Usa o pacote abntex2

texto/01-introducao/main.tex

@@ -1,4 +1,4 @@
-\section{Introdução}
+\chapter{Introdução}
 
 Diversos modelos de psicoterapia apresentam evidência de eficácia no tratamento de transtornos mentais. Uma parcela significativa dos pacientes,
 no entanto, não responde às intervenções, podendo até mesmo apresentar piora quando submetida a tratamento psicoterápico \cite{Cuijpers2021}. A

texto/02-machine-learning/main.tex

@@ -1,6 +1,6 @@
-\section{Conceitos básicos de aprendizagem de máquina}
+\chapter{Conceitos básicos de aprendizagem de máquina}
 
-\subsection{O que é aprendizagem de máquina?}
+\section{O que é aprendizagem de máquina?}
 
 Aprendizagem de máquina é a área da ciência da computação que tem como objetivo geral o desenvolvimento de programas
 de computador capazes de aprender a realizar uma tarefa sem serem explicitamente programados \cite{Bi2019, Theobald2021}.
@@ -25,11 +25,11 @@ \subsection{O que é aprendizagem de máquina?}
 máquina. O modelo pode então ser utilizado para fazer predições sobre o nível de satisfação profissional de um indivíduo qualquer a partir de suas
 características de personalidade.
 
-\subsection{Os tipos de aprendizagem de máquina}
+\section{Os tipos de aprendizagem de máquina}
 As técnicas de aprendizagem de máquina podem ser organizadas de diferentes maneiras, incluindo classificação pela estratégia adotada durante o processo
 de aprendizagem e pelo objetivo geral de aprendizagem \cite{Theobald2021, Ng2001}.
 
-\subsubsection{Aprendizagem supervisionada, não supervisionada e por reforço}
+\subsection{Aprendizagem supervisionada, não supervisionada e por reforço}
 As categegorias mais comumente usadas na descrição de modelos de aprendizagem de máquina dizem respeito à estratégia de aprendizagem adotada. O
 modelo pode ser construído segundo uma abordagem de aprendizagem supervisionada, aprendizagem não supervisionada ou aprendizagem por reforço
 \cite{Theobald2021, Bi2019}.
@@ -53,7 +53,7 @@ \subsubsection{Aprendizagem supervisionada, não supervisionada e por reforço}
 \cite{Theobald2021, Bi2019}. Um exemplo para a aplicação deste tipo de aprendizagem é auxiliar a tomada de decisões de tratamento em condições crônicas como a
 esquizofrenia \cite{Shortreed2010}.
 
-\subsubsection{Modelos discriminativos e generativos}
+\subsection{Modelos discriminativos e generativos}
 
 Estratégias de aprendizagem supervisionada e não supervisionada podem ser utilizada na construção de modelos com objetivos de aprendizagem distintos. Modelos
 discriminativos tem por objetivo modelar probabilidade condicional de um desfecho dadas determinadas condições \cite{Bi2019, Ng2001}. Um modelo discriminativo,
@@ -66,19 +66,19 @@ \subsubsection{Modelos discriminativos e generativos}
 conjunta completa representa, em certa medida, o processo subjacente de geração dos dados, o que permite que modelos generativos sejam utilizados para gerar
 observações sintéticas \cite{Bi2019}. Esse tipo de modelo é associado a ferramentas de inteligência artificial generativa como o Chat GTP \cite{Wu2023}.
 
-\subsection{A construção de uma aplicação de machine learning}
+\section{A construção de uma aplicação de machine learning}
 
 O processo para construção de modelos de aprendizagem de máquina pode variar de acordo com a abordagem adotada, mas, de modo geral, consiste na sequência de etapas
 de pré-processamento, separação dos dados, treinamento e avaliação de desempenho do modelo \cite{Greener2021}.
 
-\subsubsection{Pré-processamento}
+\subsection{Pré-processamento}
 
 O desempenho de um modelo de aprendizagem de máquina depende, em grande medida, da forma como o conjunto de dados é apresentado. Assim é fundamental uma etapa
 de processamento inicial para garantir que os padrões mínimos de qualidade de dados são atendidos. Tarefas de pré-processemento comuns são imputação de dados
 faltantes, balanceamento de classes através de \textit{up-sampling} ou \textit{down-sampling}, recodificação de variáveis categóricas e padronização
 de variáveis quantitativas \cite{Delgadillo2020}.
 
-\subsubsection{Separação dos dados}
+\subsection{Separação dos dados}
 
 Deve-se avaliar o desempenho do modelo resultante ao final do processo de aprendizagem. Uma avaliação efetiva deve verificar o comportamento do modelo quando
 exposto a um conjunto de dados inéditos, permitindo uma boa estimativa de seu desempenho em um contexto naturalístico. Assim, uma parte dos dados disponíveis,
@@ -93,7 +93,7 @@ \subsubsection{Separação dos dados}
 sua apresentação mais comum. Nesta abordagem, o conjunto de dados de treinamento é dividido em k partes de tamanhos iguais e são realizadas k rodadas de treinamento;
 a cada rodada uma das partes é separada e usada como conjunto de dados de validação. Assim, evita-se a reserva de dados exclusivos para validação \cite{Delgadillo2020}.
 
-\subsubsection{Treinamento}
+\subsection{Treinamento}
 
 O treinamento consiste na implementação e execução do algoritmo de aprendizagem de máquina responsável por treinar o modelo. A implementação geralmente faz uso de
 uma linguagem de programação de alto nível e um framework de aprendizagem de máquina \cite{Greener2021}. Um exemplo de framework é o scikit-learn \cite{ScikitLearn}
@@ -104,7 +104,7 @@ \subsubsection{Treinamento}
 do modelo. A seleção de hiperparâmetros pode ser manual ou automatizada durante o processo de treinamento por meio da técnica de \textit{k-fold cross-validation}, onde,
 em cada uma das rodadas de treinamento, uma configuração de hiperparâmetros é utilizada e avaliada \cite{Delgadillo2020}.
 
-\subsubsection{Avaliação do desempenho}
+\subsection{Avaliação do desempenho}
 
 A avaliação do desempenho de um modelo varia de acordo com a estratégia de aprendizagem adotada. Na abordagem de aprendizagem supervisionada é possível expor o modelo a um
 novo conjunto de dados e comparar os resultados apresentados com os desfechos reais \cite{Greener2021}. Modelos de aprendizagem supervisionada que realizam tarefas de regressão

texto/03-exemplo/main.tex

@@ -1,22 +1,22 @@
-\section{Construção de um exemplo}
+\chapter{Construção de um exemplo}
 
 Usando dados de um ensaio clínico, construiu-se um modelo de aprendizagem de máquina para predizer o nível de resposta à intervenção sendo testada.
 Durante o processo de construção, optou-se pela utilização de técnicas simples, colocando a didática acima do desempenho preditivo.
 
-\subsection{O estudo original}
+\section{O estudo original}
 
 O estudo original buscava avaliar o impacto de intervenções de psicologia positiva conduzidas via internet sobre a percepção de felicidade e
 sintomas depressivos \cite{Woodworth2017}, uma tentativa de replicar os resultados obtidos em um trabalho anterior conduzido por Seligman e
 colaboradores \cite{Seligman2005}.
 
-\subsubsection{Participantes}
+\subsection{Participantes}
 
 Os participantes foram recrutados por meio de anúncios em veículos de comunicação australianos: páginas web, jornais e uma estação de rádio
 local. Um total de 295 participantes completou a fase inicial de pré-teste. O grupo era composto majoritariamente por mulheres ($85,06\%$),
 com idades entre 18 e 83 anos ($M=43,76; SD=12,43$); a maior parte dos participantes possuia nível de educação superior ($74,88\%$) e classificou
 a própria renda como média ou acima da média ($76\%$) \cite{Woodworth2017, Collins2023}.
 
-\subsubsection{Intervenções}
+\subsection{Intervenções}
 
 Os participantes foram distribuídos aleatoriamente em quatro grupos, três grupos experimentais e um grupo de controle; cada um dos três grupos
 experimentais recebeu uma intervenção distinta. O primeiro grupo experimental recebeu a intervenção de \emph{visita da gratidão}: os participantes
@@ -26,12 +26,12 @@ \subsubsection{Intervenções}
 psicoeducativa sobre forças de caráter e foram aconselhados a buscar maneiras criativas para utilizar suas próprias forças de caráter no cotidiano.
 Todas as intervenções tiveram duração de uma semana \cite{Woodworth2017}.
 
-\subsubsection{Controle}
+\subsection{Controle}
 
 O grupo de controle foi exposto à atividade placebo de \emph{memórias de infância}: os participantes receberam a instrução de reservar um momento ao
 final do dia para escrever sobre suas memórias de infância durante uma semana \cite{Woodworth2017}.
 
-\subsubsection{Desfechos}
+\subsection{Desfechos}
 
 O estudo avaliou percepção de felicidade por meio do AHI (Authentic Happiness Inventory), um instrumento de autorrelato composto por 24 items. Os itens
 são pontuados em uma escala de que vai de 1 a 5 e a pontuação total é calculada pela soma das pontuações obtidas para cada item. Resultados maiores representam
@@ -45,7 +45,7 @@ \subsubsection{Desfechos}
 O estudo também coletou informação sobre sexo, idade, nível de escolaridade e renda das participantes. As medidas foram obtidas nas ocasiões de pré-teste, pós-teste
 e 4 ocasiões de follow-up: uma semana após o pós-teste, um mês após o pós-teste, três meses após o pós-teste e seis meses após o pós-teste \cite{Woodworth2017}.
 
-\subsection{Árvores de decisão}
+\section{Árvores de decisão}
 
 Árvores de decisão representam uma classe de modelos de aprendizagem de máquina que pode ser usada para tarefas de classificação e regressão, ou seja, são
 capazes de fazer predições para valores de variáveis categóricas e numéricas. Elas utilizam uma série de regras de decisão para predizer o desfecho de interesse;
@@ -75,7 +75,7 @@ \subsection{Árvores de decisão}
 As limitações de modelos de árvore de decisão incluem sua sensibilidade a pequenas perturbações no conjunto de dados, como outliers, e uma inclinação ao sobreajuste: uma adaptação
 excessiva às nuances do conjunto de dados de treinamento que prejudica a capacidade de generalização das predições feitas pelo modelo \cite{Bi2019}.
 
-\subsection{Plano de análise de dados}
+\section{Plano de análise de dados}
 
 Construiu-se um modelo de aprendizagem de máquina do tipo árvore de decisão para predizer melhora nos níveis de sintomas depressivos a nível individual após a intervenção.
 Foram utilizados a linguagem de programação Python na versão 3.12 \cite{Python} e o pacote para processamento estatístico e de aprendizagem de máquina scikit-learn na versão
@@ -98,7 +98,7 @@ \subsection{Plano de análise de dados}
 recall. Acurácia representa o percentual de predições corretas realizadas pelo modelo de modo geral. Precisão refere-se à razão entre classificações positivas corretas e o total de classificações
 positivas feitas pelo modelo. Recall refere-se à razão entre as classificações positivas corretas e o total de observações positivas no conjunto de dados de teste.
 
-\subsection{Resultados e discussão}
+\section{Resultados e discussão}
 
 O modelo de árvore de decisão gerado é apresentado na figura \ref{fig:arvore}. O modelo conta com 17 nós organizados em uma estrutura com cinco níveis de profundidade sendo um nó raiz, sete
 nós intermediários e nove nós folha. As regras de decisão selecionadas verificam os valores de oito variáveis distintas: a pontuação total no CES-D, a pontuação nos itens 13 e 19 do CES-D,

texto/04-conclusao/main.tex

@@ -1,4 +1,4 @@
-\section{Conclusão}
+\chapter{Conclusão}
 
 Este trabalho teve como objetivo principal introduzir o tema de aprendizagem de máquina para psicólogos. Foi exposto
 um panorama geral com a apresentação dos conceitos fundamentais da área. Buscando complementar a exposição conceitual,