Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/44439
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2025_CaioCFasolakAlves_tcc.pdf15,31 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorOliveira, Roberta Barbosa-
dc.contributor.authorAlves, Caio Calixto Fasolak-
dc.identifier.citationALVES, Caio Calixto Fasolak. Uma comparação entre aprendizado de máquina tradicional e aprendizado profundo para classificação de títulos de notícias. 2025. 57 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) — Universidade de Brasília, Brasília, 2025.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2025.pt_BR
dc.description.abstractO mercado financeiro é um setor dinâmico que envolve a negociação de diversos ativos, como ações, títulos, moedas e commodities, englobando uma ampla gama de participantes, desde investidores individuais até instituições financeiras. Sua natureza complexa e volátil apresenta desafios e oportunidades associados ao uso de informações relacionadas a cada tipo de ativo. A classificação automática de títulos de notícias é uma tarefa relevante no contexto do aprendizado de máquina, especialmente considerando o crescente volume de informações publicadas diariamente em portais sobre o mercado financeiro. As técnicas tradicionais de aprendizado de máquina vêm sendo complementadas e, em alguns casos, substituídas por métodos mais avançados baseados em aprendizado de máquina profundo. Portanto, o objetivo deste trabalho é realizar a classificação automática de títulos de notí cias relacionadas ao mercado financeiro, analisando modelos tradicionais e de aprendizado profundo. Para isso, foram utilizadas três bases de dados compostas por títulos coletados de portais financeiros (Suno, InfoMoney e Money Times), sendo aplicadas técnicas de pré processamento textual e extração de características. Os modelos de classificação foram avaliados com base em métricas como acurácia e F1-Score. Os melhores resultados foram obtidos com o modelo BERT (Bidirectional Encoder Representations from Transformers), que superou os demais algoritmos em todas as bases, alcançando 83.7% de acurácia para o Suno, 84.8% de acurácia para o InfoMoney e 89.3% de acurácia para o Money Times. Os experimentos demonstram que modelos baseados em aprendizado profundo apresentam desempenho superior em tarefas de classificação de textos curtos, como títulos de notícias, destacando-se como alternativa promissora para categorização automática em domínios especializados.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordProcessamento de linguagem natural (Computação)pt_BR
dc.subject.keywordMercado financeiropt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.titleUma comparação entre aprendizado de máquina tradicional e aprendizado profundo para classificação de títulos de notíciaspt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2026-06-01T15:31:19Z-
dc.date.available2026-06-01T15:31:19Z-
dc.date.submitted2025-07-21-
dc.identifier.urihttps://bdm.unb.br/handle/10483/44439-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1The financial market is a dynamic sector that involves the trading of various assets, such as stocks, bonds, currencies, and commodities, encompassing a wide range of partici pants, from individual investors to financial institutions. Its complex and volatile nature presents challenges and opportunities associated with the use of information related to each type of asset. Automatic classification of news headlines is an important task in the context of machine learning, especially considering the growing volume of information published daily on financial news portals. Traditional machine learning techniques have been increasingly complemented, and in some cases, replaced by more advanced meth ods based on deep learning. This work aims to perform automatic classification of news headlines related to the financial market by analyzing both traditional and deep learning models. Three datasets composed of headlines collected from financial portals (Suno, InfoMoney, and Money Times) were used, with the application of textual preprocessing and feature extraction techniques. The classification models were evaluated using metrics such as accuracy and F1-score. The best results were obtained with the BERT model (Bidirectional Encoder Representations from Transformers), which outperformed other algorithms on all datasets, achieving 83.7% accuracy for Suno, 84.8% for InfoMoney, and 89.3% for MoneyTimes. Deep learning models demonstrate superior performance in short text classification tasks, thereby demonstrating their potential for automatic categoriza tion in specialized domains.pt_BR
Aparece na Coleção:Engenharia da Computação



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.