Ferramenta de Pré e Pós-processamento para Data Mining
|
|
- Luísa Neves Vilalobos
- 2 Há anos
- Visualizações:
Transcrição
1 Ferramenta de Pré e Pós-processamento para Data Mining Deborah Ribeiro Carvalho (UTP / IPARDES) Marcos Bueno (UTP / IPARDES) Wilson Alves Neto (UTP / IPARDES) Luiz Ricardo Lopes (UTP) Resumo. A quantidade de dados disponíveis vem crescendo assustadoramente nos últimos anos e vários fatores contribuíram para este incrível aumento. O baixo custo na armazenagem pode ser vista como a principal causa do surgimento destas enormes bases de dados. Um outro fator é a disponibilidade de computadores de alto desempenho a um custo razoável. Como conseqüência, estes bancos de dados passam a conter verdadeiros tesouros de informação e, devido ao seu volume, ultrapassam a habilidade técnica e a capacidade humana na sua interpretação Existem várias alternativas propostas na literatura de como tratar estas bases de dados, entre elas KDD e Data Mining. Este artigo propõe e descreve uma ferramenta para auxiliar em várias etapas do KDD, mas especificamente, em etapas de pré e pós -processamento em relação a etapa de Data Mining. Palavras-chave : Data Mining, Aquisição de Conhecimento, Pré-processamento, pósprocessamento 1 Introdução O conhecimento 1 é de vital importância para o mundo dos negócios e, na atualidade, as empresas reagem mais rapidamente às mudanças de mercado, onde a ação ou efeito de conhecer torna-se cada vez mais crítico ao próprio negócio. Em razão disso, o conhecimento adquirido deve ser consistente/correto, útil e compreensível para a sua correta interpretação e uso. Empresas que detém e/ou fornecem o conhecimento adquirido com confiabilidade, rapidez e de forma organizada, têm grandes chances de permanecerem de forma competitiva no mercado. A quantidade de dados disponíveis vem crescendo assustadoramente nos últimos anos e vários fatores contribuíram para este incrível aumento. O baixo custo na armazenagem pode ser vista como a principal causa do surgimento destas enormes bases de dados. Um outro fator é a disponibilidade de computadores de alto desempenho a um custo razoável. Como conseqüência, estes bancos de dados passam a conter verdadeiros tesouros de informação e, devido ao seu volume, ultrapassam a habilidade técnica e a capacidade humana na sua interpretação (Carvalho, 1999). Existe necessidade de transformar estes dados em informação para que se torne apoio nas tomadas de decisão, podendo ser usada para melhorar procedimentos, detectar tendências e características disfarçadas, e até prevenir ou reagir a um evento que ainda está por vir. Este 1 Ao ser atribuído algum significado especial a um dado, este se transforma em uma informação ou fato. Se especialistas elaboram uma norma ou regra, a interpretação do confronto entre o fato e a regra constitui um conhecimento (Sade e Souza, 1996).
2 processo é um dos objetivos de estudo da área de Inteligência Artificial, onde estão sendo desenvolvidas metodologias para sua automação, através de Sistemas Computacionais ou Sistemas Inteligentes bas eados no conhecimento (Carvalho, 1999). Uma grande parte destes Sistemas são desenvolvidos utilizando as técnicas e algoritmos de Data Mining ou mineração de dados, que é uma área da Inteligência Artificial que trata da extração de informação válida, previamente desconhecida e de máxima abrangência, a partir de grandes bases de dados. A análise automatizada e antecipada oferecida por Data Mining vai muito além de consulta a um banco de dados que é fornecida pelas ferramentas de retrospectiva típicas de sistemas de apoio a decisão, como o OLAP 2 e SQL 3 -, no sentido de permitir aos usuários explorar e inferir informação útil a partir dos dados, descobrindo relacionamentos escondidos no banco de dados. Este artigo descreve uma ferramenta que foi implementada para auxiliar nas etapas de preparação da Base de Dados que servirão de entrada aos algoritmos de Data Mining, bem como, na análise do conhecimento descoberto por estes algoritmos. Desta forma, pode-se caracterizar a ferramenta proposta neste trabalho como sendo uma ferramenta de pré e pós-processamento para Data Mining. O artigo está composto da seguinte forma: uma introdução, a seção 2 que descreve as etapas que envolvem a descoberta de conhecimento, na qual está inserida o Data Mining, a seção 3 que descreve as funções implementadas na ferramenta e finalmente uma conclusão apresentada na seção 4. 2 Revisão da Literatura Para que o conhecimento seja extraído de forma eficiente, os dados são submetidos a um processo chamado KDD Knowledge Discovery in Databases, descoberta de conhecimento em banco de dados, processo este que possui o Data Mining como sua principal etapa, ou seja, o núcleo do processo, onde, devido a sua importância, muitas vezes é confundido com ele (Fayyad et. al., 1996). Neste processo como um todo, estão envolvidas várias etapas que vão desde a seleção da(s) base(s) de dados sobre a(s) qual(is) será realizado o processamento, até a disponibilização do conhecimento descoberto para o usuário. Em alto nível de abstração pode-se dizer que essas etapas fazem parte de três grandes grupos: pré-processamento, aplicação de um algoritmo de Data Mining e pós-processamento (Michalski e Kaufman, 1999). Na sua grande maioria, os algoritmos de Data Mining produzem, como parte dos resultados, informações de natureza estatística que permitem ao usuário identificar o quão correto e confiável é o conhecimento descoberto. Porém, muitas vezes isso não é suficiente para o usuário. Mesmo que o conhecimento descoberto seja altamente correto do ponto de vista estatístico, ele pode não ser de fácil compreensão pelo usuário. Por exemplo, o conjunto de regras descobertas pode ser grande demais para ser analisado, ou conter muita redundância. Além disso, o conhecimento descoberto pode não ser surpreendente, representando algum relacionamento previamente conhecido. Poucos algoritmos de Data Mining produzem, como parte dos resultados, uma medida do grau de compreensibilidade e de surpresa do conhecimento descoberto. Porém, essas medidas podem ser computadas na fase de pósprocessamento, como uma forma de avaliação adicional da qualidade do conhecimento descoberto, complementando (e não substituindo) medidas estatísticas sobre o grau de correção daquele conhecimento. 2 OLAP - On Line Analitical Processing - Armazenamento multidimensional de dados, em formato de cubo, que permite o rápido agregamento de dados e detalhamento de análises. 3 SQL Struct Query Language - Comandos de acesso a um Banco de Dados.
3 Sendo assim, na etapa de pós-processamento, uma das maiores preocupações é quanto à questão de identificar, dentre os padrões descobertos na fase de Data Mining, aqueles que são mais surpreendentes e/ou interessantes ao usuário. Esta questão sobre a identificação de padrões surpreendentes e/ou interessantes tem sido tratada por diversos autores na literatura. Várias propostas têm sido feitas, contemplando cobertura (Quinlan, 1993), confiança e simplicidade (Major e Mangano, 1993), entre outros. Por outro lado na etapas que antecedem a etapa de Data Mining tamb ém podem ser grandes, por exemplo a bibliografia revela que estas fases chegam a demandar até 80% do tempo total de processamento (KDD), devido às bem conhecidas dificuldades de integração de bases de dados heterogêneas (Manilla, 1994). Essa quantidade de tempo gasta é tida como uma ingrata surpresa para analistas e uma fonte inesgotável de frustração para os mais experientes. 2.1 Pré-Processamento O processo inicia-se a partir do conhecimento do domínio da aplicação, assim como dos objetivos a serem atingidos. A partir daí é realizada a preparação dos dados, que envolve muitas e trabalhosas tarefas num processo KDD, pois os dados devem ser relevantes ao alcance dos objetivos, limpos, consistentes e livres de excessivas nulidades. Seleção dos Dados A seleção dos dados é constituída de um agrupamento organizado de uma massa de dados, alvo da prospecção. Os dados necessários para realizar o processo, estão armazenados nas bases de dados operacionais, usadas pelos sistemas de informação das empresas e nem sempre estão de acordo com as exigências definidas pelo domínio apresentado. Juntar estas informações em uma base de dados centralizadas nem sempre é uma tarefa fácil, já que pode envolver dados de baixo nível em tabelas relacionais ou conjunto de elementos hierárquicos em sistemas relacionais. Além de poderem ser usados em diferentes unidades da empresa, o que pode ocasionar variação na qualidade dos dados. Um exemplo disto é que alguns departamentos precisam manter bases de dados de alta qualidade contendo informações consideradas vitais as suas operações, enquanto outros, têm somente subconjuntos de dados construídos sobre estas bases (Cruz, 2000). Algumas bases de dados são atualizadas diariamente, enquanto outras contem informações datadas de vários anos. Diferentes bases de dados usadas em diversas unidades da empresa podem usar diferentes técnicas para identificar um mesmo atributo: uma através de string e outra por números. O que deixa claro que a seleção dos dados não é uma tarefa trivial. A qualidade do conjunto de dados está diretamente relacionada ao nível de ruído encontrado nos mesmos. O ruído pode ser proveniente de dados alterados devido aos erros de digitação ou transmissão de dados contendo informações insuficientes para o reconhecimento dos padrões de conjunto de dados desprovidos dos atributos necessários à modelagem, ou contendo atributos irrelevantes a modelagem, e de dados não atualizados. O que pode ocasionar inconsistências e dados imprecisos e/ou incompletos. Quando se dispõe de uma pequena quantidade de dados, onde todos os exemplos são importantes, tenta-se substituir o ruído por valores consistentes ao domínio em questão ou até mesmo gerar dados manualmente. Para o caso em que a quantidade de dados é grande, tenta-se eliminar os dados que contém ruído. Em ambos os casos, fazem-se necessárias a utilização de
4 técnicas estatísticas para detectar os campos com ruído e, de acordo com a conveniência, substituílos ou desconsiderá-los (Gurek, 2001). Pré-Processamento e Limpeza A etapa da limpeza dos dados é realizada através de um pré-processamento dos dados, visando adequá-los aos algoritmos. Isso se faz através da integração de dados heterogêneos, tratamento de ausências de dados, eliminação de dados incompletos, repetição de registros, problemas de tipagem, tratamento de ruídos, que são os dados estranhos e/ou inconsistentes. O que pode levar a ausência de dados é a indisponibilidade ou a inexistência dos mesmos. Uma situação de indisponibilidade ocorre quando não existe divulgação do dado. Um exemplo é os dados de renda de uma pessoa física em função do sigilo (Carvalho, 1999). Já a inexistência de um dado pode ocorrer quando os dados necessários não existiam na data onde foram iniciados os processos de armazenagem. Um exemplo, são os dados da população de uma determinada cidade que foi fundada a poucos anos, pois não possui os dados dos Censos populacionais anteriores, não podendo fazer parte de estudos estatísticos regionais dos anos anteriores a sua fundação. Como mencionado anteriormente, essa etapa pode tomar até 80% do tempo necessário para todo o processo (Manilla, 1994), devido às bem conhecidas dificuldades de integração de bases de dados heterogêneas. Quando a base de dados é muito grande, é recomendado selecionar algumas amostras randomicamente, a fim de obter uma idéia do que pode ser esperado. Quase todas as bases de dados em grandes empresas são poluídas e quando começam a ser olhadas através da perspectiva do Data Mining, idéias quanto a consistência dos dados mudam (Cruz 2000). É importante salientar que o resultado desta etapa é, em geral, um arquivo completamente distinto das bases de dados originais (Gurek, 2001). Transformação e Codificação dos Dados Os dados pré-processados devem ainda passar por uma transformação que os armazena adequadamente, visando facilitar o uso das técnicas de Data Mining, pois existem diversos tipos de algoritmos e cada um necessita de uma entrada específica, além das conversões de dados, criação de novas variáveis e categorização de variáveis contínuas. Isto é necessário quando os processos de mineração de dados são desacoplados do sistema de banco de dados. Em algumas aplicações, ferramentas avançadas de representação de conhecimento podem descrever o conteúdo de um banco de dados por si só, usando esse mapeamento como uma meta-camada para os dados. Em muitos países, o acesso a outras bases de dados adicionais está disponível em bases comerciais e pode prover informação de uma grande variedade de assuntos, incluindo dados demográficos, tipos de seguro que a pessoa possui, entre outros. O estudo de uma situação onde companhias trocam dados para coordenar suas operações de marketing tem sido um segmento em desenvolvimento bastante recente. Privacidade é um ponto muito importante, neste caso. Jurisprudência nesta área está se desenvolvendo rapidamente. Na maioria dos países onde não é permitida a venda de dados individuais, sem a permissão do indivíduo, é permitida a venda de informações de grupos de pessoas, mesmo não sendo uma coisa desejável do ponto de vista ético (Adriaans, 1996). Um exemplo que pode ser aplicado para definir, de forma simples, o que é a conversão de dados, é o caso da estratificação do atributo idade, de uma determinada base de dados em quinquênios, já que o algoritmo posteriormente utilizado não aceita como entrada atributos contínuos.
5 2.2 Pós-Processamento Existe um grande número de propostas na literatura para minerar o conhecimento descoberto, ou seja, pós-processar o conhecimento descoberto pela etapa de Data Mining. Em geral as propostas se enquadram em duas categorias básicas: métodos subjetivos e objetivos. No método subjetivo, é preciso que o usuário estabeleça previamente o conhecimento ou crenças, a partir do qual o sistema irá minerar o conjunto original de padrões descoberto pelo algoritmo de Data Mining, buscando por aqueles padrões que sejam surpreendentes ao usuário. Por outro lado, o método objetivo não necessita que um conhecimento prévio seja estabelecido. Pode-se dizer que o método objetivo é data-driven e o subjetivo é user-driven (Freitas, 1999). Os métodos selecionados para serem implementados na ferramenta proposta neste artigo se caracterizam por serem de natureza objetiva. A razão deste critério se deve ao fato das dificuldades que são inerentes a tarefa do estabelecimento a priori das expectativas quanto ao conhecimento, como por exemplo, a dificuldade do usuário explicitar seu conhecimento, pela grande dependência do apoio de um usuário do domínio em questão, pelo custo inerente a tal atividade, nem todo usuário tem tempo disponível para tal, etc. 3 Descrição da Ferramenta Proposta O primeiro passo a ser seguido no processo de aquisição de conhecimento em bases de dados (KDD) é o entendimento do problema e o conhecimento do domínio da aplicação, que só será compreendido trabalhando-se com o usuário final que, além de conhecer a aplicação, tem uma boa noção dos objetivos a serem atingidos. Dessa forma, sem uma forte ênfase na interação entre os usuários do processo (identificados como usuários finais, especialistas do domínio e analistas do processo), é pouco provável que se consiga encontrar padrões válidos e potencialmente úteis nos dados. A busca de padrões pode ser realizada sob vários paradigmas, utilizando os mais variados métodos de aprendizado, mas é imprescindível o auxílio de pessoas diretamente ligadas aos processos. A partir deste momento, o próximo passo é a definição das fontes de dados, bem como da estratégia de pesquisa para identificar melhor os mais importantes conjuntos de dados. É neste ponto que se inicia o processo de Pré - Processamento, que neste estudo, será definido como a junção das três primeiras fases do processo KDD: - Seleção; - Pré - Processamento e limpeza; - Transformação e codificação dos dados. Neste processo, a seleção é uma junção organizada de dados, buscando unir em apenas uma base, todas as informações que aparentam ser necessárias para a obtenção do conhecimento desejado. É uma etapa muito importante e muitas vezes difícil de ser executada, pois pode depender de dados que se encontram em diversos departamentos da empresa, que muitas vezes possuem diferentes formas de armazenamento e recuperação, assim como uma variação muito grande na qualidade dos dados, seja com relação à digitação e transmissão de dados ou até mesmo, informações insuficientes para o reconhecimento dos padrões de conjunto de dados desprovidos dos atributos necessários a modelagem, ou contendo atributos irrelevantes a modelagem, e de dados não atualizados. 3.1 Tratamento dos Valores Ausentes Em bases de dados é muito freqüente nem todos os atributos sejam preenchidos, por exemplo,
6 se o domínio a ser executado um processo KDD for o de dados sócio-econômicos dos municípios brasileiros em uma dada série histórica, com certeza vários municípios que foram criados durante a década de 90 não terão dados para as décadas anteriores. Se a aplicação for no domínio de diagnóstico médico, nem todos os pacientes realizam todos os tipos de exames, e assim sucessivamente. Ou seja, é preciso tomar atenção com a realidade de que na grande maioria dos domínios estarão presentes atributos para os quais nem todas as instâncias apresentarão valores. Se os valores ausentes forem simplesmente ignorados ou excluídos, os resultados podem ser afetados seriamente, tornando-se insignificantes ou até inválidos. Para a correta substituição de valores ausentes, deve-se primeiramente diagnosticar se o dado ausente é relevante. Se realmente for, realiza-se a substituição do mesmo. Caso contrário, exclui-se a coluna do atributo sem relevância ou, dependendo do caso, a linha contendo o registro. Ao serem utilizados todos os dados, existe uma melhora considerável na obtenção de resultados significativos. Na ferramenta proposta foi implementada a opção de substituir todas as ocorrências de valores ausentes pela média para o caso de atributos contínuos e pela moda para o caso de atributos categóricos. 3.2 Estratificação de Atributos A estratificação de dados, de um modo geral, pode ser conceituada como a divisão de dados contínuos em faixas e tem o objetivo de otimizar a performance de sistemas de classificação. O emprego dos métodos experimentais mostra-se uma alternativa onerosa, devendo ser evitada ao máximo. Desta forma, os métodos numéricos encontram-se em uma posição de destaque junto às diversas áreas de pesquis a, sendo objeto de estudo de inúmeros pesquisadores que se concentram no aprimoramento e busca de novas técnicas numéricas que satisfaçam as crescentes exigências. A estratificação de atributos e/ou classes contínuas desenvolve métodos de discretização para a variável objetivo (classe numérica), que permitem transformar um problema de regressão num problema de classificação. A estratificação é feita tendo em vista maximizar/minimizar os parâmetros utilizados na avaliação. Esta técnica é útil também na redução da complexidade dos dados. Este processo permite utilizar qualquer sistema de classificação em problemas de regressão. A estratificação é feita com o objetivo de otimizar a performance do sistema de classificação que será posteriormente usado. As formas implementadas e disponíveis na ferramenta proposta são: Regra de Sturges Se for considerado uma variável contínua X representando as idade de uma amostra de trinta pessoas escolhidas ao acaso: 14,16,17,18,21,22,23,25,27,28 28,29,30,31,32,34,34,37,38,39 29,40,41,42,44,45,48,50,53,55 Como a variável X é contínua, os dados serão agrupados em classes. Para se construir uma distribuição de freqüências, deve-se primeiramente, estabelecer o número de classes. Uma das maneiras normalmente utilizadas para a determinação deste número é realizada através da fórmula de Sturges, dada por: K = 1 + 3,32 log n
7 Onde n representa o total de observações. Após isso, determina-se a amplitude total através da fórmula: R = X max X min Estabelecer o intervalo, ou amplitude de classe, dada por: h = R/K Estabelecer os limites inferior e superior dos intervalos de classe, sendo que o limite inferior do primeiro intervalo deve ser menor ou igual ao menor valor da série e o limite superior da última série deve ser igual ou maior que o limite inferior + a amplitude da classe. Quartil O sistema permite que atributos contínuos sejam estratificados em 4 classes, sendo que os limites superiores e inferiores respectivos a cada classes são identificados a partoor de valores dos quartis do referido atributo. Estratificação Manual Nesta opção a estratificação é realizada de forma manual a partir da interação do usuário com o sistema, quando é informado o número de classes, o limite inferior e superior para cada uma delas. 3.3 Segmentação da Base de Dados Um problema que fica bem claro na hora de realizar experimentos é a forma com que os dados estão organizados. Cada método ou algoritmo de Data Mining impõe um formato diferente de arquivo. Algoritmos de classificação necessitam que a base de dados seja segmentada em base de treinamento e base de teste. A princípio parece fácil, é só juntar os dados ou dividi-los nos percentuais indicados, por exemplo, 70% para base de treinamento e os restante 30% na base de teste. Mas, na prática, existe um problema quanto ao fato de que se esta segmentação não for realizada com certo cuidado ambas as bases deixaram de representar o espaço de busca representado pela base original como um todos. Desta forma a opção disponibilizada na ferramenta proposta visa, de forma aleatória, dividir a base original de dados nos percentuais solicitado pelo usuário em tempo de processamento, sempre realizando uma verificação através dos percentuais relativos para que se evite a tendência e posterior invalidez dos resultados. 3.4 Eliminação dos Registros Repetidos Dependendo do domínio da aplicação e muito freqüente que nas ocorram diversas repetições de registros, fato este que não colabora na execução de alguns algoritmos de Data Mining. Desta forma a ferramenta oferece ao usuário a possibilidade de eliminação destes registros. 3.5 Identificação de Registros Contraditórios Existem domínios de aplicações nos quais ocorrem instâncias que contradizem umas às outras, o que pode vir a prejudicar a precisão preditiva em algoritmos de classificação por exemplo. Nestes casos é importante que o usuário tenho ciência da presença ou não de situações de contradições na Base de dados que está alimentando os experimentos. A ferramenta disponibiliza a opção de que não apenas esta identificação seja realizada, bem como o usuário opte ou não, pela retirada dos exemplos que representam a contradição.
8 3.6 Identificação de Regras de Exceção A ferramenta disponibiliza uma opção que permite identificar no conjunto de padrões descoberto as regras de exceção. Este método está baseado no princípio que a contradição ao senso comum, o que pode ser bastante surpreendente (Hussain et. al, 2000). Por exemplo: A X regra de senso comum (alta cobertura e alta confiança ) A, B X regra de exceção (baixa cobertura, alta confiança) B X regra de referência (baixa cobertura e/ou baixa confiança) Fica claro a partir da estrutura anterior que o item de referência B é o que explica a causa da exceção, em relação ao senso comum A X. Regras excepcionais podem ser bastante surpreendentes. Por exemplo, antibióticos curam doenças, mas MRSA, um tipo de staphylococci, é resistente a antibióticos. Embora MRSA não seja uma bactéria perigosa, pacientes francos (por outras causas) às vezes morrem tomando antibióticos, os quais curam outras doenças, mas favorecem MRSA. Esse relacionamento é bastante surpreendente, pois representa a conjunção de dois eventos raros: morte por MRSA e morte por tomada de antobiótico (Suzuki, 1997). 3.7 Ambiente de Desenvolvimento A ferramenta foi implementada em linguagem "C" padrão e está disponível para uso dos alunos e pesquisadores da Universidade Tuiuti do Paraná (UTP), além de apoiar a implementação de projetos da área sócio-econômica, sediados no Instituto Paranaense de Desenvolvimento Econômico e Social (IPARDES), que envolvem Aquisição de Conhecimento. Dada a generalidade na concepção da ferramenta, esta pode ser utilizada no apoio às diversas tarefas de Data Mining, como por exemplo, Classificação e Descoberta de Regras de Associação. 4 Conclusão Este artigo propõe e descreve uma ferramenta que auxilia nas fases de pré e pósprocessamento em relação a etapa de Data Mining no contexto de KDD. Esta ferramenta foi construída a partir de um projeto de Iniciação Científica, por alunos do segundo ano do curso de Ciência da Computação. Esta ferramenta foi modelada, implementada e encontra-se atualmente em fase de testes. Estes testes estão sendo realizados por alunos que freqüentam a disciplina de Sistemas Inteligentes. Após a validação da mesma por estes alunos, serão implementadas as alterações e adaptações sugeridas, para posterior disponibilização da mesma para a comunidade em geral. 4.1 Trabalhos Futuros Algumas sugestões para novas implementações estão sugeridas: implementar novas regras de estratificação de atributos contínuos assim como métodos diferentes de tratamento de valores ausentes, como por exemplo Redes Neurais (Hruschka, 2001), etc. disponibilizar a opção para que não apenas as regras de exceção sejam identificadas na etapa de pós-processamento, mas também que métodos de avaliação do quão surpreendente/interessante é o conhecimento descoberto pelos algoritmos de Data Mining (Freitas, 1998).
9 Referências ADRIAANS, Pieter. Zabtinge, Dolf Data Mining, Addison Wesley Longmann England CARVALHO, Deborah Ribeiro. Data Mining Através de Indução de Regras e Algoritmos Genéticos. Dissertação para obtenção do grau de Mestre, Pontifícia Universidade Católica do Paraná CRUZ, Priscila Gomes Bastos. Data Mining Através de Regra de Associação e Arvore de Decisão. Monografia para obtenção do grau de tecnologo em Processamento de Dados, Universidade Tuiuti do Paraná FAYYAD, Usama M; PIATETSKY-SHAPIRO, Gregory; SMYTH, Padhraic; UTHURUSAMY, Ramasamy. Advances in Knowledge Discovery and Data Mining. USA: American Association for Artificial Intelligence FREITAS.A. On objective measures of rule surprisingness. Principles of Data Mining & Knowledge Discovery (Proc. 2nd European Symp., PKDD'98. Nantes, France, Sep. 1998). Lecture Notes in Artificial Intelligence 1510, 1-9. Springer-Verlag FREITAS, A. On Rule Interestingness Measures. Knowledge Based Systems Journal 12 (5-6), p GUREK, Eleazar Lucas. Data Mining Aquisicao de Conhecimento em Bancos de Dados. Monografia para obtenção do grau de tecnologo em Processamento de Dados, Universidade Tuiuti do Paraná HUSSAIN, F.; LIU, H.; LU, H. Exception Rule Mining with a Relative Interestingness Measure. PAKDD-2000, LNAI 1805, p HRUSCHKA, Eduardo R. Algoritmos Genéticos de Equipamentos para Extração de Regras de Redes Neurais. Tese apresentada para a obtenção do grau de doutor pela Universidade Federal do Rio de Janeiro (COPPE) MANILLA, H. Finding Interesting Rules From Large Sets of Discovered Association Rules, 3rd International Conference on Information and Knowledge Management MAJOR, J. A.; MANGANO, J.J. Selecting Among Rules Indiced from a Hurricane Database, Proc. AAAI 93, Workshop Knowledge Discovery in Databases, p MICHALSKI, Ryzzard; KAUFMAN, Kenneth. Data Mining and Knowledge Discovery: A Review of Issues and Multistrategy Approach, In: Ryszard S. Michalski; Ivan Bratko and Miroslav Kubat (Eds.) QUINLAN, J. R. C4.5 Programs for Machine Learning, Morgan Kaufmann Publisher, USA SADE, Alberto Sulaiman; SOUZA, Jano Moreira de. Prospecção de Conhecimento em Bases de Dados Ambientais SUZUKI, E.Autonomous discovery of reliable exception rules. Proc. 3 rd Int. Conf. Knowledge Discovery & Data Mining, AAAI Pres, 1997.
MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO
MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO Fernanda Delizete Madeira 1 ; Aracele Garcia de Oliveira Fassbinder 2 INTRODUÇÃO Data
Sistema de mineração de dados para descobertas de regras e padrões em dados médicos
Sistema de mineração de dados para descobertas de regras e padrões em dados médicos Pollyanna Carolina BARBOSA¹; Thiago MAGELA² 1Aluna do Curso Superior Tecnólogo em Análise e Desenvolvimento de Sistemas
Planejamento Estratégico de TI. Prof.: Fernando Ascani
Planejamento Estratégico de TI Prof.: Fernando Ascani Data Warehouse - Conceitos Hoje em dia uma organização precisa utilizar toda informação disponível para criar e manter vantagem competitiva. Sai na
Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados
Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2006.2 Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento
XIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO
XIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO EPE0147 UTILIZAÇÃO DA MINERAÇÃO DE DADOS EM UMA AVALIAÇÃO INSTITUCIONAL
FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO
@ribeirord FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO Rafael D. Ribeiro, M.Sc,PMP. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br Lembrando... Aula 4 1 Lembrando... Aula 4 Sistemas de apoio
Professor: Disciplina:
Professor: Curso: Esp. Marcos Morais de Sousa marcosmoraisdesousa@gmail.com Sistemas de informação Disciplina: Introdução a SI Noções de sistemas de informação Turma: 01º semestre Prof. Esp. Marcos Morais
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
Data Mining: Conceitos e Técnicas
Data Mining: Conceitos e Técnicas DM, DW e OLAP Data Warehousing e OLAP para Data Mining O que é data warehouse? De data warehousing para data mining Data Warehousing e OLAP para Data Mining Data Warehouse:
Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka
Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka 1 Introdução A mineração de dados (data mining) pode ser definida como o processo automático de descoberta de conhecimento em bases de
Dado: Fatos conhecidos que podem ser registrados e têm um significado implícito. Banco de Dados:
MC536 Introdução Sumário Conceitos preliminares Funcionalidades Características principais Usuários Vantagens do uso de BDs Tendências mais recentes em SGBDs Algumas desvantagens Modelos de dados Classificação
UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS
UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA CURSO DE ESPECIALIZAÇÃO EM ANÁLISE DE AMBIENTE ELETROMAGNÉTICO CEAAE /2008 DISCIPLINA EE-09: Inteligência
Gestão da Informação. Gestão da Informação. AULA 3 Data Mining
Gestão da Informação AULA 3 Data Mining Prof. Edilberto M. Silva Gestão da Informação Agenda Unidade I - DM (Data Mining) Definição Objetivos Exemplos de Uso Técnicas Tarefas Unidade II DM Prático Exemplo
Gestão Pedagógica de Cursos de Graduação a partir de Data Mining
Gestão Pedagógica de Cursos de Graduação a partir de Data Mining D. R. Carvalho, IPARDES e Universidade Tuiuti do Paraná. Resumo - Uma das grandes dificuldades de todas as Instituições de Ensino Superior
KDD UMA VISAL GERAL DO PROCESSO
KDD UMA VISAL GERAL DO PROCESSO por Fernando Sarturi Prass 1 1.Introdução O aumento das transações comerciais por meio eletrônico, em especial as feitas via Internet, possibilitou as empresas armazenar
Data Mining aplicado na base de dados das categorias mais vendidas de um supermercado
Data Mining aplicado na base de dados das categorias mais vendidas de um supermercado Celso Bilynkievycz dos Santos (UTFPR/UEPG) bilynkievycz@uepg.br Vicente Toniolo Zander (UTFPR) vicente_2006@pg.cefetpr.br
APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA
APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA Lizianne Priscila Marques SOUTO 1 1 Faculdade de Ciências Sociais e Aplicadas
ADM041 / EPR806 Sistemas de Informação
ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes
Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence
É um conjunto de conceitos e metodologias que, fazem uso de acontecimentos e sistemas e apoiam a tomada de decisões. Utilização de várias fontes de informação para se definir estratégias de competividade
Modelo de dados do Data Warehouse
Modelo de dados do Data Warehouse Ricardo Andreatto O modelo de dados tem um papel fundamental para o desenvolvimento interativo do data warehouse. Quando os esforços de desenvolvimentos são baseados em
Extração de Conhecimento a partir dos Sistemas de Informação
Extração de Conhecimento a partir dos Sistemas de Informação Gisele Faffe Pellegrini & Katia Collazos Grupo de Pesquisa em Eng. Biomédica Universidade Federal de Santa Catarina Jorge Muniz Barreto Prof.
DATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago
DATA WAREHOUSE Rafael Ervin Hass Raphael Laércio Zago Roteiro Introdução Aplicações Arquitetura Características Desenvolvimento Estudo de Caso Conclusão Introdução O conceito de "data warehousing" data
Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas
22 - Encontro Anual de Tecnologia da Informação Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas Elisa Maria Vissotto1, Adriane Barbosa Camargo2 1 Universidade Regional Integrada
Introdução. Conceitos Básicos. Conceitos Básicos. Conceitos Básicos
Conceitos Básicos Introdução Banco de Dados I Prof. Guilherme Tavares de Assis Universidade Federal de Ouro Preto UFOP Instituto de Ciências Exatas e Biológicas ICEB Departamento de Computação DECOM Dados
Para construção dos modelos físicos, será estudado o modelo Relacional como originalmente proposto por Codd.
Apresentação Este curso tem como objetivo, oferecer uma noção geral sobre a construção de sistemas de banco de dados. Para isto, é necessário estudar modelos para a construção de projetos lógicos de bancos
Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI)
Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI) Apresentação O programa de Pós-graduação Lato Sensu em Business Intelligence Inteligência Competitiva tem por fornecer conhecimento
Extração de Conhecimento & Mineração de Dados
Extração de Conhecimento & Mineração de Dados Nesta apresentação é dada uma breve introdução à Extração de Conhecimento e Mineração de Dados José Augusto Baranauskas Departamento de Física e Matemática
Microsoft Innovation Center
Microsoft Innovation Center Mineração de Dados (Data Mining) André Montevecchi andre@montevecchi.com.br Introdução Objetivo BI e Mineração de Dados Aplicações Exemplos e Cases Algoritmos para Mineração
O que é a estatística?
Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os
Análise de Sistemas. Conceito de análise de sistemas
Análise de Sistemas Conceito de análise de sistemas Sistema: Conjunto de partes organizadas (estruturadas) que concorrem para atingir um (ou mais) objectivos. Sistema de informação (SI): sub-sistema de
Sistema. Atividades. Sistema de informações. Tipos de sistemas de informação. Everson Santos Araujo everson@everson.com.br
Sistema Tipos de sistemas de informação Everson Santos Araujo everson@everson.com.br Um sistema pode ser definido como um complexo de elementos em interação (Ludwig Von Bertalanffy) sistema é um conjunto
O que é a ciência de dados (data science). Discussão do conceito. Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.
O que é a ciência de dados (data science). Discussão do conceito Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.3, Outubro, 2015 Nota prévia Esta apresentação tem por objetivo, proporcionar
ADMINISTRAÇÃO DOS RECURSOS DE DADOS
Capítulo 7 ADMINISTRAÇÃO DOS RECURSOS DE DADOS 7.1 2003 by Prentice Hall OBJETIVOS Por que as empresas sentem dificuldades para descobrir que tipo de informação precisam ter em seus sistemas de informação?
ü Curso - Bacharelado em Sistemas de Informação
Curso - Bacharelado em Sistemas de Informação Nome e titulação do Coordenador: Coordenador: Prof. Wender A. Silva - Mestrado em Engenharia Elétrica (Ênfase em Processamento da Informação). Universidade
Banco de Dados I. Apresentação (mini-currículo) Conceitos. Disciplina Banco de Dados. Cont... Cont... Edson Thizon (edson@esucri.com.
Sistemas da Informação Banco de Dados I Edson Thizon (edson@esucri.com.br) 2008 Apresentação (mini-currículo) Formação Acadêmica Mestrando em Ciência da Computação (UFSC/ ) Créditos Concluídos. Bacharel
Banco de Dados. Introdução. João Eduardo Ferreira Osvaldo Kotaro Takai. jef@ime.usp.br DCC-IME-USP
Banco de Dados Introdução João Eduardo Ferreira Osvaldo Kotaro Takai jef@ime.usp.br DCC-IME-USP Importância dos Bancos de Dados A competitividade das empresas depende de dados precisos e atualizados. Conforme
SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI LEARNING SYSTEMS FOR IDENTIFICATION OF PEQUI FRUIT SEEDS NUMBER
SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI Fernando Luiz de Oliveira 1 Thereza Patrícia. P. Padilha 1 Conceição A. Previero 2 Leandro Maciel Almeida 1 RESUMO O processo
Estratégias de Pesquisa
Estratégias de Pesquisa Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Survey Design e Criação Estudo de Caso Pesquisa Ação Experimento
Technology and Security Risk Services. Novembro, 2003
Technology and Security Risk Services Novembro, 2003 1. Por que escrevemos o livro? 2. Objetivo do livro 3. Conteúdo do livro 4. Dúvidas Acesso aos sites financeiros cresceu 199% em dois anos; Os sites
Juciara Nepomuceno de Souza Rafael Garcia Miani. Teste de Software
Juciara Nepomuceno de Souza Rafael Garcia Miani Teste de Software Técnicas de Teste de Software Testabilidade Operabilidade; Observabilidade; Controlabilidade; Decomponibilidade; Simplicidade; Estabilidade;
No mundo atual, globalizado e competitivo, as organizações têm buscado cada vez mais, meios de se destacar no mercado. Uma estratégia para o
DATABASE MARKETING No mundo atual, globalizado e competitivo, as organizações têm buscado cada vez mais, meios de se destacar no mercado. Uma estratégia para o empresário obter sucesso em seu negócio é
Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados
Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Um Sistema Gerenciador de Banco de Dados (SGBD) é constituído por um conjunto de dados associados a um conjunto de programas para acesso a esses
SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA
SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA Muitas organizações terceirizam o transporte das chamadas em seus call-centers, dependendo inteiramente
Universidade de Brasília. Departamento de Ciência da Informação e Documentação. Prof a.:lillian Alvares
Universidade de Brasília Departamento de Ciência da Informação e Documentação Prof a.:lillian Alvares Fóruns óu s/ Listas de discussão Espaços para discutir, homogeneizar e compartilhar informações, idéias
Padronização de Processos: BI e KDD
47 Padronização de Processos: BI e KDD Nara Martini Bigolin Departamento da Tecnologia da Informação -Universidade Federal de Santa Maria 98400-000 Frederico Westphalen RS Brazil nara.bigolin@ufsm.br Abstract:
Requisitos de Software. Requisitos de Software. Requisitos de Software. Requisitos de Software. Requisitos de Software. Requisitos de Software
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO NORTE Curso Técnico em Informática ENGENHARIA DE SOFTWARE Prof.: Clayton Maciel Costa clayton.maciel@ifrn.edu.br Clayton Maciel Costa
Universidade de Brasília. Faculdade de Ciência da Informação. Prof a Lillian Alvares
Universidade de Brasília Faculdade de Ciência da Informação Prof a Lillian Alvares Fóruns Comunidades de Prática Mapeamento do Conhecimento Portal Intranet Extranet Banco de Competências Memória Organizacional
Planejamento Estratégico de TI. Prof.: Fernando Ascani
Planejamento Estratégico de TI Prof.: Fernando Ascani BI Business Intelligence A inteligência Empresarial, ou Business Intelligence, é um termo do Gartner Group. O conceito surgiu na década de 80 e descreve
Autor(es) BARBARA STEFANI RANIERI. Orientador(es) LUIZ EDUARDO GALVÃO MARTINS, ANDERSON BELGAMO. Apoio Financeiro PIBIC/CNPQ. 1.
19 Congresso de Iniciação Científica ESPECIFICAÇÃO E IMPLEMENTAÇÃO DE UMA FERRAMENTA AUTOMATIZADA DE APOIO AO GERSE: GUIA DE ELICITAÇÃO DE REQUISITOS PARA SISTEMAS EMBARCADOS Autor(es) BARBARA STEFANI
DATA WAREHOUSE. Introdução
DATA WAREHOUSE Introdução O grande crescimento do ambiente de negócios, médias e grandes empresas armazenam também um alto volume de informações, onde que juntamente com a tecnologia da informação, a correta
Universidade Federal de Minas Gerais ICEx / DCC
Universidade Federal de Minas Gerais ICEx / DCC Belo Horizonte, 15 de dezembro de 2006 Relatório sobre aplicação de Mineração de Dados Mineração de Dados em Bases de Dados de Vestibulares da UFMG Professor:
Estudo e Análise da Base de Dados do Portal Corporativo da Sexta Região da Polícia Militar com vista à aplicação de Técnicas de Mineração de Dados1
Estudo e Análise da Base de Dados do Portal Corporativo da Sexta Região da Polícia Militar com vista à aplicação de Técnicas de Mineração de Dados1 Rafaela Giroto, 10º módulo de Ciência da Computação,
SISTEMAS DE APOIO À DECISÃO SAD
SISTEMAS DE APOIO À DECISÃO SAD Conceitos introdutórios Decisão Escolha feita entre duas ou mais alternativas. Tomada de decisão típica em organizações: Solução de problemas Exploração de oportunidades
Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse
Definição escopo do projeto (departamental, empresarial) Grau de redundância dos dados(ods, data staging) Tipo de usuário alvo (executivos, unidades) Definição do ambiente (relatórios e consultas préestruturadas
COLETA DE DADOS PROFA. ENIMAR JERÔNIMO WENDHAUSEN
COLETA DE DADOS PROFA. ENIMAR JERÔNIMO WENDHAUSEN Objetivo da aula Conhecer os instrumentos de coleta de dados, suas vantagens e limitações. Caminhos Para a Obtenção de Dados Pesquisa em ciências sociais
Título do Case: Departamento Comercial com foco nas expectativas do cliente Categoria: Projeto Interno
Título do Case: Departamento Comercial com foco nas expectativas do cliente Categoria: Projeto Interno Resumo O presente case mostra como ocorreu o processo de implantação do Departamento Comercial em
IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES ENTRE PRODUTOS DE UMA BASE DE DADOS REAL
Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES
CAPITULO 4 A ARQUITETURA LÓGICA PARA O AMBIENTE
CAPITULO 4 A ARQUITETURA LÓGICA PARA O AMBIENTE A proposta para o ambiente apresentada neste trabalho é baseada no conjunto de requisitos levantados no capítulo anterior. Este levantamento, sugere uma
Nome: Login: CA: Cidade: UF CARTÃO RESPOSTA QUESTÃO RESPOSTA QUESTÃO RESPOSTA
ANÁLISE E DESENVOLVIMENTO DE SISTEMAS TURMA 2008 3º PERÍODO - 6º MÓDULO AVALIAÇÃO A3 DATA 09/07/2009 SISTEMAS EMPRESARIAIS Dados de identificação do Acadêmico: Nome: Login: CA: Cidade: UF CARTÃO RESPOSTA
Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1
Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1 SISTEMA DE APOIO À DECISÃO Grupo: Denilson Neves Diego Antônio Nelson Santiago Sabrina Dantas CONCEITO É UM SISTEMA QUE AUXILIA O PROCESSO DE DECISÃO
UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO (Bacharelado)
UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO (Bacharelado) SISTEMA INTERNO INTEGRADO PARA CONTROLE DE TAREFAS INTERNAS DE UMA EMPRESA DE DESENVOLVIMENTO
Aula 02: Conceitos Fundamentais
Aula 02: Conceitos Fundamentais Profa. Ms. Rosângela da Silva Nunes 1 de 26 Roteiro 1. Por que mineração de dados 2. O que é Mineração de dados 3. Processo 4. Que tipo de dados podem ser minerados 5. Que
DSI é o processo cujo objetivo é introduzir mudanças num sistema de informação, com objetivo de melhorar o seu desempenho.
- DSI DSI é o processo cujo objetivo é introduzir mudanças num sistema de informação, com objetivo de melhorar o seu desempenho. Preocupação: Problema técnicos Mudança na natureza e conteúdo do trabalho
Identificando o grau de importância dos programas eleitorais a partir da mineração de dados
Identificando o grau de importância dos programas eleitorais a partir da mineração de dados Lucinéia Rodrigues Magalhães (Bacharel) Curso de Bacharelado em Sistemas de Informação Universidade Tuiuti do
PROJETO DE REDES www.projetoderedes.com.br
PROJETO DE REDES www.projetoderedes.com.br Centro Universitário de Volta Redonda - UniFOA Curso Tecnológico de Redes de Computadores 5º período Disciplina: Tecnologia WEB Professor: José Maurício S. Pinheiro
Instituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 20/03/2015. Big Data Analytics:
Instituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 20/03/2015 Big Data Analytics: Como melhorar a experiência do seu cliente Anderson Adriano de Freitas RESUMO
Conceitos de Banco de Dados
Conceitos de Banco de Dados Autor: Luiz Antonio Junior 1 INTRODUÇÃO Objetivos Introduzir conceitos básicos de Modelo de dados Introduzir conceitos básicos de Banco de dados Capacitar o aluno a construir
ALESSANDRO RODRIGO FRANCO FERNANDO MARTINS RAFAEL ALMEIDA DE OLIVEIRA
ALESSANDRO RODRIGO FRANCO FERNANDO MARTINS RAFAEL ALMEIDA DE OLIVEIRA INTRODUÇÃO O projeto de um banco de dados é realizado sob um processo sistemático denominado metodologia de projeto. O processo do
Paralelização do algoritmo SPRINT usando MyGrid
Paralelização do algoritmo SPRINT usando MyGrid Juliana Carvalho, Ricardo Rebouças e Vasco Furtado Universidade de Fortaleza UNIFOR juliana@edu.unifor.br ricardo@sspds.ce.gov.br vasco@unifor.br 1. Introdução
Data Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento
Data Mining Prof Luiz Antonio do Nascimento Data Mining Ferramenta utilizada para análise de dados para gerar, automaticamente, uma hipótese sobre padrões e anomalias identificadas para poder prever um
Aula 15. Tópicos Especiais I Sistemas de Informação. Prof. Dr. Dilermando Piva Jr.
15 Aula 15 Tópicos Especiais I Sistemas de Informação Prof. Dr. Dilermando Piva Jr. Site Disciplina: http://fundti.blogspot.com.br/ Conceitos básicos sobre Sistemas de Informação Conceitos sobre Sistemas
Gerenciamento de Redes
Gerenciamento de Redes As redes de computadores atuais são compostas por uma grande variedade de dispositivos que devem se comunicar e compartilhar recursos. Na maioria dos casos, a eficiência dos serviços
GESTÃO DE CONHECIMENTO PARA PROGRAMAS DE MONITORIA UMA ABORDAGEM SISTEMÁTICA SOBRE O MÓDULO DE GESTÃO E GERAÇÃO DE CONHECIMENTO...
GESTÃO DE CONHECIMENTO PARA PROGRAMAS DE MONITORIA UMA ABORDAGEM SISTEMÁTICA SOBRE O MÓDULO DE GESTÃO E GERAÇÃO DE CONHECIMENTO... 589 GESTÃO DE CONHECIMENTO PARA PROGRAMAS DE MONITORIA UMA ABORDAGEM SISTEMÁTICA
Gerenciamento de Dados e Gestão do Conhecimento
ELC1075 Introdução a Sistemas de Informação Gerenciamento de Dados e Gestão do Conhecimento Raul Ceretta Nunes CSI/UFSM Introdução Gerenciando dados A abordagem de banco de dados Sistemas de gerenciamento
MBA em Gestão de Empreendimentos Turísticos
Prof. Martius V. Rodriguez y Rodriguez, DSc martius@kmpress.com.br MBA em Gestão de Empreendimentos Turísticos Gestão do Conhecimento e Tecnologia da Informação Gestão do Conhecimento evolução conceitual.
Sistemas de Informação
Sistemas de Informação Prof. M.Sc. Diego Fernandes Emiliano Silva diego.femiliano@gmail.com Agenda Banco de dados Gerenciamento de banco de dados Sistemas de gerenciamento de banco de dados Como usar banco
04/08/2012 MODELAGEM DE DADOS. PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS. Aula 1. Prof. Rafael Dias Ribeiro. M.Sc.
MODELAGEM DE DADOS PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS Aula 1 Prof. Rafael Dias Ribeiro. M.Sc. @ribeirord 1 Objetivos: Apresenta a diferença entre dado e informação e a importância
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
Identificar as mudanças que acontecem na forma e no uso de apoio à decisão em empreendimentos de e-business. Identificar o papel e alternativas de
1 Identificar as mudanças que acontecem na forma e no uso de apoio à decisão em empreendimentos de e-business. Identificar o papel e alternativas de relatórios dos sistemas de informação gerencial. Descrever
DATA MINING PARA AVALIAÇÃO DO CONHECIMENTO SOBRE EFEITOS PATRIMONIAIS NAS FORMAS DE UNIÃO CONJUGAL
DATA MINING PARA AVALIAÇÃO DO CONHECIMENTO SOBRE EFEITOS PATRIMONIAIS NAS FORMAS DE UNIÃO CONJUGAL RESUMO Luiz Guilherme Carvalho Guimarães 1 João Vitor Moraes 2 Deborah Ribeiro Carvalho 3 O presente trabalho
Busca Estocástica Baseada em Planejamento para Maximizar Metas em Jogos de RTS
Busca Estocástica Baseada em Planejamento para Maximizar Metas em Jogos de RTS Autor:Thiago França Naves 1, Orientador: Carlos Roberto Lopes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade
FDQ-TOOL UMA FERRAMENTA PARA A ANÁLISE DA QUALIDADE DA MÉTRICA DE ESFORÇO DO PDS
25 a 28 de Outubro de 2011 ISBN 978-85-8084-055-1 FDQ-TOOL UMA FERRAMENTA PARA A ANÁLISE DA QUALIDADE DA MÉTRICA DE ESFORÇO DO PDS Marcos Mitsuo Ashihara 1, Nelson Tenório Jr 2, Rita Cristina Galarraga
18. Qualidade de Dados em Data Warehouse - Objetivos e Sucesso
18. Qualidade de Dados em Data Warehouse - Objetivos e Sucesso Uma das características das Ciências Exatas é a precisão das informações obtidas; a segurança dos dados extraídos nos processos usados. Cálculos
Capítulo 1 - Introdução 14
1 Introdução Em seu livro Pressman [22] define processo de software como um arcabouço para as tarefas que são necessárias para construir software de alta qualidade. Assim, é-se levado a inferir que o sucesso
CCE 876 - Engenharia de Software. Introdução à Engenharia de Software
CCE 876 - Engenharia de Software Introdução à Engenharia de Software Objetivos Introduzir a Engenharia de Software e explicar sua importância. Introduzir os conceitos principais relacionados à Engenharia
Aula 2 Governança do projeto Papéis e Responsabilidades
Aula 2 Governança do projeto Papéis e Responsabilidades Objetivos da Aula: Nesta aula, iremos conhecer os diversos papéis e responsabilidades das pessoas ou grupos de pessoas envolvidas na realização de
Metodologia de Desenvolvimento de Sistemas
Metodologia de Desenvolvimento de Sistemas Aula 1 Ementa Fases do Ciclo de Vida do Desenvolvimento de Software, apresentando como os métodos, ferramentas e procedimentos da engenharia de software, podem
DATA WAREHOUSE NO APOIO À TOMADA DE DECISÕES
DATA WAREHOUSE NO APOIO À TOMADA DE DECISÕES Janaína Schwarzrock jana_100ideia@hotmail.com Prof. Leonardo W. Sommariva RESUMO: Este artigo trata da importância da informação na hora da tomada de decisão,
Boas Práticas de Desenvolvimento Seguro
Boas Práticas de Desenvolvimento Seguro Julho / 2.012 Histórico de Revisões Data Versão Descrição Autor 29/07/2012 1.0 Versão inicial Ricardo Kiyoshi Página 2 de 11 Conteúdo 1. SEGURANÇA DA INFORMAÇÃO
Aprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Avaliação do conhecimento descoberto em Data Mining
67 Avaliação do conhecimento descoberto em Data Mining Deborah Ribeiro Carvalho (Mestre) Curso de Ciência da Computação - Universidade Tuiuti do Paraná 68 Avaliação do conhecimento descoberto em Data Mining
SISTEMA DE INFORMAÇÃO EXECUTIVA UTILIZANDO DATA MINING BASEADO NA TÉCNICA ÁRVORE DE DECISÃO
SISTEMA DE INFORMAÇÃO EXECUTIVA UTILIZANDO DATA MINING BASEADO NA TÉCNICA ÁRVORE DE DECISÃO OSCAR DALFOVO, M.A. dalfovo@furb.rct-sc.br Professor da Universidade Regional de Blumenau - FURB Professor do
srbo@ufpa.br www.ufpa.br/srbo
CBSI Curso de Bacharelado em Sistemas de Informação BI Prof. Dr. Sandro Ronaldo Bezerra Oliveira srbo@ufpa.br www.ufpa.br/srbo Tópicos Especiais em Sistemas de Informação Faculdade de Computação Instituto
Planejamento da disciplina: Modelagem de processos de negócio
UNIVERSIDADE FEDERAL DE MINAS GERAIS / INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO Planejamento da disciplina: Modelagem de processos de negócio Professor: Clarindo Isaías Pereira
Módulo 4: Gerenciamento de Dados
Módulo 4: Gerenciamento de Dados 1 1. CONCEITOS Os dados são um recurso organizacional decisivo que precisa ser administrado como outros importantes ativos das empresas. A maioria das organizações não
http://www.publicare.com.br/site/5,1,26,5480.asp
Página 1 de 7 Terça-feira, 26 de Agosto de 2008 ok Home Direto da redação Última edição Edições anteriores Vitrine Cross-Docking Assine a Tecnologística Anuncie Cadastre-se Agenda Cursos de logística Dicionário
SAD. Paulo Silva, Rodolfo Ribeiro, Vinicius Tavares
SAD Paulo Silva, Rodolfo Ribeiro, Vinicius Tavares DataWarehouse Armazena informações relativas a uma organização em BD Facilita tomada de decisões Dados são coletados de OLTP(séries históricas) Dados