!"#$%&'()!"*"+,$%&-$.$&,!#(!'/.,"& 0*".(%'$*&(&12$!',0,)$34"&5(& )$.6"!"&

Tamanho: px
Começar a partir da página:

Download "!"#$%&'()!"*"+,$%&-$.$&,!#(!'/.,"& 0*".(%'$*&(&12$!',0,)$34"&5(& )$.6"!"&"

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*".(%'$*$

17/10/2012. dados? Processo. Doutorado em Engenharia de Produção Michel J. Anzanello. Doutorado EP - 2. Doutorado EP - 3.

17/10/2012. 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 mais

EQUAÇÕES HIPSOMÉTRICAS PARA PLANTIOS MISTOS DE RESTAURAÇÃO FLORESTAL NA MATA ATLÂNTICA EM SEROPÉDICA-RJ

EQUAÇÕES HIPSOMÉTRICAS PARA PLANTIOS MISTOS DE RESTAURAÇÃO FLORESTAL NA MATA ATLÂNTICA EM SEROPÉDICA-RJ EQUAÇÕES HIPSOMÉTRICAS PARA PLANTIOS MISTOS DE RESTAURAÇÃO FLORESTAL NA MATA ATLÂNTICA EM SEROPÉDICA-RJ Camila Mayer Massaroth Staub¹, Carlos Roberto Sanquetta 2, Ana Paula Dalla Corte 2, Mateus Niroh

Leia mais

INTELIGÊNCIA 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 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 mais

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

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

Leia mais

Avaliação Quantitativa de Biomassa Florestal Queimada

Avaliação 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 mais

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan Faculdade INED Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan 1 Unidade 4.5 2 1 BI BUSINESS INTELLIGENCE BI CARLOS BARBIERI

Leia mais

Extração de Conhecimento a partir dos Sistemas de Informação

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.

Leia mais

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 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 mais

Prof. Msc. Paulo Muniz de Ávila

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

Leia mais

EQUAÇÕES PARA ESTIMAR A QUANTIDADE DE CARBONO NA PARTE AÉREA DE ÁRVORES DE EUCALIPTO EM VIÇOSA, MINAS GERAIS 1

EQUAÇÕES PARA ESTIMAR A QUANTIDADE DE CARBONO NA PARTE AÉREA DE ÁRVORES DE EUCALIPTO EM VIÇOSA, MINAS GERAIS 1 533 EQUAÇÕES PARA ESTIMAR A QUANTIDADE DE CARBONO NA PARTE AÉREA DE ÁRVORES DE EUCALIPTO EM VIÇOSA, MINAS GERAIS 1 Carlos Pedro Boechat Soares 2 e Marcio Leles Romarco de Oliveira 3 RESUMO - Este trabalho

Leia mais

: Transforme seu plantio em um fundo de investimento ativo. The single source for Forest Resource Management

: Transforme seu plantio em um fundo de investimento ativo. The single source for Forest Resource Management : Transforme seu plantio em um fundo de investimento ativo The single source for Forest Resource Management 2 Tecnologia laser aerotransportada LiDAR LiDAR é um sistema ativo de sensoriamento remoto, originalmente

Leia mais

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

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

Leia mais

QUANTIFICAÇÃO DA BIOMASSA EM PLANTIOS DE Pinus elliottii Engelm. em CLEVELÂNDIA PR 1. MEASUREMENT OF BIOMASS IN PLANTATIONS OF Pinus elliottii Engelm.

QUANTIFICAÇÃO DA BIOMASSA EM PLANTIOS DE Pinus elliottii Engelm. em CLEVELÂNDIA PR 1. MEASUREMENT OF BIOMASS IN PLANTATIONS OF Pinus elliottii Engelm. http://dx.doi.org/10.4322/rif.2015.008 ISSN impresso 0103-2674/on-line 2178-5031 QUANTIFICAÇÃO DA BIOMASSA EM PLANTIOS DE Pinus elliottii Engelm. em CLEVELÂNDIA PR 1 MEASUREMENT OF BIOMASS IN PLANTATIONS

Leia mais

MODELOS HIPSOMÉTRICOS PARA Genipa americana L. EM PLANTIO HOMOGÊNEO NO MUNICÍPIO DE VITÓRIA DA CONQUISTA, BAHIA

MODELOS HIPSOMÉTRICOS PARA Genipa americana L. EM PLANTIO HOMOGÊNEO NO MUNICÍPIO DE VITÓRIA DA CONQUISTA, BAHIA MODELOS HIPSOMÉTRICOS PARA Genipa americana L. EM PLANTIO HOMOGÊNEO NO MUNICÍPIO DE VITÓRIA DA CONQUISTA, BAHIA Celsiane Manfredi¹, Thaiana Ferreira Alves¹, Patrícia Anjos Bittencourt Barreto² ¹Engenheira

Leia mais

Análise e visualização de dados utilizando redes neurais artificiais auto-organizáveis

Análise 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 mais

Potencial de técnicas de mineração de dados para modelos de alerta da ferrugem do cafeeiro

Potencial de técnicas de mineração de dados para modelos de alerta da ferrugem do cafeeiro Potencial de técnicas de mineração de dados para modelos de alerta da ferrugem do cafeeiro Cesare Di Girolamo Neto 1, Luiz Henrique Antunes Rodrigues 2, Thiago Toshiyuki Thamada 1, Carlos Alberto Alves

Leia mais

Relatório Iniciação Científica

Relatório Iniciação Científica Relatório Iniciação Científica Ambientes Para Ensaios Computacionais no Ensino de Neurocomputação e Reconhecimento de Padrões Bolsa: Programa Ensinar com Pesquisa-Pró-Reitoria de Graduação Departamento:

Leia mais

Data Mining: Conceitos e Técnicas

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:

Leia mais

Sci. For., Piracicaba, v. 43, n. 105, p. 83-90, mar. 2015 MATERIAL E MÉTODOS

Sci. For., Piracicaba, v. 43, n. 105, p. 83-90, mar. 2015 MATERIAL E MÉTODOS Scientia Forestalis Modelagem do crescimento e produção para um povoamento de Eucalyptus utilizando dois métodos para quantificação do índice de local Growth and production modeling for a Eucalyptus population

Leia mais

Exemplo de Aplicação do DataMinig

Exemplo 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 mais

Recuperação de imagens por conteúdo baseada em realimentação de relevância e classicador por oresta de caminhos ótimos

Recuperação de imagens por conteúdo baseada em realimentação de relevância e classicador por oresta de caminhos ótimos Recuperação de imagens por conteúdo baseada em realimentação de relevância e classicador por oresta de caminhos ótimos André Tavares da Silva Orientador: Léo Pini Magalhães Co-orientador: Alexandre Xavier

Leia mais

TÉCNICAS DE COMPUTAÇÃO PARALELA PARA MELHORAR O TEMPO DA MINERAÇÃO DE DADOS: Uma análise de Tipos de Coberturas Florestais

TÉCNICAS DE COMPUTAÇÃO PARALELA PARA MELHORAR O TEMPO DA MINERAÇÃO DE DADOS: Uma análise de Tipos de Coberturas Florestais UNIVERSIDADE ESTADUAL DE PONTA GROSSA PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO APLICADA CRISTIAN COSMOSKI RANGEL DE ABREU TÉCNICAS DE COMPUTAÇÃO PARALELA PARA MELHORAR

Leia mais

Inteligência Computacional [2COP229]

Inteligência Computacional [2COP229] Inteligência Computacional [2COP229] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/24) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Componentes clássicos da

Leia mais

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. 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 mais

Equações de Biomassa para Eucalyptus globulus em Portugal: Uma Avaliação do Carbono Envolvido na Exploração Florestal

Equações de Biomassa para Eucalyptus globulus em Portugal: Uma Avaliação do Carbono Envolvido na Exploração Florestal 202 Equações de Biomassa para Eucalyptus globulus em Portugal: Uma Avaliação do Carbono Envolvido na Exploração Florestal L. Fontes, M. Tomé, M. Baptista Coelho UTL. Instituto Superior de Agronomia. Centro

Leia mais

Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS

Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS Sumário Conceitos / Autores chave... 3 1. Introdução... 3 2. Tarefas desempenhadas por Técnicas de 4 Mineração de Dados...

Leia mais

Aprendizagem de Máquina

Aprendizagem 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 mais

Predição da Biomassa Aérea da Pinus pinaster Aiton por um Sistema de Equações Aditivas Integrado no Simulador Open Source ModisPinaster

Predição da Biomassa Aérea da Pinus pinaster Aiton por um Sistema de Equações Aditivas Integrado no Simulador Open Source ModisPinaster Silva Lusitana, nº Especial: 77-86, 2013 UEISSAFSV, INIAV, Oeiras, Portugal 77 Predição da Biomassa Aérea da Pinus pinaster Aiton por um Sistema de Equações Aditivas Integrado no Simulador Open Source

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local

Leia mais

Análise de Técnicas Computacionais para Classificação de Emoções

Análise de Técnicas Computacionais para Classificação de Emoções Análise de Técnicas Computacionais para Classificação de Emoções Fabiano Alves, Eduardo Silva e Adilmar Coelho Dantas Faculdade de Computação Universidade Federal de Uberlândia, UFU Uberlândia, Brasil

Leia mais

GOVERNO DO ESTADO DO AMAPÁ ESTRATÉGIAS PARA REDD NO AMAPÁ

GOVERNO DO ESTADO DO AMAPÁ ESTRATÉGIAS PARA REDD NO AMAPÁ GOVERNO DO ESTADO DO AMAPÁ ESTRATÉGIAS PARA REDD NO AMAPÁ INDICADORES Fronteira: Pará, Guiana Francesa e Suriname Municípios: 16 Área: 143.453,71 km 98% de cobertura florestal conservada População: 613.164

Leia mais

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples

Leia mais

Profs. Luiz Laranjeira, Nilton Silva, e Fabrício Braz

Profs. Luiz Laranjeira, Nilton Silva, e Fabrício Braz Laboratório de Dependabilidade e Segurança Lades Profs. Luiz Laranjeira, Nilton Silva, e Fabrício Braz RENASIC/CD-CIBER CD Ciber CTC - Comitê Técnico Científico RENASIC CD Comitê Diretor ASTECA VIRTUS

Leia mais

UTILIZANDO O SOFTWARE WEKA

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

Leia mais

BUSINESS INTELLIGENCE, O ELEMENTO CHAVE PARA O SUCESSO DAS ORGANIZAÇÕES.

BUSINESS INTELLIGENCE, O ELEMENTO CHAVE PARA O SUCESSO DAS ORGANIZAÇÕES. Encontro de Ensino, Pesquisa e Extensão, Presidente Prudente, 22 a 25 de outubro, 2012 88 BUSINESS INTELLIGENCE, O ELEMENTO CHAVE PARA O SUCESSO DAS ORGANIZAÇÕES. Andrios Robert Silva Pereira, Renato Zanutto

Leia mais

Classificação de páginas da Internet utilizando redes neurais artificiais.

Classificação de páginas da Internet utilizando redes neurais artificiais. Classificação de páginas da Internet utilizando redes neurais artificiais. Genilto Dallo Departamento de Ciência da Computação (DECOMP) Universidade Estadual do Centro-Oeste (UNICENTRO) Guarapuava, PR

Leia mais

KDD UMA VISAL GERAL DO PROCESSO

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

Leia mais

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE

TÓPICOS 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 mais

E REGRESSÃO. Cesar Augusto Taconeli. Junho 2013. Taconeli, C. A. (DEST/UFPR) 7 de Junho de 2013 1 / 46 ...

E REGRESSÃO. Cesar Augusto Taconeli. Junho 2013. Taconeli, C. A. (DEST/UFPR) 7 de Junho de 2013 1 / 46 ... . ÁRVORES DE CLASSIFICAÇÃO E REGRESSÃO Cesar Augusto Taconeli Ilhéus-BA Junho 2013 Taconeli, C. A. (DEST/UFPR) 7 de Junho de 2013 1 / 46 Sumário 1 - Introdução; 2 - Apresentação do algoritmo; 3- Árvores

Leia mais

Correlação e Regressão

Correlação 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 mais

COM A TÉCNICA DE REGRESSÃO LINEAR SIMPLES

COM 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 mais

BIOMASSA EM UMA FLORESTA DE Pinus elliottii Engelman AOS 19 ANOS DE IDADE, EM SANTA MARIA, RS.

BIOMASSA EM UMA FLORESTA DE Pinus elliottii Engelman AOS 19 ANOS DE IDADE, EM SANTA MARIA, RS. BIOMASSA EM UMA FLORESTA DE Pinus elliottii Engelman AOS 19 ANOS DE IDADE, EM SANTA MARIA, RS. Wojciechowski J.C. 1 ; Schumacher M.V. 2 ; Silva P.A. 1 ; Krieger J. 1 ; Fantonelli M. 1 ; Goulart M.C. 1

Leia mais

Utilização 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 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 mais

INVENTÁRIO FLORESTAL E RECOMENDAÇÕES DE MANEJO PARA A FLORESTA ESTADUAL DE ASSIS INSTITUTO FLORESTAL, SP. GAROSI, Vagner Aparecido

INVENTÁRIO FLORESTAL E RECOMENDAÇÕES DE MANEJO PARA A FLORESTA ESTADUAL DE ASSIS INSTITUTO FLORESTAL, SP. GAROSI, Vagner Aparecido INVENTÁRIO FLORESTAL E RECOMENDAÇÕES DE MANEJO PARA A FLORESTA ESTADUAL DE ASSIS INSTITUTO FLORESTAL, SP GAROSI, Vagner Aparecido Engenheiro Florestal- FAEF Faculdade de Agronomia e Engenharia Florestal

Leia mais

Jornal Canal da Bioenergia A energia das florestas Agosto de 2014 Ano 9 Nº 94

Jornal Canal da Bioenergia A energia das florestas Agosto de 2014 Ano 9 Nº 94 Jornal Canal da Bioenergia A energia das florestas Agosto de 2014 Ano 9 Nº 94 Apesar de pouco explorada, a biomassa florestal pode ser uma das alternativas para a diversificação da matriz energética Por

Leia mais

Introdução a Datamining (previsão e agrupamento)

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

Leia mais

Experimentos 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 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 mais

Capítulo. Sistemas de apoio à decisão

Capítulo. Sistemas de apoio à decisão Capítulo 10 1 Sistemas de apoio à decisão 2 Objectivos de aprendizagem Identificar as alterações que estão a ter lugar na forma e função do apoio à decisão nas empresas de e-business. Identificar os papéis

Leia mais

Data Science e Big Data

Data 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 mais

ESCOLHA DE MODELOS MATEMÁTICOS PARA A CONSTRUÇÃO DE CURVAS DE ÍNDICE DE SÍTIO PARA FLORESTAS IMPLANTADAS DE Eucalyptus SP NO ESTADO DE SÃO PAULO (*)

ESCOLHA DE MODELOS MATEMÁTICOS PARA A CONSTRUÇÃO DE CURVAS DE ÍNDICE DE SÍTIO PARA FLORESTAS IMPLANTADAS DE Eucalyptus SP NO ESTADO DE SÃO PAULO (*) IPEF, n.32, p.33-42, abr.1986 ESCOLHA DE MODELOS MATEMÁTICOS PARA A CONSTRUÇÃO DE CURVAS DE ÍNDICE DE SÍTIO PARA FLORESTAS IMPLANTADAS DE Eucalyptus SP NO ESTADO DE SÃO PAULO (*) J. L. F. BATISTA H. T.

Leia mais

Comparação entre as Redes Neurais Artificiais MLP, RBF e LVQ na Classificação de Dados. Fernando Nunes Bonifácio

Comparação entre as Redes Neurais Artificiais MLP, RBF e LVQ na Classificação de Dados. Fernando Nunes Bonifácio UNIOESTE Universidade Estadual do Oeste do Paraná CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS Colegiado de Ciência da Computação Curso de Bacharelado em Ciência da Computação Comparação entre as Redes Neurais

Leia mais

Aprendizagem de Máquina

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

Leia mais

Inteligência Artificial Aplicada no Auxílio a Tomadas de Decisões na Área de Saúde

Inteligência Artificial Aplicada no Auxílio a Tomadas de Decisões na Área de Saúde Inteligência Artificial Aplicada no Auxílio a Tomadas de Decisões na Área de Saúde Angelo Oliveira Moura*, Diego da Silva Andrade*, Wagner kazumitsu Kikuchi Associação Educacional Dom Bosco AEDB Estrada

Leia mais

Previsão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais

Previsão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais Previsão do Índice da Bolsa de Valores do Estado de São Paulo utilizandoredes Neurais Artificiais Redes Neurais Artificiais Prof. Wilian Soares João Vitor Squillace Teixeira Ciência da Computação Universidade

Leia mais

TÉCNICAS DE APRENDIZAGEM DE MÁQUINA PARA PREVISÃO DE SUCESSO EM IMPLANTES DENTÁRIOS

TÉCNICAS DE APRENDIZAGEM DE MÁQUINA PARA PREVISÃO DE SUCESSO EM IMPLANTES DENTÁRIOS TÉCNICAS DE APRENDIZAGEM DE MÁQUINA PARA PREVISÃO DE SUCESSO EM IMPLANTES DENTÁRIOS Trabalho de Conclusão de Curso Engenharia da Computação Nome do Aluno: Carolina Baldisserotto Orientador: Prof. Adriano

Leia mais

PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS

PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS Anais do XXXIV COBENGE. Passo Fundo: Ed. Universidade de Passo Fundo, Setembro de 2006. ISBN 85-7515-371-4 PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS Rejane de Barros Araújo rdebarros_2000@yahoo.com.br

Leia mais

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka

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

Leia mais

Marcio Cataldi 1, Carla da C. Lopes Achão 2, Bruno Goulart de Freitas Machado 1, Simone Borim da Silva 1 e Luiz Guilherme Ferreira Guilhon 1

Marcio Cataldi 1, Carla da C. Lopes Achão 2, Bruno Goulart de Freitas Machado 1, Simone Borim da Silva 1 e Luiz Guilherme Ferreira Guilhon 1 Aplicação das técnicas de Mineração de Dados como complemento às previsões estocásticas univariadas de vazão natural: estudo de caso para a bacia do rio Iguaçu Marcio Cataldi 1, Carla da C. Lopes Achão

Leia mais

4. Que tipos de padrões podem ser minerados. 5. Critérios de classificação de sistemas de Data Mining. 6. Tópicos importantes de estudo em Data Mining

4. 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 mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 11 de Maio 09 6 Modelos de regressão 6.1 Introdução No capítulo anterior foram apresentados alguns modelos preditivos em que a variável resposta (a variável

Leia mais

Equações volumétricas para espécies comerciais madeireiras do sul do estado de Roraima

Equações volumétricas para espécies comerciais madeireiras do sul do estado de Roraima Scientia Forestalis Equações volumétricas para espécies comerciais madeireiras do sul do estado de Roraima Volume equations for merchantable timber species of Southern Roraima state Bruno Oliva Gimenez

Leia mais

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

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

Leia mais

Introdução. Capítulo 1

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

Leia mais

Exemplos de políticas de compra responsável para produtos florestais. Exemplo 1

Exemplos 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 mais

Pós-Graduação em Engenharia Elétrica Inteligência Artificial

Pós-Graduação em Engenharia Elétrica Inteligência Artificial Pós-Graduação em Engenharia Elétrica Inteligência Artificial João Marques Salomão Rodrigo Varejão Andreão Inteligência Artificial Definição (Fonte: AAAI ): "the scientific understanding of the mechanisms

Leia mais

Inventário Florestal Nacional IFN-BR

Inventário 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 mais

FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO:

FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO: FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO: Bacharelado em Sistemas de Informação DISCIPLINA: Fundamentos de Sistemas de Informação PROFESSOR: Paulo de Tarso Costa de Sousa TURMA: BSI 2B

Leia mais

Pré processamento de dados II. Mineração de Dados 2012

Pré 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 mais

Identificação de Modelos GARCH Usando Inteligência Computacional

Identificação de Modelos GARCH Usando Inteligência Computacional André Machado Caldeira Identificação de Modelos GARCH Usando Inteligência Computacional Tese de Doutorado Tese apresentada ao Programa de Pós-graduação em Engenharia Elétrica do Departamento de Engenharia

Leia mais

IC Inteligência Computacional Redes Neurais. Redes Neurais

IC Inteligência Computacional Redes Neurais. Redes Neurais Universidade Federal do Rio de Janeiro PÓS-GRADUAÇÃO / 2008-2 IC Inteligência Computacional Redes Neurais www.labic.nce.ufrj.br Antonio G. Thomé thome@nce.ufrj.br Redes Neurais São modelos computacionais

Leia mais

Redes Neurais. Mapas Auto-Organizáveis. 1. O Mapa Auto-Organizável (SOM) Prof. Paulo Martins Engel. Formação auto-organizada de mapas sensoriais

Redes Neurais. Mapas Auto-Organizáveis. 1. O Mapa Auto-Organizável (SOM) Prof. Paulo Martins Engel. Formação auto-organizada de mapas sensoriais . O Mapa Auto-Organizável (SOM) Redes Neurais Mapas Auto-Organizáveis Sistema auto-organizável inspirado no córtex cerebral. Nos mapas tonotópicos do córtex, p. ex., neurônios vizinhos respondem a freqüências

Leia mais

Instrumentos e Econômicos para Incentivo à Restauração Ecológica

Instrumentos e Econômicos para Incentivo à Restauração Ecológica Instrumentos e Econômicos para Incentivo à Restauração Ecológica Seminário Reflorestamento da Mata Atlântica no Estado do Rio de Janeiro Aurélio Padovezi Coordenador de Restauração Florestal Photos by

Leia mais

QUANTIFICAÇÃO DE BIOMASSA TOTAL E CARBONO ORGÂNICO EM POVOAMENTOS DE Araucaria angustifolia (BERT.) O. KUNTZE NO SUL DO ESTADO DO PARANÁ, BRASIL

QUANTIFICAÇÃO DE BIOMASSA TOTAL E CARBONO ORGÂNICO EM POVOAMENTOS DE Araucaria angustifolia (BERT.) O. KUNTZE NO SUL DO ESTADO DO PARANÁ, BRASIL Quantificação de biomassa total e carbono orgânico em povoamentos de Araucaria angustifolia (Bert.) O. Kuntze no... QUANTIFICAÇÃO DE BIOMASSA TOTAL E CARBONO ORGÂNICO EM POVOAMENTOS DE Araucaria angustifolia

Leia mais

Introdução a Datamining (previsão e agrupamento)

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

Leia mais

ESTUDO DOS DADOS DA LIXIVIAÇÃO DOS MATERIAIS DE ELETRODOS DE PILHAS EM HCl POR REDE NEURAL

ESTUDO DOS DADOS DA LIXIVIAÇÃO DOS MATERIAIS DE ELETRODOS DE PILHAS EM HCl POR REDE NEURAL ESTUDO DOS DADOS DA LIXIVIAÇÃO DOS MATERIAIS DE ELETRODOS DE PILHAS EM HCl POR REDE NEURAL Macêdo, M. I. F 1, Rosa, J. L. A. 2, Gonçalves, F. 2, Boente, A. N. P. 2 1 Laboratório de Tecnologia de Materiais,

Leia mais

1.2.1.Nome: Narcizo Lievore 1.2.2.Endereço: Rua 143, nº. 167, Bairro Eldorado, Timóteo-MG. CEP: 35.181-210.

1.2.1.Nome: Narcizo Lievore 1.2.2.Endereço: Rua 143, nº. 167, Bairro Eldorado, Timóteo-MG. CEP: 35.181-210. ANÁLISE QUANTITATIVA DA VEGETAÇÃO ARBÓREA DE UM REMANESCENTE DE FLORESTA ESTACIONAL SEMIDECÍDUA NA FAZENDA ARATACA TIMÓTEO/MG 1 - Informações Gerais 1.1 - Identificação da Propriedade 1.1.1 Denominação:

Leia mais

O SOFTWARE SPP Eucalyptus

O SOFTWARE SPP Eucalyptus Rua Raul Soares, 133/201 - Centro - Lavras MG CEP 37200-000 Fone/Fax: 35 3821 6590 O SOFTWARE SPP Eucalyptus 1/7/2008 Inventar GMB Consultoria Ltda Ivonise Silva Andrade INTRODUÇÃO Um dos grandes problemas

Leia mais

Utilização de Redes Neurais Artificiais pelo Algoritmo de Kohonen para Clusterização de Dados Sobre Doenças da Tireóide

Utilização de Redes Neurais Artificiais pelo Algoritmo de Kohonen para Clusterização de Dados Sobre Doenças da Tireóide Utilização de Redes Neurais Artificiais pelo Algoritmo de Kohonen para Clusterização de Dados Sobre Doenças da Tireóide Leandro Sehnem Bortolotto, Merisandra Côrtes de Mattos 2, Priscyla Waleska Targino

Leia mais

Utilização Racional de Biomassa Florestal Mitos e Realidades

Utilização 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 mais

Palavras-chave: Mortalidade Infantil, Análise Multivariada, Redes Neurais.

Palavras-chave: Mortalidade Infantil, Análise Multivariada, Redes Neurais. UMA ANÁLISE COMPARATIVA DE MODELOS PARA CLASSIFICAÇÃO E PREVISÃO DE SOBREVIVÊNCIA OU ÓBITO DE CRIANÇAS NASCIDAS NO RIO DE JANEIRO EM 2006 NO PRIMEIRO ANO DE VIDA Mariana Pereira Nunes Escola Nacional de

Leia mais

MINERAÇÃO DE DADOS. Mineração de Dados

MINERAÇÃO DE DADOS. Mineração de Dados MINERAÇÃO DE DADOS Mineração de Dados Sumário Conceitos / Autores chave... 3 1. Introdução... 4 2. Conceitos de Mineração de Dados... 5 3. Aplicações de Mineração de Dados... 7 4. Ferramentas de Mineração

Leia mais

Seleção de dados para modelagem do crescimento e produção de teca, utilizando algoritmos genéticos.

Seleção de dados para modelagem do crescimento e produção de teca, utilizando algoritmos genéticos. Renan Rosselli da Costa Seleção de dados para modelagem do crescimento e produção de teca, utilizando algoritmos genéticos. Monografia apresentada ao Departamento de Engenharia Florestal da Universidade

Leia mais

Universidade 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 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 mais

Ciência dos Dados. bruno.domingues@intel.com. Preparado por Intel Corporation Bruno Domingues Principal Architect. segunda-feira, 5 de agosto de 13

Ciência dos Dados. bruno.domingues@intel.com. Preparado por Intel Corporation Bruno Domingues Principal Architect. segunda-feira, 5 de agosto de 13 Ciência dos Dados Preparado por Intel Corporation Bruno Domingues Principal Architect bruno.domingues@intel.com Homem na Lua Software Data: 1969 64kb, 2kb, RAM, Fortran Tem que funcionar! Apolo XI Velocidade:

Leia mais

Prof. Daniela Barreiro Claro

Prof. Daniela Barreiro Claro O volume de dados está crescendo sem parar Gigabytes, Petabytes, etc. Dificuldade na descoberta do conhecimento Dados disponíveis x Análise dos Dados Dados disponíveis Analisar e compreender os dados 2

Leia mais

Redes Neuronais e Aprendizagem Automática 1

Redes Neuronais e Aprendizagem Automática 1 Redes Neuronais e Aprendizagem Automática 2005/2006 17 a aula Fernando.Silva@ist.utl.pt Instituto Superior Técnico Redes Neuronais e Aprendizagem Automática 1 Sumário Árvores de decisão (continuação) Entropia.

Leia mais

EQUAÇÕES HIPSOMÉTRICAS PARA OBTENÇÃO DE COMPRIMENTO DE COLMO PARA Phyllostachys aurea Carr. ex A.& C. Rivi're

EQUAÇÕES HIPSOMÉTRICAS PARA OBTENÇÃO DE COMPRIMENTO DE COLMO PARA Phyllostachys aurea Carr. ex A.& C. Rivi're EQUAÇÕES HIPSOMÉTRICAS PARA OBTENÇÃO DE COMPRIMENTO DE COLMO PARA Phyllostachys aurea Carr. ex A.& C. Rivi're Mateus Niroh Inoue Sanquetta 1 ; Carlos Roberto Sanquetta 2 ; Francelo Mognon 3 ; Ana Paula

Leia mais

INFLUÊNCIA DO TIPO DE PREPARO DE SOLO NO CRESCIMENTO DE PLANTAS DE Eucalyptus grandis HILL EX. MAIDEN

INFLUÊNCIA DO TIPO DE PREPARO DE SOLO NO CRESCIMENTO DE PLANTAS DE Eucalyptus grandis HILL EX. MAIDEN 1 INFLUÊNCIA DO TIPO DE PREPARO DE SOLO NO CRESCIMENTO DE PLANTAS DE Eucalyptus grandis HILL EX. MAIDEN Robson Schaff Corrêa UFSM - Acadêmico do Curso de Engenharia Florestal. (rsc@mail.ufsm.br) Bolsista

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Alessandro L. Koerich Algoritmo k Means Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) 2 Problema do Agrupamento Seja x = (x 1, x 2,,

Leia mais

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO

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

Leia mais

Requisitos de business intelligence para TI: O que todo gerente de TI deve saber sobre as necessidades reais de usuários comerciais para BI

Requisitos de business intelligence para TI: O que todo gerente de TI deve saber sobre as necessidades reais de usuários comerciais para BI Requisitos de business intelligence para TI: O que todo gerente de TI deve saber sobre as necessidades reais de usuários comerciais para BI Janeiro de 2011 p2 Usuários comerciais e organizações precisam

Leia mais

Aplicação de Métodos de Inteligência Artificial em Inteligência de Negócios

Aplicação de Métodos de Inteligência Artificial em Inteligência de Negócios Aplicação de Métodos de Inteligência Artificial em Inteligência de Negócios Rogério Garcia Dutra (POLI USP) rogerio.dutra@axiaconsulting.com.br Resumo O objetivo deste artigo é combinar métodos de redes

Leia mais

Mineração de Dados: Introdução e Aplicações

Mineração de Dados: Introdução e Aplicações Mineração de Dados: Introdução e Aplicações Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br Apresentação Luiz Merschmann Engenheiro

Leia mais

MBA em Gestão de Empreendimentos Turísticos

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.

Leia mais

6 Conclusões e recomendações 6.1. Resumo do estudo

6 Conclusões e recomendações 6.1. Resumo do estudo 6 Conclusões e recomendações 6.1. Resumo do estudo As operadoras de telefonia móvel do mercado brasileiro estão diante de um contexto em que é cada vez mais difícil a aquisição de novos clientes. Dado

Leia mais

VALIDAÇÃO DE MODELOS DE REGRESSÃO POR BOOTSTRAP. João Riboldi 1

VALIDAÇÃO DE MODELOS DE REGRESSÃO POR BOOTSTRAP. João Riboldi 1 VALIDAÇÃO DE MODELOS DE REGRESSÃO POR BOOTSTRAP João Riboldi 1 1. Introdução Na construção de um modelo de regressão, de uma maneira geral segue-se três etapas: executa-se o ajuste do modelo, obtendo-se

Leia mais

Informativo Bimestral da Siqueira Campos Associados agosto de 2013 - ano VII - Número 21. Catálogo de Treinamentos 2013

Informativo Bimestral da Siqueira Campos Associados agosto de 2013 - ano VII - Número 21. Catálogo de Treinamentos 2013 Informativo Bimestral da Siqueira Campos Associados agosto de 2013 - ano VII - Número 21 Nesta edição Lean Office - Dez dicas para economizar tempo no trabalho Estatística Seis Sigma - Estatística não

Leia mais

Aula 02: Conceitos Fundamentais

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

Leia mais

Gestão da Informação. Gestão da Informação. AULA 3 Data Mining

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

Leia mais