!"#$%&'()!"*"+,$%&-$.$&,!#(!'/.,"& 0*".(%'$*&(&12$!',0,)$34"&5(& )$.6"!"&
|
|
- Agustina Brezinski de Lacerda
- 8 Há anos
- Visualizações:
Transcrição
1 !"#$%&'()!"*"+,$%&-$.$&,!#(!'/.,"& 0*".(%'$*&(&1$!',0,)$34"&5(& )$.6"!"&!"#$%&'#%()#*%'&"+,-)**".'/0113 8:;AB7C:DB6E41F43
2 $-.(%(!'$34"& G8!1;ADHI:AJK>&L9&)A<M>D>& U8!)>D=BL9<AJV9=&0BDAB=&
3 .().%"%&0*".(%'$,%&
4 .().%"%&0*".(%'$,%&!"
5 .().%"%&0*".(%'$,%& #"
6 .().%"%&0*".(%'$,%& )"!'(W'"& & Z9<:AL>& %>:BAB=& 0*".(%'$*& 6B>LBE9<=BLAL9& )$.6"!"&
7 ,!#(!'/.,"&0*".(%'$*& 1$!',0,)$34"&(&1$*,0,)$34"& & & X<>:9==>=&L9& 9&L9&O9D=;<AJK>& Z9D=;<AJK>& Z>L9?AQ9O& Z>L9?>=& (\;AJV9=&.9Q<9==K>&.9?AJK>&]^L& & & (=HOAHEA=& L9&)A<M>D>&
8 +("'()!"*"+,$%&
9 !,5$5(&& $Z"%'.$*&,!#(!'/.,"&0*".(%'$*& -"-*$34"& $Z"%'.$&
10 Z(!%.$34"&0*".(%'$*&
11 Z(!%.$34"&0*".(%'$*&
12 Y Z"5(*$+(Z& X1, X...
13 &1$!',0,)$34"&5(&)$.6"!"&
14 &1$!',0,)$34"&5(&)$.6"!"&
15 &1$!',0,)$34"&5(&)$.6"!"&
16 &1$!',0,)$34"&5(&)$.6"!"&
17 $*"Z('.,$& Z"5(*$+(Z&.(+.(%%4"&
18 $*"Z('.,$& E:4I78'95'K54E5'K5447?:K<5;:9:8'K5H':8'HB9:;L:8';5'I:H:;05'I5I:?' OPBQ?7R'S'*788<74.'TUVWX13
19 $*"Z('.,$& )A<M>D>& )>XAg& 59D=BLAL9g& %hh>g&& ->=BJK>&%>:B>?iQB:Ag&
20 $*"Z('.,$& w = a log w w = f * x b = a + b*log ( d, h,!...) x )H'AB7Y'3 w'z'f<5h:88:[3 d'z'9:e['3 h'z':?ib4:['3! Z'97;8<9:97'9:'H:97<4:13
21 \%)$%&')\/#)]"%& );I47'5BI4583 h d w d w d d d w h d w h d w log log log log log log log log log log log log! + =! + =! +! +! +! + =! +! +! + =! +! + = " # " # $ " " " " # $ " " " # " " # $%&'("()"&*+",-..#/"01(*1"34" $%&'("()"&*+",-..#/"01(*1"334" 56%78&6%(9":";&**",<=>>4" $*"Z('.,$&
22 $*"Z('.,$& &^*-"_`)&'!%\-+&'+%'"a-&*)')'),-"_`)&' "$%\G*#^!"&'/%#'#)]#)&&b%3 c! ]4:;97'9<8E748d5';58'9:958[3 c! P7I745K79:8NK<9:97[3 c! >:?I:'97'<;97E7;9e;K<:'7';54H:?<9:97'3 3958'478f9B58[3 c! (:<Q:'E47K<8d5'7'78NH:N=:8'K5H'=<J813
23 Y "'.$%& -"%%,6,*,5$5(%g& X1, X...
24 ,!'(*,+j!),$&$.',0,),$*& c! BN?<h:958'E54'HB<I:8'9JK:9:81' &7B8'B858'7'478I4<LM78'97'BN?<h:Ld5' 8d5'F7H'K5;07K<958[3 c! )Q<8I7H'5BI4:8'IJK;<K:8'AB7' E597H'874'BN?<h:9:8'K5H'5' H78H5'E45Ei8<I5j3 c! "'^;I7?<ke;K<:'"4NlK<:?'E597'874' BH:':?I74;:N=:'O5B'K5HE?7H7;I5X' E:4:')AB:LM78'"?5HJI4<K:8j3
25 ,!'(*,+j!),$&$.',0,),$*& c! c! c!!"#"$%&'&'($o\<;74:ld5'97':958xy'j'e:4i7'97'bh' E45K7885'97'K5;07K<H7;I5'7H'F:;K58'97'9:958'O)!!' m')'*+,-.(-$!&/0*1-3$&'$!"#"4"/-/x'e:4:'7;k5;i4:4' E:94M78'nI7<8'7H'9:958'7'k74:Ld5'97'<;654H:Ld5' OK5;07K<H7;I5X'AB7'78Id5'78K5;9<958';7?78[3 c!
26 3,!'(*,+j!),$&$.',0,),$*& *G!+^!"&3 c! \<;74:Ld5'97':958'O!%$5$!"#"$%&'&'(X[3 c! #7978'+7B4:<8'"4NlK<:<8'o'#+"'O677$5$6890&",$7-:",$ 7-#+*;/X[3 c! %"0?&'-X[3 c! c! "?k54<ih58']7;jnk58[3 c! );I47'5BI4:813
27 (%'5"&5(&)$%"&7`&!"#"$%&'&'($ E?:;I:Ld5'97'478I:B4:Ld5'7K5?ik<K:';5')8I:95'95'#<5'97'a:;7<4513
28 (%'5"&5(&)$%"&7`&5$'$&Z,!,!+& E?:;I:Ld5'97'478I:B4:Ld5'7K5?ik<K:';5')8I:95'95'#<5'97'a:;7<4513
29 ESTUDO DE CASO 1: DATA MINING DM: tenta descobrir padrões em grandes volumes de dados. O objenvo global do processo é o de extrair informação de um conjunto de dados numa estrutura compreensível para uso posterior (previsão); Fases: seleção de dados, pré- processamento dos dados, seleção das variáveis independentes, extração de conhecimento (padrões), interpretação e predição.
30 (%'5"&5(&)$%"&7`&5$'$&Z,!,!+&!?:88<lK:95478'(:87:958';:'^;8It;K<:Y'BN?<h:H':'E58<Ld5'97'BH'9:95' 7'8B:'9<8It;K<:'E:4:'47:?<h:4'K?:88<lK:Ld5'7.'K5;87AB7;I7H7;I7.' E479<Ld51'3!
31 ESTUDO DE CASO 1: DATA MINING DM: 4 Npos de distancias foram avaliadas; Vizinhos mas próximos: 1, 3 e 5; Variáveis: dap; dap e ht; dap, ht, da, db; dap, dm, ht, hc, da, db (todas); Transformação Logarítmica; Regressão: modelo de Schumacher- Hall; Critérios de avaliação: R aj, syx, AIC, BIC, análise de resíduos;
32 Distância Euclidiana Distância Euclidiana QuadráNca Distância ManhaCan Distância Chebyshev ) (... ) 3 3 ( ) ( ) 1 1 ( ), ( q Xn Xn p q X p X q X p X q X p X q p d = ) Xnq Xn p (... ) q X p X ( ) q X p X ( ) q X p X ( q ) p, ( d = Xn q Xn p... q X p X q X p X q X p X q ) p, ( dm = ) Xnq Xnp );...; ( q X p X ); ( q X p X ); ( q X p X max ( q ) p, ( dc = ESTUDO DE CASO 1: DATA MINING
33 ESTUDO DE CASO 1: DATA MINING X 1, X, X 3,..., X n = variáveis independentes (dap, dm, ht, hc, da, y db); X np, X npq = qualquer combinação de dois valores (p e q) específico de una variável independente; n = número de dados.
34 (%'5"&5(&)$%"&7`&5$'$&Z,!,!+& Statistical criteria of goodness of fit applied to 180 data of individual biomass of native trees of the Atlantic Forest, using Data Mining (!: 1 neighbor;!: 3 neighbors 1/d ;!: 3 neighbors 1/ d ; " : 5 neighbors 1/d ; ": 5 neighbors 1/d ) ( : all variables; : dbh, ht, da, db; : dbh, ht; : dbh).
35 (%'5"&5(&)$%"&7`&5$'$&Z,!,!+& :3 Syx% Syx% F3 +AD]>&L9& 7SkPl& Statistical criteria for selecting models applied to the data of individual biomass of native trees of the Atlantic Forest, using Data Mining. a) ( " : distance of Chebyshev; : Manhattan distance; : Quadratic Euclidean distance ; : Euclidian distance); (!: 1 neighbor;!: 3 neighbors 1/"d";!: 3 neighbors 1/"d" "; ": 5 neighbors 1/d"; " : 5 neighbors 1/d" "). b) SH: allometric model of Schumacher-Hall; EQ: DM Quadratic Euclidean distance; E: Euclidean distance; M: Manhattan distance; C: Chebyshev distance)."
36 (%'5"&5(&)$%"&7`&5$'$&Z,!,!+& \Y'!07FR807=.' v' =<h<;058.' #7k4788d5Y' &K0BH:K074m P:??3
37 ESTUDO DE CASO 1: DATA MINING CONCLUSÕES DM possibilita a obtenção de esnmanvas precisas de biomassa seca de árvores individuais na restauração da Mata AtlânNca; EsNmaNvas realizadas com o uso de SM são comparáveis às obndas pelo modelo Schumacher- Hall (Ganho de 16,5%); Para gerar esnmanvas mais precisas, a técnica DM requer mais dados e variáveis; A distância Chebyshev provou ser a mais adequada; A grande vantagem da técnica DM é que não é necessário respeitar as restrições estazsncas impostas pela regressão.
38
39 ESTUDO DE CASO : RNA, SVM, RF Dados de biomassa aérea de 545 árvores de acácia- negra (Acacia mearnsii) em uma plantação comercial no Estado do Rio Grande do Sul.
40 (%'5"&5(&)$%"&C`&.!$k&%#Zk&.0& A-"'/&&X'7H'BH:'E?:;I:Ld5'K5H74K<:?';5')8I:95'95'#<5']4:;97'95'&B?13
41 ESTUDO DE CASO : RNA, SVM, RF RNA: paradigma de aprendizagem e processamento autománco inspirado na forma como o sistema nervoso funciona. É uma interconexão de neurônios que trabalham juntos para produzir um eszmulo de saída. Podem ser unlizadas para reconhecer padrões de aprendizagem em relação das variáveis: Saída: biomassa Entrada: dap, h, etc.
42 (%'5"&5(&)$%"&C`&.!$k&%#Zk&.0& &p\y'k5;gb;i5'97':?k54<ih58'97':e47;9<h:95'8be74=<8<5;:95'e:4:' 4785?=74'E45F?7H:8'47?:K<5;:958'x'K?:88<lK:Ld5'7'47k4788d51':95'BH' K5;gB;I5'97'I47<;:H7;I5'7Q7HE?58'O:H58I4:X.'E597H58'45IB?:4':8' K?:8878'7'I47<;:4'BH:'&p\'E:4:'K5;8I4B<4'BH'H597?5'AB7'E47=e'5'NE5' 97'BH:';5=:':H58I4:13 /597'874'7HE47k:95' 7H'K?:88<lK:Ld5'7' 47k4788d513 -N?<h:'0<E74E?:;5813
43 ESTUDO DE CASO : RNA, SVM, RF RF: combinação de "árvores" preditoras (SVM), em que cada árvore depende dos valores de um vector aleatório testado independentemente e com a mesma distribuição em cada uma delas. Usa um conjunto de árvores preditoras e calcula os valores médios para esnmar um novo valor. Pode ser empregado em classificação e regressão. Calcula uma média de uma série de SVMs. Dados de treinamento Visualização de Random Forest depois do treinamento. Modelo de regressão logísnca depois do treinamento.
44 Técnica Modelo R aj syx syx% AIC Regressão Inteligência ArNficial ESTUDO DE CASO : RNA, SVM, RF Schumacher- Hall 0,88 17,3 36, ,61 Spurr 0,97 9,17 19,50.419,84 Kopezky 0,94 1,1 5,97.731,83 RNA 0,97 9,19 19,53.417,45 SVM 0,97 8,46 17,98.37,45 RF 0,99 4,81 10, ,0 Ganho de 47,6%
45 (%'5"&5(&)$%"&C`&.!$k&%#Zk&.0& &EB443 #>3
46 (%'5"&5(&)$%"&C`&.!$k&%#Zk&.0& G(H",I4" #>'Q'&EB443 #>'Q'&K0BH:K074mP:??3
47 ESTUDO DE CASO : RNA, SVM, RF CONCLUSÕES RNA, RF e SVM produzem esnmanvas precisas de biomassa seca de árvores individuais de acácia- negra; EsNmaNvas feitas usando estas técnicas de IA são comparáveis ou superiores às obndas por modelos de regressão; RF mostrou- se a mais acurada entre as técnicas de IA avaliadas, considerando os dados desta pesquisa (Ganho de 47,6%); A grande vantagem de técnicas de IA é que não é necessário respeitar as restrições impostas pela técnica de regressão.
48 CONSIDERAÇÕES FINAIS Inventários Florestais: evoluíram no Brasil e no mundo, mas... pouco; Técnicas promissoras: ainda não disponíveis em escala comercial; QuanNficação de C: um dos objenvos do inventário florestal; Várias técnicas de IA: cada qual com suas caracterísncas e potenciais usos na ciência florestal; IA tem sido pouco explorada (RNA, outras nada) em inventários florestais e na quannficação de carbono; Não exige uma relação matemánca pré- estabelecida e são menos exigentes estansncamente; Procurar manter a simplicidade, mas sempre inovar;
49
50 !,#(.%,5$5(&0(5(.$*&5"&-$.$!/& )$.*"%&."6(.'"&%$!1(''$k&-]858& -<>o9==><&la&dbe9<=blal9&09l9<a?&l>&-a<adf& =AD\;9_Ap;oX<8M<& "6.,+$5" )(!'."&6,"0,W&5(&-(%1,%$%&%"6.(&6,"Z$%%$&(&)$.6"!"& *$6".$'n.,"&5(&,!#(!'/.,"&0*".(%'$*$
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 maisINTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por
INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática (1) Data Mining Conceitos apresentados por 1 2 (2) ANÁLISE DE AGRUPAMENTOS Conceitos apresentados por. 3 LEMBRE-SE que PROBLEMA em IA Uma busca
Leia maisAvaliação Quantitativa de Biomassa Florestal Queimada
A Multifuncionalidade da Floresta através da Exploração dos Recursos Florestais, Silvopastorícia, Lazer e Turismo Avaliação Quantitativa de Biomassa Florestal Queimada L o u s ã 1 0 A b r i l 2 0 0 8 Medida
Leia mais17/10/2012. dados? Processo. Doutorado em Engenharia de Produção Michel J. Anzanello. Doutorado EP - 2. Doutorado EP - 3.
Definição de Data Mining (DM) Mineração de Dados (Data Mining) Doutorado em Engenharia de Produção Michel J. Anzanello Processo de explorar grandes quantidades de dados à procura de padrões consistentes
Leia maisO 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 maisUniversidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados
Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão:
Leia maisO 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
Leia maisPré processamento de dados II. Mineração de Dados 2012
Pré processamento de dados II Mineração de Dados 2012 Luís Rato Universidade de Évora, 2012 Mineração de dados / Data Mining 1 Redução de dimensionalidade Objetivo: Evitar excesso de dimensionalidade Reduzir
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisCurso: Redes II (Heterogênea e Convergente) Tema da Aula: Características Roteamento
Curso: Redes II (Heterogênea e Convergente) Tema da Aula: Características Roteamento Professor Rene - UNIP 1 Roteamento Dinâmico Perspectiva e histórico Os protocolos de roteamento dinâmico são usados
Leia mais481040 - Programador/a de Informática
481040 - Programador/a de Informática UFCD - 0801 ADMINISTRAÇÃO DE REDES LOCAIS Sessão 1 SUMÁRIO Backups eficientes; Armazenar Backups; Restaurar do zero; Testar Backups; Backups eficientes 1. Etiquetar
Leia maisExemplo de Aplicação do DataMinig
Exemplo de Aplicação do DataMinig Felipe E. Barletta Mendes 19 de fevereiro de 2008 INTRODUÇÃO AO DATA MINING A mineração de dados (Data Mining) está inserida em um processo maior denominado Descoberta
Leia maisReconhecimento 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 maisExemplos de políticas de compra responsável para produtos florestais. Exemplo 1
Exemplos de políticas de compra responsável para produtos florestais Exemplo 1 Política de compra responsável produtos florestais Esta organização tem compromisso com a compra responsável de produtos florestais.
Leia maisPALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.
1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando
Leia maisEstrutura de um Sistema Especialista
Sistemas Especialistas Difusos Estrutura de um Sistema Especialista Prof. Max Pereira http://paginas.unisul.br/max.pereira Áreas de Aplicação da IA SISTEMAS Sistemas Especialistas (Baseados em Conhecimento)
Leia maisRADIOLOGIA DIGITAL. Conceitos Básicos. Eizo Soluções Médicas
Eizo Soluções Médicas Conceitos Básicos RADIOLOGIA DIGITAL Entenda os conceitos, termos e a história da radiologia ; os benefícios, desafios e o futuro da radiologia digital INTRODUÇÃO Para profissionais
Leia maisEnergia Eólica. Atividade de Aprendizagem 3. Eixo(s) temático(s) Ciência e tecnologia / vida e ambiente
Energia Eólica Eixo(s) temático(s) Ciência e tecnologia / vida e ambiente Tema Eletricidade / usos da energia / uso dos recursos naturais Conteúdos Energia eólica / obtenção de energia e problemas ambientais
Leia maisCOMPARAÇÃO DOS MÉTODOS DE SEGMENTAÇÃO DE IMAGENS OTSU, KMEANS E CRESCIMENTO DE REGIÕES NA SEGMENTAÇÃO DE PLACAS AUTOMOTIVAS
COMPARAÇÃO DOS MÉTODOS DE SEGMENTAÇÃO DE IMAGENS OTSU, KMEANS E CRESCIMENTO DE REGIÕES NA SEGMENTAÇÃO DE PLACAS AUTOMOTIVAS Leonardo Meneguzzi 1 ; Marcelo Massoco Cendron 2 ; Manassés Ribeiro 3 INTRODUÇÃO
Leia maisUtilização do Lidar para o planejamento e monitoramento de operações de exploração e estimativas de biomassa em florestas tropicais
Utilização do Lidar para o planejamento e monitoramento de operações de exploração e estimativas de biomassa em florestas tropicais Marcus Vinicio Neves d Oliveira Marcus.oliveira@embrapa.br Daniel de
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação
Leia maisUtilização Racional de Biomassa Florestal Mitos e Realidades
Utilização Racional de Biomassa Florestal Mitos e Realidades Paulo Canaveira Seminário Tecnicelpa Bioenergias. Novas Tendências 30 Março 2007 CELPA, Associação da Indústria Papeleira Pomos o Futuro no
Leia maisConforme explicado em 2.4.3, o sinal de voz x(n) às vezes é alterado com a adição de ruído r(n), resultando num sinal corrompido y(n).
4 Wavelet Denoising O capítulo 3 abordou a questão do ruído durante a extração dos atributos as técnicas do SSCH e do PNCC, por exemplo, extraem com mais robustez a informação da voz a partir de um sinal
Leia maisInventário Florestal Nacional IFN-BR
Seminário de Informação em Biodiversidade no Âmbito do MMA Inventário Florestal Nacional IFN-BR Dr. Joberto Veloso de Freitas SERVIÇO FLORESTAL BRASILEIRO Gerente Executivo Informações Florestais Brasília,
Leia maisRedes Complexas Aula 2
Redes Complexas Aula 2 Aula passada Logística, regras Introdução e motivação Aula de hoje Redes sociais Descobrimento Características Redes Sociais Vértices: pessoas ou grupo de pessoas Arestas: algum
Leia maisAdministração 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
Leia maisCA Clarity PPM. Visão geral. Benefícios. agility made possible
FOLHA DO PRODUTO CA Clarity PPM agility made possible O CA Clarity Project & Portfolio Management (CA Clarity PPM) o ajuda a inovar com agilidade, a transformar seu portfólio com confiança e a manter os
Leia maisInteligência Empresarial. BI Business Intelligence. Business Intelligence 22/2/2011. Prof. Luiz A. Nascimento
Inteligência Empresarial Prof. Luiz A. Nascimento BI Pode-se traduzir informalmente Business Intelligence como o uso de sistemas inteligentes em negócios. É uma forma de agregar a inteligência humana à
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala [quinta-feira, 7:30 12:00] Atendimento Segunda
Leia maisMINERAÇÃO 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
Leia maisInformação Prova de Equivalência à Frequência - 2015. Agrupamento de Escolas de ANTÓNIO NOBRE. DISCIPLINA: Inglês CÓDIGO DA PROVA: 367
DISCIPLINA: Inglês CÓDIGO DA PROVA: 367 CICLO: Secundário ANO DE ESCOLARIDADE: 11º Introdução O presente documento visa divulgar as características da prova de exame de equivalência à frequência da disciplina
Leia maisCasos de teste semânticos. Casos de teste valorados. Determinar resultados esperados. Gerar script de teste automatizado.
1 Introdução Testes são importantes técnicas de controle da qualidade do software. Entretanto, testes tendem a ser pouco eficazes devido à inadequação das ferramentas de teste existentes [NIST, 2002].
Leia mais3 Metodologia para Segmentação do Mercado Bancário
3 Metodologia para Segmentação do Mercado Bancário Este capítulo descreve a metodologia proposta nesta dissertação para a segmentação do mercado bancário a partir da abordagem post-hoc, servindo-se de
Leia maisManejo Florestal Sustentável: Dificuldade Computacional e Otimização de Processos
Manejo Florestal Sustentável: Dificuldade Computacional e Otimização de Processos Daniella Rodrigues Bezerra 1, Rosiane de Freitas Rodrigues 12, Ulisses Silva da Cunha 3, Raimundo da Silva Barreto 12 Universidade
Leia maisCOM A TÉCNICA DE REGRESSÃO LINEAR SIMPLES
DESENVOLVIMENTO DE UM SISTEMA PARA SIMULAÇÃO DE PREVISÃO DE PREÇO DE AÇÕES NA BOVESPA UTILIZANDO DATA MINING COM A TÉCNICA DE REGRESSÃO LINEAR SIMPLES Davi da Silva Nogueira Orientador: Prof. Oscar Dalfovo,
Leia maisPROGRAMA/REFERENCIAL DO CURSO
Nome do curso Auditores Florestais PEFC e FSC Horário Designação e código UFCD Não aplicável Duração 09.00 às 19.00 horas 10.00 às 18.00 horas 87 horas Formador/a,, Luís Janicas, Paula Salazar, e Modalidade
Leia maisData Science e Big Data
InforAbERTA IV Jornadas de Informática Data Science e Big Data Luís Cavique, Porto, março 2014 Agenda 1. Definições: padrões micro e Macro 2. Novos padrões para velhos problemas: Similis, Ramex, Process
Leia maisData 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:
Leia maisCorrelação e Regressão
Correlação e Regressão Análise de dados. Tópico Prof. Dr. Ricardo Primi & Prof. Dr. Fabian Javier Marin Rueda Adaptado de Gregory J. Meyer, University of Toledo, USA; Apresentação na Universidade e São
Leia maisARQUITETURA E ORGANIZAÇÃO DE COMPUTADORES INTRODUÇÃO AO PARALELISMO: PROCESSADORES SUPERESCALARES. Prof. Dr. Daniel Caetano 2012-1
ARQUITETURA E ORGANIZAÇÃO DE COMPUTADORES INTRODUÇÃO AO PARALELISMO: PROCESSADORES SUPERESCALARES Prof. Dr. Daniel Caetano 2012-1 Lembretes Compreender o funcionamento da Arquitetura Superpipeline Compreender
Leia maisMeta-heurísticas. Métodos Heurísticos José António Oliveira zan@dps.uminho.pt. meta-heurísticas
Meta-heurísticas 105 meta-heurísticas Propriedades e Características: são estratégias que guiam o processo de pesquisa; - o objectivo a atingir é a exploração eficiente do espaço de pesquisa de modo a
Leia maisAprendizagem 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
Leia maisDo neurônio biológico ao neurônio das redes neurais artificiais
Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais
Leia maisAlgoritmos Randomizados: Introdução
Algoritmos Randomizados: Introdução Celina Figueiredo Guilherme Fonseca Manoel Lemos Vinícius Sá 26º Colóquio Brasileiro de Matemática IMPA Rio de Janeiro Brasil 2007 Resumo Definições Monte Carlo Variáveis
Leia maisClip-art Retrieval using Sketches PTDC/EIA-EIA/108077/2008
PROJECTOS DE INVESTIGAÇÃO CIENTÍFICA E DESENVOLVIMENTO TECNOLÓGICO Clip-art Retrieval using Sketches PTDC/EIA-EIA/108077/2008 Deliverable: D1 - Clip-art Simplification Tool Task: T1 - Clip-art Simplification
Leia maisAjustes de modelos matemáticos para a estimativa de nitrogênio em Anadenanthera colubrina var. cebil (Griseb.) Altschul, Floresta-PE
http://dx.doi.org/10.12702/viii.simposfloresta.2014.21-522-1 Ajustes de modelos matemáticos para a estimativa de nitrogênio em Anadenanthera colubrina var. cebil (Griseb.) Altschul, Floresta-PE Michelle
Leia maisDESENVOLVIMENTO DE UM BUSINESS INTELLIGENCE PARA EMPRESA DO SETOR QUÍMICO UTILIZANDO A FERRAMENTA QLIKVIEW
UNIVERSIDADE REGIONAL DE BLUMENAU CURSO DE SISTEMAS DE INFORMAÇÃO DESENVOLVIMENTO DE UM BUSINESS INTELLIGENCE PARA EMPRESA DO SETOR QUÍMICO UTILIZANDO A FERRAMENTA QLIKVIEW Airto Irineu Furlan Orientador:
Leia maisCOMPOSTAGEM DE RESÍDUOS ORGÂNICOS GERADOS NA EMBRAPA RORAIMA
COMPOSTAGEM DE RESÍDUOS ORGÂNICOS GERADOS NA EMBRAPA RORAIMA Teresinha Costa Silveira de Albuquerque 1 ; Rita de Cássia Pompeu de Sousa 2 ; Clara Lúcia Silva Figueiredo 3 ; Suelma Damasceno Oliveira Costa
Leia maisScale-Invariant Feature Transform
Scale-Invariant Feature Transform Renato Madureira de Farias renatomdf@gmail.com Prof. Ricardo Marroquim Relatório para Introdução ao Processamento de Imagens (COS756) Universidade Federal do Rio de Janeiro,
Leia maisSISTEMAS 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
Leia maisAula 5 Técnicas para Estimação do Impacto
Aula 5 Técnicas para Estimação do Impacto A econometria é o laboratório dos economistas, que busca reproduzir o funcionamento do mundo de forma experimental, como se faz nas ciências naturais. Os modelos
Leia maisEngenharia de Software II
Engenharia de Software II Aula 8 http://www.ic.uff.br/~bianca/engsoft2/ Aula 8-17/05/2006 1 Ementa Processos de desenvolvimento de software Estratégias e técnicas de teste de software (Caps. 13 e 14 do
Leia mais4 Impedância de Transferência entre Geradores e Carga
50 4 Impedância de Transferência entre Geradores e Carga 4.1. O procedimento nesta seção é baseado no cálculo de correntes de curtocircuito, comumente encontrado em livros de análise de sistemas de potência
Leia maisFulano de Tal. Relatório Combinado Extended DISC : Análise Comportamental x Feedback 360 FINXS 09.12.2014
Relatório Combinado Extended DISC : Análise Comportamental x Feedback 360 Este relatório baseia-se nas respostas apresentadas no Inventário de Análise Pessoal comportamentos observados através questionário
Leia maisProblemas de Satisfação de Restrições
Problemas de Satisfação de Restrições Texto base: Stuart Russel e Peter Norving - Inteligência Artificial David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach junho/2007
Leia maisNovell. Novell Teaming 1.0. novdocx (pt-br) 6 April 2007 EXPLORAR O PORTLET BEM-VINDO DESCUBRA SEU CAMINHO USANDO O NOVELL TEAMING NAVIGATOR
Novell Teaming - Guia de início rápido Novell Teaming 1.0 Julho de 2007 INTRODUÇÃO RÁPIDA www.novell.com Novell Teaming O termo Novell Teaming neste documento se aplica a todas as versões do Novell Teaming,
Leia mais5 Mecanismo de seleção de componentes
Mecanismo de seleção de componentes 50 5 Mecanismo de seleção de componentes O Kaluana Original, apresentado em detalhes no capítulo 3 deste trabalho, é um middleware que facilita a construção de aplicações
Leia maisQuestionário. A ferramenta auxilia na alocação de Não (0) x x x. Satisfatório (5) complexidade de um caso de uso? de uso (72) Sim (10)
Questionário Nível Avaliado Gerador de plano de teste Gerador de dados Função/característica do produto Gestão dos dados do plano de teste (51) Perguntas Pontuação Selenium BadBoy Canoo A ferramenta auilia
Leia maisEQUIPE: ANA IZABEL DAYSE FRANÇA JENNIFER MARTINS MARIA VÂNIA RENATA FREIRE SAMARA ARAÚJO
UNIVERSIDADE FEDERAL DA PARAIBA DEPARTAMENTO DE CIÊNCIA DA INFORMAÇÃO CENTRO DE CIÊNCIAS SOCIAIS APLICADAS CURSO DE GRADUAÇÃO EM BIBLIOTECONOMIA DISCIPLINA: TECNOLOGIA DA INFORMAÇÃO II PROFESSORA: PATRÍCIA
Leia maisProjeto 6.12 Aplicação de Data Mining a Dados de Avaliação da Qualidade de Produtos de Software
Programa Brasileiro de Qualidade e Produtividade Projeto 6.12 Aplicação de Data Mining a Dados de Avaliação da Qualidade de Produtos de Software Maria Teresa Villalobos Newton Roy Pampa Quispe Regina Maria
Leia maisProf. Daniela Barreiro Claro
Prof. Daniela Barreiro Claro SQL, SQL3 e OQL são linguagens declarativas O SGBD deve processar e otimizar estas consultas antes delas serem efetivamente executadas Uma consulta possui muitas estratégias
Leia maispor João Gomes, Director Executivo do Instituto de Planeamento e Desenvolvimento do Turismo e Professor Associado da Universidade Fernando Pessoa
COMO AUMENTAR AS RECEITAS DE UM NEGÓCIO: O CONCEITO DE GESTÃO DE RECEITAS (revenue management) (Publicado na Revista Hotéis de Portugal Maio/Junho 2004) por João Gomes, Director Executivo do Instituto
Leia maisDensímetro de posto de gasolina
Densímetro de posto de gasolina Eixo(s) temático(s) Ciência e tecnologia Tema Materiais: propriedades Conteúdos Densidade, misturas homogêneas e empuxo Usos / objetivos Introdução ou aprofundamento do
Leia maisFases 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
Leia mais4. Que tipos de padrões podem ser minerados. 5. Critérios de classificação de sistemas de Data Mining. 6. Tópicos importantes de estudo em Data Mining
Curso de Data Mining - Aula 1 1. Como surgiu 2. O que é 3. Em que tipo de dados pode ser aplicado 4. Que tipos de padrões podem ser minerados 5. Critérios de classificação de sistemas de Data Mining 6.
Leia maisEA075 Conversão A/D e D/A
EA075 Conversão A/D e D/A Faculdade de Engenharia Elétrica e de Computação (FEEC) Universidade Estadual de Campinas (UNICAMP) Prof. Levy Boccato 1 Introdução Sinal digital: possui um valor especificado
Leia mais5. Resultados e Análises
66 5. Resultados e Análises Neste capítulo é importante ressaltar que as medições foram feitas com uma velocidade constante de 1800 RPM, para uma freqüência de 60 Hz e uma voltagem de 220 V, entre as linhas
Leia maisTeste de Software Parte 3. Prof.: Jonas Potros
Teste de Software Parte 3 Prof.: Jonas Potros Conteúdo Teste Funcional Teste Funcional Técnica de projeto de casos de teste na qual o programa ou sistema é considerado uma caixapreta. Para testá-lo, são
Leia maisFrontWave Engenharia e Consultadoria, S.A.
01. APRESENTAÇÃO DA EMPRESA 2 01. Apresentação da empresa é uma empresa criada em 2001 como spin-off do Instituto Superior Técnico (IST). Desenvolve tecnologias e metodologias de inovação para rentabilizar
Leia maisExperimentos de Mineração de Dados em R Disciplina do curso de Pós-Graduação da UTFPR
Experimentos de Mineração de Dados em R Disciplina do curso de Pós-Graduação da UTFPR Paulo Carvalho Diniz Junior CPGEI / UTFPR Avenida Sete de Setembro, 3165 Curitiba-PR - CEP 80.230-910 E-mail: paulo.carvalho.diniz@gmail.com
Leia maisAnálise e visualização de dados utilizando redes neurais artificiais auto-organizáveis
Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis Adriano Lima de Sá Faculdade de Computação Universidade Federal de Uberlândia 20 de junho de 2014 Adriano L. Sá (UFU)
Leia maisConselho de Ministros
República & Moçambique Conselho de Ministros Decreto n." 12001 A Lei n." 20/97, de 01 de Outubro, estabelece no seu artigo 18, que todas as actividades que a data da entrada em vigor da Lei do Ambiente,
Leia maisNTE DE NOVA ANDRADINA. OFICINA BLOG: O Blog como ferramenta didática no Ensino de Língua Inglesa
NTE DE NOVA ANDRADINA OFICINA BLOG: O Blog como ferramenta didática no Ensino de Língua Inglesa NOVA ANDRADINA - MS ABRIL/2008 NÚCLEO DE TECNOLOGIAS EDUCACIONAIS DE NOVA ANDRADINA OFICINA BLOG: O Blog
Leia mais15 Computador, projeto e manufatura
A U A UL LA Computador, projeto e manufatura Um problema Depois de pronto o desenho de uma peça ou objeto, de que maneira ele é utilizado na fabricação? Parte da resposta está na Aula 2, que aborda as
Leia maisIntrodução às Linguagens de Programação
Introdução às Linguagens de Programação Histórico de Linguagens de Programação O computador não faz nada sozinho Precisamos informar, de forma clara, como ele deve executar as tarefas Ou seja, o computador
Leia maisDocente: Éberton da Silva Marinho e-mail: ebertonsm@gmail.com
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO NORTE Introdução a Banco de Dados Docente: Éberton da Silva Marinho e-mail: ebertonsm@gmail.com 12/06/2013 Sumário Motivação da Disciplina
Leia maisPlanejamento de Aula - Ferramenta Mar aberto
Planejamento de Aula - Ferramenta Mar aberto Planejar uma aula é uma arte não uma tarefa. O planejamento de aula através da ferramenta Mar Aberto ajuda e contribui para infinitas possibilidades para seu
Leia maisTÉCNICA DE MINERAÇÃO DE DADOS APLICADA A ESTIMAÇÃO DE VOLUME DE ÁRVORES DE Eucalyptus
TÉCNICA DE MINERAÇÃO DE DADOS APLICADA A ESTIMAÇÃO DE VOLUME DE ÁRVORES DE Eucalyptus Mariana de Aquino Aragão (1), Jeangelis Silva Santos (1), Mayra Luíza Marques da Silva (2) (1) Pós-graduando em Ciências
Leia maisSPSS 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 maisUniversidade 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:
Leia maisEsta dissertação apresentou duas abordagens para integração entre a linguagem Lua e o Common Language Runtime. O objetivo principal da integração foi
5 Conclusão Esta dissertação apresentou duas abordagens para integração entre a linguagem Lua e o Common Language Runtime. O objetivo principal da integração foi permitir que scripts Lua instanciem e usem
Leia maisESTIMATIVA DA BIOMASSA DE BAMBUS COM CLASSIFICADORES BASEADOS EM INSTÂNCIA E MODELOS DE REGRESSÃO
ESTIMATIVA DA BIOMASSA DE BAMBUS COM CLASSIFICADORES BASEADOS EM INSTÂNCIA E MODELOS DE REGRESSÃO Matheus Melzer Theodorovicz 1 ; Carlos Roberto Sanquetta 2, Mateus Niroh Inoue Sanquetta 1 ; Ana Paula
Leia maisFactor Analysis (FACAN) Abrir o arquivo ven_car.sav. Clique Extraction. Utilizar as 10 variáveis a partir de Vehicle Type.
Prof. Lorí Viali, Dr. viali@pucrs.br; viali@mat.ufrgs.br; http://www.pucrs.br/famat/viali; http://www.mat.ufrgs.br/~viali/ Factor Analysis (FACAN) Abrir o arquivo ven_car.sav Utilizar as 10 variáveis a
Leia maisMedir a aceleração da gravidade... com um telemóvel! Fisiquipédia 9
Medir a aceleração da gravidade... com um telemóvel! Acelerómetros Uma das medidas de segurança de computadores e smarthphones modernos é a incorporação de um acelerómetro nestes aparelhos. Como o nome
Leia maisUTILIZANDO 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 maisCriptografia e Segurança em Redes Capítulo 9. Quarta Edição William Stallings
Criptografia e Segurança em Redes Capítulo 9 Quarta Edição William Stallings Capítulo 9 - Public Key Cryptography e RSA Cada egípicio recebia dois nomes que eram conhecidos respectivamente como o nome
Leia maisSolução Integrada para Gestão e Operação Empresarial - ERP
Solução Integrada para Gestão e Operação Empresarial - ERP Mastermaq Softwares Há quase 20 anos no mercado, a Mastermaq está entre as maiores software houses do país e é especialista em soluções para Gestão
Leia maisPROJECTOS DE INVESTIGAÇÃO CIENTÍFICA E DESENVOLVIMENTO TECNOLÓGICO
PROJECTOS DE INVESTIGAÇÃO CIENTÍFICA E DESENVOLVIMENTO TECNOLÓGICO Clip-art Retrieval using Sketches PTDC/EIA-EIA/108077/2008 Deliverable: D3 Feature Extraction Library (Vectors) Task: T3 Feature Extraction
Leia maisApostila de Programação IV. Módulo V
Apostila de Programação IV Módulo V Fundação Educacional Machado de Assis Escola Técnica Machado de Assis Curso Técnico em Informática Prof. Santa Rosa, Maio de 2011. Escola Técnica Machado de Assis 1
Leia mais15- Representação Cartográfica - Estudos Temáticos a partir de imagens de Sensoriamento Remoto
15- Representação Cartográfica - Estudos Temáticos a partir de imagens de Sensoriamento Remoto O Sensoriamento Remoto é uma técnica que utiliza sensores, na captação e registro da energia refletida e emitida
Leia maisAlgoritmos Genéticos em Mineração de Dados. Descoberta de Conhecimento. Descoberta do Conhecimento em Bancos de Dados
Algoritmos Genéticos em Mineração de Dados Descoberta de Conhecimento Descoberta do Conhecimento em Bancos de Dados Processo interativo e iterativo para identificar padrões válidos, novos, potencialmente
Leia maisReconhecimento de marcas de carros utilizando Inteligência Artificial. André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller
Reconhecimento de marcas de carros utilizando Inteligência Artificial André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller Motivação Análise estatística das marcas de carros em
Leia maisPROJETO 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
Leia maisAvaliação de Interfaces
Especialização em Tecnologias de Software para Ambiente Web Avaliação de Interfaces Prof. Dr. Sandro Ronaldo Bezerra Oliveira srbo@ufpa.br www.ufpa.br/srbo Projeto e Avaliação de Interfaces: Ambiente Web
Leia maisDado, Informação e Conhecimento Administração de Sist. De Inf. Prof. Esp. Lucas Santiago
Dado, Informação e Conhecimento Administração de Sist. De Inf. Prof. Esp. Lucas Santiago Dado, Informação e conhecimento Não é a mesma coisa, uma depende da outra e as duas últimas podem ser decompostas.
Leia maisMobilização - construir parcerias e articulações integradas às dimensões ambientais: social, cultural e econômica.
MISSÃO Desenvolver e implantar projetos que tenham como foco a geração de benefícios para o Planeta, provocando modificações conscientes, tanto no campo das ciências, quanto das atividades humanas. PRINCÍPIOS
Leia maisQlik Sense Desktop. Qlik Sense 1.1 Copyright 1993-2015 QlikTech International AB. Todos os direitos reservados.
Qlik Sense Desktop Qlik Sense 1.1 Copyright 1993-2015 QlikTech International AB. Todos os direitos reservados. Copyright 1993-2015 QlikTech International AB. Todos os direitos reservados. Qlik, QlikTech,
Leia maisCOMPRE DO PEQUENO NEGÓCIO
COMPRE DO PEQUENO NEGÓCIO ALAVANQUE SUA EMPRESA EM TEMPOS DE INCERTEZA 2015 tem se mostrado um ano de grandes desafios. Sua empresa está passando por este período com resultados inferiores aos planejados?
Leia maisESTIMATIVA DE BIOMASSA ARBÓREA: UMA COMPARAÇÃO ENTRE MÉTODOS ESTATÍSTICOS E REDES NEURAIS
ESTIMATIVA DE BIOMASSA ARBÓREA: UMA COMPARAÇÃO ENTRE MÉTODOS ESTATÍSTICOS E REDES NEURAIS ARTHUR C. ALMEIDA PAULO L. C. BARROS JOSÉ H. A. MONTEIRO BRÍGIDA R. P. ROCHA Grupo de Pesquisa ENERBIO DEEC Departamento
Leia mais