Proposta de um Módulo de Data Mining para um Sistema de Scout no Voleibol

Tamanho: px
Começar a partir da página:

Download "Proposta de um Módulo de Data Mining para um Sistema de Scout no Voleibol"

Transcrição

1 Proposta de um Módulo de Data Mining para um Sistema de Scout no Voleibol Émerson Butzen Marques 1, Luis Henrique Raimann 1, Alexandre de Oliveira Zamberlam 1, Alexandre José Hoher 2 1 Instituto de Ciências Exatas e Tecnológicas (ICET) Centro Universitário Feevale (FEEVALE) - RS-239, Novo Hamburgo RS Brasil 2 Instituto de Ciências da Saúde (ICS) Centro Universitário Feevale (FEEVALE) - RS- 239, Novo Hamburgo RS Brasil {butzen, alexz, Abstract. This paper aims to demonstrate the importance of data mining in the decision support system, in this case, the athlete s performance evaluation systems (Scout). Many of these systems are statistical and bring unnecessary data and information. Therefore, data mining aims to get true information and information previously unknown, helping most accurately the staff technical of the teams of volleyball. Finally, it is described an idea of data mining module to scout system. Resumo. Este artigo visa demonstrar a importância da mineração de dados nos sistemas de apoio à tomada de decisão, neste caso, os sistemas de avaliação de desempenho de atletas (Scout). Muitos desses sistemas são estatísticos e acabam por trazer informações desnecessárias. Portanto, a mineração de dados visa buscar informações mais confiáveis e informações até então desconhecidas, auxiliando de maneira mais precisa as comissões técnicas das equipes de voleibol. Finalmente, é apresentada a idéia de um módulo de mineração de dados para o sistema de scout. Introdução A gestão administrativa, comumente, aplicada em empresas, no processo de tomada de decisão, também ocorre em equipes de voleibol e/ou em outros esportes, com a finalidade de gerar melhores resultados. Dentro desse universo de equipes esportivas, foram elaborados sistemas estatísticos de monitoramento de desempenho de atletas e de equipes, também conhecidos como sistemas de scout. Esses sistemas permitem às comissões técnicas decidir onde um jogador deve sacar, qual sua posição na quadra oferece maior rendimento, qual jogador substituir e por quem, que tipo de treinamento deve ser realizado para apurar um atleta e/ou a equipe toda (treino de fundamentos de voleibol, posicionamento, jogadas, saque, etc). Enfim, permitem qual a melhor estratégia ou quais táticas utilizarem, são situações as quais uma comissão técnica de voleibol deve estar atenta (ZAMBERLAM, 2005). Contudo, a quantia de informações (precisas/desnecessárias) é mesmo assim enorme, deixando o processo de decidir bastante empírico, ou seja, dependente da experiência do técnico ou de algum integrante da comissão técnica.

2 A mineração de dados (data mining) entra nesse campo com o intuito de descobrir informações mais precisas, evitando assim informações desnecessárias. Dessa forma, o objetivo deste trabalho é apresentar uma proposta de um módulo de data mining para o sistema de scout do projeto de pesquisa A IA entrando na quadra de vôlei: Scout Inteligente (ZAMBERLAM, 2005). Nos EUA, a mineração de dados já está sendo usada em um sistema de scout, o Advanced Scout (BHANDARI et al.,1997), que auxilia as comissões técnicas de basquete somente após os jogos e apenas uma técnica de mineração é aplicada. O texto é dividido em cinco seções. A primeira seção trata sobre Mineração de Dados, mostrando as principais técnicas e aplicações. A seção 2 aborda o Scout Voleibol, ou seja, o sistema de avaliação de desempenho de atletas. Nessa seção, são apresentados noções de funcionamento e uso desse sistema. A seção 3 apresenta uma proposta de módulo de data mining em um sistema de scout. Na seção 4, é descrito um trabalho correlato realizado na NBA (liga norte-americana de basquete). Finalmente, as considerações e as referências bibliográficas. 1. Data Mining Segundo Wives (2004) apud (FELDENS et al., 1998) Data Mining ou Mineração de Dados é uma etapa, a mais importante, do processo de descoberta do conhecimento em banco de dados (Knowledge Discovery in Databases - KDD). Gonchoroski (2007) apud (CABENA et al., 1997) aponta que a mineração de dados é o processo de extrair informações válidas antes desconhecidas, de grandes bases de dados, auxiliando em decisões cruciais no mundo dos negócios. Para isso, data mining utiliza-se de técnicas ou algoritmos de áreas como Aprendizado de Máquinas, Estatística, Redes Neurais, Algoritmos Genéricos, etc (ELMASRI; NAVATHE, 2005). O mesmo autor aponta que a mineração de dados apóia o conhecimento indutivo, descobrindo novas regras e padrões nos dados minerados. Para Kantardzic (2003), os dois primeiros objetivos da mineração de dados são: a predição e a descrição. A predição utiliza algumas variáveis ou campos de um conjunto de dados para prever valores desconhecidos ou futuros de outras variáveis de interesse. A descrição concentra-se em encontrar padrões nos dados que possam ser interpretados por humanos. Como a mineração de dados é uma parte do processo de descoberta do conhecimento, etapas (Figura 1) devem ser cumpridas antes de aplicar-se alguma técnica de data mining. Conforme Bramer (2007), os dados possivelmente vêm a partir de muitas fontes, estes dados devem ser integrados e armazenados em lugar comum. O próximo passo é a preparação dos dados, então é aplicada alguma técnica de mineração de dados, que produz uma saída na forma de regras ou em algum tipo de padrão. Figura 1. Etapas até a Data Mining (adaptação dos autores)

3 Essas regras ou padrões são também conhecidos como modos de descoberta, os modos mais conhecidos são descridos abaixo. Regras de Associação (Association Rules) Cujo objetivo é encontrar qualquer relação existente entre os valores das variáveis (BRAMER, 2007). Para Kantardzic (2003), regras de associação é uma das principais técnicas de mineração de dados, através dela é possível recuperar todos os padrões interessantes em uma base de dados. Como, por exemplo, jogadas de uma equipe de vôlei em um set (parte de um jogo), com base na análise de jogadas de um jogo completo; Agrupamento (Clustering) Uma dada população de eventos ou novos itens podem ser particionados (segmentados) em conjuntos de elementos padrões (ELMASRI; NAVATHE, 2005). Bramer (2007) confirma que os algoritmos de agrupamento analisam os dados para encontrar grupos de itens que são semelhantes. Um exemplo no vôlei é o agrupamento de dados dos fundamentos de saque e bloqueio, coletados em jogos de uma equipe, e organizados em faixas de desempenho. Padrões seqüenciais (Sequential Patterns) Elmasri e Navathe (2005) apontam que a técnica de padrões seqüenciais é a investigação de seqüências de ações ou eventos. Han e Kamber (2006) escrevem que é uma técnica desafiadora, pois pode gerar e/ou testar um número combinatório explosivo de seqüências intermediárias. Por exemplo, a seqüência de uma jogada (comportamento da defesa e/ou do ataque) da equipe de vôlei adversária após um saque da outra equipe. Padrões com séries temporais (Time-Series Data) Para Elmasri e Navathe (2005) esses padrões podem ser encontrados em posições de uma série temporal de dados, que é uma seqüência de dados capturada a intervalos regulares. Han e Kamber (2006) confirmam dizendo que séries temporais consistem em seqüências de valores ou medidas repetidas, excessivamente, em intervalos de tempos. Pode ser exemplificado como padrões de comportamentos de equipes de voleibol após determinada faixa de pontuação (aspecto emocional dos atletas). Cada modo de descoberta de conhecimento corresponde a técnicas diferentes, não existe uma técnica que seja melhor que outra. Através da sua aplicação aos problemas, é que se terá uma avaliação de qual se adequou melhor. No caso de um sistema de scout, não será diferente, terão que ser aplicadas técnicas, a fim de analisar os resultados, para definir a melhor técnica. 2. Scout Scout ou sistema de avaliação de desempenho de atletas são sistemas que capturam e processam informações estatísticas de desempenho dos atletas da equipe e da adversária. Porém, eles não levam em consideração o histórico do jogador de toda uma temporada (comportamento do atleta em outros jogos) e o contexto de uma partida de vôlei, ou seja, o comportamento do atleta nos diferentes níveis da partida. Um set (parte de uma partida) de vôlei possui basicamente três níveis. O terceiro nível, próximo do final, é o de maior tensão em que o físico e o emocional do atleta devem estar ajustados. Dessa forma, os sistemas atuais, simplesmente, repassam dados para a comissão, que avalia essa gama diversificada referente aos fundamentos básicos do vôlei e/ou jogadas realizadas pela equipe adversária, num tempo extremamente reduzido e toma decisões

4 relacionadas com aqueles dados relatados. Decisões muitas vezes baseadas mais no conhecimento empírico do técnico ou da comissão do que no fator racional real daquela situação (ZAMBERLAM et al., 2005). Bizzocchi (2004) aponta que nos jogos olímpicos de 1984, os norte-americanos foram os responsáveis pela inclusão do computador na quadra de voleibol, tornando-se obrigatório também para treinamentos e elaboração de planos táticos e técnicos. A seleção brasileira de vôlei, comandada pelo técnico Bernardo Rezende (Bernardinho), utiliza-se dos dois scouts: tático e técnico. O tático faz um mapeamento da quantidade, do percentual e do tipo de jogadas do time adversário; analisa tendências dos atletas (direções, preferências e posicionamentos). O scout técnico analisa o próprio time, como cada atleta se comporta em cada fundamento, qual seu aproveitamento final. Isso possibilita, por exemplo, elaborar quadros evolutivos de saque de um determinado atleta (BERNARDINHO, 2006). A planilha, encontrada na Figura 2, foi apresentada pelo técnico da seleção brasileira, com o objetivo de exemplificar a utilização da análise estatística nos jogos da seleção. Essa planilha apresenta os dados coletados durante os Jogos Olímpicos, realizado na Grécia, na data do dia 29 de agosto de O jogo em questão foi à final dos Jogos Olímpicos, realizado entre Brasil e Itália. Assim, após a descrição do que é e qual a finalidade de um sistema scout, segue na próxima seção a apresentação da proposta de um módulo com mineração de dados para o um sistema de scout inteligente. Figura 2. Planilha para análise estatística dos fundamentos de voleibol (BERNARDINHO, 2006) 3. Proposta Um sistema scout, como já escrito, é um sistema estatístico de monitoramento de atletas, auxiliando em decisões importantes na gestão de equipes. Entretanto, a quantidade de informações continua muito grande, deixando o processo de decidir dependente da experiência do técnico ou de algum integrante da comissão técnica. Por isso, surge a idéia deste trabalho: desenvolver um módulo de mineração de dados para o sistema: Scout: Sistema de Monitoramento em Equipes de Voleibol desenvolvido por Raimann (2007), parte integrante do projeto de pesquisa A IA entrando na quadra de vôlei: Scout Inteligente. Para facilitar a visualização, a Figura 3 ilustra o que está sendo realizado e como o módulo de mineração faria parte do sistema scout.

5 O módulo de mineração irá interagir com a base de dados, fornecendo informações mais precisas à comissão técnica, evitando assim o uso de complicadas planilhas, pois existem grandes dificuldades nas leituras das planilhas, os dados que são inseridos não passam por nenhuma filtragem, não ressaltando aos olhos os problemas ou as vantagens das equipes na partida. Figura 3. Esquema geral do scout inteligente (ZAMBERLAM, 2005) Na Figura 4 é possível visualizar a estrutura do banco de dados do sistema de scout desenvolvido por Raimann (2007), a fim de ilustrar em quais dados a mineração deverá atuar. Figura 4. Modelagem do banco de dados do sistema scout (RAIMANN, 2007).

6 Através dessa estrutura dá para perceber a quantidade de dados que uma partida de voleibol pode gerar. O processo se inicia a partir do cadastro das equipes e seus atletas. Depois de cadastradas, são informados os jogadores que entram em quadra para a partida (duas equipes por partida). Por meio desses dados será controlada a rotação do jogo, que será realizada automaticamente pelo sistema. A partir desse ponto, dar-se-á a entrada de dados pelos scouters (pessoas que ficam na quadra cadastrando cada jogada e substituições ocorridas durante a partida). Após a partida ou set (para maiores detalhes sobre a dinâmica do voleibol, consulte (BIZZOCCHI, 2004)) é que o módulo de mineração de dados entrará em ação, através de uma das técnicas de mineração de dados, o módulo irá gerar relatórios para a comissão técnica, assim podendo tomar decisões para melhorar o desempenho ou corrigirem falhas de sua equipe. Por exemplo: Relatório de jogadas de uma equipe de vôlei em um set, com base na análise de jogadas de um jogo completo pressupondo o uso da técnica de regras de associação; Relatório com agrupamento de dados dos fundamentos de saque e bloqueio, coletados em jogos de uma equipe, e organizados em faixas de aproveitamento, técnica de agrupamento; Visualização de um comportamento padrão (seqüência de jogadas) da defesa de uma equipe de vôlei adversária após um saque da outra equipe. Técnica de padrões seqüências. Visualização de padrões de comportamentos de equipes de voleibol após determinada faixa de pontuação (aspecto emocional dos atletas), técnica de padrões com séries temporais; Esses exemplos mostram informações importantes para uma comissão técnica de uma equipe de vôlei, pois são resultados que podem ser percebidos durante a partida, não após a partida como acontece geralmente nos sistemas de scout, em alguns sistemas, essas informações são levantadas manualmente, após isso, apresentadas às suas comissões técnicas. Com esse sistema e esse módulo de data mining, espera-se que equipes que não tenham condições de adquirir um sistema de scout pago tenham melhores condições de desenvolver os fundamentos ineficientes de cada atleta, e obter estratégias de jogo num menor tempo, auxiliando a comissão técnica na sua tomada de decisão, elevando assim a qualidade do voleibol praticado pelas equipes. A seguir, um trabalho que realizou a integração entre processo de decisão e mineração de dados em um sistema de avaliação de desempenho. 4. Trabalho correlato - Advanced Scout: Data Mining and Knowledge Discovery in NBA Data Em (BHANDARI et al.,1997), é apresentado o software Advanced Scout (AS). Esse software procura e descobre padrões interessantes em dados de jogos da NBA (liga norte-americana de basquete). Sua primeira utilização se deu na temporada , onde dezesseis das vinte e nove equipes o receberam para avaliação. As comissões técnicas o avaliaram positivamente, afirmando ser uma valiosa ferramenta. Esse

7 software trabalha em quatro etapas: coleta de dados, pré-processamento, mineração de dados e interpretação do conhecimento descoberto. A coleta de dados é feita por um software especialmente desenhado para o registro de dados de basquete. Esses dados são armazenados em uma base de dados comum a todas as equipes de basquete. Posteriormente, as equipes realizam o download dessa base de dados e a manipulam de forma independente e sigilosa. O pré-processamento é feito após o download da base de dados. O AS permite realizar uma série de consistências na base de dados, visto que informações errôneas permitiriam interpretações erradas dos dados, assim os dados errados são corrigidos por meio de regras base ou através de alguém que tenha domínio do assunto. Após a consistência, os dados são transformados e reformatados. Os dados brutos são reformatados na forma de fichas de jogo, que são familiares para as comissões técnicas que, assim, analisam os eventos discretos (padrões) de um jogo. Nessa fase os dados são enriquecidos através da verificação das regras ou da entrada de dados adicionais. A mineração de dados no AS ocorre quando um membro da comissão técnica inicia uma consulta geral. Automaticamente a mineração de dados procura por padrões interessantes na equipe da casa ou na visitante, em busca dos arremessos à cesta de basquete (um dos fundamentos do basquete, por exemplo), detectando o percentual padrão de desempenho (aproveitamento). As análises posteriores podem incluir consultas mais específicas em torno de atributos (como por exemplo, o jogador, a função do jogador, lado da quadra, etc.) ou fundamentos particulares (rebote, arremesso, etc.). A técnica de mineração de dados utilizada no AS é conhecida como Attribute Focusing (AF) (BHANDARI, 1995). A interpretação do conhecimento descoberto é a forma como o resultado da mineração de dados é mostrada. No AS, os resultado são vistos de duas formas: através de uma descrição textual ou gráfica. O objetivo é que os resultados sejam compreendidos facilmente pela comissão técnica. O processo de interpretação de padrões representa a descoberta de conhecimento e exige, normalmente, alguém que tenha domínio do assunto. Essa interpretação é facilitada pela possibilidade do usuário ter várias formas de aprofundar a análise interativamente para obter informações adicionais ao resultado. 5. Considerações Finais A pesquisa apresentada neste artigo visa o estudo e o desenvolvimento de um módulo de mineração de dados para o sistema: Scout: Sistema de Monitoramento em Equipes de Voleibol desenvolvido por Raimann (2007). Para a validação dessa proposta, serão coletados dados de partidas de vôlei de diversas equipes. Esses dados serão submetidos ao módulo de data mining, e os resultados serão analisados por comissões técnicas de equipes de voleibol. Espera-se que novos trabalhos sejam desenvolvidos, como a adaptação desse módulo a outras plataformas de sistemas de scout. Referências BERNARDINHO. (2006) Transformando suor em ouro. Rio de Janeiro, RJ: Sextante.

8 BHANDARI, Inderpal. (1995). Attribute Focusing: Data mining for the layman (Research Report RC 20136). IBM T.J. Watson Research Center. BHANDARI, Inderpal; COLET, Edward; PARKER, Jennifer; PINES, Zachary; PRATAP, Rajiv; RAMANUJAM, Krishnakumar. (1997) Advanced Scout: Data Mining and Knowledge Discovery in NBA Data. Data Mining and Knowledge Discovery, Data Mining and Knowledge Discovery, Kluwer Academic Publishers, Vol. 1, No. 1, p BINDER, Fábio Vinícius. (1994) Sistemas de apoio à decisão. São Paulo, SP: Érica. BIZZOCCHI, Carlos Cacá. (2004) O voleibol de alto nível: da iniciação à competição. Barueri, SP: Ed. Manole. BRAMER, Max. (2007) Principles of Data Mining (Undergraduate Topics in Computer Science). Londres, Inglaterra: Springer-Verlag London Ltd. ELMASRI, Ramez; NAVATHE, Shamkant B. (2005) Sistemas de banco de dados. 4. ed. São Paulo, SP: Pearson Addison Wesley. FREITAS, Henrique; BECKER, Joao Luiz; KLADIS, Constantin Metaxa; HOPPEN, Norberto. (1997) Informação e decisão: sistemas de apoio e seu impacto. Porto Alegre, RS: Ortiz. GIUDICI, Paolo. (2003) Applied Data Mining: Statistical Methods for Business and Industry. Chichester, West Sussex, Inglaterra: John Wiley & Sons Ltd. GONCHOROSKI, Sidinei Pereira. (2007) Utilização de técnicas de KDD em um call center ativo. Novo Hamburgo, RS. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) Instituto de Ciências Exatas e Tecnológicas, Feevale. HAN, Jiawei; KAMBER, Micheline, (2006) Data Mining Concepts and Techniques. São Francisco, Califórnia, EUA: Morgan Kaufman Publishers. KANTARDZIC, Mehmed. (2003) Data Mining: Conceps, Models, Methods, and Algotithms. Hoboken, Nova Jersey, EUA: John Wiley & Sons Inc. MARTIN, James. (1984) An information systems manifesto. Englewood Cliffs, Nova Jersey, EUA: Prentice-Hall. RAIMANN, Luís Henrique, (2007) Scout: Sistema de monitoração em equipes de voleibol. Novo Hamburgo, RS. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) Instituto de Ciências Exatas e Tecnológicas, Feevale. ZAMBERLAM, Alexandre de Oliveira; WIVES, Leandro Krug; GOULART, Rodrigo Rafael Villarreal; SILVEIRA, Roni Gilberto. (2005) A IA entrando na quadra de vôlei: scout inteligente. Hífen, Uruguaiana, RS, v.29, n.55/56. WIVES, Leandro Krug. (2004) Utilizando Conceitos como descritores de Textos para o processo de identificação de conglomerados (clustering) de documentos. Porto Alegre, RS. Tese (Doutorado em Ciência da Computação). Instituto de Informática, UFRGS. WAGNER, Eduardo Antonio. (2007) Utilizando data mining em pesquisa de clima organizacional. Novo Hamburgo, RS. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) Instituto de Ciências Exatas e Tecnológicas, Feevale.

SCOUT VÔLEI DE AREIA PARA DISPOSITIVOS MÓVEIS

SCOUT VÔLEI DE AREIA PARA DISPOSITIVOS MÓVEIS SCOUT VÔLEI DE AREIA PARA DISPOSITIVOS MÓVEIS PORTA, Tiago Dalla 1 ; ZAMBERLAN, Alexandre de Oliveira 1 ; PEROZZO, Reiner Franthesco 2 1 Curso de Sistemas de Informação do Centro Universitário Franciscano

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

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

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO @ribeirord FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO Rafael D. Ribeiro, M.Sc,PMP. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br Lembrando... Aula 4 1 Lembrando... Aula 4 Sistemas de apoio

Leia mais

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS 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 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

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

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

Planejamento Estratégico de TI. Prof.: Fernando Ascani

Planejamento Estratégico de TI. Prof.: Fernando Ascani Planejamento Estratégico de TI Prof.: Fernando Ascani Data Warehouse - Conceitos Hoje em dia uma organização precisa utilizar toda informação disponível para criar e manter vantagem competitiva. Sai na

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

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

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

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

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

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

DESCOBERTA DE CONHECIMENTO EM BASES DE DADOS

DESCOBERTA DE CONHECIMENTO EM BASES DE DADOS DESCOBERTA DE CONHECIMENTO EM BASES DE DADOS Claudio Napolis Costa 1, Jonatas Vieira Coutinho 2, Lúcia Helena de Magalhães 3, Márcio Aarestrup Arbex 4 RESUMO Vários métodos de aprendizado supervisionado

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

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

Uma Ferramenta Web para BI focada no Gestor de Informação

Uma Ferramenta Web para BI focada no Gestor de Informação Uma Ferramenta Web para BI focada no Gestor de Informação Mikael de Souza Fernandes 1, Gustavo Zanini Kantorski 12 mikael@cpd.ufsm.br, gustavoz@cpd.ufsm.br 1 Curso de Sistemas de Informação, Universidade

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

srbo@ufpa.br www.ufpa.br/srbo

srbo@ufpa.br www.ufpa.br/srbo CBSI Curso de Bacharelado em Sistemas de Informação BI Prof. Dr. Sandro Ronaldo Bezerra Oliveira srbo@ufpa.br www.ufpa.br/srbo Tópicos Especiais em Sistemas de Informação Faculdade de Computação Instituto

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

SMA para posicionamento de jogadores Voleibol via AgentSpeak e Jason

SMA para posicionamento de jogadores Voleibol via AgentSpeak e Jason SMA para posicionamento de jogadores Voleibol via AgentSpeak e Jason Vanessa Menegotto 1, Renan Spencer Trindade 2, Alexandre de O. Zamberlam 2 1 Universidade Feevale Novo Hamburgo RS Brasil 2 Centro Universitário

Leia mais

DESENVOLVIMENTO DE UM REPOSITÓRIO DE DADOS DO FUTEBOL BRASILEIRO

DESENVOLVIMENTO DE UM REPOSITÓRIO DE DADOS DO FUTEBOL BRASILEIRO Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM DESENVOLVIMENTO DE UM REPOSITÓRIO DE DADOS DO FUTEBOL BRASILEIRO Aluno: Rafael

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

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

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

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

IMPLEMENTAÇÃO DA TÉCNICA TEXT MINING APLICADO NO AMBIENTE DO EMPREENDEDOR. Acadêmico: Roger Erivan Gaulke Prof. Orientador: Dr.

IMPLEMENTAÇÃO DA TÉCNICA TEXT MINING APLICADO NO AMBIENTE DO EMPREENDEDOR. Acadêmico: Roger Erivan Gaulke Prof. Orientador: Dr. IMPLEMENTAÇÃO DA TÉCNICA TEXT MINING APLICADO NO AMBIENTE DO EMPREENDEDOR Acadêmico: Roger Erivan Gaulke Prof. Orientador: Dr. Oscar Dalfovo Roteiro da apresentação Introdução Objetivos do Trabalho Fundamentação

Leia mais

UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ PRÓ-REITORIA DE GRADUAÇÃO. PLANO DE ENSINO - PERÍODO LETIVO/ANO 2008 ANO DO CURSO: 5 o

UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ PRÓ-REITORIA DE GRADUAÇÃO. PLANO DE ENSINO - PERÍODO LETIVO/ANO 2008 ANO DO CURSO: 5 o UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ PRÓ-REITORIA DE GRADUAÇÃO PLANO DE ENSINO - PERÍODO LETIVO/ANO 2008 ANO DO CURSO: 5 o Curso: Informática Modalidade: Bacharelado Turno: Integral Centro: Centro

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

Contexto de Big Data, Ciência de Dados e KDD

Contexto de Big Data, Ciência de Dados e KDD Contexto de Big Data, Ciência de Dados e KDD Fabrício J. Barth! Disciplina de Modelagem Descritiva e Preditiva! Pós-Graduação em Big Data e Analytics 100 10 quantidade de informações Sempre houve:!! Produção

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

Universidade de Brasília. Faculdade de Ciência da Informação. Profa. Lillian Alvares

Universidade de Brasília. Faculdade de Ciência da Informação. Profa. Lillian Alvares Universidade de Brasília Faculdade de Ciência da Informação Profa. Lillian Alvares Fóruns / Listas de discussão Espaços para discutir, homogeneizar e compartilhar informações, idéias e experiências que

Leia mais

Data Mining na Web para Inteligência Competitiva

Data Mining na Web para Inteligência Competitiva Data Mining na Web para Inteligência Competitiva Simone de Almeida (CEFET/PR) simonea@pg.cefetpr.br Rui Francisco Martins Marçal (CEFET/PR) marcal@pg.cefetpr.br Luciano Scandelari (CEFET/PR) luciano@cefetpr..br

Leia mais

TECNOLOGIAS E FRAMEWORKS UTILIZADAS NO DESENVOLVIMENTO DE SISTEMAS GERENCIAIS

TECNOLOGIAS E FRAMEWORKS UTILIZADAS NO DESENVOLVIMENTO DE SISTEMAS GERENCIAIS TECNOLOGIAS E FRAMEWORKS UTILIZADAS NO DESENVOLVIMENTO DE SISTEMAS GERENCIAIS Janderson Fernandes Barros ¹, Igor dos Passos Granado¹, Jaime William Dias ¹, ² ¹ Universidade Paranaense (UNIPAR) Paranavaí

Leia mais

Projeto 6.12 Aplicação de Data Mining a Dados de Avaliação da Qualidade de Produtos de Software

Projeto 6.12 Aplicação de Data Mining a Dados de Avaliação da Qualidade de Produtos de Software Programa Brasileiro de Qualidade e Produtividade Projeto 6.12 Aplicação de Data Mining a Dados de Avaliação da Qualidade de Produtos de Software Maria Teresa Villalobos Newton Roy Pampa Quispe Regina Maria

Leia mais

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

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

Leia mais

15/03/2010. Análise por pontos de função. Análise por Pontos de Função. Componentes dos Pontos de Função. Componentes dos Pontos de Função

15/03/2010. Análise por pontos de função. Análise por Pontos de Função. Componentes dos Pontos de Função. Componentes dos Pontos de Função Análise por pontos de função Análise por Pontos de Função Referência: Manual de práticas de contagem IFPUG Versão 4.2.1 Técnica que permite medir a funcionalidade de um software ou aplicativo, sob a visão

Leia mais

Testes Orientação Visão Conceitual em Testes Versão 0.3

Testes Orientação Visão Conceitual em Testes Versão 0.3 Testes Versão 0.3 ori_visao_conceitual_testes.odt 1 de 10 Histórico de Revisões Data Versão Descrição Autor 23/04/2010 0.1 Versão inicial Fernanda Monteiro 07/10/10 0.2 Verificação ortográfica Ana Eckel

Leia mais

GESTÃO DE CONHECIMENTO PARA PROGRAMAS DE MONITORIA UMA ABORDAGEM SISTEMÁTICA SOBRE O MÓDULO DE GESTÃO E GERAÇÃO DE CONHECIMENTO...

GESTÃO DE CONHECIMENTO PARA PROGRAMAS DE MONITORIA UMA ABORDAGEM SISTEMÁTICA SOBRE O MÓDULO DE GESTÃO E GERAÇÃO DE CONHECIMENTO... GESTÃO DE CONHECIMENTO PARA PROGRAMAS DE MONITORIA UMA ABORDAGEM SISTEMÁTICA SOBRE O MÓDULO DE GESTÃO E GERAÇÃO DE CONHECIMENTO... 589 GESTÃO DE CONHECIMENTO PARA PROGRAMAS DE MONITORIA UMA ABORDAGEM SISTEMÁTICA

Leia mais

Universidade de Brasília. Faculdade de Ciência da Informação. Prof a Lillian Alvares

Universidade de Brasília. Faculdade de Ciência da Informação. Prof a Lillian Alvares Universidade de Brasília Faculdade de Ciência da Informação Prof a Lillian Alvares Fóruns Comunidades de Prática Mapeamento do Conhecimento Portal Intranet Extranet Banco de Competências Memória Organizacional

Leia mais

O que é a ciência de dados (data science). Discussão do conceito. Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.

O que é a ciência de dados (data science). Discussão do conceito. Luís Borges Gouveia Universidade Fernando Pessoa Versão 1. O que é a ciência de dados (data science). Discussão do conceito Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.3, Outubro, 2015 Nota prévia Esta apresentação tem por objetivo, proporcionar

Leia mais

Universidade de Brasília Departamento de Ciência da Informação e Documentação Profa.:Lillian Alvares

Universidade de Brasília Departamento de Ciência da Informação e Documentação Profa.:Lillian Alvares Universidade de Brasília Departamento de Ciência da Informação e Documentação Profa.:Lillian Alvares Comunidades de Prática Grupos informais e interdisciplinares de pessoas unidas em torno de um interesse

Leia mais

No artigo anterior explicamos. Desenvolvimento de Software Dirigido por Caso de Uso. Parte II: Especificando Caso de Uso

No artigo anterior explicamos. Desenvolvimento de Software Dirigido por Caso de Uso. Parte II: Especificando Caso de Uso Desenvolvimento de Software Dirigido por Caso de Uso Parte II: Especificando Caso de Uso Vinicius Lourenço de Sousa viniciuslsousa@gmail.com Atua no ramo de desenvolvimento de software há mais de 10 anos,

Leia mais

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

MINERAÇÃO DE DADOS RELACIONADOS AO APRENDIZADO DE LÍNGUA PORTUGUESA UM ESTUDO EXPLORATÓRIO MINERAÇÃO DE DADOS RELACIONADOS AO APRENDIZADO DE LÍNGUA PORTUGUESA UM ESTUDO EXPLORATÓRIO Anderson Amendoeira Namen aanamen@iprj.uerj.br Universidade do Estado do Rio de Janeiro, Instituto Politécnico

Leia mais

Universidade de Brasília. Departamento de Ciência da Informação e Documentação. Prof a.:lillian Alvares

Universidade de Brasília. Departamento de Ciência da Informação e Documentação. Prof a.:lillian Alvares Universidade de Brasília Departamento de Ciência da Informação e Documentação Prof a.:lillian Alvares Fóruns óu s/ Listas de discussão Espaços para discutir, homogeneizar e compartilhar informações, idéias

Leia mais

Conversão de Base de Dados Relacional para Dimensional para Business Intelligence Utilizando Banco de Dados Mysql

Conversão de Base de Dados Relacional para Dimensional para Business Intelligence Utilizando Banco de Dados Mysql Conversão de Base de Dados Relacional para Dimensional para Business Intelligence Utilizando Banco de Dados Mysql Carlos H. Cardoso 1, Roberto D Nebo 1, Luis A. da Silva 1 1 Curso de Tecnologia em Banco

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

UTILIZAÇÃO DE INFORMAÇÕES PARA ADQUIRIR CONHECIMENTO ATRAVÉS DA MINERAÇÃO DE DADOS

UTILIZAÇÃO DE INFORMAÇÕES PARA ADQUIRIR CONHECIMENTO ATRAVÉS DA MINERAÇÃO DE DADOS UTILIZAÇÃO DE INFORMAÇÕES PARA ADQUIRIR CONHECIMENTO ATRAVÉS DA MINERAÇÃO DE DADOS Allan Carlos Claudino VILLA 1 Eli CANDIDO JUNIOR 2 RESUMO: Para continuarem a acirrada disputa no mercado, as empresas

Leia mais

BUSINESS INTELLIGENCE -Inteligência nos Negócios-

BUSINESS INTELLIGENCE -Inteligência nos Negócios- UNIVERSIDADE SÃO FRANCISCO CENTRO DE CIÊNCIAS JURÍDICAS, HUMANAS E SOCIAIS BUSINESS INTELLIGENCE -Inteligência nos Negócios- Curso: Administração Hab. Sistemas de Informações Disciplina: Gestão de Tecnologia

Leia mais

Sistema de Recomendação de Profissionais de Tecnologia da Informação

Sistema de Recomendação de Profissionais de Tecnologia da Informação 196 - Encontro Anual de Tecnologia da Informação Sistema de Recomendação de Profissionais de Tecnologia da Informação Filipe da Trindade Lima¹, Sidnei Renato Silveira2 ¹Centro Universitário Ritter dos

Leia mais

Palavras-Chaves: estoque, modelagem, requisitos, UML, vendas.

Palavras-Chaves: estoque, modelagem, requisitos, UML, vendas. UTILIZAÇÃO DA UML NO DESENVOLVIMENTO DE SISTEMA DE CONTROLE DE VENDAS E ESTOQUE GILBERTO FRANCISCO PACHECO DOS SANTOS Discente da AEMS Faculdades Integradas de Três Lagoas JACKSON LUIZ ARROSTI Discente

Leia mais

Banco de Dados. Introdução. João Eduardo Ferreira Osvaldo Kotaro Takai. jef@ime.usp.br DCC-IME-USP

Banco de Dados. Introdução. João Eduardo Ferreira Osvaldo Kotaro Takai. jef@ime.usp.br DCC-IME-USP Banco de Dados Introdução João Eduardo Ferreira Osvaldo Kotaro Takai jef@ime.usp.br DCC-IME-USP Importância dos Bancos de Dados A competitividade das empresas depende de dados precisos e atualizados. Conforme

Leia mais

Engenharia de Software-2003

Engenharia de Software-2003 Engenharia de Software-2003 Mestrado em Ciência da Computação Departamento de Informática - UEM Profa. Dra. Elisa H. M. Huzita eng. de software-2003 Elisa Huzita Produto de Software Conceitos Software

Leia mais

PROJETO DE REDES www.projetoderedes.com.br

PROJETO DE REDES www.projetoderedes.com.br PROJETO DE REDES www.projetoderedes.com.br Centro Universitário de Volta Redonda - UniFOA Curso Tecnológico de Redes de Computadores 5º período Disciplina: Tecnologia WEB Professor: José Maurício S. Pinheiro

Leia mais

UNIVERSIDADE FEDERAL DE MINAS GERAIS BACHARELADO EM SISTEMAS DE INFORMAÇÃO

UNIVERSIDADE FEDERAL DE MINAS GERAIS BACHARELADO EM SISTEMAS DE INFORMAÇÃO UNIVERSIDADE FEDERAL DE MINAS GERAIS BACHARELADO EM SISTEMAS DE INFORMAÇÃO Proposta de Formação Complementar: BUSINESS INTELLIGENCE E SUA APLICAÇÃO À GESTÃO Aluno: Yussif Tadeu de Barcelos Solange Teixeira

Leia mais

Persistência e Banco de Dados em Jogos Digitais

Persistência e Banco de Dados em Jogos Digitais Persistência e Banco de Dados em Jogos Digitais Prof. Marcos Francisco Pereira da Silva Especialista em Engenharia de Software Jogos Digitais - Computação Gráfica 1 Agenda Vantagens de usar a abordagem

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

FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO:

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

Leia mais

Desenvolvimento do Módulo de Pré-processamento e Geração de Imagens de. Imagens de Teste do Sistema DTCOURO

Desenvolvimento do Módulo de Pré-processamento e Geração de Imagens de. Imagens de Teste do Sistema DTCOURO Desenvolvimento do Módulo de Pré-processamento e Geração de Imagens de Teste do Sistema DTCOURO Willian Paraguassu Amorim 27 de julho de 2005 1 Título Desenvolvimento do Módulo de Pré-processamento e Geração

Leia mais

Planejamento Estratégico de TI. Prof.: Fernando Ascani

Planejamento Estratégico de TI. Prof.: Fernando Ascani Planejamento Estratégico de TI Prof.: Fernando Ascani Data Mining Os métodos tradicionais de Data Mining são: Classificação Associa ou classifica um item a uma ou várias classes categóricas pré-definidas.

Leia mais

DOMAIN-DRIVEN DESIGN E TEST-DRIVEN DEVELOPMENT

DOMAIN-DRIVEN DESIGN E TEST-DRIVEN DEVELOPMENT DOMAIN-DRIVEN DESIGN E TEST-DRIVEN DEVELOPMENT Jaqueline Rissá Franco email: jaquerifr@gmail.com Karla Marturelli Mattos Luciano Mathias Doll João Almeida Resumo: Este artigo mostra novas abordagens na

Leia mais

VOLEIBOL. 11. O Jogador que executa o saque, deve estar em qual posição? 1) Em que ano foi criado o voleibol? a) 1997. a) posição número 6.

VOLEIBOL. 11. O Jogador que executa o saque, deve estar em qual posição? 1) Em que ano foi criado o voleibol? a) 1997. a) posição número 6. VOLEIBOL 1) Em que ano foi criado o voleibol? a) 1997 b) 2007 c) 1996 d) 1975 e)1895 2. Quem inventou o voleibol? a) William G. Morgan b) Pelé c) Roberto Carlos d) Ronaldinho Gaúcho e) Michael Jackson

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

CONHECENDO E CONCEITUANDO SISTEMAS DE INFORMAÇÃO

CONHECENDO E CONCEITUANDO SISTEMAS DE INFORMAÇÃO CONHECENDO E CONCEITUANDO SISTEMAS DE INFORMAÇÃO Franco Vieira Sampaio 1 Atualmente a informática está cada vez mais inserida no dia a dia das empresas, porém, no início armazenavam-se os dados em folhas,

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

PARADIGMAS DA INTELIGÊNCIA ARTIFICIAL EM JOGOS ELETRÔNICOS

PARADIGMAS DA INTELIGÊNCIA ARTIFICIAL EM JOGOS ELETRÔNICOS PARADIGMAS DA INTELIGÊNCIA ARTIFICIAL EM JOGOS ELETRÔNICOS João Antônio Bezerra Rodrigues¹, Késsia Rita da C. Marchi¹, Jaime William Dias¹ ¹Universidade Paranaense (Unipar) Paranavaí PR Brasil joaoabrodrigues@outlook.com

Leia mais

APLICAÇÃO DE DATA MINING NA IDENTIFICAÇÃO DE PADRÕES EM CRIANÇAS RESPIRADORAS BUCAIS E NASAIS 1.

APLICAÇÃO DE DATA MINING NA IDENTIFICAÇÃO DE PADRÕES EM CRIANÇAS RESPIRADORAS BUCAIS E NASAIS 1. APLICAÇÃO DE DATA MINING NA IDENTIFICAÇÃO DE PADRÕES EM CRIANÇAS RESPIRADORAS BUCAIS E NASAIS 1. SQUIZANI, Cleonice Schell 2 ; MORALES, Yuri 2 ; VIEIRA, Sylvio André Garcia 2 1 Trabalho de pesquisa - UNIFRA

Leia mais

UM MODELO DE DADOS VOLTADO AO SERVIÇO DE INTELIGÊNCIA POLICIAL. 1. Introdução. 2. Problemática

UM MODELO DE DADOS VOLTADO AO SERVIÇO DE INTELIGÊNCIA POLICIAL. 1. Introdução. 2. Problemática UM MODELO DE DADOS VOLTADO AO SERVIÇO DE INTELIGÊNCIA POLICIAL 1. Introdução Herbson de Carvalho O uso de um Banco de Dados na atividade de Inteligência Policial possibilita aos agentes envolvidos desempenharem

Leia mais

Autor(es) TIAGO CINTO. Orientador(es) CECÍLIA SOSA ARIAS PEIXOTO. Apoio Financeiro FAPIC/UNIMEP. 1. Introdução

Autor(es) TIAGO CINTO. Orientador(es) CECÍLIA SOSA ARIAS PEIXOTO. Apoio Financeiro FAPIC/UNIMEP. 1. Introdução 19 Congresso de Iniciação Científica MODULO DE GERÊNCIA DE INTERFACES COM O USUÁRIO: ESTUDO, DEFINIÇÃO E ELABORAÇÃO DE INTERFACES INTELIGENTES PARA A FERRAMENTA KIRA Autor(es) TIAGO CINTO Orientador(es)

Leia mais

Definição de Padrões. Padrões Arquiteturais. Padrões Arquiteturais. Arquiteturas de Referência. Da arquitetura a implementação. Elementos de um Padrão

Definição de Padrões. Padrões Arquiteturais. Padrões Arquiteturais. Arquiteturas de Referência. Da arquitetura a implementação. Elementos de um Padrão DCC / ICEx / UFMG Definição de Padrões Eduardo Figueiredo http://www.dcc.ufmg.br/~figueiredo Um padrão é uma descrição do problema e a essência da sua solução Documenta boas soluções para problemas recorrentes

Leia mais

TSAL (Registro de histórico de treinamento e limitações de atividades esportivas)

TSAL (Registro de histórico de treinamento e limitações de atividades esportivas) ABDEM Associação Brasileira de Desportos para o Deficiente Intelectual INAS-FID TSAL (Registro de histórico de treinamento e limitações de atividades esportivas) Conteúdo: Introdução TSAL FEVEREIRO DE

Leia mais

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

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

Leia mais

Engenharia de Software III

Engenharia 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 mais

07/05/2013. VOLEIBOL 9ºAno. Profª SHEILA - Prof. DANIEL. Voleibol. Origem : William Morgan 1895 ACM s. Tênis Minonette

07/05/2013. VOLEIBOL 9ºAno. Profª SHEILA - Prof. DANIEL. Voleibol. Origem : William Morgan 1895 ACM s. Tênis Minonette VOLEIBOL 9ºAno Profª SHEILA - Prof. DANIEL Origem : William Morgan 1895 ACM s Tênis Minonette GRECO, 1998 1 Caracterização: O voleibol é um jogo coletivo desportivo, composto por duas equipes, cada uma

Leia mais

Aplicação do Método AHP na Seleção de Software para Modelagem de Processos de Negócios Amanda Alves 1, Thiago Depoi Stoll 1, Rafael Baldiati Parizi 1

Aplicação do Método AHP na Seleção de Software para Modelagem de Processos de Negócios Amanda Alves 1, Thiago Depoi Stoll 1, Rafael Baldiati Parizi 1 242 Aplicação do Método AHP na Seleção de Software para Modelagem de Processos de Negócios Amanda Alves 1, Thiago Depoi Stoll 1, Rafael Baldiati Parizi 1 1Instituto Federal Farroupilha Campus São Borja

Leia mais

ESPECIFICAÇÃO DO ESCOPO DE SISTEMA DE SOFTWARE A PARTIR DA UTILIZAÇÃO DA ENGENHARIA DE REQUISITOS

ESPECIFICAÇÃO DO ESCOPO DE SISTEMA DE SOFTWARE A PARTIR DA UTILIZAÇÃO DA ENGENHARIA DE REQUISITOS ESPECIFICAÇÃO DO ESCOPO DE SISTEMA DE SOFTWARE A PARTIR DA UTILIZAÇÃO DA ENGENHARIA DE REQUISITOS Rosiane da Silva Biscaia Discente do curso Tecnologia em Análise e Desenvolvimento de Sistemas Faculdades

Leia mais

O objetivo da Mineração de Dados é extrair ou minerar conhecimento de grandes volumes de

O objetivo da Mineração de Dados é extrair ou minerar conhecimento de grandes volumes de MINERAÇÃO DE DADOS MINERAÇÃO DE DADOS O objetivo da Mineração de Dados é extrair ou minerar conhecimento de grandes volumes de dados. A mineração de dados é formada por um conjunto de ferramentas e técnicas

Leia mais

INTELIGÊNCIA COMPUTACIONAL

INTELIGÊNCIA COMPUTACIONAL INTELIGÊNCIA COMPUTACIONAL Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Dados pessoais Rosalvo Ferreira de Oliveira Neto MSc. em ciência da computação (UFPE) rosalvo.oliveira@univasf.edu.br

Leia mais

Palavras-Chaves: engenharia de requisitos, modelagem, UML.

Palavras-Chaves: engenharia de requisitos, modelagem, UML. APLICAÇÃO DA ENGENHARIA DE REQUISITOS PARA COMPREENSÃO DE DOMÍNIO DO PROBLEMA PARA SISTEMA DE CONTROLE COMERCIAL LEONARDO DE PAULA SANCHES Discente da AEMS Faculdades Integradas de Três Lagoas RENAN HENRIQUE

Leia mais

Conteúdo. Disciplina: INF 02810 Engenharia de Software. Monalessa Perini Barcellos. Centro Tecnológico. Universidade Federal do Espírito Santo

Conteúdo. Disciplina: INF 02810 Engenharia de Software. Monalessa Perini Barcellos. Centro Tecnológico. Universidade Federal do Espírito Santo Universidade Federal do Espírito Santo Centro Tecnológico Departamento de Informática Disciplina: INF 02810 Prof.: (monalessa@inf.ufes.br) Conteúdo 1. Introdução 2. Processo de Software 3. Gerência de

Leia mais

Documento de Arquitetura

Documento de Arquitetura Documento de Arquitetura A2MEPonto - SISTEMA DE PONTO ELETRÔNICO A2MEPonto - SISTEMA DE PONTO ELETRÔNICO #1 Pág. 1 de 11 HISTÓRICO DE REVISÕES Data Versão Descrição Autor 28/10/2010 1 Elaboração do documento

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS Acerca dos conceitos básicos de gerenciamento de projetos e considerando o PMBOK, julgue os itens a seguir. 51 No gerenciamento de um projeto, deve-se utilizar não apenas as ferramentas

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

KDD E MINERAÇÃO DE DADOS:

KDD E MINERAÇÃO DE DADOS: KDD E MINERAÇÃO DE DADOS: Introdução e Motivação Prof. Ronaldo R. Goldschmidt ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt Fatos: Avanços em TI e o crescimento

Leia mais

IV JOGOS MUNICIPAIS DA TERCEIRA IDADE DE PORTO ALEGRE 1, 2 e 3 de julho de 2005 - Ginásio Tesourinha REGULAMENTO ESPECÍFICO. Módulo Competitivo

IV JOGOS MUNICIPAIS DA TERCEIRA IDADE DE PORTO ALEGRE 1, 2 e 3 de julho de 2005 - Ginásio Tesourinha REGULAMENTO ESPECÍFICO. Módulo Competitivo PREFEITURA MUNICIPAL DE PORTO ALEGRE SECRETARIA MUNICIPAL DE ESPORTES, RECREAÇÃO E LAZER IV JOGOS MUNICIPAIS DA TERCEIRA IDADE DE PORTO ALEGRE 1, 2 e 3 de julho de 2005 - Ginásio Tesourinha REGULAMENTO

Leia mais

Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas

Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas 22 - Encontro Anual de Tecnologia da Informação Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas Elisa Maria Vissotto1, Adriane Barbosa Camargo2 1 Universidade Regional Integrada

Leia mais

JOGOS EMPRESARIAIS Conceitos e Fundamentos

JOGOS EMPRESARIAIS Conceitos e Fundamentos UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL (UFMS) CAMPUS DE BONITO/MS, CURSO DE ADMINISTRAÇÃO JOGOS EMPRESARIAIS Conceitos e Fundamentos Prof. Ana Cristina Trevelin Conceitos Simulação Jogos de Empresa

Leia mais

PLATAFORMA URBANMOB Aplicativo para captura de trajetórias urbanas de objetos móveis

PLATAFORMA URBANMOB Aplicativo para captura de trajetórias urbanas de objetos móveis PLATAFORMA URBANMOB Aplicativo para captura de trajetórias urbanas de objetos móveis Gabriel Galvão da Gama 1 ; Reginaldo Rubens da Silva 2 ; Angelo Augusto Frozza 3 RESUMO Este artigo descreve um projeto

Leia mais

Scout No Futebol: Uma Ferramenta Para a Imprensa Esportiva 1

Scout No Futebol: Uma Ferramenta Para a Imprensa Esportiva 1 Scout No Futebol: Uma Ferramenta Para a Imprensa Esportiva 1 Caroline Colucio Vendite 2, Laércio Luis Vendite 3 e Antonio Carlos de Moraes 4 Faculdade de Educação Física e Instituto de Matemática, Estatística

Leia mais

SEGURANÇA EM BANCO DE DADOS: CONCEITOS E APLICAÇÕES

SEGURANÇA EM BANCO DE DADOS: CONCEITOS E APLICAÇÕES SEGURANÇA EM BANCO DE DADOS: CONCEITOS E APLICAÇÕES Fábio Crepaldi MARTINS 1 Eli CANDIDO JUNIOR ² RESUMO: Um banco de dados deve ser seguro e confiável. Proteger e garantir a segurança de uma base de dados

Leia mais

Universidade do Estado de Santa Catarina UDESC Centro de Ciências Tecnológicas CCT CEP 89223-100 Joinville SC Brasil

Universidade do Estado de Santa Catarina UDESC Centro de Ciências Tecnológicas CCT CEP 89223-100 Joinville SC Brasil SISTEMA DE APOIO À TOMADA DE DECISÃO PARA O MONITORAMENTO DE ALARMES PATRIMONIAIS UTILIZANDO INDUÇÃO DE ÁRVORES DE DECISÃO Alex L Sousa, André B Leal, Claudio C Sá, Ricardo F Martins Programa de Pós-Graduação

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

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

4. Que tipos de padrões podem ser minerados. 5. Critérios de classificação de sistemas de Data Mining. 6. Tópicos importantes de estudo em Data Mining Curso de Data Mining - Aula 1 1. Como surgiu 2. O que é 3. Em que tipo de dados pode ser aplicado 4. Que tipos de padrões podem ser minerados 5. Critérios de classificação de sistemas de Data Mining 6.

Leia mais

Plano de Trabalho Docente 2015. Ensino Técnico

Plano de Trabalho Docente 2015. Ensino Técnico Plano de Trabalho Docente 015 Ensino Técnico Etec ETEC PAULINO BOTELHO Código: 091 Município: SÃO CARLOS Eixo Tecnológico: Informação e Comunicação Habilitação Profissional: Técnico em Informática para

Leia mais

MODELAGEM DE DADOS. Unidade II Arquiteturas do SGBD

MODELAGEM DE DADOS. Unidade II Arquiteturas do SGBD MODELAGEM DE DADOS Unidade II Arquiteturas do SGBD 0 UNIDADE II: TÓPICOS: Tópico 1 - Arquitetura SGBD Tópico 2 - Etapas de um projeto de Banco de Dados Tópico 3 Modelagem Tópico 1 - Arquitetura SGBD A

Leia mais

Universidade do Estado da Bahia UNEB Departamento de Ciências Exatas e da Terra - Campus I

Universidade do Estado da Bahia UNEB Departamento de Ciências Exatas e da Terra - Campus I Metodologia de Desenvolvimento de Sistemas II/CPD025 Conceitos orientação a objetos. Evolução das técnicas de modelagem orientadas a objetos. Estrutura da linguagem UML. Conceito de processo interativo

Leia mais

IC Inteligência Computacional Redes Neurais. Redes Neurais

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

Leia mais

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