UNIP Ciência da Computaçãocampus Jundiaí Voltar ao início
Iniciação científica

Problemas reais, dados abertos, algoritmos implementados pelos próprios alunos.

Dois estudantes do curso em sessão de pôsteres de congresso de iniciação científica
Alunos do curso em congresso de iniciação científica
CONIC 2026, em andamentoODS 11 e 13

Otimização de rotas urbanas por eficiência e sustentabilidade ambiental

O protótipo calcula rotas pela malha real de São Paulo segundo distância, tempo e emissão estimada de CO₂. Em vez de uma única resposta, apresenta o compromisso entre eficiência e sustentabilidade como um conjunto de rotas Pareto-ótimas.

Um dos achados: a heurística de Haversine só garante o ótimo no A* quando convertida para a unidade de cada critério. Sem essa correção, as rotas saíram até 50,7% acima do ótimo.

Recorte elíptico: rotas de até 1,6 vez a distância direta ficam dentro da elipse cujos focos são a origem e o destino. oddist(o,p) + dist(p,d) ≤ 1,6 · dist(o,d)
O recorte elíptico descarta boa parte do grafo e preserva, por construção, toda rota de até 1,6 vez a distância direta.
Tela do protótipo: painel com as rotas de menor distância, menor tempo e menor emissão e o trajeto desenhado sobre o mapa
Tela do protótipo: rotas por critério único e fronteira de Pareto entre distância e emissão.
21.917nós e 47.869 arestas no entorno de Pinheiros
−62%nós expandidos pelo A* frente ao Dijkstra
+3,7% / −7,4%distância e CO₂ da rota de menor emissão, média de 8 pares
18,6%de CO₂ que a soma ponderada deixou de encontrar
  • OpenStreetMap
  • NetworkX
  • Dijkstra
  • A*
  • Algoritmo de Martins
  • Fronteira de Pareto
CONIC 2025Concluído

Aplicação de técnicas de machine learning na prevenção de fraudes em transações de cartão de crédito

Com um dataset público de transações, o projeto percorreu todo o fluxo de um modelo de classificação: análise exploratória, correlações, seleção de atributos, balanceamento de classes e avaliação por métricas adequadas a bases desbalanceadas.

Todos os modelos tiveram boa acurácia, mas o random forest teve o melhor equilíbrio entre recall e custo computacional. O resultado final é um pipeline serializado, pronto para ser reaproveitado em outros sistemas.

Diego Freire de Almeida e Vitor dos Santos Rosa. Orientação: Prof. Dr. Gerson Pastre de Oliveira.

Matriz de confusão do random forest no teste: 13.539 legítimas e 13.227 fraudes classificadas corretamente, 1.284 falsos alarmes e 1.595 fraudes não detectadas; recall 0,89, precisão 0,91 e F1 0,90 na classe fraude
  1. Análise exploratória307.511 registros
  2. Seleção de atributos122 → 29
  3. Normalizaçãoajuste de escala
  4. BalanceamentoSMOTE só no treino
  5. Treino e teste80/20 estratificado
  6. Comparaçãoregressão logística, árvore, KNN e random forest
  7. Pipeline exportadoimbalanced-learn e joblib
Premiado no CONIC 2024Concluído

Inteligência artificial e reconhecimento de imagens: uma análise das tecnologias abertas no varejo

A pergunta era quais recursos técnicos e de inteligência artificial sustentam um sistema que reconheça produtos avulsos em um ponto de venda. A resposta é um protótipo: o produto passa diante da câmera, o modelo o identifica e ele entra no carrinho, onde o cliente confirma ou cancela a compra.

O caminho até um modelo confiável passou por underfitting, overfitting e várias versões. O salto veio com transfer learning sobre uma rede convolucional (YOLOv8) e com um dataset próprio de cerca de 1.200 fotos, marcadas por polígono, em oito classes de produtos. Nos testes, a assertividade ficou entre 60% e 80% para a maioria deles; as maiores dificuldades vieram das caixas de formato genérico e das embalagens reflexivas.

Diego Freire de Almeida, Leonardo de Souza Rodrigues, Nicolas Pimenta da Silva, Vitor dos Santos Rosa e Kaiky de Lara Sales. Orientação: Prof. Dr. Gerson Pastre de Oliveira.

Ler a notícia do prêmio
Gráfico com a faixa de assertividade de cada versão do modelo: de 20–35% no primeiro modelo a 60–80% com dataset próprio marcado por polígono
Estudante testa o ponto de venda com reconhecimento de produtos no estande de Ciência da Computação Estande de Ciência da Computação com o protótipo e outros projetos dos alunos
  • Python
  • OpenCV
  • YOLOv8
  • Roboflow
  • Transfer learning
  • Node.js
  • SQLite
  • Flutter