AGRUPAMENTO EVOLUTIVO APLICADO AO RECONHECIMENTO DE PADRÕES EM DADOS MÉDICOS
|
|
- Emanuel Pedro Imperial Viveiros
- 8 Há anos
- Visualizações:
Transcrição
1 AGRUPAMENTO EVOLUTIVO APLICADO AO RECONHECIMENTO DE PADRÕES EM DADOS MÉDICOS Lourenço Bueno, Pyramo Costa, Enderson Cruz, Israel Mendes, Daniel Leite Programa de Pós-Graduação em Engenharia Elétrica, Pontifícia Universidade Católica de Minas Gerais, Brasil Centro Federal de Educação Tecnológica de Minas Gerais, Belo Horizonte, Brasil Centro Federal de Educação Tecnológica de Minas Gerais, Nepomuceno, Brasil Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal de Minas Gerais, Brasil s: Abstract Recognition of patterns of disease progression from data requires the use of advanced computational methods. These methods should be able to group similar data together and dissimilar data into different clusters. Given the medical context, data are generally obtained under adverse conditions, such as uncertainties and nonstationarities, which can be related to both the environment and the patient. A number of correlated variables are involved; however, it is infeasible to monitor all of them. This paper evaluates and compares the performance of well-known evolving methods for clustering data streams. The methods used in the evaluation are: evolving Fuzzy Clustering (eclustering + ); evolving Clustering Method (ecm); and evolving Granulation Method (egm). Computational experiments were performed using four benchmark datasets in the context of medical diagnosis, namely, Heart Disease, Cancer, Breast Cancer and Parkinson Telemonitoring. Keywords Evolving Clustering. Intelligent Systems; Pattern Recognition. Resumo O reconhecimento de padrões de progressão de doenças a partir de dados requer a utilização de métodos computacionais sofisticados. Estes métodos devem ser capazes de separar os dados em grupos de acordo com semelhanças observadas. Considerando o contexto médico em geral, os dados são adquiridos sob circunstâncias adversas como incertezas e não-estacionariedades relativas tanto ao ambiente como ao paciente propriamente dito. Muitas variáveis correlacionadas podem estar envolvidas, mas o monitoramento de todas elas é infactível. Este artigo propõe avaliar e comparar o desempenho de três conhecidos métodos evolutivos de agrupamento de dados sequenciais (fluxos de dados) no contexto de diagnóstico médico. Os métodos usados na avaliação são os seguintes: evolving Fuzzy Clustering (eclustering + ); evolving Clustering Method (ecm); e evolving Granulation Method (egm). Experimentos computacionais foram realizados considerando bases de dados padrões como Heart Disease, Cancer, Breast Cancer e Parkinson Telemonitoring. Palavras-chave Agrupamento Evolutivo; Sistemas Inteligentes; Reconhecimento de Padrões. 1 Introdução O reconhecimento incipiente de certos tipos de doenças através da análise de sintomas típicos pode salvar vidas. No contexto de diagnóstico médico é comum que um grande volume de dados seja coletado sob as mais diversas condições. Isso causa dificuldades de análise de dados a partir da intuição e do uso de métodos estatísticos convencionais. Sistemas inteligentes evolutivos apresentam características interessantes para lidar com incertezas e informação incompleta inerente à ambientes não-lineares e não-estacionários - como é o caso de diagnóstico médico. Dentre estas características está a capacidade de adaptação contínua dos parâmetros e da estrutura de modelos sempre que novas informações são disponibilizadas. O conhecimento atual a respeito de um fenômeno (o modelo atual) pode ser revisto quando os dados coletados são diferentes daqueles vistos anteriormente. Modelos baseados em redes neurais artificiais, modelos baseados em regras fuzzy, e híbridos são representações possíveis no contexto de sistemas inteligentes. Modelos evolutivos têm sido aplicados com sucesso a uma variedade de situações [7] [3]. Uma vertente da pesquisa em sistemas inteligentes evolutivos diz respeito à separação incremental de fluxos de dados em grupos (modelos locais), e à associação de rótulos de classes aos diferentes grupos. Algoritmos para agrupamento evolutivo monitoram fluxos de dados e adaptam os parâmetros de modelos locais quando conveniente. Além disso, quando os dados são suficientemente discrepantes do esperado, novos neurônios (em modelos neurais) ou novas regras (em modelos fuzzy) podem ser criados. A possibilidade de modificar a estrutura de modelos para incluir novas classes oferece flexibilidade à representação de sistemas variantes no tempo. Ao agrupar por espalhamento (the scattering approach for data clustering [10]) diferentemente de grid, permite o desenvolvimento de modelos locais em modo online e em domínio aberto. Protótipos de modelos locais são geralmente determinados por um vetor centro e uma matriz de dispersão (representação de grupos através de hiperesferas ou elipsoides), ou por vetores com va- 1240
2 lores limites (representação de grupos através de hiper-retângulos). Uma medida de similaridade determina a qual protótipo um novo vetor de dados deve ser associado. Através de camadas de processamento, a informação contida nos dados é comparada com o modelo atual e agregada para prover um valor de saída, i.e., um rótulo de classe. Os algoritmos de agrupamento evolutivo investigados neste artigo usam a abordagem de agrupamento por espalhamento. A proposta deste estudo é classificar dados médicos em classes a partir do uso de diferentes e conhecidos modelos de agrupamento evolutivo. Foram considerados os seguintes: evolving Fuzzy Clustering (eclustering + ) [3]; evolving Clustering Method (ecm) [7]; e evolving Granulation Method (egm) [10]. Atualmente não existe consenso sobre qual desses algoritmos é o mais eficiente em problemas de médio porte, como os problemas de classificação tratados aqui. Os problemas considerados para avaliação de desempenho dos diferentes algoritmos são problemas de classificação binária (separação de duas classes apenas) cujos dados estão disponíveis no Repositório de Dados da Universidade da Califórnia em Irvine. São eles: Heart Disease, Cancer, Breast Cancer e Parkinson Telemonitoring. O restante deste artigo está organizado da seguinte maneira. A Seção II apresenta uma visão geral sobre sistemas inteligentes evolutivos e revê brevemente os três métodos de agrupamento evolutivo sob investigação. A Seção III mostra resultados comparativos para os problemas de classificação de dados médicos. A Seção IV contém as conclusões e sugere possíveis trabalhos futuros. 2 Sistemas Inteligentes Evolutivos Sistemas inteligentes evolutivos é um paradigma recente no campo da inteligência de máquina que visa suprir a demanda por métodos de modelagem de processos variantes no tempo usando dados sequenciais. Sistemas evolutivos neurais e fuzzy podem ser inspirados no comportamento de redes neurais biológicas e na evolução de indivíduos durante seu ciclo de vida: aprendendo a partir da experiência, herança, mudança gradual, e informação incompleta e incerta. Conhecimento é gerado a partir de tarefas repetitivas e de fluxos de dados reais ou granulares produzidos através de percepções e enviados ao cérebro. O desenvolvimento de modelos evolutivos é gradual, i.e., regras fuzzy e/ou neurônios não são fixos nem pré-definidos, mas gerados sempre que novos dados são suficientemente informativos e não são comuns ao modelo/entendimento atual. A principal diferença entre modelos evolutivos e demais modelos de inteligência computacional é que modelos evolutivos podem ser construídos e adaptados ao longo do tempo sem a necessidade de usufruir de dados de instantes passados [6] [13]. Segundo [7], redes neurais e modelos de regras fuzzy são considerados evolutivos quando: (i) há aprendizado contínuo a partir de fluxos de dados; (ii) não há necessidade de armazenar amostras vistas anteriormente já que os cálculos associados são sempre recursivos; e (iii) independem das propriedades estatísticas de dados históricos. Em geral, pouco (ou nada) se sabe sobre as regras iniciais que governam a dinâmica do processo; e não se tem informação sobre os protótipos (grânulos) iniciais. O processo é conhecido à medida que os dados são disponibilizados. Um algoritmo incremental processa os dados e é responsável por capturar as informações essenciais. De uma maneira geral, pode-se pensar em modelos evolutivos como estruturas de três camadas. A primeira camada contém modelos locais resultantes do agrupamento de dados. A partir de uma medida de similaridade, os dados são associados a um grupo existente ou formam um novo grupo. A segunda camada consiste de funções localmente válidas associadas aos grupos. Funções locais são fundamentais em problemas de regressão e predição. Nesses casos, um polinômio de ordem 1 ou superior pode ser considerado. Em problemas de classificação, a função local é um polinômio de ordem 0. Em outras palavras, a função é simplesmente um valor constante (o rótulo de uma classe). A terceira camada consiste de um procedimento ou mecanismo para fusão de informação, i.e., as contribuições locais são agregadas para prover uma saída global. 2.1 Evolving Fuzzy Clustering - eclustering + O agrupamento incremental por espalhamento é uma técnica para identificação automática de estruturas de sistemas fuzzy [5] [4]. Métodos convencionais de agrupamento não toleram sobreposição de grupos, o que impossibilita a formulação de antecedentes de regras fuzzy. A Fig. 1 mostra a formação de dois grupos sobrepostos. A projeção dos grupos nos eixos em questão podem ser associadas à funções de pertinência de distribuição normal parcialmente sobrepostas. O al- Figura 1: Formação de dois grupos de dados sobrepostos [1] 1241
3 goritmo eclustering + descrito nessa seção tem o propósito de agrupar fluxos de dados - essencialmente da forma como ilustrado na Fig. 1. Os grupos podem ser usados na constituição de termos antecedentes de regras fuzzy. Em seguida, enfatiza-se o método de agrupamento incremental proposto em [1]. O método é baseado em elipsoides e funções de pertinência Gaussianas. Particiona-se o espaço de entrada via um estimador recursivo de parâmetros e uma medida de densidade. A densidade da distribuição dos dados é calculada a partir de uma função montanha do tipo (ver [14]): M(v) = k i=1 v i z i 2 e 2σ i 2 (1) onde v i é um elemento do vetor centro de um grupo; z i é um elemento do vetor de dados de um grupo;. 2 é a norma 2; σ i é um fator de dispersão; e k é um índice de amostras. A densidade D t das amostras de uma coleção z t assemelha-se a distribuição de probabilidade chamada de Parzen windows [12]. Isso pode ser descrito pela função de Cauchy [4]: D t (z t ) = t 1 t 1 1 n+m z tj z ij 2 i=1 D 1 (z 1 ) = 1; t = 2, 3,...n (2) D t (z t ) é a densidade avaliada em torno da última amostra do fluxo de dados; n é a dimensão do vetor de entrada; m é a dimensão do vetor de saída; e t é um índice de amostras. Recursivamente, a densidade D t (z t ) é calculada a partir da seguinte relação: D t (z t ) = (t 1)( n+m t 1 ztj 2 + 1) + b t 2 n+m z tj c tj D 1 (z 1 ) = 1; t = 2, 3,...n; n+m b t = b t 1 + z (t 1)j 2; b 1 = 0; c tj = c (t 1)j + z (t 1)j ; e c 1j = 0; (3) Conhecida como estimador recursivo de densidade (RDE), a equação (3) é eficiente para estimação online da densidade das amostras de um grupo. RDE garante que as funções de pertinência de conjuntos fuzzy sejam formadas em torno de pontos focais de grupos. Evitam-se problemas relacionados à especificação de limites de grupos através do uso de funções de Cauchy. Diferentemente de funções Gaussianas, funções de Cauchy não se espalham ao infinito, o que evita a ativação de todas as regras fuzzy para uma amostra. Para cada interação de (3), se o dado atual é selecionado para ser o foco de um grupo, a sua densidade será determinada neste momento. A densidade na vizinhança do ponto focal é atualizada a partir de (ver [4]): D t (z i ) = t 1 t 1 + (t 2)( 1 D t 1(z i ) 1)G n+m G = (z tj z (t 1)j ) D t (z i ) = 1, t = 2, 3,... (4) onde i representa o foco da i -ésimo grupo. Um classificador fuzzy, conhecido como eclass de ordem zero [2], usa o resultado de eclustering + na descrição de regras do tipo: R i : SE (x 1 é X i1 ) E... E (x n é X in ) ENTÃO (y i é Classe c ) Classe c é um rótulo de classe e X ij j são funções de pertinência de Cauchy [8]. 2.2 Método de Clusterização Evolutivo - ecm O método ecm foi proposto para desenvolvimento gradual da segunda camada de sistemas de inferência neuro-fuzzy evolutivos (DENFIS), ver [7]. Sua função é particionar o espaço de entrada em grupos, de acordo com os dados de um fluxo. O método consiste na criação e adaptação contínua de parâmetros de grupos de modo que a distância máxima de uma amostra x i ao centro de qualquer grupo existente não seja maior que um certo limiar de distância, D thr. Distâncias são calculadas a partir da norma 2 (métrica Euclidiana). Por exemplo, a distância entre dois vetores, x = (x 1,..., x q ) e y = (y 1,..., y q ), é dada por: ( q ) 1/2 x y 2 = x i y i 2 i=1 (5) Neste caso x pode representar um vetor de dados, e y um vetor contendo as coordenadas do centro de um grupo. Somente pontos centrais de clusters são utilizados como protótipos em ecm; amostras de dados são lidas e descartadas. Mudanças no limiar 1242
4 de distância D thr alteram o número de grupos gerados para um mesmo conjunto de dados. O algoritmo de aprendizado incremental ecm é sumarizado a seguir em seis passos. Passo1: Ler amostra x k, onde k = 1,... é índice de tempo Passo2: Se k = 1, criar cluster C 1, com raio r 1 = 0 e centro c 1 = x k Passo 1 Passo3: Calcular D = x k c j 2, e S k = D + r j, onde c j é o centro do cluster mais próximo, r j é o raio deste cluster. Passo4: Se D < r j, a amostra x k pertence àquele cluster. Passo 1 Passo5: Se S k > 2 D thr, então criar cluster C novo com raio r novo = 0 e centro c novo = x k Passo 1 Passo6: Se S k < 2 D thr,então o cluster C j é expandido. O seu novo raio passa a ser: r atualizado = S k /2 Passo 1 Em ecm, um cluster C j não é mais atualizado quando seu raio r uj atinge um valor igual ao limiar D thr [7]. Note que, diferentemente do algoritmo eclustering + (onde os grupos são elipsoides no espaço de entrada), o algoritmo ecm lida com hiperesferas. Note também que o algoritmo ecm descrito acima claramente enfatiza a essência de abordagens de aprendizado orientadas à fluxo de dados. Amostras são lidas e descartadas uma a uma. Dados históricos são dispensáveis, e a evolução dos grupos acontece gradualmente, em uma base incremental. 2.3 Método Granular Evolutivo - egm Modelos granulares evolutivos levam em consideração a imprecisão e incerteza do valor dos dados mensurados. Além disso, informação baseada na percepção pode ser considerada como grânulo de informação [11]. Por exemplo, são dados possíveis de serem processados por algoritmos granulares: x é pequeno, aproximadamente 90 e temperatura alta. Em geral, dados granulares (intervalos ou intervalos fuzzy) podem ser considerados. Neste artigo processamos dados numéricos (valores reais) apenas. O algoritmo egm original [10] não necessita ser alterado para este propósito. Seja um fluxo de dados de entrada e saída (x, y) [h], h = 1,...; a saída y [h] é conhecida dada a entrada x [h] ou será conhecida no passo seguinte. Cada atributo x j de x = (x 1,..., x n ) é um valor real; y [h] é um rótulo de classe. Funções de pertinência trapezoidais M i j = (li j, λi j, Λi j, Li j ), i = 1,..., c; j = 1,..., n são consideradas neste estudo. Grupos egm são hiper-retângulos fuzzy no espaço de entrada. O número de grupos c é variável. Inicialmente, não há grupos. O propósito de adaptar simultaneamente os parâmetros e a estrutura de modelos fuzzy dinâmicos do tipo egm é usar a informação atual sobre o processo para manter uma representação atualizada. Regiões de expansão E i, tais como: E i = [L i ρ, l i + ρ], (6) ajudam a decidir se novos dados de entrada pertencem a um grânulo no espaço de entrada. ρ significa a largura máxima que conjuntos fuzzy M i podem expandir para encapsular os dados x. Um grânulo M i é formado a partir de conjuntos fuzzy M i ψ, ψ = 1,..., Ψ. Uma regra egm (um grupo) é criada sempre que um ou mais elementos de x não pertencem às regiões de expansão E i de M i, i = 1,..., c. Um novo grânulo M c+1 é construído a partir de conjuntos fuzzy M c+1 ψ, ψ = 1,..., Ψ, cujos parâmetros coincidem com x. A adaptação de um grânulo existente M i consiste em expandir o suporte [lψ i, Li ψ ] e atualizar o núcleo [λ i ψ, Λi ψ ] de seus conjuntos fuzzy. Entre os grânulos M i aptos a se expandirem para incluir x, aquele com maior similaridade é escolhido, ver [9]. S(x, M i ) = 1 1 6Ψ Ψ ( x ψ lψ i + 2 x ψ λ i ψ ψ=1 +2 x ψ Λ i ψ + x ψ L i ψ ) (7) Note que neste artigo, x = (x, x, x, x) (um dado granular trapezoidal) é degenerado em um valor real, i.e. x = x = x, = x. A adaptação procede dependendo de onde o dado x ψ está localizado em relação ao conjunto fuzzy. As condições para expansão do suporte são: SE x ψ [L i ψ ρ, li ψ ] ENTÃO li ψ (new) = x ψ, SE x ψ [L i ψ, li ψ + ρ] ENTÃO Li ψ (new) = x ψ. Parâmetros do núcleo são atualizados recursivamente a partir de: λ i ψ(new) = (wi 1)λ i ψ + x ψ w i (8) Λ i ψ(new) = (wi 1)Λ i ψ + x ψ w i, (9) onde w i é o número de vezes que o grânulo M i foi escolhido para ser adaptado. Regras egm governando grânulos M i são do tipo: R i : SE x 1 é M i 1 E... E x Ψ é M i Ψ ENTÃO yi = C i 1243
5 onde C i é um rótulo de classe. Note que a regra resultante do agrupamento egm é similar as regras resultantes do agrupamento ecm e eclustering +. A diferença essencial está no algoritmo incremental de criação e atualização dos grupos. Grupos ecm são hiperesferas no espaço de entrada. Grupos eclustering + e egm são elipsoides e hiperretângulos, respectivamente. 3 Experimentos Computacionais Utilizaram-se os métodos evolutivos abordados anteriormente nos experimentos de classificação de dados de diagnóstico médico. Foram utilizados dados do repositório de aprendizado de máquina da Universidade da Califórnia. As bases de dados escolhidas são: Heart Disease, Cancer, Breast Cancer e Parkinson Telemonitoring. Um sumário das características dessas bases de dados é apresentado na Tabela 1. Essa lista o número de atributos presentes nas amostras para cada uma das bases de dados. Ela também indica a quantidade de amostras referentes à ausência (Classe 0) ou presença (Classe 1) dos sintomas da doença em um determinado paciente. Note que as características das bases de dados evidenciam um problema de agrupamento. Neste tipo de problema os dados podem não ser temporalmente correlacionados. Neste caso, métodos orientados a fluxos tentam encontrar correlações espaciais entre os dados [9]. Note também que o número de amostras das diferentes bases de dados é pequeno e a quantidade de atributos é razoável. Logo, a proposta do estudo apresentado nesta seção é avaliar métodos evolutivos para esta classe de problemas. O problema de agrupamento a partir do uso de métodos evolutivos foi amplamente discutido em [9] e [10]. O uso de métodos evolutivos para construir modelos que encontram as fronteiras de separação das classes diferentemente dos métodos adaptativos convencionais é justificado por não se ter informação sobre qual estrutura adotar para o modelo. O próprio algoritmo de aprendizagem determina a quantidade de modelos locais (clusters, grânulos) e, portanto, determina uma possível representação para um processo ou fenômeno. Os modelos locais mudam com o tempo, são mesclados e apagados, conforme a necessidade, até convergir no sentido de minimizar uma medida de erro com relação a uma dada aproximação [9]. Tabela 1: Sumário das bases de dados Base de dados Amostras por classe Atributos Presente (1) Ausente (0) Total Heart Disease Cancer Breast Cancer Parkinson Realizou-se 50 simulações de fluxos de dados considerando ordens diversas de disponibilização das amostras. A precisão de cada método em classificações corretas foi calculada a partir de: ( Acc = Acerto Acerto + Erro ) 100% (10) Os resultados obtidos são apresentados nas Tabelas 2-5 para os diferentes problemas. Tabela 2: Resultado para Heart Disease ecm 69.25% ±2.37% 11 eclustering % ±1.19% 7 egm 79.96% ±1.52% 5 Tabela 3: Resultado para Cancer ecm 85.94% ±2.32% 7 eclustering % ±0.28% 6 egm 82.80% ±1.10% 4 Tabela 4: Resultado para Breast Cancer ecm 95.75% ±0.88% 7 eclustering % ±1.46% 6 egm 95.50% ±0.44% 3 Tabela 5: Resultado para Parkinson ecm 83.58% ±1.00% 11 eclustering % ±0.71% 5 egm 88.22% ±0.82% 5 Os resultados apresentados nas tabelas mostram que existe uma imparcialidade quanto a eleição do melhor método de agrupamento em problemas de classificações corretas para as bases de dados consideradas. Contudo, pode-se observar que o método egm provê modelos com estruturas mais compactas, menor quantidade de regras, ao contrário dos demais métodos avaliados. Isto é uma característica importante em certos tipos de situações onde interpretabilidade de modelos é fundamental. No entanto, o eclustering + apresentou melhores resultados na maioria dos experimentos com relação ao desvio padrão. Finalmente, concluiu-se a partir das análises dos experimentos que o método egm foi relativamente superior aos demais métodos em termos da relação precisão/compactação. Esta conclusão é válida apenas para classificação dos problemas médicos de médio porte considerados, i.e., problemas contendo 1244
6 entre 10 e 30 atributos e aproximadamente 450 amostras. 4 Conclusão Investigou-se neste artigo o desempenho de diferentes métodos de agrupamento incremental para classificação de dados médicos. Os métodos analisados foram os conhecidos evolving Fuzzy Clustering (eclustering + ); evolving Clustering Method (ecm); e evolving Granulation Method (egm). As bases de dados avaliadas foram Heart Disease, Cancer, Breast Cancer e Parkinson Telemonitoring. Apesar das restrições de informação temporais inerentes ao ambiente de processamento de dados online, os métodos evolutivos avaliados tiveram um desempenho satisfatório para classificação. O egm foi relativamente superior aos demais métodos avaliados em termos da relação classificações corretas/compactação do modelo resultante, embora os melhores resultados com relação ao desvio padrão tenham sidos alcançados pelo eclustering +. No futuro, pretende-se aplicar todos esses métodos evolutivos em problemas multiclasses para a detecção e a classificação de falhas em sistemas de engenharia e na modelagem de sistemas dinâmicos com incertezas variantes no tempo, para que sejam feitas as comparações do desempenho entre eles. Referências [7] Kasabov, N. (2007) Evolving Connectionist Systems. Springer - Verlag, London & Hall/CRC. [8] Kuncheva, L. (2000) Fuzzy Classifiers. Physica-Verlag. [9] Leite, D. (2012) Evolving Granular Systems. PhD Thesis University of Campinas, pp. 170, Jun. [10] Leite, D. Ballini, R. Costa, P. Gomide, F. (2013) Evolving Fuzzy Granular Modeling from Nonstationary Fuzzy Data Streams. Evolving Systems, vol. 38, pp [11] Pedrycz, W. (2005) Knowledge-Based Clustering: From Data to Information Granules. John Wiley & Sons. [12] Specht, D. (1991) A General Regression Neural Network. IEEE Transactions on Neural Networks, vol. 2 (6), pp [13] Watts, M. (2009) A Decade of Kasabov Evolving Connectionist Systems: A Review. IEEE Transactions on System, Man and Cybernetics - Part C, vol. 39, pp [14] Yager, R.; Filev D. (1994) Approximate Clustering via the Mountain Method. IEEE Transactions on Systems and Cybernetics, vol. 24 (8), pp [1] Angelov, P; Filev, D. (2003) On-line Design of Takagi-Sugeno Models. Lecture Notes in Computer Science (IFSA 2003) (T. Bilgiç, B. De Baets, O. Kaynak Eds.), pp [2] Angelov, P.; Zhou, X. (2008) Evolving Fuzzy Rule-Based Classifiers from Data Streams. IEEE Transactions on Fuzzy Systems, vol. 16 (6), Special Issue on Evolving Fuzzy Systems, pp [3] Angelov, P.; Filev, D.; Kasabov, N. (2010) (Eds.) Evolving Intelligent Systems: Methodology and Applications. Wiley-IEEE Press Series on Computational Intelligence. [4] Angelov, P.; Filev, D. (2004) An Approach to On-line Identification of Takagi-Sugeno Fuzzy Models. IEEE Transactions on System, Man, and Cybernetics - Part B, vol. 34 (1), pp [5] Babuska, R. (1998) Fuzzy Modelling for Control. Kluwer Publishers - Dordrecht. [6] Kasabov, N. (1999) Evolving Connectionist Systems: A Theory and a Case Study on Adaptative Speech Recognition. IEEE Transactions on Fuzzy Systems, vol. 8, pp
ESTUDO DE CASO: LeCS: Ensino a Distância
ESTUDO DE CASO: LeCS: Ensino a Distância HERMOSILLA, Lígia Docente da Faculdade de Ciências Jurídicas e Gerenciais de Garça FAEG - Labienópolis - CEP 17400-000 Garça (SP) Brasil Telefone (14) 3407-8000
Leia maisDo neurônio biológico ao neurônio das redes neurais artificiais
Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais
Leia maisDesenvolvimento de uma Etapa
Desenvolvimento de uma Etapa A Fase Evolutiva do desenvolvimento de um sistema compreende uma sucessão de etapas de trabalho. Cada etapa configura-se na forma de um mini-ciclo que abrange as atividades
Leia maisFigura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001
47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações
Leia maisAlém do Modelo de Bohr
Além do Modelo de Bor Como conseqüência do princípio de incerteza de Heisenberg, o conceito de órbita não pode ser mantido numa descrição quântica do átomo. O que podemos calcular é apenas a probabilidade
Leia maisReconhecimento de Padrões Utilizando Filtros Casados
Detecção e estimação de sinais Reconhecimento de Padrões Utilizando Filtros Casados Aline da Rocha Gesualdi Mello, José Manuel de Seixas, Márcio Portes de Albuquerque, Eugênio Suares Caner, Marcelo Portes
Leia maisMétodo Dialético de Otimização usando o Princípio da Máxima Entropia
Learning and Nonlinear Models Revista da Sociedade Brasileira de Redes Neurais (SBRN) Vol 7 No. 2 pp. 54-64 2009 Método Dialético de Otimização usando o Princípio da Máxima Entropia Wellington Pinheiro
Leia maisAplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral
Aplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral Hedenir M. Pinheiro Instituto de Informática Universidade Federal de Goiás (UFG) Caixa Postal 131 74001-970 Goiânia
Leia maisRelatório Trabalho Prático 2 : Colônia de Formigas para Otimização e Agrupamento
Relatório Trabalho Prático 2 : Colônia de Formigas para Otimização e Agrupamento Ramon Pereira Lopes Rangel Silva Oliveira 31 de outubro de 2011 1 Introdução O presente documento refere-se ao relatório
Leia maisClassificação: Determinístico
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ Da mesma forma que sistemas os modelos de simulação podem ser classificados de várias formas. O mais usual é classificar os modelos
Leia mais3 Estratégia para o enriquecimento de informações
34 3 Estratégia para o enriquecimento de informações Podemos resumir o processo de enriquecimento de informações em duas grandes etapas, a saber, busca e incorporação de dados, como ilustrado na Figura
Leia maisExercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia maisCopyright Proibida Reprodução. Prof. Éder Clementino dos Santos
NOÇÕES DE OHSAS 18001:2007 CONCEITOS ELEMENTARES SISTEMA DE GESTÃO DE SSO OHSAS 18001:2007? FERRAMENTA ELEMENTAR CICLO DE PDCA (OHSAS 18001:2007) 4.6 ANÁLISE CRÍTICA 4.3 PLANEJAMENTO A P C D 4.5 VERIFICAÇÃO
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 maisITIL v3 - Operação de Serviço - Parte 1
ITIL v3 - Operação de Serviço - Parte 1 É na Operação de Serviço que se coordena e realiza as atividades e processos necessários para fornecer e gerenciar serviços em níveis acordados com o usuário e clientes
Leia mais3.1 Definições Uma classe é a descrição de um tipo de objeto.
Unified Modeling Language (UML) Universidade Federal do Maranhão UFMA Pós Graduação de Engenharia de Eletricidade Grupo de Computação Assunto: Diagrama de Classes Autoria:Aristófanes Corrêa Silva Adaptação:
Leia maisaplicada a problemas de poluição do ar
Biomatemática 17 (2007), 21 34 ISSN 1679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Programação matemática fuzzy aplicada a problemas de poluição do ar Luiza A. Pinto Cantão 1, Depto.
Leia maisRedes Neurais. A IA clássica segue o paradigma da computação simbólica
Abordagens não simbólicas A IA clássica segue o paradigma da computação simbólica Redes Neurais As redes neurais deram origem a chamada IA conexionista, pertencendo também a grande área da Inteligência
Leia maisRoteiro SENAC. Análise de Riscos. Planejamento do Gerenciamento de Riscos. Planejamento do Gerenciamento de Riscos
SENAC Pós-Graduação em Segurança da Informação: Análise de Riscos Parte 2 Leandro Loss, Dr. Eng. loss@gsigma.ufsc.br http://www.gsigma.ufsc.br/~loss Roteiro Introdução Conceitos básicos Riscos Tipos de
Leia maisGuia do professor. Introdução
Guia do professor Introdução Um dos objetivos comuns ao ensino de química e de física é a caracterização da matéria a partir de suas propriedades. Uma substância pode ser definida como uma porção de matéria
Leia maisEDITAL PARA CONTEUDISTA FEAD
EDITAL PARA CONTEUDISTA FEAD 1. CONCEPÇÃO Esta nova concepção de educação e aprendizagem tem seu eixo centrado no aluno, no professor e na gestão escolar (Paulo Sérgio). Diante disso, torna-se relevante
Leia mais2 Engenharia de Software
20 2 Engenharia de Software 2.1 Design de Sistemas Orientados a Objetos Os Sistemas Orientados a Objetos não são mais novidade hoje em dia já estando há muitos anos no mercado. A orientação a objetos permite
Leia maisGerenciamento de Projeto: Planejando os Riscos. Prof. Msc Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
Gerenciamento de Projeto: Planejando os Riscos Prof. Msc Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Sumário Introdução Planejar o Gerenciamento dos Riscos. Identificar os Riscos Realizar a Análise Qualitativa
Leia mais3 Qualidade de Software
3 Qualidade de Software Este capítulo tem como objetivo esclarecer conceitos relacionados à qualidade de software; conceitos estes muito importantes para o entendimento do presente trabalho, cujo objetivo
Leia mais2 Ferramentas Utilizadas
2 Ferramentas Utilizadas Esta dissertação utiliza vários outros trabalhos para implementar os mecanismos de adaptação abordados. Essas ferramentas são descritas nas seções seguintes. 2.1 Lua Lua [7, 8]
Leia maisGerência de Projetos Prof. Késsia Rita da Costa Marchi 3ª Série kessia@unipar.br
Gerência de Projetos Prof. Késsia Rita da Costa Marchi 3ª Série kessia@unipar.br Motivações Gerenciamento de projetos, vem sendo desenvolvido como disciplina desde a década de 60; Nasceu na indústria bélica
Leia maisProcessos de gerenciamento de projetos em um projeto
Processos de gerenciamento de projetos em um projeto O gerenciamento de projetos é a aplicação de conhecimentos, habilidades, ferramentas e técnicas às atividades do projeto a fim de cumprir seus requisitos.
Leia maisSP 01/06/92 NT 145/92. Conceitos Básicos na Operação de Semáforo. Núcleo de Estudos de Tráfego - NET. Objetivo
SP 01/06/92 NT 145/92 Conceitos Básicos na Operação de Semáforo Núcleo de Estudos de Tráfego - NET Objetivo O objetivo do presente trabalho é relatar alguns conceitos básicos na operação de semáforos apresentados
Leia maisMemória cache. Prof. Francisco Adelton
Memória cache Prof. Francisco Adelton Memória Cache Seu uso visa obter uma velocidade de acesso à memória próxima da velocidade das memórias mais rápidas e, ao mesmo tempo, disponibilizar no sistema uma
Leia maisAula 4 Estatística Conceitos básicos
Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a
Leia maisDocumentação da Pesquisa de Satisfação Sistemas de TI 2010
Assunto : Análise quantitativa referente à Pesquisa de Satisfação com os Sistemas de Tecnologia da Informação - TRT10-2010. 1. Introdução 1.1. O objetivo deste trabalho é documentar a análise quantitativa
Leia maisAnálise e Projeto de Software
Análise e Projeto de Software 1 Mundo Real Modelagem Elicitação Análise Problemas Soluções Gap Semântico Mundo Computacional Elicitação de Requisitos Análise de Requisitos Modelagem dos Requisitos 2 Projeto
Leia maisLista de Exercícios Tratamento de Incerteza baseado em Probabilidade
Lista de Exercícios Tratamento de Incerteza baseado em Probabilidade 1) Explique o termo probabilidade subjetiva no contexto de um agente que raciocina sobre incerteza baseando em probabilidade. 2) Explique
Leia maisTÉCNICAS DE PROGRAMAÇÃO
TÉCNICAS DE PROGRAMAÇÃO (Adaptado do texto do prof. Adair Santa Catarina) ALGORITMOS COM QUALIDADE MÁXIMAS DE PROGRAMAÇÃO 1) Algoritmos devem ser feitos para serem lidos por seres humanos: Tenha em mente
Leia maiswww.fundep.br/programacaptar, juntamente com este regulamento.
PROGRAMA DE CAPTAÇÃO DE RECURSOS FUNDEP REGULAMENTO PARA CADASTRAMENTO DE PROJETOS UFMG A Fundep//Gerência de Articulação de Parcerias convida a comunidade acadêmica da UFMG a cadastrar propostas de acordo
Leia maisMetadados. 1. Introdução. 2. O que são Metadados? 3. O Valor dos Metadados
1. Introdução O governo é um dos maiores detentores de recursos da informação. Consequentemente, tem sido o responsável por assegurar que tais recursos estejam agregando valor para os cidadãos, as empresas,
Leia maisEngenharia de Software II
Engenharia de Software II Aula 28 Revisão para a Prova 2 http://www.ic.uff.br/~bianca/engsoft2/ Aula 28-28/07/2006 1 Matéria para a Prova 2 Gestão de projetos de software Conceitos (Cap. 21) Métricas (Cap.
Leia maisAnais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014
MODELAGEM DE MOTORES DE COMBUSTÃO VIA MÉTODOS EVOLUTIVOS EMBARCADOS Israel Mendes Pyramo Costa Lourenço Bueno Daniel Leite Centro Federal de Educação Tecnológica de Minas Gerais, Nepomuceno - MG, Brasil
Leia maisTRANSMISSÃO DE DADOS Prof. Ricardo Rodrigues Barcelar http://www.ricardobarcelar.com
- Aula 3-1. A CAMADA DE REDE (Parte 1) A camada de Rede está relacionada à transferência de pacotes da origem para o destino. No entanto, chegar ao destino pode envolver vários saltos em roteadores intermediários.
Leia maisUNEMAT SISTEMA DE INFORMAÇÃO (SI) Professora: Priscila Pelegrini priscila_pelegrini@unemat-net.br
UNEMAT SISTEMA DE INFORMAÇÃO (SI) Professora: Priscila Pelegrini priscila_pelegrini@unemat-net.br SINOP MT 2015-1 COMO SÃO DESENVOLVIDOS OS SISTEMAS DE INFORMAÇÃO? São desenvolvimento como uma estrutura
Leia maisUNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO DEPARTAMENTO DE ESTATÍSTICA E INFORMÁTICA BACHARELADO EM SISTEMAS DE INFORMAÇÃO RAPID APPLICATION DEVELOPMENT
UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO DEPARTAMENTO DE ESTATÍSTICA E INFORMÁTICA BACHARELADO EM SISTEMAS DE INFORMAÇÃO RAPID APPLICATION DEVELOPMENT Disciplina: Modelagem a Programação Orientada a Objetos
Leia maisADMINISTRAÇÃO I. Família Pai, mãe, filhos. Criar condições para a perpetuação da espécie
1 INTRODUÇÃO 1.1 ORGANIZAÇÃO E PROCESSOS A administração está diretamente ligada às organizações e aos processos existentes nas mesmas. Portanto, para a melhor compreensão da Administração e sua importância
Leia maisObjetivos. Teoria de Filas. Teoria de Filas
Objetivos Teoria de Filas Michel J. Anzanello, PhD anzanello@producao.ufrgs.br 2 Teoria de Filas Filas estão presentes em toda a parte; Exemplos evidentes de fila podem ser verificados em bancos, lanchonetes,
Leia maisCADERNOS DE INFORMÁTICA Nº 1. Fundamentos de Informática I - Word 2010. Sumário
CADERNO DE INFORMÁTICA FACITA Faculdade de Itápolis Aplicativos Editores de Texto WORD 2007/2010 Sumário Editor de texto... 3 Iniciando Microsoft Word... 4 Fichários:... 4 Atalhos... 5 Área de Trabalho:
Leia maisc. Técnica de Estrutura de Controle Teste do Caminho Básico
1) Defina: a. Fluxo de controle A análise de fluxo de controle é a técnica estática em que o fluxo de controle através de um programa é analisado, quer com um gráfico, quer com uma ferramenta de fluxo
Leia maisLISTA DE VERIFICAÇAO DO SISTEMA DE GESTAO DA QUALIDADE
Questionamento a alta direção: 1. Quais os objetivos e metas da organização? 2. quais os principais Produtos e/ou serviços da organização? 3. Qual o escopo da certificação? 4. qual é a Visão e Missão?
Leia maisGerenciamento da Integração (PMBoK 5ª ed.)
Gerenciamento da Integração (PMBoK 5ª ed.) O PMBoK diz que: O gerenciamento da integração do projeto inclui os processos e as atividades necessárias para identificar, definir, combinar, unificar e coordenar
Leia maisModelos Pioneiros de Aprendizado
Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron
Leia maisNorma Interpretativa 2 Uso de Técnicas de Valor Presente para mensurar o Valor de Uso
Norma Interpretativa 2 Uso de Técnicas de Valor Presente para mensurar o Valor de Uso Esta Norma Interpretativa decorre da NCRF 12 - Imparidade de Activos. Sempre que na presente norma existam remissões
Leia maisO mecanismo de alocação da CPU para execução de processos constitui a base dos sistemas operacionais multiprogramados.
O mecanismo de alocação da CPU para execução de processos constitui a base dos sistemas operacionais multiprogramados. A multiprogramação tem como objetivo permitir que, a todo instante, haja algum processo
Leia maisClassificação de Sistemas: Sistemas Empresariais
Universidade do Contestado Campus Concórdia Curso de Ciências Contábeis Prof.: Maico Petry Classificação de Sistemas: Sistemas Empresariais DISCIPLINA: Sistemas de Informação Gerencial O QI da empresa
Leia maisCapítulo 2. Processos de Software. 2011 Pearson Prentice Hall. Todos os direitos reservados. slide 1
Capítulo 2 Processos de Software slide 1 Tópicos apresentados Modelos de processo de software. Atividades de processo. Lidando com mudanças. Rational Unified Process (RUP). Um exemplo de um processo de
Leia maisVISÃO GERAL DE BANCO DE DADOS
Banco de Dados BD_A007 Visão Geral de Banco de Dados 02 de março de 2005 VISÃO GERAL DE BANCO DE DADOS Relação de siglas utilizadas neste trabalho: ABD: Administrador de Banco de Dados. BD: Banco de Dados.
Leia maisDisciplina: Técnicas de Racionalização de Processos Líder da Disciplina: Rosely Gaeta NOTA DE AULA 04 O PROJETO DE MELHORIA DOS PROCESSOS
Disciplina: Técnicas de Racionalização de Processos Líder da Disciplina: Rosely Gaeta NOTA DE AULA 04 O PROJETO DE MELHORIA DOS PROCESSOS 3.4 O PROJETO DE MELHORIA DE PROCESSOS 3.4.1 - CONCEITO DE PROJETO
Leia maisControle da produção baseado em códigos de barras
Controle da produção baseado em códigos de barras Fábio Favaretto (PUCPR) fabiofav@ccet.pucpr.br Alfredo Iarozinski Neto (PUCPR) alfredo@ccet.pucpr.br Resumo O controle da produção é um processo que tem
Leia mais1 Propagação de Onda Livre ao Longo de um Guia de Ondas Estreito.
1 I-projeto do campus Programa Sobre Mecânica dos Fluidos Módulos Sobre Ondas em Fluidos T. R. Akylas & C. C. Mei CAPÍTULO SEIS ONDAS DISPERSIVAS FORÇADAS AO LONGO DE UM CANAL ESTREITO As ondas de gravidade
Leia maisPlanejamento 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 maisAgentes Inteligentes. Inteligência Artificial. Exemplos. Agentes Inteligentes. Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com
Agentes Inteligentes Inteligência Artificial Um agente é algo capaz de perceber seu ambiente por meio de sensores e de agir sobre esse ambiente por meio de atuadores. Agente Prof. Ms. Luiz Alberto Contato:
Leia maisSolução de problemas por meio de busca (com Python) Luis Martí DEE/PUC-Rio http://lmarti.com
Solução de problemas por meio de busca (com Python) Luis Martí DEE/PUC-Rio http://lmarti.com Python e AI (Re)-introdução ao Python. Problemas de busca e principais abordagens. Exemplos em Python Por que
Leia maisUNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE TECNOLOGIA AULA 14 PROFª BRUNO CALEGARO
UNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE TECNOLOGIA AULA 14 PROFª BRUNO CALEGARO Santa Maria, 01 de Novembro de 2013. Revisão aula passada Projeto de Arquitetura Decisões de projeto de Arquitetura
Leia maistextos documentos semi-estruturado
1 Mineração de Textos Os estudos em Aprendizado de Máquina normalmente trabalham com dados estruturados Entretanto, uma grande quantidade de informação é armazenada em textos, que são dados semiestruturados
Leia maisagility made possible
RESUMO DA SOLUÇÃO Utilitário ConfigXpress no CA IdentityMinder a minha solução de gerenciamento de identidades pode se adaptar rapidamente aos requisitos e processos de negócio em constante mudança? agility
Leia mais1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente.
TESTES NÃO - PARAMÉTRICOS As técnicas da Estatística Não-Paramétrica são, particularmente, adaptáveis aos dados das ciências do comportamento. A aplicação dessas técnicas não exige suposições quanto à
Leia maisORGANIZAÇÃO DE COMPUTADORES MÓDULO 1
ORGANIZAÇÃO DE COMPUTADORES MÓDULO 1 Índice 1. Introdução...3 1.1. O que é um Computador?... 3 1.2. Máquinas Multiníveis... 3 2 1. INTRODUÇÃO 1.1 O QUE É UM COMPUTADOR? Para estudarmos como um computador
Leia maisCurso e-learning CEP Controle Estatístico de Processo
Curso e-learning CEP Controle Estatístico de Processo Todos os direitos de cópia reservados. Não é permitida a distribuição física ou eletrônica deste material sem a permissão expressa do autor. Objetivos
Leia maisIII Seminário da Pós-graduação em Engenharia Elétrica
ESTUDO SOBRE A EXPANSÃO DO SISTEMA DE TRANSMISSÃO DE ENERGIA NO BRASIL Tiago Forti da Silva Aluno do Programa de Pós-Graduação em Engenharia Elétrica Unesp Bauru Prof. Dr. André Nunes de Souza Orientador
Leia maisEstudo de Casos 57. 5.1. Estudo de Caso 1: Velocidade Intervalar e Espessura da Camada
Estudo de Casos 57 5 Estudo de Casos Neste capítulo são relatados três estudos de caso com sismogramas de referência sintéticos que têm como objetivo avaliar o modelo proposto. Na descrição dos estudos
Leia maisCLASSIFICAÇÃO AUTOMÁTICA DE PATENTES COM O MODELO VETORIAL DE REPRESENTAÇÃO DE DOCUMENTOS
III SBA Simpósio Baiano de Arquivologia 26 a 28 de outubro de 2011 Salvador Bahia Políticas arquivísticas na Bahia e no Brasil CLASSIFICAÇÃO AUTOMÁTICA DE PATENTES COM O MODELO VETORIAL DE REPRESENTAÇÃO
Leia maisParte 1: Mainstreaming do HIV: O que é que isso significa?
Parte 1: Mainstreaming do HIV: O que é que isso significa? 1 1.1 UMA RESPOSTA BI-DIMENSIONAL PARA O HIV O programa da CAFOD e as respostas para o HIV no local de trabalho se enquadram em dois tipos, que
Leia maisNota Técnica 113/2007 SRD/SRE/ANEEL Metodologia para Projeção de Investimentos para o Cálculo do Fator X Contribuição da Audiência Publica 052/2007
Nota Técnica 113/2007 SRD/SRE/ANEEL Metodologia para Projeção de Investimentos para o Cálculo do Fator X Contribuição da Audiência Publica 052/2007 1 1. Estrutura do Trabalho : De forma que se pudesse
Leia maisEngenharia de Software
Conceitos básicos sobre E.S: Ambiência Caracterização do software Fases de desenvolvimento 1 Introdução Aspectos Introdutórios Crise do Software Definição de Engenharia do Software 2 Crise do Software
Leia maisALTERNATIVA PARA SIMPLIFICAÇÃO NA ESTRUTURA DE EXECUÇÃO DE PROJETOS SEIS-SIGMA
Blucher Engineering Proceedings Agosto de 2014, Número 2, Volume 1 ALTERNATIVA PARA SIMPLIFICAÇÃO NA ESTRUTURA DE EXECUÇÃO DE PROJETOS SEIS-SIGMA Cristiano Marques de Oliveira 1 1 Delphi Automotive Systems
Leia maisFigure 2 - Nós folhas de uma árvore binária representando caracteres ASCII
A ocorrência tamanho ASCII codificação de Huffman é um A Codificação método de compactação de Huffman caracteres (American e a variável codificação dos usado símbolos Standard para por cada muitas no Code
Leia maisDEFINIÇÃO DE ÁREAS POTENCIAIS AO RISCO DE DESLIGAMENTO DE LINHAS DE TRANSMISSÃO DEVIDO A INCÊNDIOS - PLANEJAMENTO E CRITÉRIOS DE MANUTENÇÃO
DEFINIÇÃO DE ÁREAS POTENCIAIS AO RISCO DE DESLIGAMENTO DE LINHAS DE TRANSMISSÃO DEVIDO A INCÊNDIOS - PLANEJAMENTO E CRITÉRIOS DE MANUTENÇÃO Giovani Eduardo Braga(1) Leonardo Santana O. Dias(2) Carlos Alberto
Leia maisCurvas em coordenadas polares
1 Curvas em coordenadas polares As coordenadas polares nos dão uma maneira alternativa de localizar pontos no plano e são especialmente adequadas para expressar certas situações, como veremos a seguir.
Leia maisDESCRIÇÃO DE UMA ESTRATEGIA PARA COMPETIÇÃO DE FUTEBOL DE ROBOS
DESCRIÇÃO DE UMA ESTRATEGIA PARA COMPETIÇÃO DE FUTEBOL DE ROBOS João Paulo Gonçalves Simim e Profa. Dra. Karla Boaventura Pimenta Palmieri Universidade Federal de Ouro Preto joaosimim@gmail.com CEP 35.400-000
Leia mais2 Pesquisa de valores em uma lista de dados
2 Pesquisa de valores em uma lista de dados Vinicius A. de Souza va.vinicius@gmail.com São José dos Campos, 2011. 1 Sumário Tópicos em Microsoft Excel 2007 Introdução...3 Funções PROCV e PROCH...3 PROCV...3
Leia maisGuia para usar o Toolkit
Guia para usar o Toolkit Parte do Toolkit, da Fundação PHG, para a Avaliação das Necessidades de Saúde em relação a Doenças Congênitas Versão: 1.1 setembro 2013 PHG Foundation is a charity registered in
Leia maisEng Civil Washington Peres Núñez Dr. em Engenharia Civil pela Universidade Federal do Rio Grande do Sul
PESQUISA ANÁLISE DE CARACTERÍSTICAS DE QUALIDADE DE MISTURAS ASFÁLTICAS PRODUZIDAS NA ATUALIDADE NO SUL DO BRASIL E IMPACTOS NO DESEMPENHO DE PAVIMENTOS FLEXÍVEIS. MANUAL DE OPERAÇÃO DO BANCO DE DADOS
Leia maisRedes de políticas: novos desafios para a gestão pública
Redes de políticas: novos desafios para a gestão pública Disciplina: INSTITUIÇÕES, ORGANIZAÇÕES E DESENVOLVIMENTO Profs.: Luiz Fernando Paulillo e Mauro Rocha Côrtes Doutoranda: Aldara da Silva César Texto:
Leia maisANÁLISE DE DIFERENTES MODELOS DE ATRIBUIÇÃO DE NOTAS DA AVALIAÇÃO INTEGRADORA (AVIN) DO CURSO DE ENGENHARIA CIVIL DO UNICENP
ANÁLISE DE DIFERENTES MODELOS DE ATRIBUIÇÃO DE NOTAS DA AVALIAÇÃO INTEGRADORA (AVIN) DO CURSO DE ENGENHARIA CIVIL DO UNICENP Flavia Viviani Tormena ftormena@unicenp.edu.br Júlio Gomes jgomes@unicenp.edu.br
Leia maisA construção de um manual sobre a utilização dos modelos também poderá alavancar o uso das representações. Este conteria a explicação detalhada da
6 Conclusões No âmbito do framework teórico da Engenharia Semiótica, este trabalho faz parte de um esforço conjunto para desenvolver ferramentas epistêmicas que apóiem a reflexão do designer durante o
Leia maisCurso: Engenharia de Software com Ênfase em Padrões de Software (UECE Universidade Estadual do Ceará) RUP
Conceitos RUP RUP, abreviação de Rational Unified Process (ou Processo Unificado da Rational), é um processo de Engenharia de software criado pela Rational Software Corporation(a qual foi incorporada pela
Leia mais5 Considerações finais
5 Considerações finais 5.1. Conclusões A presente dissertação teve o objetivo principal de investigar a visão dos alunos que se formam em Administração sobre RSC e o seu ensino. Para alcançar esse objetivo,
Leia maisAS CONTRIBUIÇÕES DAS VÍDEO AULAS NA FORMAÇÃO DO EDUCANDO.
AS CONTRIBUIÇÕES DAS VÍDEO AULAS NA FORMAÇÃO DO EDUCANDO. Autor: José Marcos da Silva Instituição: UFF/CMIDS E-mail: mzosilva@yahoo.com.br RESUMO A presente pesquisa tem como proposta investigar a visão
Leia maisProgramação Orientada a Objetos. Introdução à Análise Orientada a Objetos (AOO)
Programação Orientada a Objetos Introdução à Análise Orientada a Objetos (AOO) Cristiano Lehrer, M.Sc. Processo de Desenvolvimento de Software Um processo de software mostra os vários estágios do desenvolvimento
Leia mais3. Fase de Planejamento dos Ciclos de Construção do Software
3. Fase de Planejamento dos Ciclos de Construção do Software A tarefa de planejar os ciclos de construção do software pode partir de diretrizes básicas. Estas diretrizes visam orientar que os ciclos de
Leia maisUnidade 3: Personalizando o Excel *
Unidade 3: Personalizando o Excel * material do 2010* 3.0 Introdução Visto que você está fazendo este curso, você provavelmente passa ou espera passar muito tempo trabalhando com o Excel. Assim, você precisa
Leia maisAbordagem simples aos modos de falha com recurso a um software de organização e gestão da manutenção
Abordagem simples aos modos de falha com recurso a um software de organização e gestão da manutenção Marcelo Batista (1), José Fernandes (1) e Alexandre Veríssimo (1) mbatista@manwinwin.com; jcasimiro@navaltik.com;
Leia maisA EDUCAÇÃO PARA A EMANCIPAÇÃO NA CONTEMPORANEIDADE: UM DIÁLOGO NAS VOZES DE ADORNO, KANT E MÉSZÁROS
A EDUCAÇÃO PARA A EMANCIPAÇÃO NA CONTEMPORANEIDADE: UM DIÁLOGO NAS VOZES DE ADORNO, KANT E MÉSZÁROS Kely-Anee de Oliveira Nascimento Universidade Federal do Piauí kelyoliveira_@hotmail.com INTRODUÇÃO Diante
Leia mais2 Estudo dos Acoplamentos
24 2 Estudo dos Acoplamentos Um problema acoplado é aquele em que dois ou mais sistemas físicos interagem entre si e cujo acoplamento pode ocorrer através de diferentes graus de interação (Zienkiewicz
Leia maisComo enviar e receber correio eletrónico utilizando o Gmail
Como enviar e receber correio eletrónico utilizando o Gmail Este módulo pressupõe que que já tenha criado uma conta de correio eletrónico no Gmail (caso já não se recorde como deve fazer, consulte o nosso
Leia maisEngenharia de Software e Gerência de Projetos Prof. Esp. André Luís Belini Bacharel em Sistemas de Informações MBA em Gestão Estratégica de Negócios
Engenharia de Software e Gerência de Projetos Prof. Esp. André Luís Belini Bacharel em Sistemas de Informações MBA em Gestão Estratégica de Negócios Cronograma das Aulas. Hoje você está na aula Semana
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisUNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃO TÓPICOS AVANÇADOS EM SISTEMAS INTEGRADOS E DISTRIBUÍDOS II
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃO TÓPICOS AVANÇADOS EM SISTEMAS INTEGRADOS E DISTRIBUÍDOS II RELATÓRIO TÉCNICO ADORILSON BEZERRA DE ARAÚJO ANDRÉ GUSTAVO
Leia maisGerência de Projetos e EVTE. Fabiana Costa Guedes
Gerência de Projetos e Fabiana Costa Guedes 1 Agenda O que é um Projeto O que é Gerenciamento de Projetos O Contexto da Gerência de Projetos PMI Project Management Institute Ciclo de Vida do Projeto Áreas
Leia maisMotivação para o trabalho no contexto dos processos empresariais
Motivação para o trabalho no contexto dos processos empresariais Carlos Alberto Pereira Soares (UFF) carlos.uff@globo.com Wainer da Silveira e Silva, (UFF) wainer.uff@yahoo.com.br Christine Kowal Chinelli
Leia mais