TÉCNICAS DE DATA MINING EM BIOINFORMÁTICA

Tamanho: px
Começar a partir da página:

Download "TÉCNICAS DE DATA MINING EM BIOINFORMÁTICA"

Transcrição

1 TÉCNICAS DE DATA MINING EM BIOINFORMÁTICA Notas de apoio ao módulo Técnicas de Data Mining em Bioinformática Instituto Superior Técnico Outubro de 2005 Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 1

2 Capítulo 1 - Árvores de Decisão As Árvores de Decisão são um dos modelos mais práticos e mais usados em inferência indutiva. Este método representa funções como árvores de decisão. Estas árvores são treinadas de acordo com um conjunto de treino (exemplos previamente classificados). Posteriormente, outros exemplos são classificados de acordo com essa mesma árvore. Para a construção destas árvores são usados algoritmos como o ID3, ASSISTANT e C4.5. Este método de classificação pode ser facilmente compreendido através de um exemplo. Supondo que o objectivo é decidir se vou Jogar Ténis, há que ter em conta certos parâmetros do ambiente, como o Aspecto do Céu, a Temperatura, a Humidade e o Vento. Cada um destes atributos tem vários valores. Por exemplo para a temperatura pode estar Ameno, Fresco ou Quente. A decisão Sim (ir jogar ténis) ou Não (não ir jogar ténis) é o resultado da classificação. Para construir a Árvore de Decisão de Jogar Ténis são tidos em conta exemplos (dias) passados. Através destes exemplos é possível construir a seguinte árvore de decisão: Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 2

3 A relação entre os elementos da árvore (nós e folhas) e os atributos, valores e classificações pode ser entendida na seguinte imagem: A classificação de um exemplo de acordo com a esta árvore é feita da seguinte forma: Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 3

4 O atributo Aspecto tem o valor Sol e a Humidade tem o valor Elevada. O exemplo é classificado com Nãoo que significa que quando esteve sol e humidade elevada não se jogou ténis. Os atributos Temperatura e Vento não são considerados, pois são desnecessário para classificar este exemplo. Com Árvores de Decisão é possível representar a conjunção e disjunção de atributos. A árvore de decisão que representa a classificação para os dias em que o Aspecto é Sol e que o Vento está Fraco encontra-se na seguinte figura. A árvore de decisão que representa os dias em que o Aspecto é Sol ou o Vento está Fraco é dada por: Deve-se considera o uso de árvores de decisão em situações onde: As instâncias são descritas por pares atributo-valor; A função objecto (alvo) é de valor discreto; Pode ser necessário hipótese disjuntas; Os exemplos de treino poderão ter erro (noise); Faltam valores nos atributos; Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 4

5 Exemplos: - Diagnósticos médicos; - Análises de risco de crédito; - Classificação de objectos para um manipulador de robot (Tan1993). Algoritmo ID3 O algoritmo ID3 (inductive decision tree) é dos mais utilizados para a construção de árvores de decisão. Este algoritmo segue os seguintes passos: 1. Começar com todos os exemplos de treino; 2. Escolher o teste (atributo) que melhor divide os exemplos, ou seja agrupar exemplos da mesma classe ou exemplos semelhantes; 3. Para o atributo escolhido, criar um nó filho para cada valor possível do atributo; 4. Transportar os exemplos para cada filho tendo em conta o valor do filho; 5. Repetir o procedimento para cada filho não "puro". Um filho é puro quando cada atributo X tem o mesmo valor em todos os exemplos. Coloca-se então, uma pergunta muito importante: Como saber qual o melhor atributo a escolher? Para lidar com esta escolha são introduzidos dois novos conceitos, a Entropia e o Ganho. Entropia A entropia de um conjunto pode ser definida como sendo o grau de pureza desse conjunto. Este conceito emprestado pela Teoria da Informação define a medida de "falta de informação", mais precisamente o número de bits necessários, em média, para representar a informação em falta, usando codificação óptima. Dado um conjunto S, com instâncias pertencentes à classe i, com probabilidade p i, temos: (1) No exemplo apenas existem duas classes de classificação, ou seja, "Jogar Ténis" (positivo, +) ou "Não Jogar Ténis" (negativo, -). Assim sendo, o valor da entropia varia de acordo com o gráfico: Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 5

6 Onde: S é o conjunto de exemplo de treino; p + é a porção de exemplos positivos; p - é a porção de exemplos negativos; A entropia é dada pelo desdobramento da equação 1 O ganho (gain) é define a redução na entropia. Ganho(S,A) significa a redução esperada na entropia de S, ordenando pelo atributo A. O ganho é dado pela seguinte equação: Escolha do Melhor Atributo Para responder à pergunta anterior, "Como escolher o melhor atributo" é usado o conceito ganho de informação. Em cada iteração do algoritmo é escolhido o atributo que apresente o maior ganho de informação, ou seja, a maior redução de entropia. Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 6

7 Para o primeiro passo são analisados todos os atributos, começando pela Humidade, por exemplo: Calculando o ganho para todos os atributos, verificamos que o tem maior ganho é o Aspecto. No próximo passo o atributo Aspecto já não é tido em conta: Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 7

8 Quando todos em todos os nós a entropia for nula, o algoritmo para e obtêm-se a seguinte árvore de decisão: Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 8

9 Capítulo 2 - Redes neuronais Ao longo da história, o cérebro tem sido o tema em foco para um diverso grupo de investigadores, incluindo psicólogos, filósofos, biólogos, engenheiros e cientistas da computação. Cada tem tentado representar algum aspecto das características do cérebro num modelo formal. A seguinte tabela, permite comparar algumas das características entre o cérebro humano e os computadores neurónios com sinapses Processador único com circuitos complexos Velocidade: 10-3 Velocidade: 10-9 Processamento Distribuído Processamento Não Linear Processamento Paralelo Processamento Central Processamento Linear Processamento Sequencial Desde a década de 60 que se pretendeu usar este conceito para aplicações em engenharia através da introdução das Redes Neuronais (RN) artificiais. As RNs oferecem a habilidade de aprender o desconhecido usando meios convencionais. Usando RNs pode ser estabelecido um modelo de estimação do ambiente, permitindo um sistema adaptativo e robusto. Tal como no cérebro humano a unidade base de processamento de uma rede neuronal é o Neurónio. Assim sendo, as RNs apresentam as seguintes características: Vários unidades de processamento Várias ligações entre as unidades de processamento com pesos associados Processamento altamente paralelo e distribuído Aprendizagem realizada ajustando os pesos das ligações As RNs são aplicadas em domínios de problemas onde: Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 9

10 A entrada é um valor discreto ou real de dimensão elevada (ex.: um linha de entrada de um sensor) A saída é um valor discreto ou real A saída é um vector de valores É desconhecida a função objectivo Os humanos não necessitam de interpretar os resultados (modelo da caixa preta) Neurónio - Elemento de Processamento O cérebro controla um grande número de tarefas com relativa facilidade, mas no entanto, é o conjunto de pequenos elementos de processamento interligados (neurónios) que conferem ao cérebro a sua funcionalidade. Esta observação foi utilizada pelos proponentes das Redes Neuronais. O processamento de resultados é obtido com a operação de um número elevado de elementos simples de processamento. É a interligação dos elementos na rede que apresenta a funcionalidade pretendia. É suposto que numa RN, o elemento de processamento receba como entrada sinais do ambiente ou de outro elemento de processamento e produza uma saída. Na figura 1 é possivel visualizar o paralelo entre um neurónio biológico (do cérebro) e um artificial (de uma RN) e compreender a relação entre os seus respectivos componentes. Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 10

11 A seguinte figura representa um perceptrão artificial: Todos os perceptrões consistem em: Fig. 1: Perceptrão uma camada de entrada X = {x 1,...x n }, uma função de soma, uma função de activação uma saída O. A função de soma realiza a soma dos resultados da aplicação dos pesos às entradas, ou seja, a soma de todos os resultados de W i X i, para i = {1,...n}. A função de activação no perceptrão é a função sinal, transformando a saída em 1 se o resultado da função soma for superior a 0 ou em -1 caso contrário. Superfície de Decisão do Perceptrão O perceptrão pode ser visualizado como representando uma superfície de decisão hiperplana no espaço n-dimensional das instâncias, ou seja dos pontos. A saída do perceptrão é 1 para as instâncias localizadas num dos lados do hiper-plano e -1 para as instâncias localizadas no outro lado. Tal classificação é ilustrada no seguinte figura: Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 11

12 Fig. 2: Superfícies de decisão de um perceptrão. (a) exemplos linearmente separáveis. (b) exemplos não separáveis linearmente. A recta que separa os dois lados do hiper-plano é dada pela equação. Por vezes alguns grupos de instâncias não podem ser separados por nenhum hiper-plano. Os que podem ser separados são chamados linearmente separáveis. Com apenas um perceptrão é possível representar várias funções lógicas como é o caso do AND, OR, NAND e NOR. Por exemplo um AND pode ser implementado escolhendo w 0 =-0.8 e w 1 = w 2 = 0.5. No entanto existem funções lógicas que não são possíveis de representar apenas com um perceptrão. Um exemplo é o do XOR (ou exclusivo). De notar que o grupo de exemplos não separáveis linearmente que se apresenta na figura b correspondem ao XOR. Regra de Treino do Perceptrão Apesar do objectivo final ser a aprendizagem de redes neuronais com muitas unidades interligadas, há que começar por compreender como funciona a aprendizagem dos pesos para apenas um perceptrão. O problema foca-se agora, em determinar a combinação de pesos (vector de pesos) para o qual o perceptrão produz a saída correcta (±1) para cada um dos exemplos de treino. Uma forma de encontrar este vector poderá começar por inicializá-lo com valores aleatórios e depois, iterativamente aplicar o perceptrão a cada um dos exemplos e ajustar os pesos do vector sempre que o perceptrão classifique erroneamente esse exemplo. O processo de treino termina quando todas os exemplos de treino forem bem classificados pelo perceptrão. Assim sendo, cada peso W i associado à entrada X i é ajustado de acordo com a regra de treino do perceptrão: Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 12

13 onde (1) Temos que: (2) é o valor objectivo, ou seja o valor real do exemplo de treino O é a saída do perceptrão para uma dado exemplo de treino é uma constante de baixo valor (ex.: 0.1) denominada por taxa de aprendizagem A regra do perceptrão converge correctamente se: os exemplos de treino são linearmente separáveis e a taxa de aprendizagem é suficientemente pequena Descida do Gradiente e Regra Delta Para os casos em que o grupo de exemplos de treino não é linearmente separável usa-se uma outra regra de treino, denominada por regra delta. Para melhor perceber esta regra, é necessário começar com um caso muito simples, um perceptrão linear. A técnica descida do gradiente é usada para fazer a procura, no espaço de hipóteses, dos vectores de pesos que melhor se ajustam aos exemplos de treino. Nesta regra são usadas unidades lineares, ou seja perceptrões sem threshold e função de activação. A saída será agora calculada da seguinte forma: (3) Os pesos W i são ajustados por forma a minimizar o erro quadrático. Este erro de treino é dado por: (4) Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 13

14 onde D é o conjunto de exemplos de treino a utilizar. Derivação da Descida do Gradiente Por forma a facilitar a compreensão da descida do gradiente, apresenta-se uma iteração deste algoritmo. Na figura 1 é possível ver todo o espaço de hipóteses dos possíveis vectores de pesos e o respectivo erro E associado. Fig. 3: Visualização da descida do gradiente no espaço de hipóteses O gradiente é dado por: e a regra de treino é: (5) ou seja temos que: (6) (7) O algoritmo é iniciado colocando valores aleatórios no vector de pesos e este é alterado sucessivamente em pequenos passos. Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 14

15 A superfície de erro a vermelho corresponde aos valores dos pesos W mais desajustados com os exemplos de treino e por isto apresenta o maior erro. Em cada iteração, o algoritmo converge para as zonas a azul escuro onde o erro é menor, o que representa uma maior aproximação na classificação correcta dos exemplos de treino. Tal convergência é clarificada na passagem do Passo 1 para Passo 2 presente na figura. O processo continua até que o mínimo global seja encontrado, ou seja, até que seja atingido o menor erro possível. Este mínimo local é único e é alcançado independentemente de os exemplos de treino serem linearmente separáveis ou não. No entanto tem de ser usada um taxa de aprendizagem suficientemente pequena. Caso contrário a procura corre o risco de ultrapassar o mínimo em vez de aproximar dele. = = = = = então obtêm-se: = onde x i,d representa a entrada x i do exemplo de treino d, t d é a classificação do exemplo de treino d e o d é a saída da unidade linear para o exemplo d em cada iteração. Cada um dos passos do algoritmo encontra-se pormenorizado no seguinte pseudo-código: Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 15

16 DESCIDA-DO-GRADIENTE( exemplos_de_treino, ) Cada exemplo de treino é uma par do tipo, onde é o vector de valores de entrada, e t é o valor objectivo da saída. aprendizagem (ex.:.05). é a taxa de Inicializar cada w i com um valor aleatório Até que a condição de paragem seja encontrada, FAZER o Inicializar cada a zero. o Para cada dos exemplos_de_treino, FAZER Colocar a entrada na unidade e calcular a saída o Para cada peso w i da unidade linear, FAZER o Para cada peso w i da unidade, FAZER Regra do Perceptrão Vs Regra da Descida do Gradiente A regra do perceptrão converge correctamente se: os exemplos de treino são linearmente separáveis e a taxa de aprendizagem é suficientemente pequena A regra da descida do gradiente converge: para um solução com menor erro quadrático usando um taxa de aprendizagem suficientemente pequena mesmo quando os exemplos de treino contêm perturbações mesmo quando os exemplos de treino não são separáveis pela hipótese H. Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 16

17 Redes Multi-Camada Ao contrário de um neurónio individual, uma rede neuronal de multi-camadas tem a capacidade de exprimir uma enorme variedade de superfícies não lineares. Este tipo de RN permite resolver problemas de complexidade elevada. Em contrapartida, são exigidas RN complexas. Naturalmente, que o tempo de treino da RN aumentará com a sua complexidade e por vezes poder-se-á tornar demasiado demorado treinar uma RN como desejado. A figura 1 representa uma RN multi-camadas: Cada Rede Neuronal deste tipo possui: 1 camada de entrada 1 ou mais camadas escondidas 1 camada de saída Fig. 1: Rede Neuronal Multi-Camadas Quanto maior fôr o número de camadas escondidas na RN, maior é a sua capacidade de resolução de problemas. Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 17

18 A tabela 1 clarifica esta relação. Superfície de Decisão Esquema Neuronal Exemplo1 : Um neurónio Exemplo2: RN - uma camada escondida (RN1CE) Exemplo3: RN - duas camadas escondidas Tabela 1: Relação entre o tipo de RN e a respectiva superfície de decisão. Tal como visto anteriormente, com um neurónio (ex. 1) apenas é possivel separar exemplos linearmente. No entanto quando se adiciona uma camada escondida (ex. 2) à RN é possivel realizar um região convexa onde cada nó escondido é responsável por uma das fronteiras da região. Uma rede neuronal com duas camadas escondidas (ex. 3) realiza a reunião de três regiões convexas. Cada caixa a castanho representa uma rede neuronal Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 18

19 com uma camada escondida (RN1CE) que realiza uma região convexa. Este último exemplo é demonstrativo do potencial que várias RN interligadas podem representar. Unidade com saídas sigmoidais Para as RN Multi-camada não se vai poder usar a unidade linear nem o perceptrão. Várias camadas de unidades lineares em cascata apenas produzirão funções lineares e a saída do perceptrão não é diferenciáve não se podendo aplicar a descida do gradiente. Neste tipo de redes em que o objectivo é conseguir representar funções complexas não lineares, é necessário uma unidade cuja saída seja uma função não linear e diferenciável das entradas. A unidade sigmóide apresentada na figura 2 preenche estes requisitos. Fig. 2: Unidade Sigmóide com threshold onde é a função sigmóide Variações à função sigmóide poderão ser introduzidas pela seguinte fórmula: A influencia da variável a pode ser entendida interpretando o gráfico da figura 3. Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 19

20 Figura 3: Variações do gráfico da função sigmóide em função de a Os valores de saída situam-se no intervalo [0,1] e aumentam monotonicamente com a entrada (ver figura 3). É possível derivar regras da descida do gradiente para treinar: uma unidade sigmóide um rede multi-camadas constituída por unidades sigmóides Gradiente do Erro para a Unidade Sigmóide Tal como na regra delta, é necessário derivar uma forma de calcular o gradiente do erro, para actualizar os pesos W em cada passo. Para a unidade sigmóide o gradiente do erro é calculado da seguinte forma: = = = Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 20

21 = = Mas sabe-se que: Então ficamos com: = e finalmente temos para actualizar W que: = Algoritmo de Retropropagação do Erro O Algoritmo de Retropropagação do Erro (backpropagation) é o método usado para aprender os pesos de uma rede multi-camadas. Este método, tal como a regra delta, aplica a descida do gradiente para minimizar o erro quadrático entre os valores de saída da rede e os valores objectivo e correctos para estes valores de saída. Como agora poderão existir várias unidades de saída há que considerar o erro E sobre todas as unidades de saída: Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 21

22 O algoritmo de retropropagação do erro apresenta-se seguidamente: RETROPROPAGAÇÃO-DO-ERRO( exemplos_de_treino,, n entrada, n saída, n escondidos ) Cada exemplo de treino é uma par do tipo, onde é o vector de valores de entrada, e t é o valor objectivo da saída. é a taxa de aprendizagem (ex.:.05).n entradas é o número de entradas da rede, n saídas é o número de saídas da rede e n escondidos é o número de unidades na camada escondida. A entrada da unidade i vindo da unidade j é representado por x i,j e o peso dessa entrada é denominado por w i,j Criar a rede com n entradas entradas, n saídas saídas e n escondidos Inicializar cada w i com um valor aleatório (ex. 0.05) Até que a condição de paragem seja encontrada, FAZER o Para cada dos exemplos_de_treino, FAZER Colocar a entrada na rede e calcular a saída o, para cada unidade da rede Para cada unidade de saída k: Para cada unidade escondida h: Actualizar cada peso w i,j da rede onde Relativamente a este algoritmo as principais considerações que podem ser feitas são: A descida do gradiente é aplicada sobre todo o vector de pesos da rede Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 22

23 É facilmente generalizado para gráficos arbitrários direccionados. Encontra um erro mínimo local, que não é necessariamente o global o Na prática, funciona frequentemente bem (algoritmo pode ser chamado várias vezes) o Treinar várias redes com valores iniciais diferentes para os pesos Normalmente inclui o momentum do peso: Minimiza o erro sobre os exemplos de treino o Será que generaliza bem para instancias futuras desconhecidas (problema do over-fitting)? O treino poder-se-á tornar muito lento para casos com mais de 1000 iterações. o Usar o método de Levenberg-Marquardt em vez da descida do gradiente. Natureza da convergência o Inicializar o vector de pesos com valores perto de zero. o Rede inicial praticamente linear no início. o Não linearidade da rede aumenta à medida que o processo de treino avança Utilizar a rede depois de treinada é muito rápido Resumindo, as capacidades expressivas das RNs são: Funções Lógicas Qualquer função lógica pode ser representada por uma rede com apenas uma camada escondida. Poderá, no entanto, necessitar de ter um número de unidades escondidas de ordem exponencial em relação às entradas. Funções Contínuas Qualquer função contínua limitada pode ser aproximada com erro arbitrário e reduzido, por uma rede com uma camada escondida [Cybenko 1989; Hornik et al. 1989] Qualquer função pode ser aproximada até uma exactidão arbitrária, por uma rede neuronal com duas camadas escondidas. [Cybenko 1988]. Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 23

24 Capítulo 3 - Agrupamento A análise por agrupamento (clustering) é uma ferramenta fundamental e importante na análise estatística de informação. No passado técnicas de agrupamento têm sido amplamente usadas em numerosas áreas cientificas, como reconhecimento de padrões, recuperação de informação, análise microbiológica e outras. Um grupo (cluster) é um conjunto de objectos de informação onde cada objecto é: Semelhante a outro objecto do mesmo grupo. Disemelhante de outros objectos de grupos diferentes. O método de agrupamento consiste em agregar um conjunto de informação em diferentes grupos. O número total de grupos é usualmente predefinido e cada grupo é representado por uma classe diferente. O problema de encontrar o número adequado de grupos está relacionado com a procura da complexidade correcta do modelo, dado a informação conhecida. Este método de classificação não é supervisionado, o que significa que não existem classes predefinidas. Como aplicações típicas, este método pode ser utilizado como: Ferramenta individual: para recolher informações sobre a distribuição da informação. Passo do processamento: como complemento a outros algoritmos. A figura 1 apresenta um exemplo da aplicação do método de agrupamento. Neste exemplo é feita a classificação de genes tendo em conta três condições. Condições possíveis são por exemplo: a percentagem de uma dada base azotada ou sequência de bases, existentes no gene quanto esse gene difere de um dado gene de referência (útil para descobrir potenciais doenças). Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 24

25 Fig. 1: Classificação de genes por agrupamento usando três condições diferentes (3- Dimensões) Existem várias técnicas de agrupamento, mas as mais comuns são baseadas em métodos de partição, que funcionam da seguinte forma: Construir uma partição de um base de dados D, com n objectos em k grupos. Dado um k, encontrar uma partição de k grupos que optimiza o critério de partição escolhido. Pode ser usado: o Procura por óptimo global: exige enumerar todas as partições o que torna o processo exaustivo o Métodos Heuristicos: algoritmos k-médias e k-medianas k-médias (MacQueen '67): cada grupo é representado pela centro do grupo. k-medianas (Kaufman & Rousseeuw 87): cada grupo é representado por um objecto do grupo Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 25

26 K-médias O K-médias é um algoritmo de agrupamento iterativo que: Classifica objectos num determinado número prédefinido K de grupos (clusters). Tem como função de classificação a distância do objecto ao centro do grupo (centróide). Minimiza a soma J de todas as distâncias euclidianas entre cada objecto e o seu centróide, segundo o critério dos mínimos quadrados dado por: O algoritmo pode ser descrito na seguinte forma, onde os três passos mais importantes se encontram numerados entre parênteses: K-MÉDIAS( exemplos_de_treino, k) Cada exemplo de treino é um vector de dimensão N, com os valores de cada condição. k é o número de grupos/centróides a usar no algoritmo. (1) Escolher k centróides aleatoriamente (ex.: k pontos escolhidos aleatoriamente dos exemplos_de_treino) Enquanto os centróides são modificados, FAZER o Para cada centróide c, FAZER (2) Actualizar o centróide com a média dos pontos que lhe pertence, ou seja, que pertencem ao seu grupo. onde : é o número de objectos que pertence ao grupo c j Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 26

27 c i,j é a dimensão i do centróide j, para i = {1,...n}, j = {1,...k} x n,i é a dimensão i do exemplo_de_treino x n. x n pertencente ao centróide j, para i = {1,...n}, j = {1,...k} o Para cada exemplo_de_treino d, FAZER (3) Atribuir o centróide c que se encontra mais perto de d. A figura 1 ajuda a compreender o funcionamento deste algoritmo. Fig. 1: Passos de aplicação do algoritmo K-médias Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 27

28 Capítulo 4 - Introdução ao Sistema de Data Mining SAS O espaço de trabalho do SAS é composto por várias janelas, cada uma das quais cumprindo determinadas tarefas. Estas janelas são acompanhadas por um conjunto de outros objectos tais como menus e toolbars, como se pode ver na seguinte figura. Exercício 1 De modo a definir a directoria onde são colocados os ficheiros por si produzidos durante a utilização do SAS, faça: 1. Clique duas vezes na zona Current Working Folder. 2. Seleccione uma nova directoria. Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 28

29 As zonas que merecem alguma atenção são: Programming Window janela principal, onde se pode encontrar 3 zonas particulares. Log Output Apresenta as mensagens enviadas pelo sistema. Apresenta o resultado da execução de programas. É possível explorar os resultados através da janela Results. Program Editor Permite a escrita, edição e submissão de código SAS. Explorer Window o ponto central de gestão das várias tarefas disponíveis no SAS. Nomeadamente a criação de bibliotecas (Libraries) e seus elementos (Tabelas, Catálogos, etc) Results Window permite a navegação sobre os resultados obtidos. Biblitotecas Uma biblioteca SAS é uma espécie de ponteiro para a localização dos ficheiros criados pelo utilizador. Uma vez criada, o SAS consegue aceder aos ficheiros existentes na biblioteca. Quando uma biblioteca é apagada, os ficheiros mantém-se em disco, mas ficam inacessíveis a partir do SAS. Exercício 2 Criação de Bibliotecas 1. Seleccione na janela Explorer o ícone Libraries. 2. Crie uma nova biblioteca, seleccionando o menu File New. Surgirá a seguinte janela: Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 29

30 Nota: É fundamental seleccionar a opção Enable at startup. Deve designar a nova biblioteca por Labs ou algo semelhante. O SAS representa os conjuntos de dados em obejctos do tipo Table, que constituem os membros de uma biblioteca. Exercício 3 Importação de Dados 1. Entre na nova biblioteca. 2. Crie um conjunto de dados por importação do ficheiro promotores.csv. Para tal: 3. No menu File Import Data. Seleccione Standard Data Source, e Comma Separated Values (*.csv). 4. Introduza a localização do ficheiro promotores.csv. 5. Na janela que se segue, seleccione a biblioteca que acabou de criar, e designe por PROMOTORES o novo membro da biblioteca. 6. Depois de encerrar a janela, surge um novo objecto (membro) dentro da biblioteca. Ao clicar sobre ele pode analisar os dados registados no ficheiro. 7. Proceda de igual forma para o ficheiro ecoli.csv. Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 30

31 Enterprise Miner O Instituto SAS define data mining como o processo de Seleccionar (Sample), Explorar (Explore), Modificar (Modify), Modelar (Model) e Avaliar (Assess) SEMMA grandes quantidades de dados, para descobrir padrões previamente desconhecidos O pacote Enterprise Miner é um pacote integrado de data-mining, que fornece uma interface amigável ao processo SEMMA: A Selecção dos dados é efectuada com a criação de tabelas. Estas devem conter dados suficientes e significativos, mas ter um tamanho que não inviabilize o processo de descoberta (por o tornar demasiado lento ou inoperante). A Exploração dos dados consiste na análise manual dos dados, de forma a adquirir algum conhecimento prévio que ajude na definição dos objectivos do processo. A Modificação dos dados é realizada pela criação, selecção e transformação das variáveis envolvidas no problema, de modo a ajudar a escolher o melor modelo a usar no processo. A Modelação dos dados é concretizada pela aplicação das ferramentas de análise disponíveis no pacote, nomeadamente árvores de decisão, redes neuronais, entre outros. É esta a etapa responsável pela descoberta de informação, propriamente dita. A Avaliação consiste em analisar os resultados obtidos no passo anterior, de modo a determinar a sua utilidade e confiabilidade. O processo é conduzido por um fluxograma, que pode ser modificado e gravado. Este é desenhado de forma a que o analista do negócio, que tem poucos conhecimentos de estatística, o possa utilizar para descobrir informação face a novos dados. Enterprise Miner contém um conjunto de ferramentas de análise que podem ser combinadas de modo a criar e comparar múltiplos modelos. Para além destas existem ferramentas para preparação dos dados, nomeadamente para detecção de ponts isolados, transformação de variáveis, amostragem e partição dos dados em conjuntos de treino, teste e de validação. As suas ferramentas avançadas de visualização permitem uma Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 31

32 análise rápida e fácil dos dados e resultados obtidos. Exercício 4 Enterprise Miner 1. Seleccione o menu Solutions Analysis Enterprise Miner. 2. A janela Enterprise Miner é aberta e deve corresponder a A janela lançada é composta por três áreas principais: Enterprise Miner Tools Bar Project Navigator Diagram Workspace Toolbar com os nós que representam alguns dos tipos de ferramenta disponíveis para o processamento dos dados. Usado para gerir projectos, diagramas e relatórios.e está dividido em três tabs Diagrams Apresenta o projecto actual e a lista de diagramas pertencentes ao projecto. Ao seleccionar um diagrama, o Diagram Workspace é ocupado pelo fluxograma associado ao digrama escolhido. Tools Contém uma lista de todos os nós / ferramentas disponíveis no Enterprise Miner, organizados pelo tipo de função dos nós (de acordo com o processo SEMMA descrito). Reports Contém os relatórios (em formato HTML) criados e associados ao projecto. Usado para construir, editar, executar e gravar fluxogramas. É aqui que são graficamente manipulados os nós de forma a criar os diagramas. No fundo da janela existem três pequenos painéis: Progress Indicator indica o estado de execução da tarefa activa; Message Panel apresenta o nome da tarefa activa e mensagens do sistema; Connection Status Indicator apenas está activa durante o processamento de projectos cliente-servidor. Apresenta o nome do servidor remoto e indica se a ligação está ou não activa. Projectos Um projecto é um conjunto de diagramas e informação a eles associadas. Normalmente os projectos distinguem-se pelo tipo de dados envolvidos na análise. Por outras palavras, deve criar-se um projecto novo para cada problema diferente a analisar Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 32

33 Exercício 5 Criação de Projectos 1. A partir da janela Enterprise Miner, seleccione o menu File New Project. 2. Introduza o nome do novo projecto, por exemplo Lab. 3. Juntamente com o novo projecto é criado um novo diagrama vazio, designado Untitled. DIAGRAMAS Os diagramas são criados por combinação dos vários nós necessários à tarefa em mãos, e ordenados de acordo com o processo SEMMA. Os nós podem ser criados por drag and drop. Exercício 6 Criação de Diagramas 1. A partir da janela Enterprise Miner, seleccione o menu File New Diagram. Altere o nome do novo diagrama, por exemplo Lab1a. 2. Com o botão direito do rato seleccione a opção Move and Connect*, de modo a conseguir mover e ligar os vários nós. 3. Seleccione o nó Input Data Source (1º ícone da toolbar) e arraste-o para a Diagram Window a. Seleccione o nó do novo diagrama e com o botão direito do rato abra o nó (Open). b. Seleccione a tabela de dados promotores criada na biblioteca Labs. c. Seleccione a linha referente ao atributo Target. Seleccione a coluna Model Role, clique no botão direito do rato e escolha Set Model Role Target. Acabou de seleccionar o atributo com o conceito a aprender. d. Indique que quer usar todo o conjunto e não apenas uma amostra. 4. Adicione um nó Data Partition ao diagrama. Escolha 60% dos dados para treino, 20% para validação e 20% para teste. 5. Crie um nó Tree (8º ícone da toolbar). Ligue-o ao nó Data Partition criado anteriormente. Na configuração do nó, escolha como medida de avaliação do modelo (secção Advanced)a opção Proportion correctly classified. Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 33

34 Escolha ainda como critério de separação dos atributos a redução da entropia. 6. O seu diagrama está terminado e deve assemelhar-se ao diagrama da figura seguinte: Exercício 7 Avaliação dos Resultados 1. Execute o nó Tree (Run no pop-menu). 2. Se tiver gerado os resultados com sucesso, analise-os: a. Analise a matriz de confusão para o menor modelo descoberto, e guarde-a (árvore de decisão com apenas uma folha). b. Proceda de igual modo para os maior (árvore de decisão com mais folhas) e melhor (conforme seleccionado pela ferramenta) modelos. c. O que pode concluir acerca da relação entre o tamanho do modelo e a precisão de classificação no conjunto de treino? E no conjunto de validação? d. De acordo com os modelos obtidos, qual é a posição do nucleótido mais relevante para a decisão? 3. No nó Data Partition, altere as percentagens usadas para treino, validação e teste. Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 34

35 a. Volte a analizar os resultados obtidos. b. A que se deve a diferença de resultados? Exercício 8 Comparação de Modelos 1. Crie um novo diagrama designado Lab1b. a. Crie um nó Input Data Source (1º ícone da toolbar) a partir da tabela de dados ecoli.csv criada na biblioteca Labs, e apto a ser usado com partições. b. Seleccione a linha referente ao atributo localizacao. Seleccione a coluna Model Role, clique no botão direito do rato e escolha Set Model Role Target. c. Indique que quer usar todo o conjunto e não apenas uma amostra. 2. Crie um nó Data Partition (3º ícone da toolbar) e ligue-o ao nó anterior. Altere os valores da partição dos dados para 60%, 30% e 10%, para os conjuntos de treino, validação e teste, respectivamente. 3. Adicione uma árvore de decisão com uma configuração semelhante à árvore do exercício anterior. 4. Adicione ainda um nó Neural Network usando a seguinte configuração: a. Em General utilize: i. O critério de selecção Misclassification Rate. ii. A interface avançada. iii. E a opção de acumulação de treino. Não se esqueça de apagar o que tenha sido acumulado anteriormente. b. Em Advanced: i. Em Network utilize apenas uma unidade escondida (hidden unit). ii. Em Initialization: escolha as estimativas actuais para valores iniciais. Desta forma será possível acumular aprendizagem, em diferentes execuções da rede. iii. Em Train: altere a técnica de treino para Standard Backpropagation e tempo máximo de CPU para 5 minutos, mantendo os valores de omissão para o restante. Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 35

36 c. A partir da opção Model Manager do nó Neural Network seleccione o conjunto de teste, de forma a conseguir avaliar o desempenho do modelo num conjunto de dados independente. Para tal seleccione o modelo Neural Network, o que activa a página de Opções, onde poderá seleccionar o conjunto de Teste. 5. Adicione ainda um nó Assessment e um nó Reporter. A figura seguinte mostra o diagrama final. 6. Execute e compare os resultados obtidos por ambos os algoritmos tendo em conta a precisão obtida, interpretabilidade, velocidade de aprendizagem e facilidade de afinação do modelo. Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia Antunes, Orlando Anunciação 36

MLP (Multi Layer Perceptron)

MLP (Multi Layer Perceptron) MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -

Leia mais

Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica

Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica João Paulo Teixeira*, José Batista*, Anildio Toca**, João Gonçalves**, e Filipe Pereira** * Departamento de Electrotecnia

Leia mais

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para

Leia mais

EXCEL TABELAS DINÂMICAS

EXCEL TABELAS DINÂMICAS Informática II Gestão Comercial e da Produção EXCEL TABELAS DINÂMICAS (TÓPICOS ABORDADOS NAS AULAS DE INFORMÁTICA II) Curso de Gestão Comercial e da Produção Ano Lectivo 2002/2003 Por: Cristina Wanzeller

Leia mais

O Processo de KDD. Data Mining SUMÁRIO - AULA1. O processo de KDD. Interpretação e Avaliação. Seleção e Pré-processamento. Consolidação de dados

O Processo de KDD. Data Mining SUMÁRIO - AULA1. O processo de KDD. Interpretação e Avaliação. Seleção e Pré-processamento. Consolidação de dados SUMÁRIO - AULA1 O Processo de KDD O processo de KDD Interpretação e Avaliação Consolidação de dados Seleção e Pré-processamento Warehouse Data Mining Dados Preparados p(x)=0.02 Padrões & Modelos Conhecimento

Leia mais

Projeto de Redes Neurais e MATLAB

Projeto de Redes Neurais e MATLAB Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação

Leia mais

Ferramenta computacional para implementação de redes neuronais optimização das capacidades gráficas

Ferramenta computacional para implementação de redes neuronais optimização das capacidades gráficas INEB- PSI Technical Report 2007-2 Ferramenta computacional para implementação de redes neuronais optimização das capacidades gráficas Alexandra Oliveira aao@fe.up.pt Professor Joaquim Marques de Sá December

Leia mais

BPstat. manual do utilizador. Banco de Portugal BPstat Estatísticas online Manual do Utilizador 1/24

BPstat. manual do utilizador. Banco de Portugal BPstat Estatísticas online Manual do Utilizador 1/24 BPstat manual do utilizador Banco de Portugal BPstat Estatísticas online Manual do Utilizador 1/24 BANCO DE PORTUGAL Av. Almirante Reis, 71 1150-012 Lisboa www.bportugal.pt Edição Departamento de Estatística

Leia mais

Segurança 24, Lda VIDEOGRAVADOR DIGITAL EM DISCO DURO TRANSMISOR POR TCP-IP SERVIDOR WEB MANUAL DO UTILIZADOR

Segurança 24, Lda VIDEOGRAVADOR DIGITAL EM DISCO DURO TRANSMISOR POR TCP-IP SERVIDOR WEB MANUAL DO UTILIZADOR VIDEOGRAVADOR DIGITAL EM DISCO DURO TRANSMISOR POR TCP-IP SERVIDOR WEB MANUAL DO UTILIZADOR Capítulo 4 Guia Básico de Operação 4.1 Ligar o DVR Nota: Certifique-se que liga correctamente os conectores de

Leia mais

Microsoft Excel na resolução de problemas de optimização

Microsoft Excel na resolução de problemas de optimização Universidade do Minho Escola de Engenharia Departamento Campus de Gualtar de Produção 4710-057 Braga e Sistemas Microsoft Excel na resolução de problemas de optimização Manual da disciplina de Métodos

Leia mais

Inteligência Artificial. Redes Neurais Artificiais

Inteligência Artificial. Redes Neurais Artificiais Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão Matlab Objetivos:

Leia mais

Módulo de Estatísticas MANUAL DO UTILIZADOR

Módulo de Estatísticas MANUAL DO UTILIZADOR MANUAL DO UTILIZADOR Versão 1.4 ÍNDICE 1. INTRODUÇÃO 2 2. REQUISITOS DO SISTEMA 3 3. CONTROLOS GERAIS DO WINDOWS 4 3.1 ESTRUTURA HIERÁRQUICA 4 3.2 CONTROLO DE DATA 5 4. INÍCIO DA UTILIZAÇÃO 8 5. IDENTIFICAÇÃO

Leia mais

GeoMafra SIG Municipal

GeoMafra SIG Municipal GeoMafra SIG Municipal Nova versão do site GeoMafra Toda a informação municipal... à distância de um clique! O projecto GeoMafra constitui uma ferramenta de trabalho que visa melhorar e homogeneizar a

Leia mais

Algoritmos Indutores de Árvores de

Algoritmos Indutores de Árvores de Algoritmos Indutores de Árvores de Decisão Fabrício J. Barth Sistemas Inteligentes Análise e Desenvolvimento de Sistemas Faculdades de Tecnologia Bandeirantes Abril de 2013 Problema: Diagnóstico para uso

Leia mais

UTILIZANDO O SOFTWARE WEKA

UTILIZANDO O SOFTWARE WEKA UTILIZANDO O SOFTWARE WEKA O que é 2 Weka: software livre para mineração de dados Desenvolvido por um grupo de pesquisadores Universidade de Waikato, Nova Zelândia Também é um pássaro típico da Nova Zelândia

Leia mais

Instituto Superior de Ciências do Trabalho e da Empresa Departamento de Ciências e Tecnologias da Informação. Arquitectura de Computadores ETI IGE

Instituto Superior de Ciências do Trabalho e da Empresa Departamento de Ciências e Tecnologias da Informação. Arquitectura de Computadores ETI IGE Instituto Superior de Ciências do Trabalho e da Empresa Departamento de Ciências e Tecnologias da Informação Tutorial Arquitectura de Computadores ETI IGE 02 XILINX 1. Criação de um projecto Edição e simulação

Leia mais

WorkinProject 8 Manual de Referência Rápida

WorkinProject 8 Manual de Referência Rápida WorkinProject 8 Manual de Referência Rápida Flagsoft, Lda 2015 Índice 1. Introdução...3 2. Integrador - Interface com o utilizador...4 3. Registo de actividade - Folha de horas...5 4. Agenda e colaboração...7

Leia mais

GeoMafra Portal Geográfico

GeoMafra Portal Geográfico GeoMafra Portal Geográfico Nova versão do site GeoMafra Toda a informação municipal... à distância de um clique! O projecto GeoMafra constitui uma ferramenta de trabalho que visa melhorar e homogeneizar

Leia mais

MANUAL DE UTILIZAÇÃO DA PLATAFORMA MOODLE

MANUAL DE UTILIZAÇÃO DA PLATAFORMA MOODLE MANUAL DE UTILIZAÇÃO DA PLATAFORMA MOODLE A EQUIPA DO PTE 2009/2010 Índice 1. Entrar na plataforma Moodle 3 2. Editar o Perfil 3 3. Configurar disciplina 4 3.1. Alterar definições 4 3.2. Inscrever alunos

Leia mais

SAFT para siscom. Manual do Utilizador. Data última versão: 07.11.2008 Versão: 1.01. Data criação: 21.12.2007

SAFT para siscom. Manual do Utilizador. Data última versão: 07.11.2008 Versão: 1.01. Data criação: 21.12.2007 Manual do Utilizador SAFT para siscom Data última versão: 07.11.2008 Versão: 1.01 Data criação: 21.12.2007 Faro R. Dr. José Filipe Alvares, 31 8005-220 FARO Telf. +351 289 899 620 Fax. +351 289 899 629

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

Manual do Utilizador

Manual do Utilizador Faculdade de Ciências e Tecnologia da Universidade de Coimbra Departamento de Engenharia Electrotécnica e Computadores Software de Localização GSM para o modem Siemens MC35i Manual do Utilizador Índice

Leia mais

Portal AEPQ Manual do utilizador

Portal AEPQ Manual do utilizador Pedro Gonçalves Luís Vieira Portal AEPQ Manual do utilizador Setembro 2008 Engenharia Informática - Portal AEPQ Manual do utilizador - ii - Conteúdo 1 Introdução... 1 1.1 Estrutura do manual... 3 1.2 Requisitos...

Leia mais

Copyright 2008 GrupoPIE Portugal, S.A.

Copyright 2008 GrupoPIE Portugal, S.A. WinREST Sensor Log A Restauração do Séc. XXI WinREST Sensor Log Copyright 2008 GrupoPIE Portugal, S.A. 2 WinREST Sensor Log Índice Índice Pag. 1. WinREST Sensor Log...5 1.1. Instalação (aplicação ou serviço)...6

Leia mais

EXCEL. Listas como Bases de Dados

EXCEL. Listas como Bases de Dados Informática II Gestão Comercial e da Produção EXCEL Listas como Bases de Dados (TÓPICOS ABORDADOS NAS AULAS DE INFORMÁTICA II) Curso de Gestão Comercial e da Produção Ano Lectivo 2002/2003 Por: Cristina

Leia mais

Processo de análise estruturada - Abordagem clássica

Processo de análise estruturada - Abordagem clássica Processo de análise estruturada - Abordagem clássica Desenvolver modelo físico actual Modelo físico actual Modelos a desenvolver tendo em conta a abordagem clássica Desenvolver modelo lógico actual Modelo

Leia mais

Engenharia de Software I

Engenharia de Software I Engenharia de Software I Rogério Eduardo Garcia (rogerio@fct.unesp.br) Bacharelado em Ciência da Computação Aula 05 Material preparado por Fernanda Madeiral Delfim Tópicos Aula 5 Contextualização UML Astah

Leia mais

Migrar para o Excel 2010

Migrar para o Excel 2010 Neste Guia Microsoft O aspecto do Microsoft Excel 2010 é muito diferente do Excel 2003, pelo que este guia foi criado para ajudar a minimizar a curva de aprendizagem. Continue a ler para conhecer as partes

Leia mais

Aleph 18.01 Manual de utilização do Módulo de Catalogação

Aleph 18.01 Manual de utilização do Módulo de Catalogação Aleph 18.01 Manual de utilização do Módulo de Catalogação Elaborado por: Amélia Janeiro e Ana Cosmelli SDUL 2008 Índice Apresentação... 3 1. Criar novos registos... 4 1.1 Abrir Template... 4 1.2 Usar Registo

Leia mais

ZS Rest. Manual Profissional. BackOffice Mapa de Mesas. v2011

ZS Rest. Manual Profissional. BackOffice Mapa de Mesas. v2011 Manual Profissional BackOffice Mapa de Mesas v2011 1 1. Índice 2. Introdução... 2 3. Iniciar ZSRest Backoffice... 3 4. Confirmar desenho de mesas... 4 b) Activar mapa de mesas... 4 c) Zonas... 4 5. Desenhar

Leia mais

Guião do Trabalho Laboratorial Nº 3 Análise do Comportamento de uma Suspensão de Automóvel

Guião do Trabalho Laboratorial Nº 3 Análise do Comportamento de uma Suspensão de Automóvel SISEL Sistemas Electromecânicos Guião do Trabalho Laboratorial Nº 3 Análise do Comportamento de uma Suspensão de Automóvel GRIS Group of Robotics and Intelligent Systems Homepage: http://www.dee.isep.ipp.pt/~gris

Leia mais

Cypecad Cálculo de esforços de uma estrutura com introdução manual de acções verticais e horizontais

Cypecad Cálculo de esforços de uma estrutura com introdução manual de acções verticais e horizontais Cypecad Cálculo de esforços de uma estrutura com introdução manual de acções verticais e horizontais CAD 2 Rua Comendador Santos da Cunha, 304, Ap. 2330 4701-904 Braga Tel: 00 351 253 20 94 30 Fax: 00

Leia mais

Notas sobre o simulador de circuitos digitais Digital Works

Notas sobre o simulador de circuitos digitais Digital Works 1. Introdução UNIVERSIDADE DA BEIRA INTERIOR Departamento de Informática - Sistemas Lógicos Notas sobre o simulador de circuitos digitais Digital Works O Digital Works é uma ferramenta gráfica de simulação

Leia mais

Neste tutorial irá criar uma animação simples com base num desenho do Mechanical Desktop.

Neste tutorial irá criar uma animação simples com base num desenho do Mechanical Desktop. Neste tutorial irá criar uma animação simples com base num desenho do Mechanical Desktop. Inicialize o 3D Studio VIZ. Faça duplo clique no ícone de 3D Studio VIZ Abre-se a janela da figura seguinte. Esta

Leia mais

Reconhecimento de Padrões

Reconhecimento de Padrões Engenharia Informática (ramos de Gestão e Industrial) Departamento de Sistemas e Informação Reconhecimento de Padrões Projecto Final 2004/2005 Realizado por: Prof. João Ascenso. Departamento de Sistemas

Leia mais

Versão 1.0. [08.02.2012] 2012, Portugal - Efacec Sistemas de Gestão S.A. Todos os direitos reservados. 1

Versão 1.0. [08.02.2012] 2012, Portugal - Efacec Sistemas de Gestão S.A. Todos os direitos reservados. 1 Copyright 2012 Efacec Todos os direitos reservados. Não é permitida qualquer cópia, reprodução, transmissão ou utilização deste documento sem a prévia autorização escrita da Efacec Sistemas de Gestão S.A.

Leia mais

UNIDADE 2: Sistema Operativo em Ambiente Gráfico

UNIDADE 2: Sistema Operativo em Ambiente Gráfico Ambiente Gráfico Configurações Acessórios O Sistema Operativo (SO) é o conjunto de programas fundamentais que permitem que o computador funcione e que comunique com o exterior. Actualmente o Windows é

Leia mais

ZS Rest. Manual de Iniciação. BackOffice

ZS Rest. Manual de Iniciação. BackOffice Manual de Iniciação BackOffice 1 1. Índice 2. Introdução... 2 3. Iniciar o ZSRest... 3 a) BackOffice:... 4 b) Acesso BackOffice:... 4 4. Zonas... 6 c) Criar Zona:... 7 d) Modificar Zona:... 8 e) Remover

Leia mais

Manual de Access 2007

Manual de Access 2007 Manual de Access 2007 Índice Introdução... 4 Melhor que um conjunto de listas... 5 Amizades com relações... 6 A Estrutura de uma Base de Dados... 8 Ambiente do Microsoft Access 2007... 9 Separadores do

Leia mais

O AMBIENTE DE TRABALHO DO WINDOWS

O AMBIENTE DE TRABALHO DO WINDOWS O AMBIENTE DE TRABALHO DO WINDOWS O Windows funciona como um Sistema Operativo, responsável pelo arranque do computador. Um computador que tenha o Windows instalado, quando arranca, entra directamente

Leia mais

Computação Paralela. Desenvolvimento de Aplicações Paralelas João Luís Ferreira Sobral Departamento do Informática Universidade do Minho.

Computação Paralela. Desenvolvimento de Aplicações Paralelas João Luís Ferreira Sobral Departamento do Informática Universidade do Minho. Computação Paralela Desenvolvimento de Aplicações Paralelas João Luís Ferreira Sobral Departamento do Informática Universidade do Minho Outubro 2005 Desenvolvimento de Aplicações Paralelas Uma Metodologia

Leia mais

Editor HTML. Composer

Editor HTML. Composer 6 Editor HTML 6 Composer Onde criar Páginas Web no Netscape Communicator? 142 A estrutura visual do Composer 143 Os ecrãs de apoio 144 Configurando o Composer 146 A edição de Páginas 148 Publicando a sua

Leia mais

Curriculum DeGóis Guia de preenchimento do Curriculum Vitae (Informação mínima necessária)

Curriculum DeGóis Guia de preenchimento do Curriculum Vitae (Informação mínima necessária) Curriculum DeGóis Guia de preenchimento do Curriculum Vitae (Informação mínima necessária) /curriculum Julho de 2008 Versão 1.1 1 Introdução O objectivo deste guia é auxiliar o utilizador da Plataforma

Leia mais

Histórico. Software estatístico utilizado em mais de 80 países por pesquisadores, engenheiros, analistas empresariais, professores, estudantes.

Histórico. Software estatístico utilizado em mais de 80 países por pesquisadores, engenheiros, analistas empresariais, professores, estudantes. MINITAB 14 Histórico Software estatístico utilizado em mais de 80 países por pesquisadores, engenheiros, analistas empresariais, professores, estudantes. Possui ferramentas para diversos tipos de análise

Leia mais

Base de dados I. Base de dados II

Base de dados I. Base de dados II Base de dados I O que é? Uma base de dados é um simples repositório de informação, relacionada com um determinado assunto ou finalidade, armazenada em computador em forma de ficheiros Para que serve? Serve

Leia mais

Redes Neuronais. Redes neuronais artificiais. Redes neuronais artificiais. Redes neuronais artificiais

Redes Neuronais. Redes neuronais artificiais. Redes neuronais artificiais. Redes neuronais artificiais Redes neuronais artificiais Surgiram nos anos 40 com o objectivo de conhecer melhor o cérebro humano e emular o seu comportamento. Departamento de Matemática Universidade dos Açores Redes Neuronais Introdução

Leia mais

MANUAL DO UTILIZADOR

MANUAL DO UTILIZADOR MANUAL DO UTILIZADOR 1 ÍNDICE ÍNDICE...2 INTRODUÇÃO...3 PANORAMA...5 SITUAÇÃO, ALERTAS E BOTÕES...6 Situação...6 Alertas...7 Botões...7 O MAPA PRINCIPAL...8 MOSTRAR TUDO...9 MÓDULO DE ADMINISTRAÇÃO...10

Leia mais

Introdução a Datamining (previsão e agrupamento)

Introdução a Datamining (previsão e agrupamento) Introdução a Datamining (previsão e agrupamento) Victor Lobo Mestrado em Estatística e Gestão de Informação E o que fazer depois de ter os dados organizados? Ideias base Aprender com o passado Inferir

Leia mais

Excel - Ficha de Trabalho

Excel - Ficha de Trabalho Excel - Ficha de Trabalho Facturação Avançada O trabalho que se segue consistirá numa folha de cálculo com alguma complexidade, em que existirão diferentes folhas no mesmo livro. Neste serão criadas Bases

Leia mais

Migrar para o Access 2010

Migrar para o Access 2010 Neste Guia Microsoft O aspecto do Microsoft Access 2010 é muito diferente do Access 2003, pelo que este guia foi criado para ajudar a minimizar a curva de aprendizagem. Continue a ler para conhecer as

Leia mais

Manual do utilizador. Aplicação de agente

Manual do utilizador. Aplicação de agente Manual do utilizador Aplicação de agente Versão 8.0 - Otubro 2010 Aviso legal: A Alcatel, a Lucent, a Alcatel-Lucent e o logótipo Alcatel-Lucent são marcas comerciais da Alcatel-Lucent. Todas as outras

Leia mais

Bases de Dados II Engª. Informática + Ensino Informática

Bases de Dados II Engª. Informática + Ensino Informática Introdução SQL SERVER hugomcp@di-ubi.pt, 2004 Arranque do MS SQLServer UNIVERSIDADE DA BEIRA INTERIOR Departamento de Informática Bases de Dados II Engª. Informática + Ensino Informática Pode-se usar o

Leia mais

Tarefa Orientada 18 Tabelas dinâmicas

Tarefa Orientada 18 Tabelas dinâmicas Tarefa Orientada 18 Tabelas dinâmicas Análise de dados através de tabelas dinâmicas. Conceitos teóricos As Tabelas Dinâmicas são tabelas interactivas que resumem elevadas quantidades de dados, usando estrutura

Leia mais

MANUAL DO EXCEL. Um campo é um espaço que contém determinada informação (ex: Nome do cliente X, Telefone do Sr. Y)

MANUAL DO EXCEL. Um campo é um espaço que contém determinada informação (ex: Nome do cliente X, Telefone do Sr. Y) MANUAL DO EXCEL BASE DE DADOS DEFINIÇÃO DE BASES DE DADOS Uma base de dados é um conjunto de informações, organizada segundo regras definidas à qual se pode aceder para extrair, actualizar, acrescentar

Leia mais

Power Systems. Monitorizar o ambiente de virtualização

Power Systems. Monitorizar o ambiente de virtualização Power Systems Monitorizar o ambiente de virtualização Power Systems Monitorizar o ambiente de virtualização Nota Antes de utilizar as informações contidas nesta publicação, bem como o produto a que se

Leia mais

5 - Se o documento estiver completo, com os campos totalmente inseridos e com o aspecto que pretende, poderá guardá-lo.

5 - Se o documento estiver completo, com os campos totalmente inseridos e com o aspecto que pretende, poderá guardá-lo. Impressão em série de cartas de formulário e mailings em grande número Intercalação de correio Base de Dados em Excel Comece por planear o aspecto da sua página final - é uma carta, uma página de etiquetas

Leia mais

LACIE PRIVATE/PUBLIC MANUAL DO UTILIZADOR

LACIE PRIVATE/PUBLIC MANUAL DO UTILIZADOR LACIE PRIVATE/PUBLIC MANUAL DO UTILIZADOR CLIQUE AQUI PARA ACEDER A UMA VERSÃO ONLINE ACTUALIZADA deste documento, bem como para obter os conteúdos mais recentes e funcionalidades tais como ilustrações

Leia mais

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é? KDD Conceitos o que é? Fases limpeza etc Datamining OBJETIVOS PRIMÁRIOS TAREFAS PRIMÁRIAS Classificação Regressão Clusterização OBJETIVOS PRIMÁRIOS NA PRÁTICA SÃO DESCRIÇÃO E PREDIÇÃO Descrição Wizrule

Leia mais

SPSS Statistical Package for the Social Sciences Composto por dois ambientes:

SPSS Statistical Package for the Social Sciences Composto por dois ambientes: Introdução ao SPSS Essa serie de aulas sobre SPSS foi projetada para introduzir usuários iniciantes ao ambiente de trabalho do SPSS 15, e também para reavivar a memória de usuários intermediários e avançados

Leia mais

Introdução a Datamining (previsão e agrupamento)

Introdução a Datamining (previsão e agrupamento) E o que fazer depois de ter os dados organizados? Introdução a Datamining (previsão e agrupamento) Victor Lobo Mestrado em Estatística e Gestão de Informação Ideias base Aprender com o passado Inferir

Leia mais

Microsoft Windows. Aspectos gerais

Microsoft Windows. Aspectos gerais Aspectos gerais É um sistema operativo desenvolvido pela Microsoft Foi desenhado de modo a ser fundamentalmente utilizado em computadores pessoais Veio substituir o sistema operativo MS-DOS e as anteriores

Leia mais

Análise de técnicas de selecção de atributos em Bioinformática

Análise de técnicas de selecção de atributos em Bioinformática Análise de técnicas de selecção de atributos em Bioinformática Rui Mendes 100378011 Bioinformática 10/11 DCC Artigo Base Yvan Saeys, Inaki Inza and Pedro Larranaga. A review of feature selection techniques

Leia mais

Tecnologias da Informação e Comunicação 9º ANO. Escola Básica José Afonso. Professora Marta Caseirito

Tecnologias da Informação e Comunicação 9º ANO. Escola Básica José Afonso. Professora Marta Caseirito Tecnologias da Informação e Comunicação 9º ANO Escola Básica José Afonso Professora Marta Caseirito Grupo 1 1. As questões seguintes são de escolha múltipla. Nas afirmações seguintes assinale com X aquela

Leia mais

Introdução. Capítulo 1

Introdução. Capítulo 1 Capítulo 1 Introdução Em computação, muitos problemas são resolvidos por meio da escrita de um algoritmo que especifica, passo a passo, como resolver um problema. No entanto, não é fácil escrever um programa

Leia mais

Área Cientifica de Informática Disciplina: INFORMÁTICA I - Cursos: CA/MK/CI

Área Cientifica de Informática Disciplina: INFORMÁTICA I - Cursos: CA/MK/CI Assunto: Autor(es) MS Outlook ficha de estudo Alfredo Bastos Silva 1. Conceitos gerais O Microsoft Outlook é uma das aplicações que compõem o pacote Microsoft Office, sendo um cliente de mensagens e colaboração

Leia mais

Relatório de uma Aplicação de Redes Neurais

Relatório de uma Aplicação de Redes Neurais UNIVERSIDADE ESTADUAL DE MONTES CLAROS CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE CIÊNCIAS DA COMPUTACAÇÃO ESPECIALIZAÇÃO EM ENGENHARIA DE SISTEMAS DISCIPLINA: REDES NEURAIS PROFESSOR: MARCOS

Leia mais

Sistema Operativo em Ambiente Gráfico

Sistema Operativo em Ambiente Gráfico Sistema Operativo em Ambiente Gráfico Sistema Operativo Conjunto de programas fundamentais que permitem que o computador funcione e comunique com o exterior; Windows: sistema operativo mais utilizado nos

Leia mais

Manual de Iniciaça o. Índice

Manual de Iniciaça o. Índice Manual de Iniciaça o Índice Passo 1- Definir... 2 Definir grupos de tarefas... 2 Definir funções... 6 Definir utilizadores... 11 Definir o Workflow... 14 Definir tarefas... 18 Passo 2 - Planear... 21 Planear

Leia mais

POSTOUCH. Manual Software

POSTOUCH. Manual Software POSTOUCH Manual Software Introdução Introdução POS TOUCH é uma solução direcionada a pequenos postos de venda, que tem necessidade de criação de muitos talões de uma forma linear e rápida. A solução implementa

Leia mais

Introdução à Informática

Introdução à Informática Introdução à Informática Noções Básicas de Informática Componentes de hardware Monitor : permite visualizar informação na forma de imagem ou vídeo; todo o trabalho desenvolvido com o computador pode ser

Leia mais

Aleph 18.01 Manual de utilização do módulo de circulação e empréstimos

Aleph 18.01 Manual de utilização do módulo de circulação e empréstimos Aleph 18.01 Manual de utilização do módulo de circulação e empréstimos Elaborado por: Amélia Janeiro e Ana Cosmelli SDUL 2008 Índice Apresentação... 3 1. Gestão de leitores... 5 1.1 Pesquisa de leitores...

Leia mais

Iteração 2 Design inicial

Iteração 2 Design inicial Universidade de Aveiro Departamento de Electrónica, Telecomunicações e Informática Engenharia de Software Iteração 2 Design inicial Projecto: FX-Center Grupo: BEDS David Pacheco (nº 32665) Cesário Lucas

Leia mais

SIQuant GeoQuality DGNToShapefile Converter

SIQuant GeoQuality DGNToShapefile Converter SIQuant GeoQuality DGNToShapefile Converter v.1.2.1.0 Manual do Utilizador 2005-2007 Copyright SIQuant 2005, 2006, 2007. Todos os direitos reservados. O sistema SIQuant GeoQuality é licenciado pela empresa

Leia mais

Escola Superior de Tecnologias e Gestão Instituto Politécnico de Portalegre MS EXCEL. Fevereiro/2002 - Portalegre

Escola Superior de Tecnologias e Gestão Instituto Politécnico de Portalegre MS EXCEL. Fevereiro/2002 - Portalegre Escola Superior de Tecnologias e Gestão Instituto Politécnico de Portalegre MS EXCEL Fevereiro/2002 - Portalegre Introdução A necessidade de efectuar cálculos complexos de uma forma mais rápida e fiável,

Leia mais

EDUTec Learning. José Paulo Ferreira Lousado

EDUTec Learning. José Paulo Ferreira Lousado EDUTec Learning MANUAL DO UTILIZADOR José Paulo Ferreira Lousado Índice Página Principal... ii Página de Desenvolvimento de Conteúdos... iii Página de Comunicações...iv Página de Transferência de Ficheiros...vi

Leia mais

Manual de utilização do Moodle

Manual de utilização do Moodle Manual de utilização do Moodle Docentes Universidade Atlântica 1 Introdução O conceito do Moodle (Modular Object Oriented Dynamic Learning Environment) foi criado em 2001 por Martin Dougiamas, o conceito

Leia mais

O Endnote é um software que permite guardar, organizar e usar referências bibliográficas na criação de documentos.

O Endnote é um software que permite guardar, organizar e usar referências bibliográficas na criação de documentos. Augusto Ribeiro augusto.ribeiro@reit.up.pt O Endnote é um software que permite guardar, organizar e usar referências bibliográficas na criação de documentos. Permite a pesquisa online em bases de dados

Leia mais

1. Ambiente de Trabalho

1. Ambiente de Trabalho 1 Ambiente de Trabalho 1. Ambiente de Trabalho Ao nível do ambiente de trabalho, depois de o Excel 2007 ter introduzido novos componentes (e.g., Botão Office e Friso) e eliminado alguns dos componentes

Leia mais

Electrónica Digital 2. Xilinx Webpack

Electrónica Digital 2. Xilinx Webpack Electrónica Digital 2 Xilinx Webpack (ver 5.2) Notas para iniciação (Outubro 2003) António Cunha Prefácio Este texto tem como objectivo introduzir os primeiros conceitos sobre a utilização de um CAD para

Leia mais

Extracto on Line Aplicação Local Guia do Utilizador

Extracto on Line Aplicação Local Guia do Utilizador Extracto on Line Aplicação Local Guia do Utilizador Índice 1. Sobre o Guia... 4 1.1 Objectivo... 4 1.2 Utilização do Guia... 4 1.3 Acrónimos e Abreviações... 4 2. Introdução ao Extracto on Line Aplicação

Leia mais

Prof. Msc. Paulo Muniz de Ávila

Prof. Msc. Paulo Muniz de Ávila Prof. Msc. Paulo Muniz de Ávila O que é Data Mining? Mineração de dados (descoberta de conhecimento em bases de dados): Extração de informação interessante (não-trivial, implícita, previamente desconhecida

Leia mais

Tarefa Orientada 17 Listas de dados

Tarefa Orientada 17 Listas de dados Tarefa Orientada 17 Listas de dados Estudo prático da folha de cálculo Excel - Gestão de listas como base de dados. Conceitos teóricos Lista Série de linhas da folha de cálculo que contém dados relacionados,

Leia mais

Redes de Computadores. Trabalho de Laboratório Nº8

Redes de Computadores. Trabalho de Laboratório Nº8 Redes de Computadores Curso de Eng. Informática Curso de Eng. de Electrónica e Computadores Trabalho de Laboratório Nº8 Configuração e utilização do FTP 2004/2005 1 Objectivo Configuração de um servidor

Leia mais

Módulo 1 Microsoft Word 2007 ( 4 Horas)

Módulo 1 Microsoft Word 2007 ( 4 Horas) No final deste módulo o formando deverá estar apto a: Enunciar a definição do Microsoft Word 2007; Reconhecer as principais vantagens da utilização; Distinguir as diferentes áreas do ambiente de trabalho

Leia mais

EIC. Projecto I. Manual do Utilizador. Vídeo Vigilância Abordagem Open Source. Curso: Engenharia de Informática e Comunicações Ano Lectivo: 2005/2006

EIC. Projecto I. Manual do Utilizador. Vídeo Vigilância Abordagem Open Source. Curso: Engenharia de Informática e Comunicações Ano Lectivo: 2005/2006 EIC Engenharia de Informática e Comunicações Morro do Lena, Alto Vieiro Apart. 4163 2401 951 Leiria Tel.: +351 244 820 300 Fax.: +351 244 820 310 E-mail: estg@estg.iplei.pt http://www.estg.iplei.pt Engenharia

Leia mais

SIM - SUPPLIERS INVOICING MANAGER - MANUAL DE UTILIZADOR

SIM - SUPPLIERS INVOICING MANAGER - MANUAL DE UTILIZADOR Leaseplan Portugal Bertrand Gossieaux SIM - SUPPLIERS INVOICING MANAGER - MANUAL DE UTILIZADOR Page2 INDICE 1. LOGIN, ESTRUTURA E SAÍDA DO SIM... 3 a) Login... 3 b) Estrutura principal... 4 c) Saída da

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.

Leia mais

WINDOWS. O Windows funciona como um Sistema Operativo, responsável pelo arranque do computador.

WINDOWS. O Windows funciona como um Sistema Operativo, responsável pelo arranque do computador. WINDOWS O AMBIENTE DE TRABALHO DO WINDOWS O Windows funciona como um Sistema Operativo, responsável pelo arranque do computador. Um computador que tenha o Windows instalado, quando arranca, entra directamente

Leia mais

Módulo de Administração MANUAL DO UTILIZADOR

Módulo de Administração MANUAL DO UTILIZADOR MANUAL DO UTILIZADOR Versão 1.5 ÍNDICE 1. INTRODUÇÃO 2 2. REQUISITOS DO SISTEMA 3 3. INÍCIO DA UTILIZAÇÃO 4 4. IDENTIFICAÇÃO DO OPERADOR 5 4.1 MUDAR SENHA DE ACESSO 5 5. GESTÃO DE UTILIZADORES 6 5.1 PERMISSÕES

Leia mais

Inquérito Trienal à Actividade nos Mercados de Câmbios e de Produtos Derivados

Inquérito Trienal à Actividade nos Mercados de Câmbios e de Produtos Derivados Inquérito Trienal à Actividade nos Mercados de Câmbios e de Produtos Derivados IMCD Ambiente Windows 2000, Windows NT 4.0 ou superior Desenvolvido em Visual Basic 6.0 e Crystal Reports 7.0 Suporte de dados

Leia mais

Oracle SQL Developer

Oracle SQL Developer BDDAD Bases de Dados Oracle SQL Developer Nelson Freire (ISEP LEI-BDDAD 2015/16) 1/30 SQL Developer Sumário Introdução Instalar Abrir Ligar à BD no Servidor Oracle SQL Worksheet Editar SQL Executar SQL

Leia mais

Guião de utilização da plataforma moodle para Professor

Guião de utilização da plataforma moodle para Professor Guião de utilização da plataforma moodle para Professor http://elearning.up.ac.mz http://www.ceadup.edu.mz E-mail: up.cead@gmail.com info@ceadup.edu.mz Maputo, 2013 Introdução Há alguns anos atrás, para

Leia mais

PRIMAVERA EXPRESS: Funcionalidades do Produto

PRIMAVERA EXPRESS: Funcionalidades do Produto PRIMAVERA EXPRESS: Funcionalidades do Produto Como efetuo a mudança de ano do Ponto de Venda? No Programa Express aceda a Tabelas Pontos de Venda Postos de Venda abrir o separador Movimentos Caixa e: -

Leia mais

Matlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida

Matlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida 27 de maio de 2014 O que é a Neural Networw Toolbox? A Neural Network Toolbox fornece funções e aplicativos para a modelagem de sistemas não-lineares complexos que não são facilmente modelados com uma

Leia mais

Software da Impressora

Software da Impressora Software da Impressora Acerca do Software da Impressora O software Epson inclui o controlador de impressão e o EPSON Status Monitor 3. O controlador de impressão é um software que permite controlar a impressora

Leia mais

Folha de cálculo. Excel. Agrupamento de Escolas de Amares

Folha de cálculo. Excel. Agrupamento de Escolas de Amares Folha de cálculo Excel Agrupamento de Escolas de Amares Índice 1. Funcionalidades básicas... 3 1.1. Iniciar o Excel... 3 1.2. Criar um livro novo... 3 1.3. Abrir um livro existente... 3 1.4. Inserir uma

Leia mais

Gestão de bases de dados e listas

Gestão de bases de dados e listas Gestão de bases de dados e listas Uma das tarefas mais comuns em que são utilizadas folhas de cálculo é a gestão de listas (listas de números de telefone, listas de clientes, listas de tarefas, listas

Leia mais

Instruções de Instalação e Licenciamento. Notas Prévias. Versão 1.5.

Instruções de Instalação e Licenciamento. Notas Prévias. Versão 1.5. Instruções de Instalação e Licenciamento Versão 1.5. Notas Prévias Introdução Instruções de Instalação/Actualização Instruções de Licenciamento Notas Prévias Verificações prévias: Os postos de trabalho

Leia mais

Clustering - agrupamento. Baseado no capítulo 8 de. Introduction to Data Mining

Clustering - agrupamento. Baseado no capítulo 8 de. Introduction to Data Mining Clustering - agrupamento Baseado no capítulo 8 de Introduction to Data Mining de Tan, Steinbach, Kumar Clustering - agrupamento 1 O que é Clustering? Encontar grupos de objectos tal que os objectos dentro

Leia mais

Outlook 2003. Nivel 1. Rui Camacho

Outlook 2003. Nivel 1. Rui Camacho Outlook 2003 Nivel 1 Objectivos gerais Enviar e Responder a mensagens de correio electrónico, e gestão de contactos, marcação de compromissos e trabalhar com notas. Objectivos específicos Começar a trabalhar

Leia mais