MINERAÇÃO DE DADOS RELACIONADOS AO APRENDIZADO DE LÍNGUA PORTUGUESA UM ESTUDO EXPLORATÓRIO

Tamanho: px
Começar a partir da página:

Download "MINERAÇÃO DE DADOS RELACIONADOS AO APRENDIZADO DE LÍNGUA PORTUGUESA UM ESTUDO EXPLORATÓRIO"

Transcrição

1 MINERAÇÃO DE DADOS RELACIONADOS AO APRENDIZADO DE LÍNGUA PORTUGUESA UM ESTUDO EXPLORATÓRIO Anderson Amendoeira Namen Universidade do Estado do Rio de Janeiro, Instituto Politécnico Universidade Veiga de Almeida Ana Carolina Soares e Soares Universidade Veiga de Almeida Resumo. O artigo apresenta o processo de mineração de dados aplicado para a identificação de associações entre variáveis relacionadas ao ensino de Língua Portuguesa para alunos da quarta série do ensino fundamental do Estado do Rio de Janeiro. São apresentadas as tarefas de limpeza e tratamento dos dados, pré-requisito para a execução do algoritmo de associação utilizado e são analisados os primeiros resultados obtidos no processo. Palavras-chave: Descoberta de conhecimento, Mineração de dados, Algoritmo Apriori 1. INTRODUÇÃO Em 2007 foi lançado o Plano de Desenvolvimento da Educação (PDE), que define uma série de metas a serem alcançadas, relacionadas ao fortalecimento da educação básica. Um dos mecanismos que propiciam o acompanhamento das metas definidas pelo PDE é o Censo Escolar da Educação Básica (INEP, 2009). Realizado anualmente, tem como principal objetivo a organização de uma ampla base de dados sobre escolas, professores e alunos. Também são realizadas avaliações em nível nacional (SAEB e Prova Brasil) visando coletar indicadores das médias de desempenho dos alunos do ensino básico em Língua Portuguesa e Matemática. O presente trabalho apresenta os resultados iniciais referentes à mineração de dados relacionados aos alunos da quarta série do ensino fundamental do Estado do Rio de Janeiro. Segundo Hirji (2001), a mineração de dados efetua o casamento da Estatística com a Inteligência Artificial, possibilitando a descoberta de relações ocultas em grandes repositórios de dados e, a partir daí, a inferência de regras para previsão de comportamento futuro e orientação na tomada de decisões. O objetivo principal é descobrir, a partir do uso de modelos computacionais, associações entre variáveis que caracterizam o perfil dos alunos e o nível de aprendizado de língua portuguesa obtido por estes. Dessa forma, torna-se possível identificar características que influenciem positivamente ou negativamente o processo de ensino-aprendizagem de língua portuguesa. O artigo apresenta, inicialmente, as bases de dados selecionadas, bem como o processo desenvolvido para limpeza e transformação de dados, pré-requisito necessário para a mineração. Os conceitos do algoritmo apriori, utilizado para a descoberta de associações entre variáveis, são então apresentados, assim como a escolha dos parâmetros utilizados na

2 execução do algoritmo. Finalmente, é efetuada uma análise dos primeiros resultados obtidos, seguida de algumas conclusões. 2. BASES USADAS, LIMPEZA E TRANSFORMAÇÃO DOS DADOS A cada dois anos, o Governo Federal realiza uma prova de língua portuguesa e matemática, denominada Prova Brasil, para todos os alunos da quarta e oitava série do ensino fundamental. Além da prova, os alunos respondem um questionário contendo diferentes perguntas relacionadas ao seu perfil sócio-econômico. Professores e diretores de escolas também respondem questionários relacionados ao seu perfil e ao da Instituição em que trabalham. Todos esses dados são armazenados em diferentes arquivos, sendo que os últimos dados disponibilizados pelo INEP referem-se à Prova Brasil do ano de Os seguintes arquivos foram selecionados para o presente trabalho: TS_ALUNO (Identificação dos alunos juntamente com a proficiência em cada disciplina); TS_QUEST_ALUNO (Resposta do questionário aplicado ao aluno de cada série); As estruturas dos arquivos são apresentadas nas Tabelas 1 e 2. Tabela 1 Estrutura do arquivo TS_ALUNO seq. Atributo Tipo tam. Descrição 1 ID_ALUNO Num 8 Código do Aluno na Prova Brasil 2 ID_TURMA Char 7 Código da Turma na Prova Brasil 4 TX_HORARIO_INICIO Char 5 Horário de Início da aula. As duas primeiras posições correspondem a hora e as duas ultimas aos minutos. 5 TX_HORARIO_FINAL Char 5 Horário de Término da aula.as duas primeiras posições correspondem a hora e as duas ultimas aos minutos. 6 NU_QTD_ALUNO Num 4 Número de Alunos matriculados na turma 7 ID_SERIE Num 1 Código da Série (4 4.ª série/5.º ano EF; 8 8.ª série / 9.º ano EF) 8 PK_COD_ENTIDADE Num 8 Código da Escola 9 ID_DEPENDENCIA_ADM Num 1 Código da Dependência Administrativa da Escola 10 ID_LOCALIZACAO Num 1 Código da Localização da Escola 11 SIGLA_UF Char 2 Sigla da Unidade da Federação 12 COD_UF Num 2 Código da Unidade da Federação 12 NO_MUNICIPIO Char 50 Nome do Município 13 COD_MUNICIPIO Num 7 Código do Município 14 ST_LINGUA_PORTUGUESA Num 1 Situação do Preenchimento da prova de Língua Portuguesa. O valor 0 indica que a prova não foi preenchida pelo aluno, enquanto o valor 1 indica que a prova foi preenchida. 15 ST_MATEMATICA Num 1 Situação do Preenchimento da prova de Matemática 16 NU_THETA_L Num 8 Proficiência do aluno em Língua Portuguesa calculada na escala única do SAEB, com média = 0 e desvio = 1 na população de referência 17 NU_SETHETA_L Num 8 Desvio padrão da proficiência em Língua Portuguesa 18 NU_THETAT_L Num 8 Proficiência em Língua Portuguesa transformada na escala única do SAEB, com média = 250, desvio = 50 (do SAEB/97). 19 NU_SETHETAT_L Num 8 Desvio padrão da proficiência transformada em Língua Portuguesa 20 NU_SETHETA_M Num 8 Desvio padrão da proficiência em Matemática

3 21 NU_THETAT_M Num 8 Proficiência do aluno em Matemática transformada na escala única do SAEB, com média = 250, desvio = 50 (do SAEB/97) 22 NU_SETHETAT_M Num 8 Desvio padrão da proficiência transformada em Matemática 23 NU_THETA_M Num 8 Proficiência do aluno em Matemática calculada na escala única do SAEB, com média = 0 e desvio = 1 na população de referência Tabela 2 Estrutura do arquivo TS_QUEST_ALUNO seq. Atributo Tipo tam. Descrição Código de Preenchimento 1 ID_ALUNO Num 8 Código do Aluno na Prova Brasil 2 ID_SERIE Num 1 Código da Série 3 ID_DEPENDENCIA_ADM Num 1 Código da Dependência Administrativa da Escola 4 ID_LOCALIZACAO Num 1 Código da Localização da Escola 5 SIGLA_UF Char 2 Sigla da Unidade da Federação 6 COD_UF Num 2 Código da Unidade da Federação 7 NO_MUNICIPIO Char 50 Nome do Município 8 COD_MUNICIPIO Num 7 Código do Município 9 TX_RESP_QUESTIONARIO Char 47 Resposta para o Questionário do Aluno 4 4.ª série/5.º ano EF 8 8.ª série / 9.º ano EF 1 Federal 2 - Estadual 3 - Municipal 1 Urbana 2 Rural Ver posição da resposta no questionário O escopo do presente trabalho envolve a análise dos dados dos alunos de língua portuguesa da quarta série do ensino fundamental do Estado do Rio de Janeiro. Desse modo, o primeiro processo realizado foi selecionar somente os alunos do Estado do Rio de Janeiro. Assim, foram selecionados, dentre os registros existentes nos diferentes arquivos, apenas os registros com o atributo SIGLA_UF igual ao valor RJ e o atributo ID_SERIE igual a 4. Embora a maior parte das técnicas de mineração tolere algum nível de imperfeição nas entradas, a melhoria da qualidade dos dados provê um grande aprimoramento nas análises resultantes dos algoritmos de mineração. Alguns trabalhos, como o de Redman (2001) e Wang et al. (2001) apresentam diferentes aspectos relacionados ao tratamento e garantia da qualidade dos dados. Para o presente caso, foram realizadas algumas tarefas, tanto de limpeza, quanto de transformação de dados. Estas foram fundamentais para a posterior execução dos algoritmos de detecção de padrões de associações entre as variáveis existentes no modelo. 2.1 Eliminação dos dados inconsistentes Como pode ser observado nas Tabelas 1 e 2, o atributo ID_ALUNO identifica cada aluno e está presente nos arquivos TS_ALUNO e TS_QUEST_ALUNO. Conforme citado anteriormente, o arquivo TS_ALUNO possui os dados da proficiência dos alunos, enquanto TS_QUEST_ALUNO possui os dados das respostas aos questionários dos alunos. Desse modo, identificou-se que todo registro com determinado ID_ALUNO existente em TS_ALUNO deveria possuir um registro correspondente no arquivo TS_QUEST_ALUNO. Caso isso não ocorresse, significava que o aluno possuía os dados referentes ao seu nível de aprendizado, mas não possuía os dados do questionário aplicado, contendo seu perfil sócio econômico. Foi realizado, então, um processo de exclusão dos registros de TS_ALUNO que não possuíam registro com ID_ALUNO correspondente em TS_QUEST_ALUNO, resultando na eliminação de 703 registros, de um total de , permanecendo registros no arquivo.

4 2.2 Criação de novos atributos a partir de atributos existentes O arquivo TS_QUEST_ALUNO possui um atributo denominado TX_RESP_QUESTIONARIO, que identifica as respostas ao questionário do aluno. O campo é do tipo Char com 47 posições, sendo este o número de questões aplicadas ao aluno. Ou seja, como esse campo é um string de tamanho 47, cada posição do campo corresponde à letra referente à resposta de uma determinada questão. Exemplificando, a primeira posição do string pode ser preenchida com os valores A ou B, e corresponde à primeira pergunta sobre o sexo do aluno, sendo a letra A a resposta para o sexo masculino e B para o sexo feminino. A trigésima sexta posição do string, por sua vez, está ligada à questão de número 36 ( Quando você entrou na escola? ) e pode ser preenchida com os valores A, B, C ou D, que são as opções referentes às seguintes respostas, respectivamente: No maternal (jardim de infância). ; Na pré-escola. ; Na primeira série. ; Depois da primeira série.. Para acesso a maiores detalhes, todos os questionários estão disponíveis no site do INEP, no endereço O objetivo do presente trabalho é a identificação de variáveis que possam influenciar positiva ou negativamente a proficiência do aluno em língua portuguesa. Como o atributo TX_RESP_QUESTIONARIO é representado por um string único, este não possui qualquer representatividade, dentro dos objetivos de associação buscados. Assim, foi necessária a divisão do atributo em tantos atributos quantos fossem os números de questões. No arquivo TS_QUEST_ALUNO foram criados 47 atributos, todos do tipo Char de tamanho 1, cada um deles identificando a resposta à pergunta correspondente aplicada no questionário do aluno. Os atributos foram nomeados de acordo com os enunciados das questões. Por exemplo, o novo atributo criado no arquivo TS_QUEST_ALUNO denominado Q1Sexo, corresponde à primeira questão sobre o sexo do aluno. Ele foi preenchido com o valor contido na primeira posição do string TX_RESP_QUESTIONARIO do arquivo TS_QUEST_ALUNO. O atributo Q2RacaCor, preenchido com o valor da segunda posição do string, corresponde à raça/cor do estudante, pergunta de número 2 do questionário, e assim sucessivamente. A criação dos novos atributos possibilitou que todas as variáveis caracterizadoras do perfil dos alunos ficassem disponíveis no modelo e pudessem ser usadas como entradas para o algoritmo de mineração. 2.3 Transformação de atributos contínuos em discretos A transformação de um atributo contínuo em um categórico é geralmente aplicada em atributos que são usados na análise de classificação ou associação. Conforme mencionado por Tan, Steinbach & Kumar (2009), alguns algoritmos de associação, caso do presente trabalho, não podem ser aplicados com a utilização de atributos contínuos. Para os arquivos aqui apresentados, a grande maioria dos atributos possui dados discretos. Somente os dados relacionados à proficiência dos alunos (arquivo TS_ALUNO) possuem atributos contínuos. Em particular, após análise detalhada do significado dos dados contidos no arquivo TS_ALUNO, foi constatado que o atributo NU_THETAT_L era o mais recomendado para ser utilizado nas análises. De acordo com o dicionário de dados do INEP

5 (vide esse campo contém o dado da proficiência em Língua Portuguesa de cada aluno já transformada em uma escala única. Na realidade, o atributo NU_THETAT_L foi mantido no arquivo, sendo criado um novo atributo correspondente denominado EscalaNotaPortugues. Observou-se que a média geral do atributo NU_THETAT_L possuía o valor de Foram então criadas duas categorias para o novo atributo EscalaNotaPortugues: Abaixo Média e Acima Média, onde: 0 NU_THETAT_L < => EscalaNotaPortugues = Abaixo Média e NU_THETAT_L => EscalaNotaPortugues = Acima Média Além das duas categorias apresentadas, foi criada mais uma categoria denominada Não Fez, para os alunos que não haviam feito a prova. Essa transformação foi feita para todos os alunos que possuíam o atributo ST_LINGUA_PORTUGUESA igual a 0, indicando que não haviam preenchido a prova (vide Tabela 1). Apesar desses alunos (ao todo 316) terem o campo NU_THETAT_L preenchido com o valor 0, eles não poderiam ser categorizados na faixa Abaixo Média. Se isso acontecesse, as informações utilizadas como base para o algoritmo de associação ficariam inconsistentes, já que se tratavam de duas situações completamente distintas (fazer a prova e ter aproveitamento igual a zero é uma situação completamente diferente de não fazer a prova). É importante ressaltar que os dados relativos à proficiência foram utilizados como entrada para o algoritmo utilizado, já que um dos principais objetivos buscados era a identificação de padrões de comportamento (ou perfis) associados ao nível de aprendizagem obtido pelos alunos. Desse modo, a criação de uma variável discreta era pré-requisito essencial para a aplicação do algoritmo de associação. 3. DESCOBERTA DE ASSOCIAÇÕES ENTRE VARIÁVEIS Essa seção apresenta a aplicação de uma metodologia conhecida como análise de associação, útil para descobrir relacionamentos interessantes escondidos em grandes conjuntos de dados. Os relacionamentos descobertos podem ser representados na forma de regras de associação. Uma regra de associação é uma expressão de implicação no formato X => Y (X implica em Y), onde X = {x 1, x 2,..., x n } e Y = { y 1, y 2,..., y n } são conjuntos disjuntos de itens, isto é, X Y = ϕ; X é o antecedente da regra (lado esquerdo) e Y é o consequente da regra (lado direito) podendo envolver qualquer número de itens (atributos) em cada lado da regra. O significado desta regra é que as transações da base de dados que contêm X tendem a conter Y. A força de uma regra de associação pode ser medida em termos de duas métricas: o suporte e a confiança. O suporte determina a frequência com que um conjunto de itens X U Y ocorre. Ou seja, o suporte é o percentual de transações que contêm todos os itens na qual uma regra é aplicável. A confiança determina a frequência na qual os itens Y aparecem em transações que contenham X. Em outras palavras, a confiança não trabalha com todas as transações, apenas com as que possuem o antecedente da regra. Para uma determinada regra X => Y, quanto

6 maior a confiança, maior a probabilidade de que Y esteja presente em transações que contenham X. As definições formais dessas medidas são: Suporte = S(X =>Y) = O ( X Y ) N (1) Confiança = C(X =>Y) = O( X Y ) O( X ) (2) onde: O( X Y ) é o número total de ocorrências de registros contendo os itens X e Y O(X) é o número total de ocorrências de registros contendo X N é o numero total de registros Outra medida, denominada fator de interesse (também chamada de importância ou lift), deve ser usada para evitar uma situação cunhada como armadilha de confiança. O exemplo listado a seguir, retirado de Tan, Steinbach & Kumar (2009), mostra que mesmo valores significativos de confiança podem não identificar uma regra relevante. A Tabela 3 mostra uma situação onde se busca analisar o relacionamento entre pessoas que bebam chá e café. Tabela 3 Preferências de bebida em um grupo de 1000 pessoas Bebe café Não bebe café Totais Bebe chá Não bebe chá Totais Analisando a regra Bebe chá => Bebe café, poderíamos, em um primeiro momento, considerá-la relevante, já que seus valores de suporte (15%) e confiança (75%) são relativamente altos. Este argumento pode ser contraposto quando se percebe que 80% do número total de pessoas bebe café, número superior ao das pessoas que bebem chá e café. Ou seja, apesar do valor da confiança da regra Bebe chá => Bebe café ser alto (75%), a regra, no entanto, é ilusória. O fato de uma pessoa beber chá, na realidade, diminui a possibilidade de que beba café de 80 para 75 por cento. O fator de interesse é uma medida que provê informação adicional, evitando situações enganosas, como a mencionada acima. O fator de interesse de uma regra é calculado a partir da seguinte fórmula: ( P ( Y X ) Fator de Interesse = I(X =>Y) = log ) P ( Y not X ) (3) onde P(Y X) é a probabilidade de Y ocorrer quando X ocorre e P(Y not X), é a probabilidade de Y ocorrer quando X não ocorre.

7 Um fator de interesse igual a 0 significa que não há associação entre X e Y. Fatores de interesse positivos indicam que Y tenderá a crescer caso X seja verdadeiro. Valores negativos, por sua vez, indicam que o antecedente X afeta negativamente o consequente Y, ou seja, a regra não é relevante. O objetivo da mineração de regras de associação é gerar todas as regras possíveis que excedam alguns patamares mínimos de suporte e de confiança especificados pelo usuário. O problema, portanto, é decomposto em dois subproblemas: 1. Gerar todos os conjuntos de itens que possuem suporte maior do que um limite mínimo definido pelo usuário. Esses conjuntos são chamados de conjuntos de itens frequentes; 2. Para cada conjunto de itens frequentes, gerar todas as regras que possuem confiança maior que um valor de confiança mínimo. Para tratar esses subproblemas foi utilizado o algoritmo Apriori. O algoritmo realiza a mineração em dois passos. No primeiro, é feita uma varredura sobre o arquivo de entrada, a fim de gerar todos os conjuntos de combinações de itens que satisfaçam um valor maior do que o suporte mínimo especificado pelo usuário. No segundo, são extraídas todas as regras de alta confiança dos conjuntos gerados. Estas regras são chamadas de regras fortes. Detalhes do algoritmo, inclusive com apresentação de variações do respectivo pseudocódigo, podem ser encontrados em Han & Kamber (2006), Tan, Steinbach & Kumar (2009) e Elmasri & Navathe (2011). Mais especificamente, foi utilizado o algoritmo denominado Microsoft Association Rules, uma implementação do algoritmo Apriori, disponibilizada dentro do ambiente do Sistema Gerenciador de Banco de Dados SQL Server 2008 da Microsoft, ambiente para o qual os arquivos foram importados em formato de tabelas de banco de dados. Maiores detalhes da ferramenta e dos algoritmos de mineração disponibilizados por ela podem ser encontrados em Harinath et al. (2009) e MacLennan & Crivat (2008). 4. SIMULAÇÃO E GERAÇÃO DE RESULTADOS Um número limitado de atributos foi selecionado para a execução do algoritmo de mineração. O objetivo foi identificar relacionamentos entre a proficiência do aluno, sua faixa etária, período em que entrou na escola, grau de escolaridade dos pais, incentivos dos pais em relação à frequência na escola, atividades do aluno como trabalho doméstico ou fora de casa, e se este já havia sido reprovado (atributos EscalaNotaPortugues, Q4Idade, Q36QndEntrouNaEscola, Q19SerieMaeOuResponsavelEstudou, Q23SeriePaiOuResponsavelEstudou, Q30SeusPaisIncentivamNaoFaltarAula, Q34EmDiaAulaQntTempoTrabalhoDomestico, Q35TrabalhaForaDeCasa, Q38JaFoiReprovado). A escala da nota de português foi definida como atributo para previsão, ou seja, o atributo a ser identificado como consequente das regras geradas pelo algoritmo. Os atributos selecionados possuem relação direta com as respostas aos questionários dos alunos da quarta série do ensino fundamental do Estado do Rio, bem como com os resultados no exame de proficiência em Língua Portuguesa, conforme mencionado na

8 Seção 2. Foram definidos parâmetros de entrada relacionados ao suporte e confiança mínimos desejados para obtenção de regras, com os seguintes valores: Suporte Mínimo = 0,5%; Confiança Mínima = 75%. Cabe ressaltar que a escolha de um valor pequeno para o suporte mínimo visou possibilitar a identificação de combinação de itens (atributos) que, apesar de não tão frequentes, pudessem ter grande relevância (ou seja, confiança e fator de interesse altos). Como o volume de dados envolvido é grande ( registros de alunos), o uso de um percentual mínimo de suporte de 0.5% permite a identificação de regras relacionadas a um número ainda significativo de estudantes contendo perfil semelhante. Após a simulação, foram geradas 45 regras, todas elas contendo valores do fator de interesse maiores do que 0, ou seja, sendo identificadas como regras relevantes. As primeiras 20 regras, ordenadas decrescentemente pela confiança, são apresentadas na Tabela 4, que contêm, além da regra, os respectivos valores de confiança e fator de interesse. Como pode ser observado na tabela, as variáveis que compõem o antecedente da regra são precedidas pelo sinal ->, sendo a variável EscalaNotaPortugues o seu consequente. Tabela 4 Regras de Associação geradas Confiança Fator de Interesse 83,70% 0, ,70% 0, ,60% 0, ,30% 0, Regra Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q4 Idade = 12 anos -> Escala Nota Portugues = Abaixo Média Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q35 Trabalha Fora De Casa = Sim -> Escala Nota Portugues = Abaixo Média Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q38 Ja Foi Reprovado = Sim, uma vez -> Escala Nota Portugues = Abaixo Média Q35 Trabalha Fora De Casa = Sim, Q23 Serie Pai Ou Responsavel Estudou = Completou a 8ª série, mas não completou o Ensino Médio( antigo 2º grau), Q38 Ja Foi Reprovado = Sim, uma vez - > Escala Nota Portugues = Abaixo Média Q4 Idade = 13 anos, Q35 Trabalha Fora De Casa = Sim, Q38 Ja Foi Reprovado = Sim, uma vez -> 80,70% 0, Escala Nota Portugues = Abaixo Média Q35 Trabalha Fora De Casa = Sim, Q19 Serie Mae Ou Responsavel Estudou = Completou a 8ª série, mas não completou o Ensino Médio( antigo 2º grau), Q38 Ja Foi Reprovado = Sim, uma vez - 80,10% 0, > Escala Nota Portugues = Abaixo Média Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q38 Ja Foi Reprovado = Sim, uma vez, Q35 79,70% 0, Trabalha Fora De Casa = Não -> Escala Nota Portugues = Abaixo Média 79,30% 0, ,00% 0, ,60% 0, Q35 Trabalha Fora De Casa = Sim, Q36 Qnd Entrou Na Escola = Na Pré- escola, Q38 Ja Foi Reprovado = Sim, uma vez -> Escala Nota Portugues = Abaixo Média Q35 Trabalha Fora De Casa = Sim, Q34 Em Dia Aula Qnt Tempo Trabalho Domestico = 2 horas, Q38 Ja Foi Reprovado = Sim, uma vez -> Escala Nota Portugues = Abaixo Média Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q36 Qnd Entrou Na Escola = Na Pré- escola -> Escala Nota Portugues = Abaixo Média Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q19 Serie Mae Ou Responsavel Estudou = Não 78,20% 0, sei -> Escala Nota Portugues = Abaixo Média Q35 Trabalha Fora De Casa = Sim, Q36 Qnd Entrou Na Escola = Na Pré- escola, Q38 Ja Foi Reprovado = Sim, uma vez, Q30 Seus Pais Incentivam Nao Faltar Aula = Sim -> Escala Nota 77,80% 0, Portugues = Abaixo Média 77,80% 0, ,50% 0, Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q19 Serie Mae Ou Responsavel Estudou = Não sei, Q23 Serie Pai Ou Responsavel Estudou = Não sei -> Escala Nota Portugues = Abaixo Média Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q36 Qnd Entrou Na Escola = Na primeira série - > Escala Nota Portugues = Abaixo Média 77,40% 0, Q4 Idade = 14 anos, Q35 Trabalha Fora De Casa = Sim -> Escala Nota Portugues = Abaixo Média

9 77,40% 0, ,40% 0, ,90% 0, Q35 Trabalha Fora De Casa = Sim, Q38 Ja Foi Reprovado = Sim, uma vez -> Escala Nota Portugues = Abaixo Média Q35 Trabalha Fora De Casa = Sim, Q19 Serie Mae Ou Responsavel Estudou = Completou a 4ª série, mas não completou a 8ª série( antigo ginásio), Q38 Ja Foi Reprovado = Sim, uma vez -> Escala Nota Portugues = Abaixo Média Q35 Trabalha Fora De Casa = Sim, Q38 Ja Foi Reprovado = Sim, uma vez, Q19 Serie Mae Ou Responsavel Estudou = Não sei -> Escala Nota Portugues = Abaixo Média 76,90% 0, Q30 Seus Pais Incentivam Nao Faltar Aula = Não -> Escala Nota Portugues = Abaixo Média 76,80% 0, Q30 Seus Pais Incentivam Nao Faltar Aula = Não, Q19 Serie Mae Ou Responsavel Estudou = Não sei, Q35 Trabalha Fora De Casa = Não -> Escala Nota Portugues = Abaixo Média 5. CONCLUSÕES O presente trabalho apresentou a simulação de um algoritmo para detecção de padrões de associação entre diferentes variáveis de um modelo. Cabe ressaltar que as tarefas de manipulação dos dados, visando à eliminação de inconsistências, limpeza de dados e transformação de atributos, com a conversão de atributos contínuos em discretos, foram essenciais para a execução do algoritmo e simulação propriamente dita. Sem essas atividades, não seria possível a geração de resultados com nível de confiabilidade satisfatório. Analisando a Tabela 4, é possível observar que alguns fatores, como falta de incentivo dos pais, reprovação prévia do aluno e atuação do aluno em trabalho doméstico e/ou em trabalho fora de casa, entre outros, exercem influência (negativa) sobre o aprendizado do estudante. O presente artigo, no entanto, não tem a pretensão de analisar esses fatores mais detalhadamente, cabendo essa tarefa para o futuro, preferencialmente contando com o apoio de educadores e especialistas na área de educação. O objetivo principal do presente trabalho foi demonstrar o potencial da mineração de dados e, mais especificamente, do algoritmo Apriori, utilizado para a identificação de associações entre diferentes variáveis do modelo. Trata-se de um trabalho inicial, que terá continuidade com a execução de outras simulações. Muitos outros atributos, além dos utilizados na simulação apresentada, poderão ser usados para a identificação de novas regras de associação relevantes. Outros arquivos, com dados de professores, diretores e escolas, também disponibilizados na base de dados do INEP/MEC, poderão ser utilizados para trabalhos futuros de mineração. Desse modo, será possível identificar também relações entre atributos referentes aos professores, aos diretores e as escolas, e o processo de ensino-aprendizagem dos estudantes. Evidentemente, tratamento semelhante em relação aos dados deverá ser efetuado nesses arquivos, com correção de inconsistências e transformações, antes da execução dos algoritmos. Agradecimentos O presente trabalho foi realizado com o apoio da CAPES e do INEP, por intermédio do Programa Observatório da Educação.

10 REFERÊNCIAS Elmasri, R., Navathe, S.B Sistemas de banco de dados. São Paulo: Pearson Addison Wesley. Han, J., Kamber, M Data Mining: Concepts and techniques. 2 ed. Morgan Kaufmann Publishers. Harinath, S., Matt, C., Meenakshisundaram, S., Zare, R. Lee, D.G Professional Microsoft SQL Server Analysis Services 2008 with MDX. Wiley Publishing Inc. Hirji, K Exploring data mining implementation. Communications of ACM, 44, n. 7, jul INEP Estudo exploratório sobre o professor brasileiro com base nos resultados do Censo Escolar da Educação Básica Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Brasília: Inep, MacLennan, J., Crivat, B Data Mining with Microsoft SQL Server Wiley Publishing Inc. Redman, T.C Data Quality: The Field Guide. Digital Press. Tan, P., Steinbach, M., Kumar, V Introdução ao Data Mining Mineração de Dados. Rio de Janeiro: Editora Ciência Moderna Ltda. Wang, R.Y., Ziad, M., Lee, Y.W Data Quality. The Kluwer International Series on Advances in Database Systems, Vol. 23. Kluwer Academic Publishers. DATA MINING RELATED TO PORTUGUESE LANGUAGE LEARNING AN INITIAL ANALISYS Abstract. This paper presents the use of Data Mining for knowledge discovery related to Portuguese language learning by students from elementary school in Rio de Janeiro Brazil. The process of data cleaning and transformation is presented, which is the prerequisite to the execution of the association algorithm. Some first results are reported. Keywords: Knowledge Discovery, Data Mining, Apriori Algorithm

UTILIZAÇÃO DE CLASSIFICADORES BAYESIANOS PARA ANÁLISE DOS FATORES RELACIONADOS AO DESEMPENHO DOS ALUNOS DA QUARTA SÉRIE DO ENSINO FUNDAMENTAL

UTILIZAÇÃO DE CLASSIFICADORES BAYESIANOS PARA ANÁLISE DOS FATORES RELACIONADOS AO DESEMPENHO DOS ALUNOS DA QUARTA SÉRIE DO ENSINO FUNDAMENTAL UTILIZAÇÃO DE CLASSIFICADORES BAYESIANOS PARA ANÁLISE DOS FATORES RELACIONADOS AO DESEMPENHO DOS ALUNOS DA QUARTA SÉRIE DO ENSINO FUNDAMENTAL Anderson Amendoeira Namen aanamen@iprj.uerj.br Universidade

Leia mais

RBEP ESTUDOS. Anderson Amendoeira Namen Sonia Xavier de Almeida Borges Maria da Glória Schwab Sadala. Resumo

RBEP ESTUDOS. Anderson Amendoeira Namen Sonia Xavier de Almeida Borges Maria da Glória Schwab Sadala. Resumo ESTUDOS RBEP Indicadores de qualidade do ensino fundamental: o uso das tecnologias de mineração de dados e de visões multidimensionais para apoio à análise e definição de políticas públicas * Anderson

Leia mais

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 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 mais

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 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

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

Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado

Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado Alessandro Ferreira Brito 1, Rodrigo Augusto R. S. Baluz 1, Jean Carlo Galvão Mourão 1, Francisco das Chagas Rocha 2

Leia mais

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 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

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

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

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 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,

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

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

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados slide 1 1 Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall Objetivos de estudo Como um banco de dados

Leia mais

ADM041 / EPR806 Sistemas de Informação

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

Leia mais

Portaria Inep nº 190 de 12 de julho de 2011 Publicada no Diário Oficial de 13 de julho de 2011, Seção 1, pág. 13

Portaria Inep nº 190 de 12 de julho de 2011 Publicada no Diário Oficial de 13 de julho de 2011, Seção 1, pág. 13 Portaria Inep nº 190 de 12 de julho de 2011 Publicada no Diário Oficial de 13 de julho de 2011, Seção 1, pág. 13 A Presidenta do Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep),

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

EXTRAÇÃO DE PADRÕES RELACIONADOS A PROFESSORES DO ENSINO BÁSICO - UM ESTUDO EM BASES DE DADOS DESBALANCEADAS

EXTRAÇÃO DE PADRÕES RELACIONADOS A PROFESSORES DO ENSINO BÁSICO - UM ESTUDO EM BASES DE DADOS DESBALANCEADAS EXTRAÇÃO DE PADRÕES RELACIONADOS A PROFESSORES DO ENSINO BÁSICO - UM ESTUDO EM BASES DE DADOS DESBALANCEADAS Stella Oggioni da Fonseca sfonseca@iprj.uerj.br Universidade do Estado do Rio de Janeiro, Instituto

Leia mais

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 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

Leia mais

3 Market Basket Analysis - MBA

3 Market Basket Analysis - MBA 2 Mineração de Dados 3 Market Basket Analysis - MBA Market basket analysis (MBA) ou, em português, análise da cesta de compras, é uma técnica de data mining que faz uso de regras de associação para identificar

Leia mais

Data Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento

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

Leia mais

Utilização de Técnicas de Mineração de Dados como Auxílio na Detecção de Cartéis em Licitações Carlos Vinícius Sarmento Silva Célia Ghedini Ralha

Utilização de Técnicas de Mineração de Dados como Auxílio na Detecção de Cartéis em Licitações Carlos Vinícius Sarmento Silva Célia Ghedini Ralha WCGE II Workshop de Computação Aplicada em Governo Eletrônico Utilização de Técnicas de Mineração de Dados como Auxílio na Detecção de Cartéis em Licitações Carlos Vinícius Sarmento Silva Célia Ghedini

Leia mais

Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados

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

Leia mais

Padronização de Processos: BI e KDD

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:

Leia mais

Um sistema educacional eficaz é aquele em que os

Um sistema educacional eficaz é aquele em que os ALGUNS INDICADORES EDUCACIONAIS DE QUALIDADE NO BRASIL DE HOJE Rub e n Kl e i n Nil m a Fo n t a n i v e Resumo: Apresenta-se uma breve descrição do Saeb, indicando sua importância e seu uso na definição

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

Ministério da Educação Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira

Ministério da Educação Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira Ministério da Educação Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira NOTA INFORMATIVA DO IDEB 2011 Os resultados do Ideb 2011 para escola, município, unidade da federação, região

Leia mais

IDEB ÍNDICE DE DESENVOLVIMENTO DA EDUCAÇÃO BÁSICA CONCEITOS E USOS

IDEB ÍNDICE DE DESENVOLVIMENTO DA EDUCAÇÃO BÁSICA CONCEITOS E USOS IDEB ÍNDICE DE DESENVOLVIMENTO DA EDUCAÇÃO BÁSICA CONCEITOS E USOS Elaine Toldo Pazello FEA-RP / USP epazello@usp.br Instituto Fonte 26/11/2013 Roteiro da apresentação Descrever o cálculo do IDEB, procurando

Leia mais

Determinação dos Fatores Críticos na Análise de Desempenho de Alunos de Pósgraduação Utilizando Metodologia de Mineração de Dados

Determinação dos Fatores Críticos na Análise de Desempenho de Alunos de Pósgraduação Utilizando Metodologia de Mineração de Dados Resumo Determinação dos Fatores Críticos na Análise de Desempenho de Alunos de Pósgraduação Utilizando Metodologia de Mineração de Dados Autoria: Elizabeth de Oliveira Carpenter, Gerson Lachtermacher O

Leia mais

SINOPSE ESTATÍSTICA EDUCAÇÃO BÁSICA

SINOPSE ESTATÍSTICA EDUCAÇÃO BÁSICA SINOPSE ESTATÍSTICA EDUCAÇÃO BÁSICA CENSO ESCOLAR 2006 Presidente da República Federativa do Brasil Luís Inácio Lula da Silva Ministro da Educação Fernando Haddad Secretário Executivo José Henrique Paim

Leia mais

Análise descritiva das informações referentes a aluno, diretor e escola. Modelos de Regressão Multinivel:(dois níveis hierárquicos) Aluno Escola

Análise descritiva das informações referentes a aluno, diretor e escola. Modelos de Regressão Multinivel:(dois níveis hierárquicos) Aluno Escola Avaliação do Projeto Arte na Escola Resultados Janeiro 2012 Objetivo Avaliar o desempenho dos alunos da 8ª série nas provas de matemática e língua portuguesa das escolas públicas nas quais o professor

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

FORMULÁRIO PARA APRESENTAÇÃO DE PROJETO DE PESQUISA - PIBIC TÍTULO DO PROJETO Mineração de Grafos usando Ontologias COORDENADOR

FORMULÁRIO PARA APRESENTAÇÃO DE PROJETO DE PESQUISA - PIBIC TÍTULO DO PROJETO Mineração de Grafos usando Ontologias COORDENADOR Governo do Estado do Rio Grande do Norte Secretariado de Estado da Educação e Cultura - SEEC UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE - UERN Pró-Reitoria de Pesquisa e Pós-Graduação PROPEG Departamento

Leia mais

Ministério da Educação Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira RESUMO TÉCNICO CENSO DA EDUCAÇÃO SUPERIOR DE 2009

Ministério da Educação Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira RESUMO TÉCNICO CENSO DA EDUCAÇÃO SUPERIOR DE 2009 Ministério da Educação Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira RESUMO TÉCNICO CENSO DA EDUCAÇÃO SUPERIOR DE 2009 Brasília DF 2010 SUMÁRIO APRESENTAÇÃO... 5 PROCESSO DE COLETA

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

ATIVIDADES PRÁTICAS SUPERVISIONADAS

ATIVIDADES PRÁTICAS SUPERVISIONADAS ATIVIDADES PRÁTICAS SUPERVISIONADAS CST em Análise e Desenvolvimento de Sistemas 3ª Série Programação em Banco de Dados A atividade prática supervisionada (ATPS) é um procedimento metodológico de ensino-aprendizagem

Leia mais

Administração de Sistemas de Informação Gerenciais UNIDADE IV: Fundamentos da Inteligência de Negócios: Gestão da Informação e de Banco de Dados Um banco de dados é um conjunto de arquivos relacionados

Leia mais

CENSO DA EDUCAÇÃO SUPERIOR 2014. Manual do Usuário

CENSO DA EDUCAÇÃO SUPERIOR 2014. Manual do Usuário MINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA DIRETORIA DE ESTATÍSTICAS EDUCACIONAIS COORDENAÇÃO GERAL DO CENSO DA EDUCAÇÃO SUPERIOR CENSO DA EDUCAÇÃO SUPERIOR

Leia mais

NOTA EXPLICATIVA ENEM 2014 POR ESCOLA 1 - RESULTADOS DO ENEM 2014 AGREGADOS POR ESCOLA

NOTA EXPLICATIVA ENEM 2014 POR ESCOLA 1 - RESULTADOS DO ENEM 2014 AGREGADOS POR ESCOLA NOTA EXPLICATIVA ENEM 2014 POR ESCOLA 1 - RESULTADOS DO ENEM 2014 AGREGADOS POR ESCOLA Os resultados do Exame Nacional do Ensino Médio (Enem) auxiliam estudantes, pais, professores, diretores das escolas

Leia mais

ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD

ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD RESUMO Thereza P. P. Padilha Fabiano Fagundes Conceição Previero Laboratório de Solos

Leia mais

PLATAFORMA DE REDES SOCIAIS COMO FERRAMENTA DE ENSINO A DISTÂNCIA

PLATAFORMA DE REDES SOCIAIS COMO FERRAMENTA DE ENSINO A DISTÂNCIA Congresso de Métodos Numéricos em Engenharia 2015 Lisboa, 29 de Junho a 2 de Julho, 2015 APMTAC, Portugal, 2015 PLATAFORMA DE REDES SOCIAIS COMO FERRAMENTA DE ENSINO A DISTÂNCIA Thiago M. R. Dias 1, Elton

Leia mais

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 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

Leia mais

CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE

CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE Fabio Favaretto Professor adjunto - Programa de Pós Graduação em Engenharia de Produção

Leia mais

Professor: Disciplina:

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

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

Descoberta de Conhecimento em uma Base de Dados de Bilhetes de Tarifação: Estudo de Caso em Telefonia Celular

Descoberta de Conhecimento em uma Base de Dados de Bilhetes de Tarifação: Estudo de Caso em Telefonia Celular Descoberta de Conhecimento em uma Base de Dados de Bilhetes de Tarifação: Estudo de Caso em Telefonia Celular Elionai Sobrinho 1,3, Jasmine Araújo 1,3, Luiz A. Guedes 2, Renato Francês 1 1 Departamento

Leia mais

Descoberta de Domínio Conceitual de Páginas Web

Descoberta de Domínio Conceitual de Páginas Web paper:25 Descoberta de Domínio Conceitual de Páginas Web Aluno: Gleidson Antônio Cardoso da Silva gleidson.silva@posgrad.ufsc.br Orientadora: Carina Friedrich Dorneles dorneles@inf.ufsc.br Nível: Mestrado

Leia mais

Sistema de Monitoramento da Educação

Sistema de Monitoramento da Educação IPP Sistema de Monitoramento da Educação Instituto Pereira Passos Sergio Guimarães Ferreira Hotel Marriott, Rio, 2013 Instituto Pereira Passos IPP Rio Produtos IPP Monitoramento Secretaria Municipal de

Leia mais

Estatística Básica via MySQL para Pesquisas On-Line

Estatística Básica via MySQL para Pesquisas On-Line Estatística Básica via MySQL para Pesquisas On-Line Gabriel Ramos Guerreiro - DEs, UFSCar 1 2 Anderson Luiz Ara-Souza - DEs, UFSCar 1 3 Francisco Louzada-Neto - DEs, UFSCar 1 4 1. INTRODUÇÃO Segundo Cavalcanti

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

Uma Aplicação de Ensino Orientada a Agentes na Internet

Uma Aplicação de Ensino Orientada a Agentes na Internet 1 de 5 22/7/2008 17:14 Uma Aplicação de Ensino Orientada a Agentes na Internet Adriana Soares Pereira Cláudio Fernando Resin Geyer adriana@inf.ufrgs.br Resumo Este trabalho apresenta uma proposta de desenvolvimento

Leia mais

Padrões de Competências para o Cargo de Coordenador Pedagógico

Padrões de Competências para o Cargo de Coordenador Pedagógico Padrões de Competências para o Cargo de Coordenador Pedagógico O Coordenador Pedagógico é o profissional que, na Escola, possui o importante papel de desenvolver e articular ações pedagógicas que viabilizem

Leia mais

ANÁLISE DE PROBLEMAS NO CONTROLE DE ESTOQUE GERADOS POR ERROS NOS REGISTROS DE MOVIMENTAÇÕES

ANÁLISE DE PROBLEMAS NO CONTROLE DE ESTOQUE GERADOS POR ERROS NOS REGISTROS DE MOVIMENTAÇÕES ANÁLISE DE PROBLEMAS NO CONTROLE DE ESTOQUE GERADOS POR ERROS NOS REGISTROS DE MOVIMENTAÇÕES Caroline Peixoto Pedroso (PUCPR) caroppedroso@gmail.com Fabio Favaretto (UNIFEI) professor.favaretto@gmail.com

Leia mais

BANCO DE DADOS DA EDUCAÇÃO PROFISSIONAL EM SAÚDE BEPSAÚDE TECNÓLOGO

BANCO DE DADOS DA EDUCAÇÃO PROFISSIONAL EM SAÚDE BEPSAÚDE TECNÓLOGO Fundação Oswaldo Cruz Escola Politécnica de Saúde Joaquim Venâncio Laboratório do Trabalho e da Educação Profissional em Saúde Observatório dos Técnicos em Saúde BANCO DE DADOS DA EDUCAÇÃO PROFISSIONAL

Leia mais

ANEXO 2 - INDICADORES EDUCACIONAIS 1

ANEXO 2 - INDICADORES EDUCACIONAIS 1 ES R O D A C I D N I 2 O X E N A EDUCACIONAIS 1 ANEXO 2 1 APRESENTAÇÃO A utilização de indicadores, nas últimas décadas, na área da educação, tem sido importante instrumento de gestão, pois possibilita

Leia mais

X Encontro Nacional de Educação Matemática Educação Matemática, Cultura e Diversidade Salvador BA, 7 a 9 de Julho de 2010

X Encontro Nacional de Educação Matemática Educação Matemática, Cultura e Diversidade Salvador BA, 7 a 9 de Julho de 2010 ALUNOS DA LICENCIATURA QUE NÃO QUEREM SER PROFESSORES TRAÇOS DO PERFIL DOS ESTUDANTES DO CURSO DE MATEMÁTICA DA UNIVERSIDADE FEDERAL DE SÃO JOÃO DEL-REI Marcilia Bruna dos Reis Teixeira Universidade Federal

Leia mais

Padrões de Contagem de Pontos de Função

Padrões de Contagem de Pontos de Função Padrões de Contagem de Pontos de Função Contexto Versão: 1.0.0 Objetivo O propósito deste documento é apresentar os padrões estabelecidos para utilização da técnica de Análise de Pontos de Função no ambiente

Leia mais

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS Tácio Dias Palhão Mendes Bacharelando em Sistemas de Informação Bolsista de Iniciação Científica da FAPEMIG taciomendes@yahoo.com.br Prof.

Leia mais

Ensaio Pesquisa em Educação em Ciências ISSN: 1415-2150 ensaio@fae.ufmg.br Universidade Federal de Minas Gerais Brasil

Ensaio Pesquisa em Educação em Ciências ISSN: 1415-2150 ensaio@fae.ufmg.br Universidade Federal de Minas Gerais Brasil Ensaio Pesquisa em Educação em Ciências ISSN: 1415-2150 ensaio@fae.ufmg.br Universidade Federal de Minas Gerais Brasil Soares, José Francisco; Júdice, Renato A AUTO-EXCLUSÃO DOS ALUNOS DAS ESCOLAS PÚBLICAS

Leia mais

2010 - Iniciativa global Out of School Children Pelas Crianças Fora da Escola.

2010 - Iniciativa global Out of School Children Pelas Crianças Fora da Escola. 1 Histórico 2010 - Iniciativa global Out of School Children Pelas Crianças Fora da Escola. No Brasil - Acesso, permanência, aprendizagem e conclusão da educação básica na idade certa com Campanha Nacional

Leia mais

Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining

Pós-Graduação Lato Sensu Especialização em Análise de Dados e Data Mining Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining Inscrições Abertas Início das Aulas: 24/03/2015 Dias e horários das aulas: Terça-Feira 19h00 às 22h45 Semanal Quinta-Feira 19h00

Leia mais

Estatística Aplicada. Gestão de TI. Evanivaldo Castro Silva Júnior

Estatística Aplicada. Gestão de TI. Evanivaldo Castro Silva Júnior Gestão de TI Evanivaldo Castro Silva Júnior Porque estudar Estatística em um curso de Gestão de TI? TI trabalha com dados Geralmente grandes bases de dados Com grande variabilidade Difícil manipulação,

Leia mais

INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA

INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA Marcelo DAMASCENO(1) (1) Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte/Campus Macau, Rua das Margaridas, 300, COHAB, Macau-RN,

Leia mais

O que é a estatística?

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

Leia mais

Curso de Verão 2012 - Bioinformática

Curso de Verão 2012 - Bioinformática Curso de Verão 2012 - Bioinformática Bancos de Dados Biológicos Márcio K. Oikawa - UFABC marcio.oikawa@ufabc.edu.br Agenda Introdução: O que são bancos de dados? Por que são importantes? Bancos de dados

Leia mais

IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES ENTRE PRODUTOS DE UMA BASE DE DADOS REAL

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

Leia mais

Análise da Municipalização do Ensino Fundamental no Estado de São Paulo e seus Impactos. Andréa Zaitune Curi André Portela de Souza

Análise da Municipalização do Ensino Fundamental no Estado de São Paulo e seus Impactos. Andréa Zaitune Curi André Portela de Souza Análise da Municipalização do Ensino Fundamental no Estado de São Paulo e seus Impactos Andréa Zaitune Curi André Portela de Souza Descentralização administrativa do sistema educacional... O principal

Leia mais

Plano Nacional de Educação. Programa Bolsa Família e MDS

Plano Nacional de Educação. Programa Bolsa Família e MDS Plano Nacional de Educação COORDENAÇÃO GERAL DE INTEGRAÇÃO E ANÁLISE DE INFORMAÇÕES Departamento de Condicionalidades x Secretaria Nacional de Renda de Cidadania Ministério do Desenvolvimento Social e

Leia mais

ESTATÍSTICA. Professor: Ricardo Vojta

ESTATÍSTICA. Professor: Ricardo Vojta ESTATÍSTICA Ciências Contábeis Professor: Ricardo Vojta RAMOS DA ESTATÍSTICA A estatística dedutiva (também conhecida como Estatística Descritiva) se encarrega de descrever o conjunto de dado desde a elaboração

Leia mais

ANÁLISE DO PERFIL E DESEMPENHO DOS CANDIDATOS AO VESTIBULAR DA UNESPAR/FECILCAM COMO ESTRATÉGIA PARA O ENSINO DA ESTATÍSTICA NOS CURSOS DE GRADUAÇÃO

ANÁLISE DO PERFIL E DESEMPENHO DOS CANDIDATOS AO VESTIBULAR DA UNESPAR/FECILCAM COMO ESTRATÉGIA PARA O ENSINO DA ESTATÍSTICA NOS CURSOS DE GRADUAÇÃO ISSN 2175-4195 ANÁLISE DO PERFIL E DESEMPENHO DOS CANDIDATOS AO VESTIBULAR DA UNESPAR/FECILCAM COMO ESTRATÉGIA PARA O ENSINO DA ESTATÍSTICA NOS CURSOS DE GRADUAÇÃO Gislaine Aparecida Periçaro, UNESPAR/FECILCAM,

Leia mais

16. SISTEMAS DE INFORMAÇÃO, PESQUISA E AVALIAÇÃO

16. SISTEMAS DE INFORMAÇÃO, PESQUISA E AVALIAÇÃO 16. SISTEMAS DE INFORMAÇÃO, PESQUISA E AVALIAÇÃO 16.1 SISTEMA DE INFORMAÇÃO ESTATÍSTICA A LDBEN Lei n.º 9.394, de 20 de dezembro de 1996 delega à União as seguintes competências: a) Coletar, analisar e

Leia mais

Avaliação da Educação Básica. Saeb/Prova Brasil e Ideb

Avaliação da Educação Básica. Saeb/Prova Brasil e Ideb Avaliação da Educação Básica Saeb/Prova Brasil e Ideb Saeb/Prova Brasil O desafio de planejar uma avaliação Matriz de Referência Elaboração de Itens - Capacitação IES - Laboratório Cognitivo BNI Pré-Teste

Leia mais

Plano de Transporte Coletivo da Cidade de Bauru PTC Bauru. NT09 Pesquisa de imagem e opinião sobre o serviço de transporte coletivo municipal de Bauru

Plano de Transporte Coletivo da Cidade de Bauru PTC Bauru. NT09 Pesquisa de imagem e opinião sobre o serviço de transporte coletivo municipal de Bauru -EMDURB Plano de Transporte Coletivo da Cidade de Bauru PTC Bauru NT09 Pesquisa de imagem e opinião sobre o serviço de transporte coletivo municipal de Bauru Junho/2013 1- Apresentação O Plano de Transporte

Leia mais

PLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística

PLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística 1. IDENTIFICAÇÃO PLANO DE ENSINO Disciplina: Estatística Multivariada Código: PGMAT568 Pré-Requisito: No. de Créditos: 4 Número de Aulas Teóricas: 60 Práticas: Semestre: 1º Ano: 2015 Turma(s): 01 Professor(a):

Leia mais

Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1

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

Leia mais

MINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA DIRETORIA DE AVALIAÇÃO DA EDUCAÇÃO BÁSICA

MINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA DIRETORIA DE AVALIAÇÃO DA EDUCAÇÃO BÁSICA MINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA DIRETORIA DE AVALIAÇÃO DA EDUCAÇÃO BÁSICA NOTA TÉCNICA Perfil de A Lei de Diretrizes e Bases da Educação Nacional

Leia mais

Notas técnicas. População de estudo

Notas técnicas. População de estudo Notas técnicas População de estudo A população-alvo da pesquisa foi formada por escolares do 9 º ano do ensino fundamental (antiga 8ª série) de escolas públicas ou privadas das capitais dos estados brasileiros

Leia mais

MINISTÉRIO DA EDUCAÇÃO. Janeiro de 2011

MINISTÉRIO DA EDUCAÇÃO. Janeiro de 2011 MINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA CENSO DA EDUCAÇÃO SUPERIOR 2009 Janeiro de 2011 PRINCIPAIS RESULTADOS - CENSO DA EDUCAÇÃO SUPERIOR GRADUAÇÃO

Leia mais

PROVA BRASIL: A AVALIAÇÃO EM MATEMÁTICA E AS PRÁTICAS PEDAGÓGICAS NO 5º ANO

PROVA BRASIL: A AVALIAÇÃO EM MATEMÁTICA E AS PRÁTICAS PEDAGÓGICAS NO 5º ANO PROVA BRASIL: A AVALIAÇÃO EM MATEMÁTICA E AS PRÁTICAS PEDAGÓGICAS NO 5º ANO Sylmara Fagundes da Silva Sylmara.fagundes@hotmail.com RESUMO O presente trabalho teve como objetivo analisar os resultados das

Leia mais

Diagnóstico da Educação Municipal

Diagnóstico da Educação Municipal Diagnóstico da Educação Municipal Oneide Ferraz Alves Apoio Parceria Coordenação Técnica Iniciativa Temas 1º dia Planejamento Planejamento Educacional Plano Anual de Educação Diagnóstico da Educação no

Leia mais

INSTITUTO VIANNA JÚNIOR LTDA FACULADE DE CIENCIAS ECONOMICAS VIANNA JUNIOR DATA MINING - EXTRAÇÃO E EXPLORAÇÃO DE CONHECIMENTO.

INSTITUTO VIANNA JÚNIOR LTDA FACULADE DE CIENCIAS ECONOMICAS VIANNA JUNIOR DATA MINING - EXTRAÇÃO E EXPLORAÇÃO DE CONHECIMENTO. INSTITUTO VIANNA JÚNIOR LTDA FACULADE DE CIENCIAS ECONOMICAS VIANNA JUNIOR DATA MINING - EXTRAÇÃO E EXPLORAÇÃO DE CONHECIMENTO. Lúcia Helena de Magalhães 1 Márcio Aarestrup Arbex 2 Resumo Este artigo tem

Leia mais

ENADE NO EaD: CST GESTÃO DA PODUÇÃO INDUSTRIAL INADEQUAÇÕES DOS CRITÉRIOS

ENADE NO EaD: CST GESTÃO DA PODUÇÃO INDUSTRIAL INADEQUAÇÕES DOS CRITÉRIOS 1 ENADE NO EaD: CST GESTÃO DA PODUÇÃO INDUSTRIAL INADEQUAÇÕES DOS CRITÉRIOS Curitiba, maio/2010 ROBSON SELEME - Universidade Federal do Paraná - robsonseleme@hotmail.com ALESSANDRA DE PAULA - Faculdade

Leia mais

(Modelo de) Relatório: 1-Introdução. 2-Materiais e métodos. 3-Análise descritiva dos dados

(Modelo de) Relatório: 1-Introdução. 2-Materiais e métodos. 3-Análise descritiva dos dados (Modelo de) Relatório: 1-Introdução (Nessa seção faz-se uma apresentação/contextualização do problema e descreve-se como está organizado o relatório) Ex: Neste trabalho temos o objetivo de traçar o perfil

Leia mais

servidores Web com RapidMiner

servidores Web com RapidMiner Mineração de regras de associação em servidores Web com RapidMiner Fabrício J. Barth fabricio.barth@gmail.com Resumo Este texto apresenta o uso da ferramenta RapidMiner na mineração de regras de associação

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

Introdução aos Sistemas de Informação Geográfica

Introdução aos Sistemas de Informação Geográfica Introdução aos Sistemas de Informação Geográfica Mestrado Profissionalizante 2015 Karla Donato Fook karladf@ifma.edu.br IFMA / DAI Análise Espacial 2 1 Distribuição Espacial A compreensão da distribuição

Leia mais

Censo Escolar INEP. Júlia Pampillon. Abril 2012. Universidade Federal de Juiz de Fora. UFJF (Institute) ECONS - Laboratório de Economia 23/04 1 / 15

Censo Escolar INEP. Júlia Pampillon. Abril 2012. Universidade Federal de Juiz de Fora. UFJF (Institute) ECONS - Laboratório de Economia 23/04 1 / 15 Censo Escolar INEP Júlia Pampillon Universidade Federal de Juiz de Fora Abril 2012 UFJF (Institute) ECONS - Laboratório de Economia 23/04 1 / 15 Introdução O Censo Escolar é um levantamento de dados estatístico-educacionais

Leia mais

SISTEMAS DE APOIO À DECISÃO SAD

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

Leia mais

Introdução ao SQL. O que é SQL?

Introdução ao SQL. O que é SQL? Introdução ao SQL 1 O que é SQL? Inicialmente chamada de Sequel, SQL (Structured Query Language), é a linguagem padrão utilizada para comunicar-se com um banco de dados relacional. A versão original foi

Leia mais

Especial Prova ABC. Olho nas Metas 2012Resultados e. análise dos itens da Prova ABC 2012

Especial Prova ABC. Olho nas Metas 2012Resultados e. análise dos itens da Prova ABC 2012 De Especial Prova ABC 2012 Olho nas Metas 2012Resultados e análise dos itens da Prova ABC 2012 De Especial Prova ABC 2012 Olho nas Metas Resultados e análise dos itens da Prova ABC 2012 Sumário Prova ABC

Leia mais

AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS

AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS Hugo Marques Casarini Faculdade de Engenharia de Computação

Leia mais

UNIVERSIDADE VEIGA DE ALMEIDA CURSO DE BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO CURSO SUPERIOR DE TECNOLOGIA EM PROCESSAMENTO DE DADOS BANCO DE DADOS

UNIVERSIDADE VEIGA DE ALMEIDA CURSO DE BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO CURSO SUPERIOR DE TECNOLOGIA EM PROCESSAMENTO DE DADOS BANCO DE DADOS CURSO DE BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO CURSO SUPERIOR DE TECNOLOGIA EM PROCESSAMENTO DE DADOS CLAUDIO RIBEIRO DA SILVA MARÇO 1997 2 1 - CONCEITOS GERAIS DE 1.1 - Conceitos Banco de Dados - Representa

Leia mais

Questionário do Diretor

Questionário do Diretor [Colar aqui a etiqueta de identificação] (105 x 35 mm) Pesquisa Internacional da OECD sobre Ensino e Aprendizagem (TALIS) Questionário do Diretor Versão Pesquisa (MS-11-01) [Português, Brasil] Coordenação

Leia mais

3 cm UNIVERSIDADE ESTADUAL DE GOIÁS UNIDADE UNIVERSITÁRIA DE LUZIÂNIA

3 cm UNIVERSIDADE ESTADUAL DE GOIÁS UNIDADE UNIVERSITÁRIA DE LUZIÂNIA 3 cm UNIVERSIDADE ESTADUAL DE GOIÁS UNIDADE UNIVERSITÁRIA DE LUZIÂNIA NOME DO AUTOR (fonte tamanho 12, arial, todas em maiúscula, negrito, centralizado) ESTÁGIO SUPERVISIONADO I OU II DO CURSO DE ADMINISTRAÇÃO

Leia mais

Sistema Inteligente Não-Linear de Apoio à Aprendizagem 1 Rangel RIGO, Ana Paula Laboissière AMBRÓSIO

Sistema Inteligente Não-Linear de Apoio à Aprendizagem 1 Rangel RIGO, Ana Paula Laboissière AMBRÓSIO Sistema Inteligente Não-Linear de Apoio à Aprendizagem 1 Rangel RIGO, Ana Paula Laboissière AMBRÓSIO rangelrigo@gmail.com, apaula@inf.ufg.br Instituto de Informática Universidade Federal de Goiás (UFG)

Leia mais

Curso de Data Mining

Curso de Data Mining Curso de Data Mining Sandra de Amo Aula 2 - Mineração de Regras de Associação - O algoritmo APRIORI Suponha que você seja gerente de um supermercado e esteja interessado em conhecer os hábitos de compra

Leia mais

ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO

ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO Renan de Oliveira Yamaguti Faculdade de Engenharia de Computação / CEATEC renan.yamaguti@terra.com.br

Leia mais

Inferência Estatística. Amostragem Estatística. Características das Amostragens Estatísticas. Tipos de Amostragens Estatísticas

Inferência Estatística. Amostragem Estatística. Características das Amostragens Estatísticas. Tipos de Amostragens Estatísticas Fenômenos Estatísticos Classificam-se em: Fenômenos Coletivos ou de Massa - Não podem ser definidos por uma simples observação (natalidade, mortalidade, preço médio de veículos usados em Curitiba, etc.).

Leia mais

O Uso da Descoberta de Conhecimento em Base de Dados para Apoiar a Tomada de Decisões

O Uso da Descoberta de Conhecimento em Base de Dados para Apoiar a Tomada de Decisões 1 O Uso da Descoberta de Conhecimento em Base de Dados para Apoiar a Tomada de Decisões José Carlos Almeida Ryan Ribeiro de Eric Rommel G. Dantas Daniel Silva de Lima Patrício Júnior Azevedo Centro de

Leia mais