Banca de QUALIFICAÇÃO: JOSÉ EDIVANDRO DE SOUSA JUNIOR

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : JOSÉ EDIVANDRO DE SOUSA JUNIOR
DATA : 31/07/2026
HORA: 10:00
LOCAL: Remoto
TÍTULO:

I-AUTOML - Uma abordagem iterativa e adaptativa para otimização automática em problemas de classificação padrão

PALAVRAS-CHAVES:

AutoML, Classificação Supervisionada, Ajuste Adaptativo de Hiperparâmetros, Validação Estatística, Modelos de Linguagem de Grande Escala.

PÁGINAS: 56
RESUMO:

O avanço das ferramentas de Automated Machine Learning (AutoML) tem ampliado
o acesso a técnicas de classificação supervisionada, reduzindo a necessidade de configu-
ração manual de modelos e hiperparâmetros. Contudo, grande parte dessas abordagens
concentra-se na otimização de métricas individuais de desempenho e adota critérios de
parada fixos ou heurísticas rígidas na busca por hiperparâmetros, oferecendo suporte li-
mitado à análise estatística comparativa entre modelos e à interpretação sistemática dos
resultados, especialmente em bases de dados heterogêneas e com diferentes características
estruturais.
Neste contexto, este trabalho propõe e avalia o I-AutoM, um sistema automatizado
para classificação supervisionada que integra pré-processamento, modelagem, ajuste adap-
tativo de hiperparâmetros com parada antecipada (early stopping), avaliação estatís-
tica comparativa e uma camada de interpretação baseada em Modelos de Linguagem
de Grande Escala (LLMs) em um único pipeline funcional. A metodologia experimen-
tal baseou-se na aplicação do sistema a um catálogo de onze algoritmos de classificação
sobre 30 bases de dados reais extraídas da plataforma Kaggle, distribuídas em três domí-
nios temáticos distintos, contemplando diferentes estruturas, níveis de desbalanceamento
e múltiplas variáveis alvo. Foram avaliados três percentuais de separação entre treino e
teste (10%, 20% e 30%), com execuções repetidas para análise de estabilidade, além da
validação estatística por meio do Teste de Friedman e de um pós-teste pareado direcio-
nado à comparação entre o modelo recomendado pelo sistema e os demais algoritmos do
catálogo.
Os resultados indicaram que a proporção de 20% para o conjunto de teste apresentou,
em média, o melhor equilíbrio entre desempenho e estabilidade dos modelos, ao passo que
o cenário de 30% evidenciou os maiores ganhos incrementais do mecanismo adaptativo
de ajuste, sugerindo maior relevância da otimização em condições de treinamento mais
restritas. Observou-se ainda que métricas como F1-Score e ROC-AUC forneceram diag-
nósticos mais representativos que a acurácia em cenários desbalanceados. Adicionalmente,
a integração de um modelo de linguagem como suporte à interpretação dos resultados con-
tribuiu para traduzir métricas quantitativas e testes estatísticos em explicações acessíveis
a usuários não especialistas.
Os experimentos demonstram a viabilidade do I-AutoM como ferramenta automati-
zada, exploratória e educacional, capaz de processar bases de dados genéricas de forma
consistente, integrando avaliação quantitativa, validação estatística rigorosa e interpreta-
ção assistida por linguagem natural.

MEMBROS DA BANCA:
Interna - 1350250 - ANNE MAGALY DE PAULA CANUTO
Externo ao Programa - 1669545 - DANIEL SABINO AMORIM DE ARAUJO - UFRNExterno à Instituição - GISELE LOBO PAPPA - UFMG