Mapeamento Automático de Perfis de Estudantes em Métricas de Software para Análise da Aprendizagem de Programação
|
|
- Pedro de Santarém de Almeida
- 5 Há anos
- Visualizações:
Transcrição
1 Mapeamento Automático de Perfis de Estudantes em Métricas de Software para Análise da Aprendizagem de Programação Márcia Gonçalves de Oliveira 1, Adler Neves 2, Leonardo L. Reblin 3, Helen França Medeiros 2, Mônica Ferreira S. Lopes 2, Elias Oliveira 3 1 Instituto Federal do Espírito Santo (Ifes - Cefor) 2 Instituto Federal do Espírito Santo (Ifes - Campus Serra) 3 Universidade Federal do Espírito Santo (Ufes) marcia.oliveira@ifes.edu.br, adlerosn@gmail.com Abstract. This work presents PCodigo II, a system of an automatic mapping of student profiles in software metrics to analyze programming learning. In addition to profile mapping in 348 software metrics, PCodigo II has mass execution, similar profile grouping, information visualization, and plagiarism analysis capabilities. The first applications of PCodigo II in real programming exercises demonstrate the effectiveness of this system for the diagnostic evaluation of programming learning. The first applications of PCodigo II in real programming exercises show that teachers, taking into account what the metrics say, can recognize the learning difficulties, good programming practices and classes of learning profiles of a whole class in a fast, detailed and holistic way. Resumo. Este trabalho apresenta o PCodigo II, um sistema de de mapeamento automático de perfis de estudantes em métricas de software para análise da aprendizagem de programação. Além do mapeamento de perfis em 348 métricas de software, o PCodigo II possui as funcionalidades de execução em massa, de agrupamento de perfis similares, de visualização da informação e de análise de plágios. As primeiras aplicações do PCodigo II em exercícios reais de programação mostram que professores, atentando para o que as métricas dizem, podem reconhecer as dificuldades de aprendizagem, boas práticas de programação e classes de perfis de aprendizagem de toda uma turma de forma rápida, detalhada e holística. 1. Introdução A avaliação da aprendizagem de programação com as finalidades de diagnosticar, regular e qualificar um processo de aprendizagem tem sido um verdadeiro desafio, uma vez que a análise de aprendizagem de programação é, de modo geral, baseada em indicadores subjetivos. Dessa forma, a carência de indicadores padronizados inviabiliza uma avaliação para reconhecimento de dificuldades de aprendizagem, habilidades e até competências em programação. Por conseguinte, a automatização desse processo também é dificultada. Embora já existam soluções a avaliação automática de programação [Pieterse 2013], uma importante questão a ser discutida é a seguinte: em vez de aplicar testes padronizados, acatar a avaliação subjetiva de professores ou buscar na DOI: /cbie.sbie
2 verbalização de estudantes possíveis indicadores de aprendizagem, não seria mais viável uma avaliação a partir da análise dos códigos de programação sob diferentes métricas para inferir dificuldades, habilidades e competências em programação? Uma alternativa para essa avaliação é o uso de métricas de software para análise de códigos-fontes visando quantificar esforço e qualidade de programação [Curtis et al. 1979, Berry and Meekings 1985]. Essas métricas podem ser utilizadas, conforme [Pettit et al. 2015], como instrumentos de análise dos processos de programação a partir de códigos-fontes para auxiliar professores na avaliação de seus alunos. Com o objetivo de analisar a aprendizagem de programação a partir de códigosfontes para reconhecimento de dificuldades de aprendizagem, habilidades e até competências em programação, foi desenvolvido o PCodigo II, uma evolução do sistema PCodigo de [Oliveira 2015] na sua forma de mapear perfis que consiste em representar soluções de programação desenvolvidas por estudantes em 348 métricas de software. A principal contribuição deste trabalho para a Informática na Educação é propor um instrumento de apoio à avaliação que possibilite professores realizarem uma análise minuciosa e multidimensional da aprendizagem de seus alunos na prática da programação. Dessa forma, através de um amplo leque de métricas, professores poderão identificar classes de perfis de alunos, analisar indicadores de possíveis causas de dificuldades de aprendizagem e comparar soluções de programação em detalhes. Para apresentar os fundamentos e funcionalidades do PCodigo II, este trabalho está organizado conforme a ordem a seguir. A Seção 2 apresenta os trabalhos relacionados. A Seção 3 descreve a arquitetura do PCodigo II e as principais métricas de software utilizadas na representação de perfis. Na Seção 4, destacam-se a aplicação do PCodigo II em cursos a distância de programação e os principais resultados. A Seção 5 conclui este trabalho destacando os principais achados, os trabalhos futuros e as considerações finais. 2. Trabalhos relacionados Os principais trabalhos relacionados à proposta deste trabalho são os trabalhos de [De Oliveira et al. 2013], de [Munson 2017] e de [Oliveira 2015]. O trabalho de [De Oliveira et al. 2013] mapeia informações de código C em componentes de habilidades. Além dessas componentes de habilidades, as métricas de avaliação de classificação automática multi-label foram utilizadas por [De Oliveira et al. 2013] como instrumentos de avaliação diagnóstica fornecendo importantes indicadores de dificuldades de aprendizagem a serem acompanhados por professores. Um estudo mais recente visa encontrar métricas para determinar, no início de um curso, quais alunos podem estar em risco [Munson 2017]. Nessa proposta, os logs de atividade de programação gerados por um ambiente de programação foram usados para gerar um conjunto de dados de variáveis, como o tempo e a quantidade de erros. O PCodigo de [Oliveira 2015], por sua vez, é um sistema de apoio à prática assistida de programação que, integrado ao ambiente Moodle, recebe soluções de programação submetidas por estudantes, executa-as e emite relatórios de avaliação para professores. As principais funcionalidades do PCodigo para apoiar o trabalho docente e favorecer a aprendizagem de programação são as seguintes [Oliveira 2015]: Executar programas em massa, representar perfis em componentes de habilidades e análise de códigos-fonte. 1338
3 O PCodigo II herda as funcionalidades do PCodigo de [Oliveira 2015], evoluindoo na representação de perfis e, como [De Oliveira et al. 2013], dá novos significados a diferentes métricas para avaliação diagnóstica da aprendizagem de programação visando identificar, assim como [Munson 2017], alunos com dificuldades de aprendizagem. 3. O PCodigo II O PCodigo II foi desenvolvido com a finalidade de ser um sistema de análise multidimensional da aprendizagem de programação a partir de códigos de programação desenvolvidos por alunos. Para isso, cada programa escrito foi representado em um perfil por um vetor de 348 dimensões, onde cada dimensão representa uma métrica de software. A ideia de se utilizar métricas de software na representação de perfis de estudantes de programação surgiu da necessidade de quantificar o trabalho de programação realizado através de variáveis de avaliação que indicassem, por exemplo: dificuldade de programação, complexidade de código, estilo de programação, número de variáveis, número de linhas de código, eficiência, quantidade de comentários e número de funções. O PCodigo II estende o PCodigo original de [Oliveira 2015] na representação de perfis de estudantes pelas métricas de análise de códigos-fontes em Linguagem C [Berry and Meekings 1985], pelas métricas de Halstead e McCabe [Curtis et al. 1979] e pelos indicadores de execução compila e executa de [Oliveira 2015]. Ao todo, o PCodigo II implementa 348 métricas para a caracterização de perfis de estudantes. A Tabela 4 apresenta algumas das principais métricas do PCodigo II. A Figura 1 apresenta arquitetura do PCodigo II com suas funcionalidades, processos, entradas e saídas. Figura 1. Arquitetura do PCodigo II 1339
4 De acordo com a Figura 1, o processo de mapeamento de perfis em métricas de software começa com a Submissão de uma Solução em C junto com um arquivo makefile e um arquivoentrada. A Solução em C contém um ou mais arquivos de um projeto contendo programas em Linguagem C, arquivos de bibliotecas e outros arquivos necessários para rodar um programa. O arquivo makefile contém instruções de execução da Solução em C e o arquivoentrada contém as entradas utilizadas para testar a Solução em C. Cada Submissão é armazenada em uma base de Exercícios de Programação via interface web do Moodle na Visão Aluno, conforme a Figura 1. Todas as submissões para cada tarefa são executadas de uma só vez pelo Núcleo Executor do PCodigo II e os arquivos executavel e arquivosaida com os resultados de execução de uma Solução em C são gerados em cada diretório de Submissão. O Pré-processamento da Figura 1 consiste em duas etapas: Cálculo das Métricas e Indexação. O Cálculo das Métricas consiste em análisar os códigos de programação em Linguagem C e a partir deles calcular os valores das métricas de [Curtis et al. 1979] e de [Berry and Meekings 1985] e dos indicadores de execução de [Oliveira 2015]. A Indexação consiste em criar uma representação vetorial chamada Perfil em que cada dimensão contém o valor e i (i = 1 348) de uma métrica de software calculada. A Figura 2 apresenta algumas das métricas de software utilizadas na representação de perfis de alunos de programação. Figura 2. Exemplos de métricas de software 1340
5 Em seguida, conforme a Figura 1, o Perfil gerado na Indexação é armazenado junto com outros perfis gerados para a mesma tarefa na Matriz M [Oliveira 2015]. Essa matriz é normalizada a valores entre 0 e 1 e é submetida a algoritmos de Clustering para agrupamento de perfis similares e ao algoritmo de Análise de Plágio para verificar similaridades entre perfis que caracterizem plágios de programação. Finalizando os processos, na Figura 1, os Relatórios de Clustering, de Visualização da Informação e de Análise de Plágio, que são descritos nas subseções a seguir, são enviados para um professor via interface Visão do Professor do Moodle. Através dos Relatórios gerados pelo PCodigo II, os professores podem realizar a análise da aprendizagem de seus alunos comparando perfis e reconhecendo por meio das métricas dificuldades de aprendizagem, boas práticas de programação e plágios Clustering e Visualização da Informação Para agrupar os perfis por similaridade, foi utilizado o algoritmo de clustering Bissecting K-means do software Cluto [Karypis 2002]. As entradas foram o número de clusters, a matriz M formada pelos vetores de perfis, os rótulos das linhas de M com os identificadores das soluções de cada aluno e os rótulos das colunas com os identificadores das métricas de software. As saídas dos algoritmos de clustering foram um arquivo contendo a identificação dos clusters a que cada solução da matriz M pertence, um gráfico de clustering apresentando os vetores de soluções distribuídos entre os clusters e um relatório com as informações detalhadas de cada cluster e dos processos de clustering. Para a visualização de informação, foram utilizados algoritmos escritos em Linguagem R para geração de mapas de calor [Kolde 2015]. Os algoritmos de clustering do software Cluto [Karypis 2002] geraram uma visualização de perfis reunidos em clusters. A Figura 4 é um exemplo de gráfico gerado pelo Cluto. Os clusters foram obtidos usando a medida de similaridade coeficiente de correlação. Dessa forma, os valores das métricas no gráfico gerado correspondem aos valores do vetor original subtraídos do vetor-média Análise de Plágios No módulo de Análise de Plágio da Figura 1, os vetores da Matriz M são comparados dois a dois e é gerada uma Matriz M A, formada pelos índices de similaridade entre cada par de vetores [Oliveira 2015] calculados pela medida cosseno [Baeza-Yates et al. 1999]. Os índices de similaridade variam de 0 (dissimilaridade) a 1 (similaridade total). Para a análise do professor, o módulo de Análise de Plágio retorna em um arquivo apenas os pares de vetores com índices de similaridade acima de 0.9, isto é, com semelhanças entre si acima de 90% [Oliveira 2015], conforme exemplo da Figura 5. A vantagem do PCodigo II em relação ao PCodigo original na Análise de Plágio é não precisar realizar processos de normalização de códigos para retirada de tokens que geram ambiguidades, de strings e de comentários, uma vez que, comparando soluções a partir de 348 variáveis de avaliação, as similaridades acima de 90% evidenciam plágios. 1341
6 4. Experimentos e Resultados Para coletar códigos de programação e para testar as funções de representação de perfis em métricas de software, de clustering, de visualização da informação e de análise de plágios do PCodigo II, foi ofertado um curso a distância de programação C para 80 alunos do ensino médio, de graduação e pós-graduação. Durante o curso, foi aplicado um exercício de programação para avaliação diagnóstica, o mesmo utilizado por [Oliveira 2015]. Esse exercício é adequado para avaliação diagnóstica porque é utiliza expressões lógicas, estruturas de controle condicional e estruturas de controle de repetição. Para o professor que aplicou a atividade, o critério de avaliação foi o uso das expressões lógicas. Dessa forma, seria uma evidência de dificuldades o uso excessivo de comparações e um número alto de linhas de código. Uma boa solução utilizaria no máximo três comparações e poucas linhas de código. O experimento foi realizado com trinta alunos que submeteram uma solução em código C para o exercício proposto por meio do ambiente virtual Moodle. Essas soluções submetidas foram executadas e mapeadas em vetores de 84 dimensões correspondentes às métricas de software não nulas para todos os alunos. Em seguida, foi gerada uma visualização desses vetores, que é apresentada na Figura 3. Figura 3. Visualização das métricas em mapa de calor Na Figura 3, as linhas são as soluções dos alunos e as colunas, os valores das métricas de software normalizados, isto é, divididos, em cada coluna, pelo maior valor de métrica. Quanto mais vermelha uma célula, maior o valor de uma métrica e, quanto mais azul, menor é o valor da métrica. A primeira coluna informa se uma solução compila (cor vermelha) ou não (cor azul). Nas demais métricas, as taxas mais altas aparecem em vermelho e as mais baixas, em azul. 1342
7 No mapa de calor da Figura 3, analisamos sete soluções identificadas com as letras A, B, C, D, E e P. De acordo com as métricas, foram identificadas soluções que evidenciam mais dificuldades (A, C, D e E), plágios (P) e a solução menos incorreta (B). As dificuldades das soluções A, B, C, D e E no gráfico da Figura 3 foram reconhecidas principalmente pela presença da cor vermelha em várias métricas, principalmente nas colunas das métricas de Halstead (métricas de esforço e dificuldade), marcadas no gráfico com o rótulo Dificuldades. Ao verificar a Solução A, por exemplo, identificamos excesso de linhas de código (112 linhas), de instruções de entrada e de saída, de estruturas condicionais, de variáveis e de tokens, conforme cor vermelha na última coluna do gráfico, que informa a quantidade de tokens. De acordo com a Figura 3, a Solução C, além do excesso de tokens, conforme a cor vermelha nas métricas mais à direita, não compila, conforme a cor azul da primeira coluna da Solução C. A Solução E, por sua vez, além de ter os mesmos excessos da Solução A, excede no número de comparações e de palavras reservadas, conforme observamos na cor vermelha nas métricas mais à direita das métricas de Dificuldades. Nesse caso, o aluno utilizou vários recursos da Linguagem C, mas não desenvolveu uma solução correta. Ao contrário das soluções A, E e C, a Solução D do gráfico da Figura 3 evidencia dificuldades de aprendizagem pelas taxas muito baixas ou nulas nos valores de várias métricas. Nesse caso, o predomínio da cor azul, em especial nas métricas de Dificuldades, indica dificuldades porque evidencia ausência de instruções de programação. Ao verificar essa solução, observou-se que o aluno só escreveu instruções básicas de entrada e saída, não utilizando expressões lógicas nem estruturas de controle condicional e de repetição. O aluno não conseguiu, portanto, operar logicamente, o que é grave, uma vez que as expressões lógicas são conteúdos fundamentais na aprendizagem de programação. A Figura 4 apresenta a visualização gerada pelos algoritmos de clustering. As linhas são rotuladas pelos identificadores dos alunos, underline e a nota do aluno com valores de 0 a 1 (0=0% e 1=100%). Quanto mais vermelho estiver o valor de uma métrica, maior é esse valor em relação ao valor médio da métrica e, quanto mais verde, menor é o valor dessa métrica em relação ao seu valor médio. A cor preta indica valor zero, isto é, a métrica assume o valor médio. De acordo com o gráfico da Figura 4, as soluções plagiadas P aparecem no mesmo cluster. No entanto, a alta similaridade entre os dois códigos passou despercebida na avaliação do professor, uma vez que uma solução obteve nota 0.6 (60%) e a outra 1.0 (100%). Além disso, conforme o predomínio da cor vermelha nas métricas de complexidade e de dificuldade do gráfico, as duas soluções indicam dificuldades de aprendizagem por excesso de código. Através desse tipo de visualização, podemos ver a importância do uso das métricas para auxiliar o trabalho de avaliação de professores de programação. Uma outra importante observação no gráfico da Figura 4 aparece nas soluções da parte mais baixa do gráfico. De forma isolada, aparecem as soluções A, C, D e E, isto é, as soluções que evidenciaram mais dificuldades de aprendizagem. As soluções A e E, segundo critérios do professor, obtiveram nota máxima e as soluções C e D obtiveram notas 0.0 e 0.4, respectivamente. As soluções A e E, embora indicassem muito esforço, o professor possivelmente considerou que a solução deu certo embora não estivesse certa. A Solução C possivelmente recebeu nota zero por não ter compilado e a Solução 1343
8 Figura 4. Gráfico de clustering D perdeu 0.6 porque estava incompleta sem as expressões lógicas e sem as estruturas condicionais e de repetição. A Solução B e as demais soluções presentes no mesmo cluster na Figura 4 aparecem com predomínio de baixos valores de complexidade e a Solução B e a solução abaixo dela aparecem com predomínio da cor preta nas métricas de complexidade, confirmando, por estarem com os valores médios dessas métricas, que são as melhores soluções da turma, embora não estejam 100% corretas conforme análise de um professor. A Figura 5 apresenta o relatório de similaridade das soluções submetidas que foram reconhecidas como suspeitas de plágio, isto é, com índices de similaridade acima de 90%. Nas linhas 19 e 20 do relatório, aparecem as soluções P, chamadas, respectivamente, de Solução 4 e Solução 21. Essas soluções têm similaridade de 97.78%, indicando fortes indícios de plágios. Analisando os vetores das linhas 19 e 20, observamos que os valores normalizados das métricas são muito próximos. A Tabela 1 apresenta os códigos dessas soluções e confirma a alta similaridade entre elas. De acordo com a Tabela 1, os códigos suspeitos de plágio assemelham-se pelas instruções e pelo erro comum de utilizar a estrutura de seleção da Linguagem C switch. Conforme [Oliveira 2015], quando os alunos têm dificuldades em programar e resolvem colar, eles costumam mudar apenas os nomes dos identificadores como, por exemplo, nomes de variáveis. No entanto, eles não alteram os códigos de programação por não entendê-los. Observando o início das duas soluções da Tabela 1, conclui-se que o plagiador fez a alteração apenas nos nomes das variáveis. Os resultados apresentados demonstram, portanto, que a análise de aprendizagem a partir das métricas de software, é uma possibilidade muito favorável ao trabalho de avaliação de professores de programação, pois auxiliam-nos a compreenderem as dificuldades de aprendizagem de seus alunos principalmente quando estas se evidenciam em 1344
9 Figura 5. Análise de plágios Solução 4 Solução 21 # i n c l u d e <s t d i o. h> i n t main ( ) { i n t t, gn, vf, gp, vc, e, pt1, pt2, pt3, camp, v i c e ; f o r ( t = 1 ; t <= 3 ; t ++) { p r i n t f t ) ; p r i n t f ) ; s c a n f ( %d, &gp ) ; s w i t c h ( t ){ c a s e 1 : pt1 = (5 gp gn + 3 vf + 2 vc + e ) ; p r i n t f t, p t 1 ) ; break ; c a s e 3 : pt3 = (5 gp gn + 3 vf + 2 vc + e ) ; p r i n t f t, p t 3 ) ; break ; d e f a u l t : break ; } } i f ( pt1>p t 2 ) camp =1; e l s e camp =2; i f ( pt3>camp ) camp =3; i f ( camp ==3) i f ( pt2>p t 1 ) v i c e =2; e l s e v i c e =1; p r i n t f camp, v i c e ) ; # i n c l u d e<s t d i o. h> i n t main ( ) { i n t time, GP, GN, VF, VC, E, P1, P2, P3, primeiro, segundo ; for ( time = 1 ; time <= 3 ; time ++) { p r i n t f time ) ; p r i n t f ) ; s c a n f ( %d,&gp ) ; s w i t c h ( t ime ) { case 1 : P1 = (5 GP GN + 3 VF + 2 VC + E ) ; p r i n t f time, P1 ) ; break ; case 3 : P3 = (5 GP GN + 3 VF + 2 VC + E ) ; p r i n t f time, P3 ) ; break ; d e f a u l t : b r e a k ; } } i f ( P1>P2 ) p r i m e i r o =1; e l s e p r i m e i r o =2; i f ( P3>p r i m e i r o ) p r i m e i r o =3; i f ( p r i m e i r o ==P3 ) i f ( P2>P1 ) segundo =2; e l s e segundo =1; p r i n t f p r i m e i r o, segundo ) ; r e t u r n 0 ; } } Tabela 1. Programas suspeitos de plágios uma turma inteira. Além disso, as métricas podem ajudar professores a descobrirem o que caracteriza as boas soluções. Entendemos, portanto, que o PCodigo II apresenta-se como uma ferramenta muito útil para avaliação diagnóstica da aprendizagem de programação e que muito pode contribuir para professores entenderem como seus alunos programam e por que eles têm dificuldades e, a partir dessa compreensão, reorientar o ensino de forma a promover êxitos coletivos de aprendizagem. 1345
10 5. Considerações Finais Este trabalho apresentou o sistema PCodigo II como um instrumento de análise da aprendizagem de programação a partir de informações de código-fonte por mapeamento de perfis em 348 métricas de software. Os resultados da primeira experiência apontam o PCodigo II como uma ferramenta adequada para análise minuciosa e multidimensional da aprendizagem de programação. Como trabalhos futuros a partir deste, sugerimos selecionar automaticamente as métricas mais relevantes para a avaliação de diferentes tipos de exercícios de programação e criar significados de grupos de métricas. Em resumo, o PCodigo II apresenta-se como uma ferramenta de avaliação diagnóstica eficaz que auxilia professores a melhor compreenderem os processos de aprendizagem de seus alunos. Dessa forma, a contribuição dessa ferramenta para favorecer a aprendizagem de programação é ter um mecanismo para mostrar como os alunos programam, apontar dificuldades individuais e comuns em um turma e também reconhecer boas práticas de programação que caracterizam programadores hábeis e competentes. Referências Baeza-Yates, R., Ribeiro-Neto, B., et al. (1999). Modern information retrieval, volume 463. ACM press New York. Berry, R. and Meekings, B. A. (1985). A style analysis of C programs. Communications of the ACM, 28(1): Curtis, B., Sheppard, S. B., Milliman, P., Borst, M., and Love, T. (1979). Measuring the psychological complexity of software maintenance tasks with the halstead and mccabe metrics. IEEE Transactions on software engineering, (2): De Oliveira, M. G., Ciarelli, P. M., and Oliveira, E. (2013). Recommendation of programming activities by multi-label classification for a formative assessment of students. Expert Systems with Applications, 40(16): Karypis, G. (2002). CLUTO: Clustering Toolkit. Technical report, Minnesota Univ Minneapolis Dept of Computer Science. Kolde, R. (2015). Pheatmap: Pretty heatmaps. R package version Munson, J. P. (2017). Metrics for timely assessment of novice programmers. J. Comput. Sci. Coll., 32(3): Oliveira, M; Nogueira, M. O. E. (2015). Sistema de apoio à prática assistida de programação por execução em massa e análise de programas. In CSBC Workshop de Educação em Informática (WEI), Recife - PE. Pettit, R., Homer, J., Gee, R., Mengel, S., and Starbuck, A. (2015). An empirical study of iterative improvement in programming assignments. In Proceedings of the 46th ACM Technical Symposium on Computer Science Education, pages ACM. Pieterse, V. (2013). Automated assessment of programming assignments. In Proceedings of the 3rd Computer Science Education Research Conference on Computer Science Education Research, pages Open Universiteit, Heerlen. 1346
PCodigo II: O Sistema de Diagnóstico da Aprendizagem de Programação por Métricas de Software
PCodigo II: O Sistema de Diagnóstico da Aprendizagem de Programação por Métricas de Software Adler Neves 1, Márcia Gonçalves de Oliveira 1, Helen França Medeiros 1, Mônica Ferreira S. Lopes 1, Leonardo
Um Curso de Programação a Distância com Metodologias Ativas e Análise de Aprendizagem por Métricas de Software
Um Curso de Programação a Distância com Metodologias Ativas e Análise de Aprendizagem por Métricas de Software Márcia Gonçalves de Oliveira CEFOR/IFES marcia.oliveira@ifes.edu.br Adler Neves IFES adlerosn@gmail.com
Sistema de Apoio à Avaliação de Atividades de Programação por Reconhecimento Automático de Modelos de Soluções
WEI - 24º Workshop sobre Educação em Computação Sistema de Apoio à Avaliação de Atividades de Programação por Reconhecimento Automático de Modelos de Soluções Márcia G. de Oliveira 1, Leonardo Leal Reblin
Representação da Diversidade de Componentes Latentes em Exercícios de Programação para Classificação de Perfis
Representação da Diversidade de Componentes Latentes em Exercícios de Programação para Classificação de Perfis Márcia G. de Oliveira 1, Nátaly A. Jiménez Monroy 2, Paula Daher Ximenes 2, Elias Oliveira
Avaliação de atividades de programação submetidas em MOOC com emprego de técnicas de visualização
III Workshop de Ensino em Pensamento Computacional, Algoritmos e Programação VI Congresso Brasileiro de Informática na Educação Avaliação de atividades de programação submetidas em MOOC com emprego de
Reconhecimento Automático de Representações de Rúbricas em Agrupamentos de Soluções de Exercícios de Programação
Reconhecimento Automático de Representações de Rúbricas em Agrupamentos de Soluções de Exercícios de Programação Márcia G. de Oliveira 1, Leonardo Leal Reblin 2, Mateus Batista de Souza 2, Elias Oliveira
Realimentação de Relevância
Wendel Melo Faculdade de Computação Universidade Federal de Uberlândia Recuperação da Informação Ciclo de realimentação onde uma consulta q recebida do usuário é transformada em uma consulta modificada
Uma Arquitetura de Tutor Inteligente que Provê Suporte ao Diálogo com o Aluno Iniciante em Linguagem de Programação
Uma Arquitetura de Tutor Inteligente que Provê Suporte ao Diálogo com o Aluno Iniciante em Linguagem de Programação Renato de M. Santos 1, Crediné Silva de Menezes 1, Davidson Cury 1 1 Programa de Pós-Graduação
O Sistema NADID para Avaliação de Dificuldades de Aprendizagem no Processo de Indexação de Documentos
O Sistema NADID para Avaliação de Dificuldades de Aprendizagem no Processo de Indexação de Documentos Márcia G. de Oliveira 1, Nádia Elôina Barcelos Fraga 2, Lucinéia Barbosa da Costa 3, Elias Oliveira
Mineração de Textos na Web
Mineração de Textos na Web Luciano Antonio Digiampietri Escola de Artes Ciências e Humanidades da Universidade de São Paulo digiampietri@usp.br Resumo: Com o crescimento das informações disponíveis na
15 Congresso de Iniciação Científica AVALIAÇÃO DA RELAÇÃO ENTRE EFICÁCIA E CUSTO NA ATIVIDADE DE TESTE DE SOFTWARE
15 Congresso de Iniciação Científica AVALIAÇÃO DA RELAÇÃO ENTRE EFICÁCIA E CUSTO NA ATIVIDADE DE TESTE DE SOFTWARE Autor(es) CAROLINA FONTANA Orientador(es) Waldo Luís de Lucca Apoio Financeiro FAPIC 1.
Estudo de Visualizações da Evolução de Códigos Fonte de Software
Estudo de Visualizações da Evolução de Códigos Fonte de Software Marcello Henrique Dias de MOURA Hugo Alexandre Dantas do NASCIMENTO Instituto de Informática Universidade Federal de Goiás Goiânia, Goiás,
DESCOMPLICANDO A PROGRAMAÇÃO EM LINGUAGEM C. UMA SOLUÇÃO PARA DEPURAÇÃO SIMPLES DE CÓDIGOS. GOMES, M. S. ¹, AMARAL, E. M H. ¹
DESCOMPLICANDO A PROGRAMAÇÃO EM LINGUAGEM C. UMA SOLUÇÃO PARA DEPURAÇÃO SIMPLES DE CÓDIGOS. GOMES, M. S. ¹, AMARAL, E. M H. ¹ ¹ Universidade Federal do Pampa (UNIPAMPA) Bagé RS Brasil RESUMO Este trabalho
ELABORAÇÃO DE UM SERVIÇO DE RECOMENDAÇÃO COLABORATIVA BASEADA EM MEMÓRIA
ELABORAÇÃO DE UM SERVIÇO DE RECOMENDAÇÃO COLABORATIVA BASEADA EM MEMÓRIA Thiago Machado Mendes - Ifes Campus Cachoeiro de Itapemirim, thiagommendes16@gmail.com Rafael Vargas Mesquita dos Santos - Ifes
Análise espacial do PIB nas microrregiões do estado de Minas Gerais
Análise espacial do PIB nas microrregiões do estado de Minas Gerais 1 Introdução 1 2 3 Agradecimento à FAPEMIG pelo apoio financeiro. Thiago Junior Furtado Garcia 1 Flaviano José Teixeira 2 João Domingos
Avaliar para Desenvolver Habilidades e Nivelar: Metodologia de Avaliações Online como Apoio ao Ensino e à Aprendizagem de Classificação Documentária
Avaliar para Desenvolver Habilidades e Nivelar: Metodologia de Avaliações Online como Apoio ao Ensino e à Aprendizagem de Classificação Documentária Márcia G. de Oliveira 1, Elias Oliveira 2 1 Programa
Linguagens de Programação Classificação
Classificação Classificação A proximidade que a linguagem de programação tem com a humana determina sua classe (o nível): Linguagem de máquina (primeira geração) Linguagem assembly - de montagem (segunda
Não utilize caracteres acentuados ou especiais para nomes de pastas e arquivos.
BCC201 Introdução à Programação (2016-01) Departamento de Computação - Universidade Federal de Ouro Preto - MG Professor: Reinaldo Fortes (www.decom.ufop.br/reinaldo) Estagiário docente: Washington Silva
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:
Indexação e Busca. O objetivo deste trabalho é projetar e implementar um sistema de programas para indexação e busca em arquivos de texto.
Universidade Federal do Espírito Santo Departamento de Informática Estruturas de Dados 2017/1 Profa. Claudine Badue Trabalho 2 1. Objetivo Indexação e Busca O objetivo deste trabalho é projetar e implementar
Visualização Computacional
Visualização Computacional Séries Temporais Rafael Umino Nakanishi Universidade de São Paulo Instituto de Ciências Matemáticas e Computação Novembro de 2013 Rafael Umino Nakanishi (USP-ICMC) Visualização
Descritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
TREINAMENTO PARA COMPETIÇÕES DE PROGRAMAÇÃO: Estudo de caso nas turmas do técnico em informática integrado do Câmpus Muzambinho RESUMO
TREINAMENTO PARA COMPETIÇÕES DE PROGRAMAÇÃO: Estudo de caso nas turmas do técnico em informática integrado do Câmpus Muzambinho Leonardo S. da COSTA 1 ; Tiago G. BOTELHO 2 RESUMO Competições de programação
Mapeamento robótico. Mapeamento semântico. Metodologia. Maquinas de vetores de suporte. Maquinas de vetores de suporte. Modelos ocultos de Markov
Mapeamento robótico Exemplos de mapas: Mapeamento semântico Mapeamento semântico consiste na criação de mapas que não representam apenas a ocupação métrica do ambiente, mas também outras propriedades.
A Figura 28 mostra a representação gráfica dos dados presentes na base de dados fcmdata do Matlab de dimensão 140x2 dividida em 2 grupos.
84 5 Estudos de Caso A seguir serão apresentados três estudos de caso. Os dois primeiros estudos de caso têm por objetivo demonstrar a facilidade de uso do aplicativo, e o último estudo de caso é focado
1 Introdução. 2 Especificação
Bacharelado em Ciência da Computação DINF / UFPR CI067 - Oficina de Computação 2. semestre 2012 Prof. Luiz Eduardo S. de Oliveira Prof. Diego Roberto Antunes 29/11/2012 Releases - Histórico: r0 29/11/2012
A Anatomia de um Programa SAS
Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Seção Técnica de Informática A Anatomia de um Programa SAS Fundamentos Piracicaba / 2016 2 A Anatomia de um Programa SAS A Anatomia
Aluno de Pós-Graduação em Engenharia de Software para Dispositivos Móveis pela UNINTER
COMPARAÇÃO DE DESEMPENHO NA PROGRAMAÇÃO PARALELA HÍBRIDA (MPI + OPENMP) NA BUSCA DE TEXTO EM ARQUIVOS 1 COMPARISON OF PERFORMANCE IN HYBRID PARALLEL PROGRAMMING (MPI + OPENMP) IN SEARCH OF TEXT IN FILES
JAVA. Professor: Bruno Toledo
JAVA Professor: Bruno Toledo Funcionamento de uma LP Em uma Linguagem de Programação (LP) como C e Pascal, temos o seguinte quadro quando vamos compilar um programa. Código fonte em c Teste.c Gera código
AMBIENTE VIRTUAL DE APRENDIZAGEM
AMBIENTE VIRTUAL DE APRENDIZAGEM SafeAssign (Ferramenta Antiplágio) Neste tutorial, vamos mostrar a funcionalidade do SafeAssign, ferramenta antiplágio do ambiente virtual de aprendizagem Blackboard. O
SISTEMA DE CORREÇÃO AUTOMÁTICA DE TESTES DE MÚLTIPLA ESCOLHA USANDO TÉCNICAS DE PROCESSAMENTO DE IMAGENS
Patrocínio, MG, outubro de 2016 ENCONTRO DE PESQUISA & EXTENSÃO, 3., 2016, Patrocínio. Anais... Patrocínio: IFTM, 2016. SISTEMA DE CORREÇÃO AUTOMÁTICA DE TESTES DE MÚLTIPLA ESCOLHA USANDO TÉCNICAS DE PROCESSAMENTO
ANALISANDO TÉCNICAS DE DESENVOLVIMENTO EM REPOSITÓRIOS DE SOFTWARE ALUNO: BRENO GUSTAVO DE CARVALHO SIQUEIRA TORRES ORIENTADOR: MÁRCIO LOPES CORNÉLIO
ANALISANDO TÉCNICAS DE DESENVOLVIMENTO EM REPOSITÓRIOS DE SOFTWARE ALUNO: BRENO GUSTAVO DE CARVALHO SIQUEIRA TORRES ORIENTADOR: MÁRCIO LOPES CORNÉLIO RECIFE, SETEMBRO 2016 DE SUMÁRIO Resumo e Objetivo...
Seiji Isotani CURRICULUM VITAE
Seiji Isotani CURRICULUM VITAE São Paulo 2004 1. Dados Pessoais Nome: Seiji Isotani Data e Local de Nascimento: 09/09/1979, Osasco/SP - Brazil Endereço Atual : Osasco, SP Brazil Telefone: (11) 3609-1033
Engenharia de Software II
Engenharia de Software II Aula 19 http://www.ic.uff.br/~bianca/engsoft2/ Aula 19-28/05/2006 1 Ementa Processos de desenvolvimento de software Estratégias e técnicas de teste de software Métricas para software
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO Sistema de Sumarização Automática de Textos Baseado em Classes de Documentos PROPOSTA DE TRABALHO DE GRADUAÇÃO
Aprendizagem de Máquina
Problema do Agrupamento Aprendizagem de Máquina Alessandro L. Koerich Seja x = (x 1, x 2,, x d ) um vetor d dimensional de características Seja D um conjunto de x vetores, D = { x(1), x(2),, x(n) } Problema
Perfil das Alunas no Departamento de Computação da Universidade de Brasília
Perfil das Alunas no Departamento de Computação da Universidade de Brasília Maristela Holanda, Marília Dantas, Gustavo Couto, Jan Mendonça Correa, Aleteia Patrícia F. de Araújo, Maria Emília T. Walter
Gauss-Seidel para Solução de Sistemas com Matrizes Banda Usando Armazenamento Especial
Universidade Federal do Espírito Santo Departamento de Informática Algoritmos Numéricos 2016/2 Profa. Claudine Badue Trabalho 1 Objetivos Gauss-Seidel para Solução de Sistemas com Matrizes Banda Usando
INF Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza
INF2608 - Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza Trabalho 02 Visualização de Imagens Sísmicas e Detecção Automática de Horizonte Resumo Este trabalho
Linguagens de Domínio Específico
Linguagens de Domínio Específico Fabio Mascarenhas 2017.1 http://www.dcc.ufrj.br/~fabiom/dsl Por que DSLs? Melhorar a produtividade dos programadores input =~ /\d{3}-\d{3}-\d{4}/ Facilitar a escrita e
Índice. Classificação de textos para o ensino de português como segunda língua. Índice. technology from seed
Classificação de textos para o ensino de português como segunda língua Pedro Santos Curto Conclusões, Contribuições e Trabalho futuro 1 2 Motivação Aplicações e escala da classificação de textos Motivação
SEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
AVALIAÇÃO DA PRECISÃO DO SENSOR KINECT PARA MEDIDAS DE DISTÂNCIA
AVALIAÇÃO DA PRECISÃO DO SENSOR KINECT PARA MEDIDAS DE DISTÂNCIA Paulo R. S. Custódio 1, Gustavo C. Silva 2, Helosman V. Figueiredo 3 1,3 Universidade do Vale do Paraíba, paulo55866@gmail.com 2 PROBES
Sistemas Digitais INE 5406
Universidade Federal de Santa Catarina Centro Tecnológico Departamento de Informática e Estatística Curso de Graduação em Ciências da Computação Sistemas Digitais INE 5406 Aula 10-P Refinamento das especificações
ENGENHARIA DE SOFTWARE
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO NORTE Curso Técnico em Informática Roteiro Análise: ENGENHARIA DE SOFTWARE - Análise Estruturada: - Diagrama de (DFD). - Níveis de Visão
COMPARAÇÃO DE DESEMPENHO ENTRE IMPLEMENTAÇÕES DO ALGORITMO JOGO DA VIDA COM PTHREAD E OPEMMP 1
COMPARAÇÃO DE DESEMPENHO ENTRE IMPLEMENTAÇÕES DO ALGORITMO JOGO DA VIDA COM PTHREAD E OPEMMP 1 Márcia Da Silva 2, Igor Gamste Haugg 3, Eliézer Silveira Prigol 4, Édson L. Padoin 5, Rogério S. M. Martins
Algoritmos Computacionais
UNIDADE 1 Processador e instruções Memórias Dispositivos de Entrada e Saída Software ARQUITETURA BÁSICA UCP Unidade central de processamento MEM Memória E/S Dispositivos de entrada e saída UCP UNIDADE
Universidade Federal do Espírito Santo Departamento de Informática 1 o Trabalho de Algoritmos Numéricos I - 17/2 Sistemas Lineares
Universidade Federal do Espírito Santo Departamento de Informática 1 o Trabalho de Algoritmos Numéricos I - 17/2 Sistemas Lineares (Cursos: Engenharia Mecânica, Engenharia de Computação e Ciência da Computação)
Terceiro Trabalho Prático. Este trabalho tem como objetivo ordenar um arquivo de dados e implementar as operações cosequenciais de merging e matching.
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Ciências de Computação Disciplina de Algoritmos e Estruturas de Dados II docente Profa. Dra. Cristina Dutra de
Aula 4 Introdução ao C
Considere o nosso MSC. O Processador Central, entende o conjunto de instruções, leia, imprima, atribuição e condicional e com ela resolvemos vários problemas, construindo vários algoritmos. As instruções
Biblioteca de auxílio ao uso de elementos gráficos
UFU Universidade Federal de Uberlândia Faculdade de Computação Biblioteca de auxílio ao uso de elementos gráficos Caio de Oliveira Campos Orientador: André Ricardo Backes Uberlândia Março de 2014 Introdução
6.2 Análise da Viabilidade do Lançamento de um Produto 27
159 6.2 Análise da Viabilidade do Lançamento de um Produto 27 Neste caso, o MAB será aplicado em um problema com o qual, constantemente, se deparam os profissionais de marketing: estudar a viabilidade
Sistemas de Recomendação Uma abordagem geral
Sistemas de Recomendação Uma abordagem geral Universidade Estadual de Maringá Departamento de Informática Programa de Pós-Graduação Mestrado em Ciência da Computação Disciplina: Seminários II Aluna: Késsia
Algoritmos e Programação
ESTADO DE MATO GROSSO SECRETARIA DE ESTADO DE CIÊNCIA E TECNOLOGIA UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA ELÉTRICA
100 Exercícios Teóricos não resolvidos
1 GUIA DE ESTUDO LINGUAGEM DE PROGRAMAÇÃO C++ 100 Exercícios Teóricos não resolvidos Prof. Universitário e Consultor Silva Quiala Msc, Bsc, HND Uso exclusivo para estudantes ( Versão Adaptada) 21 de Setembro
MODOS DE ENDEREÇAMENTO E CONJUNTO DE INSTRUÇÕES
MODOS DE ENDEREÇAMENTO E CONJUNTO DE INSTRUÇÕES Alexandre Lucas Chichosz Discente do curso Engenharia da Computação Calwann de Souza Freire Discente do curso Engenharia da Computação Myke Albuquerque Pinto
Ciclo de vida: fases x atividades
Ciclo de vida Fase de definição Análise e Especificação Estudo de Viabilidade Estimativas Planejamento Fase de desenvolvimento Design Implementação e integração Verificação e Validação Fase de operação
Identificação de Pontos Perceptualmente Importantes (PIP) em séries temporais de tópicos extraídos de dados textuais
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Ciências de Computação - ICMC/SCC Comunicações em Eventos - ICMC/SCC 2015 Identificação de Pontos Perceptualmente
Automatização do processo de geração dos resultados do projeto Zarc
Resumos Expandidos: XIII Mostra de Estagiários e Bolsistas... 15 Automatização do processo de geração dos resultados do projeto Zarc Daniel Meneguin Barbosa 1 Renato José Santos Maciel 2 Resumo: Este trabalho
Deep Learning for Chinese Word Segmentation and POS Tagging
Deep Learning for Chinese Word Segmentation and POS Tagging Lin Yu Han Universidade Federal do Paraná Novembro 2015 Tagging: Sumário Sumário Introdução. Arquitetura da Rede Neural Experimentos Considerações
PROGTEST: Ambiente de Submissão e Avaliação de Trabalhos
PROGTEST: Ambiente de Submissão e Avaliação de Trabalhos Práticos Camila K. Della Corte 1, Ana Cláudia Riekstin 1, Marco Aurélio Graciotto Silva 1, Ellen F. Barbosa 1, José Carlos Maldonado 1 1 Instituto
Descoberta de conhecimento em redes sociais e bases de dados públicas
Descoberta de conhecimento em redes sociais e bases de dados públicas Trabalho de Formatura Supervisionado Bacharelado em Ciência da Computação - IME USP Aluna: Fernanda de Camargo Magano Orientadora:
ALGORITMOS E TÉCNICAS DE PROGRAMAÇÃO
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO NORTE ALGORITMOS E TÉCNICAS DE PROGRAMAÇÃO Docente: Éberton da Silva Marinho e-mail: ebertonsm@gmail.com eberton.marinho@ifrn.edu.br
RECONHECIMENTO FACIAL UTILIZANDO EIGENFACES
Universidade Federal do Rio de Janeiro Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia Programa de Engenharia de Sistemas e Computação Rio de Janeiro, RJ Brasil RECONHECIMENTO
4 Análise de Dados. 4.1.Procedimentos
4 Análise de Dados 4.1.Procedimentos A idéia inicial para a comparação dos dados foi separá-los em series de 28 ensaios, com a mesma concentração, para depois combinar esses ensaios em uma única série.
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
AMBIENTE DIDÁTICO GRÁFICO PARA A COMPREENSÃO DE LÓGICA DE PROGRAMAÇÃO. Rodrigo Ferreira da Silva
AMBIENTE DIDÁTICO GRÁFICO PARA A COMPREENSÃO DE LÓGICA DE PROGRAMAÇÃO Rodrigo Ferreira da Silva rodrigoferreira2002@hotmail.com Klaus Schlünzen Junior klaus@prudente.unesp.br Universidade Estadual Paulista
Introdução à Computação: Máquinas Multiníveis
Introdução à Computação: Máquinas Multiníveis Beatriz F. M. Souza (bfmartins@inf.ufes.br) http://inf.ufes.br/~bfmartins/ Computer Science Department Federal University of Espírito Santo (Ufes), Vitória,
IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS. André Zuconelli 1 ; Manassés Ribeiro 2
IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS André Zuconelli 1 ; Manassés Ribeiro 2 INTRODUÇÃO As tecnologias assistivas têm a finalidade de auxiliar pessoas com deficiência a alcançar
Aprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo k-nearest Neighbors (knn) Como os filmes são categorizados em gêneros? O que
Levantamento de Classes
Levantamento de Classes Conceito de Classe e Objeto Principais primitivas ou elementos de composição de softwares orientados a objetos Objeto elemento componente de um sistema computacional entidade que
Desenvolvimento de Ferramentas no igeom: Utilizando a Geometria Dinâmica no Ensino
Desenvolvimento de Ferramentas no igeom: Utilizando a Geometria Dinâmica no Ensino Presencial e à Distância Seiji Isotani Orientador: Leônidas de Oliveira Brandão Defesa de Mestrado Departamento de Ciência
Técnicas para Reutilização de Software
DCC / ICEx / UFMG Técnicas para Reutilização de Software Eduardo Figueiredo http://www.dcc.ufmg.br/~figueiredo Panorama de Reutilização Frameworks Padrões de projeto Aplicações configuráveis Padrões de
Combinando Fatores de Ponderação para Melhorar a
Computer on the Beach 2014 - Artigos Completos 32 Combinando Fatores de Ponderação para Melhorar a Classificação de Textos Frederico P. de Souza 1, Patrick M. Ciarelli 2, Elias de Oliveira 1 1 Departamento
Sistemas Distribuídos
Sistemas Distribuídos Análise de Desempenho junho de 2015 A arte de avaliação de desempenho... Raj Jain. The Art of Performance Analysis. Wiley. 1991. metodologia cargas ferramentas Comparando resultados
Comparação dos algoritmos sequencial e paralelo para contagem de palavras e contexto
Comparação dos algoritmos sequencial e paralelo para contagem de palavras e contexto Eduardo Delazeri Ferreira, Francieli Zanon Boito, Aline Villavicencio 1. Introdução 1 Instituto de Informática - Universidade
Revisão/Mapeamento Sistemático
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação SSC0572 - Computadores, Sociedade e Ética Profissional Revisão/Mapeamento Sistemático Prof. Dr. José Carlos Maldonado PAE: Pedro
Notas de Aula Guilherme Sipahi Arquitetura de Computadores
Notas de Aula Guilherme Sipahi Arquitetura de Computadores Endereçamento O Campo de endereço em uma instrução é pequeno. Para referenciar uma faixa de endereços maior na memória principal, ou em alguns
Software Para Geração de Consultas e Relatórios
Software Para Geração de Consultas e Relatórios Características e Funcionalidades Versão 1.1 Iniview é marca registrada da Projedata Informática Ltda. Todos os direitos reservados à Projedata Informática
Modelo de plano analitico
Modelo de pla analitico Disciplina: Algoritmização e Programação Curso: Licenciatura em Ensi de Informática A/Semestre: 1º A/2º Semestre Carga horária: 4 h/semana; Docente: Célio Sengo Introdução A linguagem
Linguagens de Programação
O estudante estuda muito. Regras: 7 9 12 14. . Regras: 2 4 . Regras: 1 Representar através de uma árvore de derivação. 77 O estudante estuda muito.
Atividade prática orientada: delimitação de bacias hidrográficas usando o QGIS
Relatório Técnico GPDEN No. 06. Atividade prática orientada: delimitação de bacias hidrográficas usando o QGIS Fernando Mainardi Fan www.ufrgs.br/gpden 1 1. Introdução Agora que já estudamos a teoria,
Implementação da Especificação de Tempo Real Java para o EPOS
UNIVERSIDADE FEDERAL DE SANTA CATARINA Curso de Ciências da Computação Implementação da Especificação de Tempo Real Java para o EPOS ANDERSON LUIS ZAPELLO Florianópolis, julho de 2005 ANDERSON LUIS ZAPELLO
Aula 7 Medidas de Distância. Profa. Elaine Faria UFU
Aula 7 Medidas de Distância Profa. Elaine Faria UFU - 2017 Agradecimentos Este material é baseado No livro Tan et al, 2006 Nos slides do prof Andre C. P. L. F. Carvalho Agradecimentos Ao professor André
Determinação do Grau de Similaridade entre Frases
Determinação do Grau de Similaridade entre Frases UC 21095 Projeto Final Licenciatura em Informática Estudante nº 1100194: Helena Sofia Felisberto Coelho Orientadora: Prof.ª Gracinda Carvalho Lisboa, setembro
DGPAPP Tutorial. Introdução. Daniel Centeno Einloft Vinicius Meirelles Pereira. 20 May 2014
DGPAPP Tutorial Daniel Centeno Einloft Vinicius Meirelles Pereira 20 May 2014 Qualquer um tem o direito de copiar, modicar e distribuir cópias deste documento, sob os termos da GNU Free Documentation License
Lição 4 Fundamentos da programação
Lição 4 Fundamentos da programação Introdução à Programação I 1 Objetivos Ao final desta lição, o estudante será capaz de: Identificar as partes básicas de um programa em Java Reconhecer as diferenças
Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Tipos de Aprendizagem. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Tipos de Aprendizagem Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir diferentes tipos de
Introdução a Teste de Software
Universidade Católica de Pelotas Tecnólogo em Análise e Desenvolvimento de Sistemas Disciplina de Qualidade de Software Introdução a Teste de Software Prof. Luthiano Venecian 1 Conceitos Teste de software
Workshop de Ambientes de apoio à Aprendizagem de Algoritmos e Programação (SBIE 2007) Instituto de Ciências Matemáticas e de Computação ICMC-USP
Camila K. D. Corte, Ana C. Riekstin Marco Aurélio G.Silva Ellen F. Barbosa, José C. Maldonado camila, claudiar, magsilva, francine, jcmaldon@icmc.usp.br Workshop de Ambientes de apoio à Aprendizagem de
Mineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular WEKA Tópicos Introdução Simuladores de MD Principais módulos André C. P. L. F. de Carvalho Monitor: Váléria Carvalho André Ponce de Leon de Carvalho 2 Usando MD
2. Descrição do Trabalho. Figura 1. Datapath do MIPS Superescalar CES SE
Especificação do Projeto Simulador MIPS Superescalar CES- 25 Arquiteturas para Alto Desempenho Prof. Paulo André Castro Equipe: até três alunos Última atualização: 5/junho/2018 1. Objetivo Exercitar e
MODOS DE ENDEREÇAMENTO E CONJUNTO DE INSTRUÇÕES
MODOS DE ENDEREÇAMENTO E CONJUNTO DE INSTRUÇÕES Alexandre Lucas Chichosz Graduando em Engenharia da Computação, Faculdades Integradas de Três Lagoas FITL/AEMS Calwann de Souza Freire Graduando em Engenharia
COMPILAÇÃO. Ricardo José Cabeça de Souza
COMPILAÇÃO Ricardo José Cabeça de Souza www.ricardojcsouza.com.br Programas Código-fonte escrito em linguagem de programação de alto nível, ou seja, com um nível de abstração muito grande, mais próximo
Construindo Jogos Digitais para apoiar o Ensino de Matemática e Ensinar a Construir e Testar Sistemas Concorrentes
Construindo Jogos Digitais para apoiar o Ensino de Matemática e Ensinar a Construir e Testar Sistemas Concorrentes Fagner Silva Martins (Bolsista), Marcelo de Melo Fernandes (Bolsista), Ayla Débora Dantas
Introdução à Programação. João Manuel R. S. Tavares
Introdução à Programação João Manuel R. S. Tavares Sumário 1. Ciclo de desenvolvimento de um programa; 2. Descrição de algoritmos; 3. Desenvolvimento modular de programas; 4. Estruturas de controlo de
2COP229 Inteligência Computacional. Aula 3. Clusterização.
Aula 3 Clusterização Sumário (Clusterização) - Introdução - Aprendizado Não Supervisionado - Aprendizado Supervisionado - Introdução: Clusterização - Etapas para o processo de Clusterização - Distância
O Moodle de Lovelace: Um Curso a Distância de Python Essencial, Ativo e Prático para Formação de Programadoras
O Moodle de Lovelace: Um Curso a Distância de Python Essencial, Ativo e Prático para Formação de Programadoras Márcia Gonçalves de Oliveira, Rutinelli da Penha Fávero, Mônica F. da Silva Lopes, Anne Carolina