Data Mining para Classificação das Funções de Uma Instituição Pública a Partir das Semelhanças Entre Suas Competências
|
|
- Brian Belém Caldas
- 8 Há anos
- Visualizações:
Transcrição
1 Data Mining para Classificação das Funções de Uma Instituição Pública a Partir das Semelhanças Entre Suas Competências Celso Bilynkievycz dos Santos (UTFPR/UEPG) bilynkievycz@uepg.br Dr. Luciano Scandelari (UTFPR) luciano@cefetpr.br Dra. Deborah Ribeiro de Carvalho (UTP/IPARDES) deborahcarvalho@onda.com.br Dra. Maria Salete Marcon Gomes Vaz (UEPG) salete@uepg.br Dr. João Carlos Gomes (UEPG) jcgomes@uepg.br Resumo: Este trabalho tem como objetivo extrair conhecimento de uma base de dados do perfil profissiográfico dos servidores de uma instituição pública, para classificar as funções do seu quadro de servidores a partir das semelhanças entre suas competências. Como metodologia para o desenvolvimento do trabalho utilizou-se as etapas do Processo de Descoberta de Conhecimento (Knowledge Discovery in Data Bases - KDD), com o uso das técnicas de Data Mining (DM) construindo um classificador, utilizando-se o algoritmo minerador J48. No estudo buscaram-se, modelos de Árvores de Decisões (AD) superior a 95% de acerto para verificar quais funções mais se assemelham estatisticamente, em relação as suas necessidades de treinamento, para auxiliar na elaboração de possíveis turmas para treinamentos. Conclui-se que 28 das 57 funções do atual quadro de servidores, apresentam as maiores semelhanças, desta, 5 pares apresentam maiores paridades entre si, considerando o nível de escolaridade exigido para a função, e outros 5 pares se assemelham indiferente do nível de escolaridade. Palavras-chave: Data Mining, KDD, Árvores de Decisões. 1. Introdução Uma das principais limitações da análise de dados realizadas por seres humanos é a falta de adequação do cérebro quando se busca dependência multifatoriais complexa e, a falta de objetividade nas análises, principalmente em processo de tomada de decisão envolvendo grandes volumes de dados com opções qualitativas em um contexto quantitativo e multivariado. Além dessas limitações, a experiência faz com que o conhecimento influencie na investigação, algumas vezes auxiliando, outras vezes inbindo a descoberta de conhecimento tácito. Nestas situações os processos de apoio a tomadas de decisão, como o Processo de Descoberta de Conhecimento KDD (Knowledge Discovery in Data Bases) são fundamentais para auxiliar nos melhores julgamentos. Escolheu o tema Data Mining, como objeto de estudo por ser uma das etapas do KDD, que permite descoberta de padrões implícitos em bases de dados, e porque não depende de nenhuma hipótese inicial. Este trabalho tem como objetivo extrair conhecimento de uma base de dados do perfil profissiográfico dos servidores de uma instituição pública, para classificar as funções do seu quadro de servidores a partir das semelhanças entre suas competências, através do uso de técnicas de Data Mining de Árvore de Decisão, para facilitar os planejamentos de turmas de treinamento de funções diferentes, que se assemelham em relação as suas competências. 1
2 2. Data Mining O Data Mining surgiu da união de três conceitos da Estatística, da Inteligência Artificial (IA) e Aprendizagem de Máquina (Machine Learning - LM). Do primeiro herdou seus conceitos clássico de: distribuição normal, variância, desvio simples, análise de regressão, análise de discriminante, análise de conjuntos, e intervalos de confiança; do segundo, recebeu conceitos heurísticos, de como o homem pensa na solução de seus problemas, e do último ganhou seus algoritmos, criados da união da IA e LM (LEMOS, 2003). Data Mining é uma das etapas de um processo maior denominado KDD (Knowledge Discovery in Databases). Um processo de prospecção de conhecimento em bases de dados, que envolve a automação da identificação e do reconhecimento de padrões, que surgiu da surgiu da necessidade de obter conhecimento de grandes massas de dados (GIMENES, 1999; CARVALHO, 1999). O objetivo de um sistema de Data Mining é a descoberta de conhecimento escondido tendo como entrada o dado em estado bruto (não trabalhado). Segundo Lemos (2003), o uso de Data Mining para construção de modelos traz as seguintes vantagens: fácil compreensão; possibilita a analise de grandes bases de dados; descobre informações surpreendentes; as variáveis não necessitam de recodificação; e os modelos são precisos. Além do aprendizado indutivo a partir de bases de dados, um sistema de Data Mining deve criar modelos que possam ser utilizados na tomada de decisão. Para tanto, surge o problema de separar o conhecimento óbvio e irrelevante, do que é efetivamente útil. Surge a necessidade de modelar o conceito de conhecimento interessante, dependente não apenas de cada peça de conhecimento, mas também de fatores ligados ao domínio, ao tipo de usuário, de aplicação e vários outros. 3. Tarefas de KDD A utilização das tarefas de KDD, depende do problema a ser analisado. Para solução de cada problema existem tarefas de KDD específicas, enquanto para execução destas tarefas pode-se recorrer a diversas técnicas de Data Mining. As várias tarefas de KDD, têm como objetivo primário a predição e a descrição. A predição usa atributos para predizer o desconhecido ou os valores futuros de outras variáveis de interesse. A descrição contempla o que foi descoberto nos dados sob o ponto de vista da interpretação humana (FAYYAD et. al, 1996). A tabela abaixo resume as tarefas de KDD e suas respectivas técnicas de DM e algoritmos mais utilizado para solução dos problemas relacionados: 2
3 TABELA 1 Problemas e respectivas Tarefas de KDD e principais Técnicas de Data Mining utilizados para sua solução. Problema Tarefa de KDD Técnica de Data Mining Exemplos de Algoritmos mais utilizados Predição Regressão Regressão CART, M5 Classificação Árvore de Decisão J48 Associação Regras de Associação Apriori, DHP, ABS, Sampling Descrição Particionamento Agrupamento Hierarquia Fonte: Criada a partir das definições de VIANA (2004). K-means O problema de predição, objeto de estudo neste trabalho, pode ser resolvido através de Tarefas de KDD de Classificação, utilizando-se as técnicas de Data Mining de Árvore de Decisão, através da aplicação do Algoritmo minerador J48. A Tarefa de Classificação, segundo Freitas (1998) é considerada a tarefa mais comum em processo de KDD. Ela tem como principal objetivo à classificação automática de novos itens através da análise dos itens atuais. No processo de classificação, os algoritmos de indução de regras resolvem problemas do tipo: descobrir regras para a previsão das classes (valores de uma variável dependente) de novos exemplos do domínio. Como esta descoberta ocorre ao analisar experiências passadas, é necessário nesse processo, que um conjunto de exemplos dessas experiências esteja disponível, de forma que a variável dependente esteja tratada em k classes disjuntas, onde k representa o número de valores possíveis desta variável. Assim sendo, um novo exemplo poderá ser classificado, através da indução, em uma destas k classes. 4. Árvores de Decisão Árvore de decisão é uma maneira de representação do conhecimento descoberto, através de um conjunto de nós de decisão (nós internos), ramos e nós-folhas que configuram um modelo de classificação, onde seus nós de decisão representam: os nomes dos atributos; as folhas: as diferentes classes e os ramos os critérios de decisão. Esta forma de representação é determinada através de algoritmos de tarefas de classificação, que procuraram um relacionamento entre os atributos previsores e o atributo meta, usando registros cuja classe seja conhecida (CARVALHO, 1999). Através do relacionamento descoberto pode-se prever a classe (valor do atributo meta) de um registro de classe desconhecida (CARVALHO, 1999). O algoritmo classificador constrói a árvore a partir dos dados de treinamento, recursivamente subdividindo o conjunto de dados até que cada partição consista de nós puros, isto é, cada nó folha represente apenas uma única classe, ou algum outro critério de parada seja satisfeito, por exemplo, um número mínimo de itens definido pelo usuário é alcançado (SOUSA, 1998). Para exemplificar uma classificação através de árvore de decisão, utilizando o C4.5 aplicou-se o algoritmo nos dados da Tabela 2, que contém um exemplo de uma editora internacional que publica livro Guia de restaurantes franceses na Inglaterra em três países: França, Inglaterra e Alemanha. Esta editora possui um banco de dados de clientes destes três países e deseja saber quais clientes são mais prováveis compradores (para fins de mala-direta). Para tal, foram enviados materiais de propaganda para uma amostra de cliente e registrados se cada cliente HAC 3
4 que recebeu a propaganda comprou ou não o livro, resultando na Figura 1 (CARVALHO, 1999). TABELA 2 Exemplo: Entrada de Dados para Tarefa de Classificação Sexo País Idade Comprar Masculino França 25 Sim Masculino Inglaterra 21 Sim Feminino França 23 Sim Feminino Inglaterra 34 Sim Feminino França 30 Não Masculino Alemanha 21 Não Masculino Alemanha 20 Não Feminino Alemanha 18 Não Feminino França 34 Não Masculino França 55 Não Fonte: FREITAS, 1998 Aplicando o algoritmo C4.5 nos dados da tabela acima, obteve-se a seguinte árvore de decisão (Figura 1): FIGURA 1 Modelo de Árvore de Decisão com 100% de cobertura Analisando cada caminho da árvore de decisão da Figura 12, é possível gerar as seguintes regras de classificação: Se PAÍS = Alemanha, então COMPRAR = Não; Se PAÍS = Inglaterra, então COMPRAR = Sim; Se PAÍS = França e IDADE <= 25, então COMPRAR = Sim; e Se PAÍS = França e IDADE > 25, então COMPRAR = Não. O conjunto de regras acima auxilia na tomada de decisões, possibilitando concluir que a editora teria mais rentabilidade investindo nos clientes da Inglaterra e da França (com menos de 25 anos) do que nos da Alemanha. 4
5 5. Metodologia Sengundo as definiçoes de Vasconcelos (2002), quanto ao objeto essa pesquisa é classificada como Temática ou Focal Simples, pois elege como objeto uma temática específica, com foco preciso para produção de um novo conhecimento com contribuição para os debates teóricos, científicos e técnicos. Quanto ao tipo do objeto e as fontes a serem investigadas classifica-se como Meta-análise, pois constitui um tipo de análise secundária, usado para comparar os dados internos dos estudos quantitativos. Quanto a natureza dos dados e da análise, como mista, com dados qualitativos e quantitativos. Quanto aos objetivos, aplicações e tipo de conhecimento implicado é considerada Aplicada, pois articula dentro de diferentes ciências (Engenharia da Produção e Ciências da Computação) e porque objetiva gerar conhecimentos para aplicações práticas, dirigidas à solução de problema específico. E em relação aos objetivos de DM, segundo Yin (2001), são de natureza: Explanatória, por que explicam padrões através de modelos de Árvores de Decisões. Através da pergunta norteadora: Quais as funções apresentam as maiores semelhanças em relação a suas competências?, definiu-se o problema como de classificação, que segundo Rodrigues (2000) e Viana (2004), soluciona-se através de uma das formas de representação de classificadores em DM, que são Árvores de Decisão. Utilizou-se no desenvolvimento do trabalho o senso de 863 agentes universitários da Universidade Estadual de Ponta Grossa, com necessidades de treinamentos. Foram utilizadas, como fonte de dados, informações públicas, disponibilizadas na Resolução Conjunta entre a Secretaria Estadual de Aposentadoria e Previdência (SEAP) e da Secretaria Estadual de Ciência, Tecnologia e Ensino Superior (SETI) N SEAP/SETI, que descreve o perfil profissiográfico dos servidores das Instituições Estaduais de Ensino Superior do Paraná; e na Portaria R.161 da Universidade Estadual de Ponta Grossa, que descreve a transição dos seus servidores, durante as etapas de implantação do Plano de Carreira, Cargos e Salários. No desenvolvimento deste trabalho foram utilizados os seguintes softwares: Weka, MS Excel, MS Access. 6. Estudo de Caso O trabalho foi realizado, seguindo-se os passos do processo de KDD, representado através da Figura 2, dividida em 3 macro-etapas: Pré-processamento, Data M ining e Pósprocessamento, que serão descritas a seguir. 5
6 FIGURA 2 Etapas do processo de KDD utilizadas no estudo 6.1. Pré-processamento de Data Mining Esta etapa foi realizada em seis fases, iniciando-se com implementação da base de dados e finalizando como a transformação dos dados, que serão detalhadas a seguir. A implantação da base de dados foi desenvolvida a partir de informações da Resolução (SETI) N 001/06 - SEAP/SETI, da qual foram utilizados três atributos: Classe, Função e as Competências. Através de SQL (Struct Query Language) específicas, realizou-se o conhecimento da base de dados, limpeza e enriquecimento com informações da Portaria R161/06 - UEPG que resultou na geração de registros. Apresentadas estas etapas chegou-se nas seguintes informações da base de dados (Tabela 3): TABELA 3 - Dados Quantitativos da Base de Dados Classificados por Classes Classe Quantitativo Funções Servidores Competências N Registros I II III Total Ao final da etapa, os dados foram organizados em 863 registros e transformados em formato e delimitações de campos requeridas pelo algoritmo J48 no Ambiente Weka. 6
7 Nesta organização dos dados, cada registro possui 101 atributos, correspondentes aos dados de um servidor, onde constam a sua classe, função e ocorrência lógica das 99 competências possíveis do quadro de servidores Data Mining Segundo Pappa (2002), quanto mais atributos envolvidos, maior o poder discriminatório, no entanto os atributos irrelevantes devem ser eliminados da análise. Segundo Borges (2005), alguns algoritmos de classificação podem se confundir quando são utilizados atributos não correlacionados. Então, inicialmente, realizou-se um préprocessamento de classificação, buscou-se através dos Algoritmos de Seleção, também conhecidos como filtros, existentes no Ambiente Weka, CfsSubsetEval (avaliador) e BestFirst (método), os atributos previsores do atributo Função. Este procedimento foi necessário, pois o algoritmo J48, que seria utilizado na geração das árvores de decisão, se engana, quando se utilizam atributos fortemente correlacionados, com correlação espúria ou ocasional. Antes da deste processo de filtragem alguns atributos com as competências: Discrição e Síntese apresentavam uma inter-relação com o atributo meta, respectivamente de 46 e 47 % (Figura 3) e, após a eliminação dos atributos não-previsores, estes dois atributos apresentaram uma nova inter-relação com o conjunto de dados, respectivamente de 98 e 100% (Figura 4). FIGURA 3 Inter-relação de alguns atributos com o atributo meta: Função, antes da eliminação dos atributos não-previsores. A partir da filtragem, foram definidos como atributos previsores do atributo meta, os atributos Classe e 15 competências (Figura 4): Atenção, Autocontrole, Comunicação, Concentração, Condicionamento Físico, Criatividade, Discrição, Improvisação, Iniciativa, Habilidade Manual, Organização, Paciência, Prestatibilidade, Síntese e Visão. 7
8 FIGURA 4 Inter-relação dos atributos previsores (Competencias) com o atributo meta: Função, após a eliminação dos atributos não-previsores. Em seguida aplicou-se o algoritmo J48 no conjunto de dados pré-selecionado, para geração de modelos de árvore de decisão, obtendo-se dois modelos com taxa de acerto superior a 95%. O primeiro modelo classifica os servidores por função, considerando o nível de escolaridade (Figura 5), enquanto o segundo o desconsidera (Figura 6), e correspondem respectivamente, as taxas de acerto 96,41% e % dos registros Pós-processamento de Data Mining Nesta etapa as Árvores de Decisão geradas pelo Ambiente Weka, foram transformadas em diagramas nas Figuras 3 e Figura 4, para melhor interpretação do especialista. Através deste modelo de representação, observa-se que as competências a seguir são atributos previsores na classificação por funções. A partir deste método de classificação são observadas semelhanças entre determinadas funções em relação as suas competências. Portanto, ao oferecer um curso envolvendo determinada competência ou pacotes de competências para uma função específica, poderá ser contemplada, indiretamente a função vizinha da mesma na árvore de decisão. Podem-se citar como exemplo, as funções: Técnico em Estúdio e Multimídia e Técnico em Montagens em Eventos, que considerados os seus quantitativos e as demais informações analisadas na base de dados, são estatisticamente semelhantes, diferenciando-se apenas no requisito da competência: Habilidade Manual (Figura 3). Esta técnica de DM permite identificar quais funções têm as maiores possibilidades de realizar treinamento em conjunto, a partir da observação de suas respectivas ramificações das Árvores de Decisão. Estas informações poderão ser úteis durante o planejamento dos cursos de treinamentos das competências ou para abertura de turmas. 8
9 FIGURA 5 Árvore de Decisão: Classificação das Funções por Competências Considerando o Nível de Escolaridade 9
10 FIGURA 6 Árvore de Decisão: Classificação das Funções por Competências Desconsiderando o Nível de Escolaridade 10
11 Os seguintes cargos (Tabela 4) possuem as maiores semelhanças entre si, por tanto, aos mesmo poderão ser oferecidos cursos com grandes probabilidades de atendimento simultâneo, considerando as particularidades de cada função ou as diferenças explicitas dos conteúdos programáticos. TABELA 4 Funções que apresentam maior paridade entre suas competências Classe I Pedagogo e Economista; Administrador e Técnico em Assuntos Universitários; Advogado e Psicólogo; e Farmacêutico e Instrutor de Prática Desportiva. Considerando a Classe Classe II Técnico em Agropecuária e Motorista; Desenhista Projetista e Instrutor de Artes; Técnico em Contabilidade e Técnico em Biblioteca; Técnico em Estúdio e Multimídia e Técnico em Montagem em Eventos; Técnico em Radiologia e Técnico em Laboratório; Educador Infantil e Auxiliar de Enfermagem; e Mestre de Obras e Técnico em Prótese Dentária; Classe III Sem considerar a Classe Auxiliar de Laboratório e Auxiliar Operacional; e Agente de Segurança Interna e Telefonista Prof. de Ensino. Médio Profissionalizante e Téc. em Agropecuária; Pedagogo e Economista; Auxiliar de Laboratório e Desenhista Projetista; Técnico de Manutenção e Instrutor de Artes; Administrador e Técnico em Assuntos Universitários; Auxiliar Administrativo e Técnico em Contabilidade; Técnico em Manutenção em Equipamentos e Técnico em Informática; Técnico em Estúdio e Multimídia e Técnico em Montagem em Eventos; Técnico em Laboratório e Bibliotecário; Advogado e Assistente Social; Mestre de Obras e Técnico em Prótese Dentária; Auxiliar de Enfermagem e Cozinheiro; Farmacêutico e Instrutor de Prática Desportiva; e Telefonista e Técnico Administrativo; 7. Conclusão Conclui-se que 28 das 57 funções do atual quadro de servidores, apresentam as maiores semelhanças. Desta, 5 pares apresentam paridades entre si, considerando o nível de escolaridade exigido para a função, e outros 5 pares se assemelham indiferente do nível de escolaridade. Considerando o atual quadro de servidores e as necessidades de treinamento das suas competências, apresentam as maiores semelhança nos dois modelos de classificação, as seguintes funções: Pedagogo e Economista; Farmacêutico e Instrutor de Prática Desportiva; Técnico em Estúdio e Multimídia e Técnico em Montagem em Eventos; Mestre de Obras e Técnico em Prótese Dentária; Farmacêutico e Instrutor de Prática Desportiva. O conhecimento extraído através das Árvores de Decisão poderá auxiliar no planejamento de vagas de cursos, apresentando as funções mais semelhantes em relação às 11
12 competências da função objeto de treinamento, considerando ou não os níveis de escolaridade; e permitindo a decisão de quais funções terão as maiores probabilidades de realizarem treinamento juntas. Referências ADMINISTRAÇÃO E DA PREVIDENCIA. Resolução Conjunta nº 01 - SEAP/SETI, de 16 de janeiro de Publica os Perfis Profissiográficos das Funções componentes das Classes I, II e III de que trata a Lei Estadual n.º de 12 de abril de Relator: Lygia Lumina Pupatto e Maria Marta R enner Lunardon. Diário Oficial Executivo do Paraná, Curitiba, de 16 de janeiro de 2007, Edição 7395, p BERRY, M. J. A. & LINOFF, G. Data Mining Techniques: for marketing, sales and customer support. John Willey & Sons, Inc. USA, BORGES, H. B. Redução de Dimensionalidade em Bases de Dados de Expressão Gênica Curitiba, p. Dissertação (Mestrado) Pontifícia Universidade Católica do Paraná. Programa de Pós Graduação em Informática. CARVALHO, D. R. Data Mining Através de Indução de Regras e Algoritmos Genéticos. Curitiba, p. Dissertação (Mestrado em Informática Aplicada) Pontifícia Universidade Católica do Paraná. FAYYAD, U. M; PIATETSKY-SHAPIRO, G; SMYTH, P.; UTHURUSAMY, R. Advances in Knowledge Discovery and Data Mining. American Association for Artificial Intelligence. USA, GIMENES, E. Data Mining - Data Warehouse: A Importância da Mineração de Dados em Tomadas de Decisões. Taquaritinga, 2000, 51p. Monografia (Conclusão do Curso de Tecnólogo em Processamento de Dados). Centro Estadual de Educação Tecnológica Paula Souza Faculdade de Tecnologia de Taquaritinga. FREITAS, A.A. LAVINGTON, S.H. Mining Very Large Databases with Parallel Processing, MA: Kluwer Academic Publishers LEMOS, P. E. Análise de Crédito Bancário com o Uso de Data Mining: Redes Neurais e Árvores De Decisão. Curitiba, 2005, 147p. Dissertação. (Mestrado em Ciências do Programa de Pós-Graduação em Métodos Numéricos em Engenharia). Universidade Federal do Paraná. PAPPA, G. L. Seleção de Atributos Usando Algoritmos Genéticos Multiobjetivos. Curitiba, 2002, 85 p. Dissertação (Mestrado em Informática). Pontifícia Universidade Católica do Paraná. RODRIGUES, A. M. Técnicas de Data Mining Classificadas do Ponto de Vista do Usuário. Rio de Janeiro, 2000, 104 p. Dissertação (Mestrado em Engenharia de Produção). Universidade Federal do Rio de Janeiro. SOUSA, M. S. R. Mineração de Dados: Uma Implementação Fortemente Acoplada a um Sistema Gerenciador de Banco de Dados Paralelo. Rio de Janeiro, 1998, 67 p. Dissertação (Mestrado em Engenharia de Sistemas e Computação). Universidade Federal do Rio de Janeiro. TAN, P.; KUMAR, V.; SRIVASTAVA, J. Selecting the Right Interestingness Measure for Association Patterns, Proc. of the 8th ACM SIGKDD Conf. on Knowledge Discovery and Data Mining, Edmonton, Canadá, p32 41, UNIVERSIDADE ESTADUAL DE PONTA GROSSA. Portaria R. nº UEPG de 1º de Agosto de Proceder a correlação de funções e o enquadramento em três etapas, na carreira técnica universitária para os servidores ocupantes do cargo de Agente Universitário da Universidade Estadual de Ponta Grossa, nos termos do Anexo que passa a integrar este ato legal. Relator: Paulo Roberto Godoy. Atos Oficiais. Ponta Grossa, 1º de Agosto de p VASCONCELOS, E. M. Complexidade e Pesquisa Interdisciplinar: Epistemologia e Metodologia Operativa. Petrópolis: Vozes, VIANA, R. Mineração de Dados:Teoria e Prática. Revista SQL Magazine, Rio de Janeiro:Neofício, n.10, YIN, R. K. Estudo de caso: planejamento e métodos. 2. ed. Porto Alegre: Bookmanm
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 maisAdministração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados
Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2006.2 Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento
Leia maisSistema 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 maisMINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO
MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO Fernanda Delizete Madeira 1 ; Aracele Garcia de Oliveira Fassbinder 2 INTRODUÇÃO Data
Leia maisData Mining aplicado na base de dados das categorias mais vendidas de um supermercado
Data Mining aplicado na base de dados das categorias mais vendidas de um supermercado Celso Bilynkievycz dos Santos (UTFPR/UEPG) bilynkievycz@uepg.br Vicente Toniolo Zander (UTFPR) vicente_2006@pg.cefetpr.br
Leia maisFases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse
Definição escopo do projeto (departamental, empresarial) Grau de redundância dos dados(ods, data staging) Tipo de usuário alvo (executivos, unidades) Definição do ambiente (relatórios e consultas préestruturadas
Leia maisUniversidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados
Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão:
Leia maisA Grande Importância da Mineração de Dados nas Organizações
A Grande Importância da Mineração de Dados nas Organizações Amarildo Aparecido Ferreira Junior¹, Késsia Rita da Costa Marchi¹, Jaime Willian Dias¹ ¹Universidade Paranaense (Unipar) Paranavaí PR Brasil
Leia maisExtração 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 maisPlanejamento Estratégico de TI. Prof.: Fernando Ascani
Planejamento Estratégico de TI Prof.: Fernando Ascani BI Business Intelligence A inteligência Empresarial, ou Business Intelligence, é um termo do Gartner Group. O conceito surgiu na década de 80 e descreve
Leia maisADM041 / 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 maisMINERAÇÃO 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 maisGestão 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 maisINSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA CURSO DE ESPECIALIZAÇÃO EM ANÁLISE DE AMBIENTE ELETROMAGNÉTICO CEAAE /2008 DISCIPLINA EE-09: Inteligência
Leia maisUnidade I FINANÇAS EM PROJETOS DE TI. Prof. Fernando Rodrigues
Unidade I FINANÇAS EM PROJETOS DE TI Prof. Fernando Rodrigues Nas empresas atuais, a Tecnologia de Informação (TI) existe como uma ferramenta utilizada pelas organizações para atingirem seus objetivos.
Leia maisExemplo de Aplicação do DataMinig
Exemplo de Aplicação do DataMinig Felipe E. Barletta Mendes 19 de fevereiro de 2008 INTRODUÇÃO AO DATA MINING A mineração de dados (Data Mining) está inserida em um processo maior denominado Descoberta
Leia maisROTEIRO PARA ELABORAÇÃO DE PROJETOS
APRESENTAÇÃO ROTEIRO PARA ELABORAÇÃO DE PROJETOS Breve histórico da instituição seguido de diagnóstico e indicadores sobre a temática abrangida pelo projeto, especialmente dados que permitam análise da
Leia mais3 Um Framework Orientado a Aspectos para Monitoramento e Análise de Processos de Negócio
32 3 Um Framework Orientado a Aspectos para Monitoramento e Análise de Processos de Negócio Este capítulo apresenta o framework orientado a aspectos para monitoramento e análise de processos de negócio
Leia maisSISTEMAS DE GESTÃO São Paulo, Janeiro de 2005
SISTEMAS DE GESTÃO São Paulo, Janeiro de 2005 ÍNDICE Introdução...3 A Necessidade do Gerenciamento e Controle das Informações...3 Benefícios de um Sistema de Gestão da Albi Informática...4 A Ferramenta...5
Leia maisSERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA
SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA Muitas organizações terceirizam o transporte das chamadas em seus call-centers, dependendo inteiramente
Leia maisTecnologia e Sistemas de Informações Tipos de SI
Universidade Federal do Vale do São Francisco Tecnologia e Sistemas de Informações Tipos de SI Prof. Ricardo Argenton Ramos Aula 5.2 Qual a Diferença? Dado? Informação? Conhecimento? Dado Platão (428-348
Leia maisUNIDADE 4. Introdução à Metodologia de Desenvolvimento de Sistemas
UNIDADE 4. Introdução à Metodologia de Desenvolvimento de Sistemas 4.1 Motivação Sistemas de Informação são usados em diversos níveis dentro de uma organização, apoiando a tomada de decisão; Precisam estar
Leia maisDEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS
DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS Planificação Anual da Disciplina de TIC Módulos 1,2,3-10.ºD CURSO PROFISSIONAL DE TÉCNICO DE APOIO À GESTÃO DESPORTIVA Ano Letivo 2015-2016 Manual adotado:
Leia maisEngenharia de Software III
Engenharia de Software III Casos de uso http://dl.dropbox.com/u/3025380/es3/aula6.pdf (flavio.ceci@unisul.br) 09/09/2010 O que são casos de uso? Um caso de uso procura documentar as ações necessárias,
Leia maisGARANTIA DA QUALIDADE DE SOFTWARE
GARANTIA DA QUALIDADE DE SOFTWARE Fonte: http://www.testexpert.com.br/?q=node/669 1 GARANTIA DA QUALIDADE DE SOFTWARE Segundo a NBR ISO 9000:2005, qualidade é o grau no qual um conjunto de características
Leia maisPlanejamento Estratégico de TI. Prof.: Fernando Ascani
Planejamento Estratégico de TI Prof.: Fernando Ascani Data Warehouse - Conceitos Hoje em dia uma organização precisa utilizar toda informação disponível para criar e manter vantagem competitiva. Sai na
Leia maisMaterial de Apoio. Sistema de Informação Gerencial (SIG)
Sistema de Informação Gerencial (SIG) Material de Apoio Os Sistemas de Informação Gerencial (SIG) são sistemas ou processos que fornecem as informações necessárias para gerenciar com eficácia as organizações.
Leia maisGUIA DE CURSO. Tecnologia em Sistemas de Informação. Tecnologia em Desenvolvimento Web. Tecnologia em Análise e Desenvolvimento de Sistemas
PIM PROGRAMA DE INTEGRAÇÃO COM O MERCADO GUIA DE CURSO Tecnologia em Sistemas de Informação Tecnologia em Desenvolvimento Web Tecnologia em Análise e Desenvolvimento de Sistemas Tecnologia em Sistemas
Leia maisA IMPORTÂNCIA DA GESTÃO DE CUSTOS NA ELABORAÇÃO DO PREÇO DE VENDA
553 A IMPORTÂNCIA DA GESTÃO DE CUSTOS NA ELABORAÇÃO DO PREÇO DE VENDA Irene Caires da Silva 1, Tamires Fernanda Costa de Jesus, Tiago Pinheiro 1 Docente da Universidade do Oeste Paulista UNOESTE. 2 Discente
Leia maisTabela e Gráficos Dinâmicos Como estruturar dinamicamente dados no Excel
Tabela e Gráficos Dinâmicos Como estruturar! Para que serve a Tabela e o Gráfico Dinâmico?! Como criar uma Tabela Dinâmica?! Como criar um Gráfico Dinâmico?! Como podemos atualizar dos dados da Tabela
Leia maisPós-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 maisBanco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados
Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Um Sistema Gerenciador de Banco de Dados (SGBD) é constituído por um conjunto de dados associados a um conjunto de programas para acesso a esses
Leia maisTECNOLOGIAS DA INFORMAÇÃO E COMUNICAÇÃO - TIC 10º C. Planificação de. Curso Profissional de Técnico de Secretariado
Escola Básica e Secundária de Velas Planificação de TECNOLOGIAS DA INFORMAÇÃO E COMUNICAÇÃO - TIC Curso Profissional de Técnico de Secretariado 10º C MÓDULO 1 FOLHA DE CÁLCULO Microsoft Excel Conteúdos
Leia maisCarreira: definição de papéis e comparação de modelos
1 Carreira: definição de papéis e comparação de modelos Renato Beschizza Economista e especialista em estruturas organizacionais e carreiras Consultor da AB Consultores Associados Ltda. renato@abconsultores.com.br
Leia maisPLANO DE ENSINO PRÉ-REQUISITOS: ENS
UNIVERSIDADE DO ESTADO DE SANTA CATARINA UDESC CENTRO DE EDUCAÇÃO SUPERIOR DO ALTO VALE DO ITAJAÍ CEAVI PLANO DE ENSINO DEPARTAMENTO: DSI Departamento de Sistema de Informação DISCIPLINA: Data Warehouse
Leia maisHistórico da Revisão. Versão Descrição Autor. 1.0 Versão Inicial
1 of 14 27/01/2014 17:33 Sistema de Paginação de Esportes Universitários Documento de Arquitetura de Software Versão 1.0 Histórico da Revisão Data 30 de novembro de 1999 Versão Descrição Autor 1.0 Versão
Leia maisNa medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.
1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade
Leia maisGestão de Projetos GNG- 103
Gestão de Projetos GNG- 103 GNG-103 Gestão de Projetos Definir metas e objetivos do projeto Conciliar entregas Descobrir requisitos Determinar premissas e restrições Compilando a declaracao do escopo do
Leia maisFIB - FACULDADES INTEGRADAS DE BAURU CURSO DE PÓS - GRADUAÇÃO LATO SENSU
FIB - FACULDADES INTEGRADAS DE BAURU CURSO DE PÓS - GRADUAÇÃO LATO SENSU GESTÃO INTEGRADA: PESSOAS E SISTEMAS DE INFORMAÇÃO TURMA V E EIXOS TEMÁTICOS PARA A MONOGRAFIA FINAL Professor Ms. Carlos Henrique
Leia maisNo mundo atual, globalizado e competitivo, as organizações têm buscado cada vez mais, meios de se destacar no mercado. Uma estratégia para o
DATABASE MARKETING No mundo atual, globalizado e competitivo, as organizações têm buscado cada vez mais, meios de se destacar no mercado. Uma estratégia para o empresário obter sucesso em seu negócio é
Leia maisEstratégia de Manutenção em Oficinas utilizando Caminho Critico
SEGeT Simpósio de Excelência em Gestão e Tecnologia 1 Estratégia de Manutenção em Oficinas utilizando Caminho Critico RESUMO Entre as estratégias gerenciais em empresas de médio e grande porte existe o
Leia maisInteligência Artificial
Inteligência Artificial As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas e técnicas
Leia maisDATA WAREHOUSE. Introdução
DATA WAREHOUSE Introdução O grande crescimento do ambiente de negócios, médias e grandes empresas armazenam também um alto volume de informações, onde que juntamente com a tecnologia da informação, a correta
Leia maisSistemas de Informação I
+ Sistemas de Informação I Dimensões de análise dos SI Ricardo de Sousa Britto rbritto@ufpi.edu.br + Introdução n Os sistemas de informação são combinações das formas de trabalho, informações, pessoas
Leia maisGESTÃO DAS INFORMAÇÕES DAS ORGANIZAÇÕES MÓDULO 11
GESTÃO DAS INFORMAÇÕES DAS ORGANIZAÇÕES MÓDULO 11 Índice 1. Importância do ERP para as organizações...3 2. ERP como fonte de vantagem competitiva...4 3. Desenvolvimento e implantação de sistema de informação...5
Leia maisMicrosoft Innovation Center
Microsoft Innovation Center Mineração de Dados (Data Mining) André Montevecchi andre@montevecchi.com.br Introdução Objetivo BI e Mineração de Dados Aplicações Exemplos e Cases Algoritmos para Mineração
Leia maisAS FUNÇÕES ADMINISTRATIVAS
AS FUNÇÕES ADMINISTRATIVAS Professor Djair Picchiai Campus São Paulo Março 2010 AS FUNÇÕES ADMINISTRATIVAS Todo diretor, gerente, chefe e encarregado exercem estas sete funções administrativas, a saber:
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia maisProjeto Pedagógico do Bacharelado em Ciência da Computação. Comissão de Curso e NDE do BCC
Projeto Pedagógico do Bacharelado em Ciência da Computação Comissão de Curso e NDE do BCC Fevereiro de 2015 Situação Legal do Curso Criação: Resolução CONSU no. 43, de 04/07/2007. Autorização: Portaria
Leia maisData 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 maisPRÓ-MATATEMÁTICA NA FORMAÇÃO DE PROFESSORES
PRÓ-MATATEMÁTICA NA FORMAÇÃO DE PROFESSORES Regina Luzia Corio de Buriasco * UEL reginaburiasco@sercomtel.com.br Magna Natália Marin Pires* UEL magna@onda.com.br Márcia Cristina de Costa Trindade Cyrino*
Leia maisPesquisa com Professores de Escolas e com Alunos da Graduação em Matemática
Pesquisa com Professores de Escolas e com Alunos da Graduação em Matemática Rene Baltazar Introdução Serão abordados, neste trabalho, significados e características de Professor Pesquisador e as conseqüências,
Leia maiscomo ferramenta de análise de informações no mercado de saúde: o caso da Unimed-BH Ana Paula Franco Viegas Pereira
como ferramenta de análise de informações no mercado de saúde: o caso da Unimed-BH Ana Paula Franco Viegas Pereira Setembro/2015 Agenda Nossos números Análise de Informações Estratégicas O papel do analista
Leia maisIntrodução ao Aplicativo de Programação LEGO MINDSTORMS Education EV3
Introdução ao Aplicativo de Programação LEGO MINDSTORMS Education EV3 A LEGO Education tem o prazer de trazer até você a edição para tablet do Software LEGO MINDSTORMS Education EV3 - um jeito divertido
Leia maisProf. 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 maisNome: Login: CA: Cidade: UF CARTÃO RESPOSTA QUESTÃO RESPOSTA QUESTÃO RESPOSTA
ANÁLISE E DESENVOLVIMENTO DE SISTEMAS TURMA 2008 3º PERÍODO - 6º MÓDULO AVALIAÇÃO A1 DATA 28/05/2009 SISTEMAS EMPRESARIAIS Dados de identificação do Acadêmico: Nome: Login: CA: Cidade: UF CARTÃO RESPOSTA
Leia maisEDITAL DE SELEÇÃO PARA O PROGRAMA DE TREINAMENTO PROFISSIONAL Nº 004/2015
PCD 125.62 UNIVERSIDADE FEDERAL DE JUIZ DE FORA / UFJF PRÓ-REITORIA DE GRADUAÇÃO - PROGRAD COORDENAÇÃO DE GRADUAÇÃO EDITAL DE SELEÇÃO PARA O PROGRAMA DE TREINAMENTO PROFISSIONAL Nº 004/2015 Projetos: Escritório
Leia maissoftwares que cumprem a função de mediar o ensino a distância veiculado através da internet ou espaço virtual. PEREIRA (2007)
1 Introdução Em todo mundo, a Educação a Distância (EAD) passa por um processo evolutivo principalmente após a criação da internet. Os recursos tecnológicos oferecidos pela web permitem a EAD ferramentas
Leia maisO que é a ciência de dados (data science). Discussão do conceito. Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.
O que é a ciência de dados (data science). Discussão do conceito Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.3, Outubro, 2015 Nota prévia Esta apresentação tem por objetivo, proporcionar
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação
SOFT DISCIPLINA: Engenharia de Software AULA NÚMERO: 10 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir os conceitos de coesão e acoplamento. DESENVOLVIMENTO Projetar
Leia maisDadas a base e a altura de um triangulo, determinar sua área.
Disciplina Lógica de Programação Visual Ana Rita Dutra dos Santos Especialista em Novas Tecnologias aplicadas a Educação Mestranda em Informática aplicada a Educação ana.santos@qi.edu.br Conceitos Preliminares
Leia maisAPLICAÇÃO 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 mais15 Computador, projeto e manufatura
A U A UL LA Computador, projeto e manufatura Um problema Depois de pronto o desenho de uma peça ou objeto, de que maneira ele é utilizado na fabricação? Parte da resposta está na Aula 2, que aborda as
Leia maisEnsino Superior vive aumento acelerado
Ministério da Educação Universidade Tecnológica Federal do Paraná () Departamento de Comunicação e Marketing Publicado em: 21/03/2010 - http://www.jmnews.com.br Elaborado por: próprio jornal/site Ensino
Leia maisProcessos de Desenvolvimento de Software
Processos de Desenvolvimento de Software Gerenciamento de Projetos Mauro Lopes Carvalho Silva Professor EBTT DAI Departamento de Informática Campus Monte Castelo Instituto Federal de Educação Ciência e
Leia maisCE-240 ListEx 1. Lista de Exercícios 1. Relatório
CE-240 ListEx 1 Lista de Exercícios 1 Relatório Autor: Daniela América Da Silva Data: 10/04/2007 Versão 2.0 Página 1 de 5 1. Objetivo da Listex 1 Este relatório descreve a execução de operações básicas
Leia maisFATEC Cruzeiro José da Silva. Ferramenta CRM como estratégia de negócios
FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Cruzeiro SP 2008 FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Projeto de trabalho de formatura como requisito
Leia mais11 de maio de 2011. Análise do uso dos Resultados _ Proposta Técnica
11 de maio de 2011 Análise do uso dos Resultados _ Proposta Técnica 1 ANÁLISE DOS RESULTADOS DO SPAECE-ALFA E DAS AVALIAÇÕES DO PRÊMIO ESCOLA NOTA DEZ _ 2ª Etapa 1. INTRODUÇÃO Em 1990, o Sistema de Avaliação
Leia maisProjeto Você pede, eu registro.
Projeto Você pede, eu registro. 1) IDENTIFICAÇÃO 1.1) Título do Projeto: Você pede eu registro. 1.2) Equipe responsável pela coordenação do projeto: Pedro Paulo Braga Bolzani Subsecretario de TI Antonio
Leia maisPerfil do Curso. O Mercado de Trabalho
Perfil do Curso É o gerenciamento dos recursos humanos, materiais e financeiros de uma organização. O administrador é o profissional responsável pelo planejamento das estratégias e pelo gerenciamento do
Leia maisOBJETIVO 2 APLICAÇÃO 3 ATRIBUIÇÕES E RESPONSABILIDADES 4 DOCUMENTOS DE REFERÊNCIA 5 TERMINOLOGIA 6 DESCRIÇÃO DO PROCESSO DE GESTÃO DE MUDANÇAS
Impresso em 26/08/2015 10:31:18 (Sem título Aprovado ' Elaborado por Daniel Trindade/BRA/VERITAS em 01/11/2013 Verificado por Cintia Kikuchi em 04/11/2013 Aprovado por Americo Venturini/BRA/VERITAS em
Leia maisMódulo 4: Gerenciamento de Dados
Módulo 4: Gerenciamento de Dados 1 1. CONCEITOS Os dados são um recurso organizacional decisivo que precisa ser administrado como outros importantes ativos das empresas. A maioria das organizações não
Leia maisSISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI LEARNING SYSTEMS FOR IDENTIFICATION OF PEQUI FRUIT SEEDS NUMBER
SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI Fernando Luiz de Oliveira 1 Thereza Patrícia. P. Padilha 1 Conceição A. Previero 2 Leandro Maciel Almeida 1 RESUMO O processo
Leia maisCENTRO DE ESTUDO DE PÓS-GRADUAÇÃO PROPOSTA DE CURSOS DE PÓS-GRADUAÇÃO LATO SENSU
CENTRO DE ESTUDO DE PÓS-GRADUAÇÃO PROPOSTA DE CURSOS DE PÓS-GRADUAÇÃO LATO SENSU 2013 INTRODUÇÃO: O presente trabalho apresenta a relação de Cursos de Pós-Graduação Lato Sensu a serem reorganizados no
Leia maisPesquisa sobre o Perfil dos Empreendedores e das Empresas Sul Mineiras
Pesquisa sobre o Perfil dos Empreendedores e das Empresas Sul Mineiras 2012 2 Sumário Apresentação... 3 A Pesquisa Perfil dos Empreendedores Sul Mineiros Sexo. 4 Estado Civil.. 5 Faixa Etária.. 6 Perfil
Leia maisREQUISITOS PARA A CRIAÇÃO DE CURSOS NOVOS MESTRADO PROFISSIONAL
Ministério da Educação Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Diretoria de Avaliação 22.scol@capes.gov.br REQUISITOS PARA A CRIAÇÃO DE CURSOS NOVOS MESTRADO PROFISSIONAL IDENTIFICAÇÃO
Leia maisProf. Dr. Guanis de Barros Vilela Junior
Prof. Dr. Guanis de Barros Vilela Junior INTRODUÇÃO O que é pesquisa? Pesquisar significa, de forma bem simples, procurar respostas para indagações propostas. INTRODUÇÃO Minayo (1993, p. 23), vendo por
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS
UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário
Leia maisEmpreendedorismo. Tópico 4 Plano de Negócios: Visão Geral
Empreendedorismo Tópico 4 Plano de Negócios: Visão Geral Conteúdo 1. Objetivos do Encontro... 3 2. Introdução... 3 3. Planejar. Por quê?... 3 4. O Plano é produto do empreendedor... 4 5. Estrutura do Plano
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA
UNIVERSIDADE FEDERAL DE SANTA CATARINA CIÊNCIAS DA COMPUTAÇÃO MÁQUINAS DE COMITÊ APLICADAS À FILTRAGEM DE SPAM Monografia submetida à UNIVERSIDADE FEDERAL DE SANTA CATARINA para a obtenção do grau de BACHAREL
Leia maisISSN 2238-9113 ÁREA TEMÁTICA:
13. CONEX Apresentação Oral Resumo Expandido 1 ISSN 2238-9113 ÁREA TEMÁTICA: ( ) COMUNICAÇÃO ( ) CULTURA ( ) DIREITOS HUMANOS E JUSTIÇA (X ) EDUCAÇÃO ( ) MEIO AMBIENTE ( ) SAÚDE ( ) TRABALHO ( ) TECNOLOGIA
Leia maisIniciação científica: recursos, conhecimento e habilidades
, URL: http://www.ecmal.br/metodologia Página 1 de 5 Iniciação científica: recursos, conhecimento e habilidades A iniciação científica é um instrumento que permite introduzir os estudantes de graduação
Leia maisIMPLANTAÇÃO DE UM SISTEMA DE AVALIAÇÃO DE DESEMPENHO NA UFG
IMPLANTAÇÃO DE UM SISTEMA DE AVALIAÇÃO DE DESEMPENHO NA UFG Rosângela da Silva Nunes 1 Centros de Recursos Computacionais - CERCOMP Universidade Federal de Goiás UFG Campus II, UFG, 74000-000, Goiânia
Leia maisSETIS- III Seminário de Tecnologia Inovação e Sustentabilidade 4 e 5 de novembro de 2014.
A importância da comunicação no gerenciamento de projetos de softwares: reflexões teóricas Lucas Krüger lucas_kruger-@hotmail.com Resumo: Esse artigo objetiva estudar a comunicação entre cliente e desenvolvedor
Leia maisAplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas
22 - Encontro Anual de Tecnologia da Informação Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas Elisa Maria Vissotto1, Adriane Barbosa Camargo2 1 Universidade Regional Integrada
Leia maisAutomação de Bancada Pneumática
Instituto Federal Sul-rio-grandense Campus Pelotas - Curso de Engenharia Elétrica Automação de Bancada Pneumática Disciplina: Projeto Integrador III Professor: Renato Allemand Equipe: Vinicius Obadowski,
Leia maisDESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE
DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE Mariane Alves Gomes da Silva Eliana Zandonade 1. INTRODUÇÃO Um aspecto fundamental de um levantamento
Leia maisIntrodução a Computação
Introdução a Computação Aula 03 Profissões de TI Prof. MSc. Edilberto Silva edilms@yahoo.com http:// Papéis... Um papel é uma definição abstrata de um conjunto de atividades executadas e dos respectivos
Leia maisTreinamento Programação de Macros com BrOffice.org Basic.
Treinamento Programação de Macros com BrOffice.org Basic. Tempo de Duração: 32 Horas. Investimento: Solicitar proposta comercial. Sobre o treinamento Nos últimos anos inúmeras instituições, empresas e
Leia maisSistema de Controle de Solicitação de Desenvolvimento
Sistema de Controle de Solicitação de Desenvolvimento Introdução O presente documento descreverá de forma objetiva as principais operações para abertura e consulta de uma solicitação ao Setor de Desenvolvimento
Leia maisOS CONHECIMENTOS DE ACADÊMICOS DE EDUCAÇÃO FÍSICA E SUA IMPLICAÇÃO PARA A PRÁTICA DOCENTE
OS CONHECIMENTOS DE ACADÊMICOS DE EDUCAÇÃO FÍSICA E SUA IMPLICAÇÃO PARA A PRÁTICA DOCENTE Maria Cristina Kogut - PUCPR RESUMO Há uma preocupação por parte da sociedade com a atuação da escola e do professor,
Leia maisPlano de Ensino IDENTIFICAÇÃO
EIXO TECNOLÓGICO: Informação e Comunicação Plano de Ensino IDENTIFICAÇÃO CURSO: Bacharelado em Sistemas de Informação FORMA/GRAU:( )integrado ( )subsequente ( ) concomitante ( X ) bacharelado ( ) licenciatura
Leia mais21/03/2012. WorkFlow. Gestão Eletrônica de Documentos. Workflow HISTÓRICO
WorkFlow Gestão Eletrônica de Documentos Workflow HISTÓRICO 1 CSCW - Computer-supported CooperativeWork trabalho cooperativo auxiliado por computador Estudo dos conceitos que definem e desenvolvem o trabalho
Leia maisFormação e Capacitação de Agentes de Inclusão Digital
Olá telecentrist@s e amig@s! Esta é a terceira pesquisa elaborada pelo ONID. Ela tem como objetivo captar demandas de formação e capacitação de agentes de inclusão digital (monitores, funcionários e trabalhadores
Leia maisMigrando de Usuários Microsoft Office para BrOffice.org / OpenOffice.org
Migrando de Usuários Microsoft Office para BrOffice.org / OpenOffice.org Tempo de Duração: 24 Horas. Investimento: Solicitar proposta comercial. Sobre o treinamento Nos últimos anos inúmeras instituições,
Leia maisDIRETRIZES CURRICULARES PARA OS CURSOS DE GRADUAÇÃO DA UTFPR
Ministério da Educação Universidade Tecnológica Federal do Paraná Pró-Reitoria de Graduação e Educação Profissional DIRETRIZES CURRICULARES PARA OS CURSOS DE GRADUAÇÃO DA UTFPR APROVADO PELA RESOLUÇÃO
Leia maisSENAI. Linhas de atuação prioritárias : Educação Profissional e Tecnológica Inovação e Tecnologia Industriais
SENAI Missão: Promover a educação profissional e tecnológica, a inovação e a transferência de tecnologias industriais, contribuindo para elevar a competitividade da Indústria Brasileira. Linhas de atuação
Leia maisIntrodução à Computação
Aspectos Importantes - Desenvolvimento de Software Motivação A economia de todos países dependem do uso de software. Cada vez mais, o controle dos processos tem sido feito por software. Atualmente, os
Leia maisNúvem Pública, Privada ou Híbrida, qual adotar?
Instituto de Educação Tecnológica Pós-graduação Gestão e Tecnologia da Informação - Turma 25 03/04/2015 Núvem Pública, Privada ou Híbrida, qual adotar? Paulo Fernando Martins Kreppel Analista de Sistemas
Leia mais