando aos níveis pré-pandemia. Uma outra verificação foi um aumento do número de formados entre 2015 e 2017, seguido por uma queda a partir do ano de 2018, retornando a patamares que estavam registrados em 2014. Concluiu-se que eventos como a pandemia que ocorreu em 2020 afetaram tanto o tempo de conclusão dos cursos quanto a quantidade de formados. Por isso, é importante ter uma análise de dados para poder planejar políticas em períodos de crise para mitigar os prejuízos.TCC Análise de dados funcionais de docentes do magistério superior da UFRN impactados pela Lei 15.141/2025(Universidade Federal do Rio Grande do Norte, 2025-07-14) Modesto, Estela Fonseca de Mendonça; Oliveira, Luiz Affonso Henderson Guedes de; Brito Junior, Agostinho de Medeiros; Marques, Julliana Caroline Gonçalves de Araújo SilvaA Lei 15.141, publicada em 02 de junho de 2025, trouxe impactos significativos na carreira de servidores públicos federais, especialmente no que se refere à estrutura de cargos e à progressão funcional No âmbito da Universidade Federal do Rio Grande do Norte (UFRN), as mudanças foram implementadas no Sistema Integrado de Gestão de Recursos Humanos (SIGRH), que passou a refletir as novas regras estabelecidas a partir do reposicionamento dos servidores, realizado em maio de 2025. Diante desse cenário, este trabalho tem como objetivo realizar uma análise exploratória quantitativa e visual dos dados funcionais dos servidores docentes, do cargo Professor do Magistério Superior, afetados pela Lei 15.141/2025. Para isso, foram utilizadas tecnologias para o tratamento e a visualização de dados, como SQL e Python, para gerar um dashboard interativo na plataforma Metabase, com gráficos de pizza, barras, de linhas e boxplot. A proposta visa oferecer subsídios à gestão universitária e à comunidade acadêmica, promovendo trans- parência e compreensão sobre a evolução funcional dos servidores e os efeitos concretos da medida provisória.Dissertação The impact of feature selection methods on online handwritten signature by using clustering-based analysis(Universidade Federal do Rio Grande do Norte, 2021-01-29) Marques, Julliana Caroline Gonçalves de Araújo Silva; Abreu, Marjory Cristiany da Costa; ; http://lattes.cnpq.br/2234040548103596; ; http://lattes.cnpq.br/5554033822360657; Carvalho, Bruno Motta de; ; http://lattes.cnpq.br/0330924133337698; Souza Neto, Plácido Antônio de; ; http://lattes.cnpq.br/3641504724164977Handwritten signature is one of the oldest and most accepted biometric authentication methods for human identity establishment in society. With the popularisation of computers and, consequently, computational biometric authentication systems, the signature was chosen for being one of the biometric traits of an individual that is likely to be relatively unique for every person. However, when dealing with biometric data, including signature data, problems related to high dimensional space, can be generated. Among other issues, irrelevant, redundant data and noise are the most significant, as they result in a decreased of identification accuracy. Thus, it is necessary to reduce the space by selecting the smallest set of features that contain the most discriminative features, increasing the accuracy of the system. In this way, our proposal in this work is to analyse the impact of feature selection on individuals identification accuracy based on the handwritten online signature. For this, we will use two well-known online signature databases: SVC2004 and xLongSignDB. For the feature selection process, we have applied two filter and one wrapper methods. Then, the resulted datasets are evaluated by classification algorithms and validated with a clustering technique. Besides, we have used a statistical test to corroborate our conclusions. Experiments presented satisfactory results when using a smaller number of features which are more representative, showing that we reached an average accuracy of over 98\% for both datasets which were validated with the clustering methods, which achieved an average accuracy over 80\% (SVC2004) and 70\% (xLongSignDB).