PONDERAÇÃO DO KNN UTILIZANDO-SE DE MÉTODOS TRADICIONAIS DE SELEÇÃO DE ATRIBUTOS
|
|
- Maria de Belem Sintra Brezinski
- 8 Há anos
- Visualizações:
Transcrição
1 VALFREDO PILLA JR. PONDERAÇÃO DO KNN UTILIZANDO-SE DE MÉTODOS TRADICIONAIS DE SELEÇÃO DE ATRIBUTOS SEBASTIAN DAVID C. DE O. GALVÃO Aluno - Bacharelado em Informática - Centro Universitário Positivo / UnicenP sebastian.david@terra.com.br ESTEVAM RAFAEL HRUSCHKA JÚNIOR Professor - Bacharelado em Informática - Centro Universitário Positivo / UnicenP estevam@unicenp.br da Vinci, Curitiba, v. 1, n. 1, p ,
2 PONDERAÇÃO DO KNN UTILIZANDO-SE DE MÉTODOS TRADICIONAIS DE SELEÇÃO DE ATRIBUTOS RESUMO Métodos tradicionais de seleção de atributos têm sempre sido usados para a identificação da relevância de atributos em bases de dados de forma a se obter um subconjunto de atributos de maior relevância. Este trabalho apresenta a aplicação da seleção de atributos através do teste estatístico qui-quadrado no processo de ponderação dos atributos a serem utilizados pelo algoritmo Knn. Este algoritmo, calcado no aprendizado baseado em instâncias, compara um novo objeto (a ser classificado) com todos os demais que estão na sua base de dados para trazer a classificação. O objeto mais próximo ao novo é o que será considerado seu vizinho mais próximo e a classe do vizinho será considerada a classe do novo objeto. Essa comparação, aplicada de maneira direta, leva em conta que todos os atributos do objeto têm a mesma relevância, o que nem sempre é verdade. Assim torna-se importante ponderar os atributos para buscar um melhor desempenho do Knn. Palavras-chave: Aprendizado de máquina, seleção de atributos e classificação. ABSTRACT Traditional feature selection methods have been used for the identification of the relevance of attributes in databases. This work applies the chi-square (c 2 ) statistical test to weight the contribution of each of the features from a database in a classification task using the KNN algorithm. The learning process of the KNN (K-Nearest Neighbor) algorithm is an instance-based learning method. It stores the presented training data and when a new query instance is encountered, a set of similar related instances is retrieved from memory and used to classify the new query instance. Using the c 2 the relevance of each feature is considered to the identification of the nearest neighbor. Thus the traditional KNN can be optimized. Key words: Machine Learning, feature selection and classification. 116
3 SEBASTIAN DAVID C. DE O. GALVÃO E ESTEVAM RAFAEL HRUSCHKA JÚNIOR PONDERAÇÃO DO KNN UTILIZANDO-SE DE MÉTODOS TRADICIONAIS DE SELEÇÃO DE ATRIBUTOS SEBASTIAN DAVID C. DE O. GALVÃO / ESTEVAM RAFAEL HRUSCHKA JÚNIOR 1. INTRODUÇÃO O Knn ( K-nearest neighbors ou K-vizinhos mais próximos) (MITCHELL, 1997) é um dos algoritmos utilizados para data mining (mineração de dados). Originalmente, nenhum método de seleção de atribuídos é utilizado para este algoritmo. O método qui-quadrado pode ser utilizado para esta finalidade e, conforme os resultados, apresentou-se consistente. A grande quantidade de dados armazenadas nos bancos de dados empresariais cria um problema relativo ao que fazer, uma vez que dados puros, ou seja, sem tratamento, podem não ser muito úteis (OLESON et al., 2000). Há muitos dados e pouco conhecimento. A informação é a base fundamental das operações empresariais. Sistemas Gerenciadores de Banco de Dados permitem consultas aos dados, mas isso é só um pouco do que se pode fazer com esses sistemas. Dados analisados podem prover conhecimento adicional sobre um negócio, indo explicitamente além dos dados armazenados, para derivar conhecimento sobre o negócio. Desta forma, o processo chamado Knowledge Discovery in Databases (KDD) pode trazer benefícios para qualquer empreendimento. KDD é um processo não-trivial de identificar nos dados padrões válidos compreensíveis, novos e potencialmente úteis (FAYYAD et al., 1996). A análise dos dados consiste em muito mais que apenas mera computação quantitativa. O objetivo é buscar estruturas, modelos, padrões e associações (QIN, 2000). Por isso não é trivial. Data mining (mineração de dados) neste contexto é o processo da descoberta de conhecimento focado justamente na extração dos padrões dos dados utilizando-se de algum algoritmo, como o Knn por exemplo. Resumidamente, é necessário algum método (algoritmo) que consiga descobrir os padrões e relações entre os dados, constituindo o processo de data mining. Neste trabalho é proposta a utilização de um método de ponderação de variáveis agregada ao Knn como método para mineração dos dados. Para tanto na seção 1 são abordados trabalhos relacionados a este tema de pesquisa. A seção 2 apresenta o algoritmo Knn tradicional e a forma de aplicação do processo de ponderação. Na seção 3 são descritos a implementação do método proposto, as simulações executadas e os resultados obtidos. Finalmente na seção 4 são dadas as conclusões e apontados alguns trabalhos futuros relevantes. 2. TRABALHOS RELACIONADOS Não existe uma única forma de se aplicar o processo de ponderação de atributos no algoritmo Knn. Nesta seção são abordados alguns métodos clássicos para esta tarefa com base em (WETTSCHERECK, 1995 e LEE et al.,1994). São vistas duas abordagens, a pri- 117
4 PONDERAÇÃO DO KNN UTILIZANDO-SE DE MÉTODOS TRADICIONAIS DE SELEÇÃO DE ATRIBUTOS meira tratando diretamente sobre métodos para a ponderação e outro que a aborda em um contexto de validação cruzada Ponderação de Atributos Em (WETTSCHERECK, 1995) são definidas algumas técnicas para fazer a atribuições de pesos no Knn com o objetivo de que os atributos menos importantes recebam os menores pesos de forma a otimizar o processo de aplicação do algoritmo Knn. Um método para se ponderar o Knn é a utilização do conhecimento de um especialista humano no negócio, mas muitas vezes isso não é possível e então se torna necessário o uso de métodos que façam isso automaticamente. Segundo (WETTSCHERECK, 1995) cinco dimensões podem ser definidas para distinguir esses métodos: - Feedback : trata de casos em que o método de ponderação recebe alguma resposta (feedback) do Knn. São apresentadas duas técnicas para esse tipo: - Incremental hill-climbers: aumenta a similaridade de duas instâncias quando têm a mes ma classe, e diminui para as outras classes. Por exemplo: quando ocorre uma classifi cação correta, os atributos que possuem exatamente o mesmo valor tanto no objeto de treinamento quanto no de teste têm os seus pesos aumentados. Para os atributos com valores diferentes, seus pesos são decrementados. No caso das classificações incorretas ocorre justamente o contrário: os atributos de valores idênticos têm seus pesos diminuídos e os que não bateram aumentam seus pesos. Ou seja, nos casos de acerto, aumente os pesos dos atributos que influenciaram mais na decisão (tinham mais atributos iguais, logo tem grande chance de estar mais perto). E nas classificações incorretas, considera-se que atributos falsos estão sendo considerados, então diminui-se o peso deles. - Otimizadores contínuos: alteram os pesos utilizando casos de treinamento escolhi dos aleatoriamente. Pode-se, por exemplo, usar algoritmos genéticos em que a busca é guiada por alguns operadores genéticos e o fitness é baseado no acerto do treinamento. - Weight Space : o tamanho do espaço de busca para os pesos. Alguns métodos de ponderação utilizam previamente a seleção de atributos. Isso pode diminuir a dimensionalidade (quantidade de atributos) retirando atributos menos relevantes. - Representação: refere-se aos casos em que os atributos são modificados antes de receberem os pesos. - Generalidade: assume que a ponderação dos atributos pode variar em determinadas regiões do conjunto de treinamento. A maioria dos métodos leva em consideração o conjunto inteiro (global), mas nem sempre essa é a melhor forma. - Conhecimento: quando conhecimento específico do negócio é usado. Por exemplo: se há um analista do domínio, este poderia definir os atributos de maior relevância e, então, o algoritmo Knn seria utilizado. Os métodos que não levam em consideração a resposta do Knn (como os do Feedback) são chamados de ignorantes (WETTSCHERECK, 1995). Eles ignoram o retorno do classificador por isso recebem este nome. São apresentados três métodos com essa característica: 118
5 SEBASTIAN DAVID C. DE O. GALVÃO E ESTEVAM RAFAEL HRUSCHKA JÚNIOR - Probabilidades condicionais: fazem a discretização de atributos numéricos (criar faixas de valores) e binarizam os simbólicos (transformam as strings em valores binários). Este método tem duas subcategorias: - per category feature importance (PCF): atribui os pesos de acordo com o quanto um atributo está relacionado com a sua classe. Por exemplo: o peso do atributo X é definido pela probabilidade de uma instância ser de uma determinada classe dado o valor de X. - cross-category feature importance (CCF): faz uma média pelas classes. - Projeção de classe: dois objetos são similares se possuem atributos cujas respectivas projeções no conjunto de treinamento forem similares. - Informação mútua: a informação mútua entre duas variáveis é a redução da incerteza do valor de uma variável dado o valor de outra Aplicação da Validação Cruzada Moore e Lee (LEE et al.,1994) apresentam um tratamento para seleção de modelos que tenham o melhor desempenho para dados futuros. A validação cruzada pode ser um método recomendável para essa tarefa, porém pode ser de alto custo computacional. Na validação cruzada toda a base é testada, gerando, portanto, um alto custo computacional na maioria dos casos. Em algun casos, mesmo caracterizados por um grande conjunto de dados, é possível a identificação de um subconjunto suficiente para a identificação de um modelo com características desejáveis. Um modelo pode ser um conjunto de diferentes algoritmos de classificação ou diferentes arquiteturas de um mesmo algoritmo, por exemplo. O melhor modelo é aquele que prevê os dados futuros com melhor precisão (LEE et al.,1994). Alguns métodos estatísticos têm sido usados para a tarefa de seleção de modelos. Além desses há (LEE et al.,1994) uma modificação de uma versão Bayesiana de um outro método conhecido (Kaelbling s Interval Estimation (KAELBLING,1993)) também para a mesma finalidade. A idéia central desta abordagem de validação cruzada é a utilização de corridas entre os testes dos modelos. Assim os modelos com resultados menos favoráveis vão sendo eliminados e continuam na corrida os vencedores (que estariam tendo um melhor desempenho comparado com os demais modelos no momento). Novos modelos aderem à corrida, competindo com o vencedor anterior, e o processo se repete até se estimar o melhor modelo. Em (AHA et al., 1991 e AHA, 1990) é proposto um método onde a determinação dos pesos é operada localmente, ou seja, alguns atributos que são mais relevantes em certas partes do conjunto serão considerados e em outras partes (nas quais não sejam mais relevantes) serão ignorados. O método chamado de Schemata consiste em encontrar famílias de atributos de maior relevância, ou seja, criar grupos formados pelos atributos de maior semelhância. Em quantidades muito elevadas de atributos, sejam eles relevantes ou não, a utilização desse método é recomendada (LEE et al., 1994). 119
6 PONDERAÇÃO DO KNN UTILIZANDO-SE DE MÉTODOS TRADICIONAIS DE SELEÇÃO DE ATRIBUTOS 3. O ALGORITMO KNN O algoritmo Knn é um método básico do aprendizado baseado em instâncias. Este tipo de aprendizado consiste no armazenamento dos exemplos de treinamento sem, no entanto, a geração de uma regra como na maioria dos métodos convencionais de aprendizado. O modelo baseado em instâncias inclui o Knn, o qual assume que todas as instâncias correspondem a pontos num espaço n-dimensional (MITCHELL, 1997). Quando um novo objeto é apresentado para ser classificado, um conjunto de exemplos similares é recuperado do conjunto de treinamento e utilizado para classificar o novo objeto (BATISTA, 2003). Esses exemplos similares são os que possuem a menor distância no espaço dimensional e por isso este método é conhecido como Vizinho mais próximo (Nearest Neighbor). O Knn não é o único método de aprendizado baseado em instâncias, há também outros como, por exemplo, o locally weighted linear regression (ATKESON et al., 1997) e case based reasoning (CBR) (AAMODT et al., 1994). A característica em comum de todos esses métodos é que eles não geram um modelo para descrever os dados, e por isso são todos incluídos em métodos de aprendizado baseado em instâncias. As principais características do algoritmo Knn são (BATISTA, 2003): - pode ser utilizado para predizer tanto atributos qualitativos, por meio do cálculo da moda entre os k vizinhos mais próximos, quanto atributos quantitativos, por meio da média dos k vizinhos mais próximos. Esse k representa uma constante para quantos vizinhos mais próximos serão considerados. No caso de k=1 (1nn), será levado em conta o único vizinho mais próximo. Caso k=2, seriam os 2 mais próximos e assim por diante. - O algoritmo knn não cria modelos explícitos como, por exemplo, uma árvore de decisão ou um conjunto de regras. O próprio conjunto de dados é utilizado. Dessa forma, o knn pode ser facilmente adaptado para utilizar qualquer atributo como atributo classe. Essa adaptação é feita por meio da modificação de quais atributos devem ser considerados na função de distância. Há várias maneiras de se calcular essa distância. Entre elas há a Euclidiana, Manhattan e a overlap. Esta última geralmente é mais usada para atributos qualitativos (BATISTA, 2003) enquanto as duas primeiras geralmente para dados quantitativos. Porém este trabalho é focado somente nas distâncias Euclidiana e Manhattan. Também para conjuntos de dados formados por atributos discretos pode-se utilizar a técnica do Simple Matching Approach (HRUSCHKA et al., 2003). Uma vez que todos os exemplos de treinamento são simplesmente armazenados sem gerar-se um modelo preditivo, cada nova instância apresentada deverá percorrer toda a base de dados para encontrar o exemplo de maior similaridade, gerando um alto custo computacional. Além disso, na maioria das implementações consideram-se todos os atributos com pesos iguais, premissa nem sempre válida, pois podem existir atributos que descrevam mais eficientemente um determinado objeto. Nestes casos pode-se aplicar um processo de ponderação A ponderação com qui-quadrado Métodos tradicionais de seleção de atributos podem ser uma maneira de se ponderar o Knn. Neste trabalho será utilizado o teste estatístico qui-quadrado (LEVIN, 1987). A partir 120
7 SEBASTIAN DAVID C. DE O. GALVÃO E ESTEVAM RAFAEL HRUSCHKA JÚNIOR de cálculos de estatística, este método é capaz de criar um ranking dos atributos considerados mais influentes (WITTEN et al., 2000), os quais teriam maiores pesos no momento da classificação. Esse ranking é usado para atribuir um peso no cálculo da diferença. Por exemplo: supondo que no teste do qui-quadrado tenha-se determinado que o atributo x é o mais relevante e assim atribuído o peso 50 para ele (50 arbitrariamente, somente para exemplificar). No Knn padrão, na hora de se calcular a distância desse atributo de uma instância com outra seria feito: (Xn Xt)². No Knn ponderado seria: (Xn Xt)² * 50. Onde n corresponde a Nova instância, t a instância do conjunto de Treinamento e X é o atributo em questão O teste do qui-quadrado O teste de qui-quadrado (LEVIN, 1987) é um método não-paramétrico cujo princípio básico é comparar divergências entre os valores observados e os esperados. As categorias dos dados devem ser mutuamente exclusivas, ou seja, cada elemento está em uma e apenas uma categoria. Pode-se dizer que dois grupos se comportam de forma semelhante se as diferenças entre as freqüências observadas e as esperadas em cada categoria forem muito pequenas, próximas a zero. Trabalha-se com duas hipóteses nesse teste: - Não existe relação entre os grupos - Existe relação entre os grupos As freqüências observadas são calculadas dos dados das amostras e as esperadas são obtidas a partir destas. Depois de se calcular o qui-quadrado, procura-se na tabela de distribuição o valor crítico do qui-quadrado considerando o nível de significância adotado e os graus de liberdade. Se o qui-quadrado obtido for igual ou maior que o crítico, a hipótese de que não há relação deverá ser rejeitada Formas de determinação dos valores da ponderação Nas simulações realizadas neste trabalho, duas alternativas foram testadas: Numa PA de razão 1 O atributo mais relevante recebe valor n (n = número de atributos sem contar a classe). Exemplo: num caso de 5 atributos, em que um deles é a classe, o mais bem classificado no ranking receberia peso 4, o segundo colocado valor 3, o terceiro valor 2 e o quarto valor
8 PONDERAÇÃO DO KNN UTILIZANDO-SE DE MÉTODOS TRADICIONAIS DE SELEÇÃO DE ATRIBUTOS Numa PA de razão variável Nesta PA a razão é calculada por: -(X/n), onde X é um valor arbitrário, que será usado para o atributo mais relevante, e n corresponde ao número de atributos (sem a classe). Por exemplo: num caso de 5 atributos (em que um deles é a classe), supondo um valor X determinado em 20, o mais bem classificado atributo recebe peso 20, o próximo 15, 10 e 5. O motivo para se testar essas duas maneiras é que em alguns casos a primeira forma resulta em classificações muitos semelhantes comparadas ao Knn tradicional. Assim, é possível se obter resultados mais significativos com a segunda forma. 4. SIMULAÇÕES E RESULTADOS Foi criado um classificador Knn capaz de calcular as distâncias Euclidiana e Manhattan para qualquer base. Para que não haja uma influência maior de um atributo sobre outro, é realizada a normalização da base de dados antes de começar a classificação. O processo de normalização implementado consiste em equilibrar os valores (numéricos) dos atributos. Utiliza-se no caso uma faixa de 0 a 1 para todos os atributos, assim terão pesos iguais. Considere por exemplo, que em uma base de dados específica há atributos nos quais os valores (domínio da variável) podem variar de 4 até 15 e outros em que o domínio é definido por valores que vão de 8 até 21. O processo de normalização transforma proporcionalmente essas faixas para 0 até 1. No exemplo dado, na faixa de 4 até 15, um valor como 4 seria 0, 15 seria 1 e 9,5 ficaria 0,5. Para mais detalhes sobre a normalização em tarefas de classificação com o algoritmo Knn veja (MITCHELL, 1997). A metodologia utilizada nas simulações consiste em ler dois arquivos texto. O primeiro consiste em uma base de dados contendo casos que serão utilizados na busca do vizinho mais próximo (base de treinamento); e o segundo arquivo contém o casos a serem classificados (base de teste). Para minimização de tendências geradas pelas bases de treinamento e teste, estas são geradas a partir de um arquivo único através da aplicação de um processo de validação cruzada que trabalha com 5 conjuntos distintos (five-fold crossvalidation) (LIU et al.,1998). Para a classificação dos atributos foi usado o teste do qui-quadrado e a validação cruzada conforme explicado anteriormente. Os valores atribuídos aos atributos seguiram a seguinte regra: o maior recebe o valor 1000, e os demais 1000-(1000/NumeroAtributos). Ou seja, para uma base com 4 atributos (sem incluir a classe) tem-se 1000 como ponderação para o atributo mais bem classificado, 750 para o seguinte, 500 e assim por diante. Apesar de o programa que implementa o algoritmo das simulações utilizar apenas arquivos de texto é fácil a mudança para que utilize bancos de dados com acesso relacional devido à divisão em camadas do software. Os testes foram realizados com as bases Iris, Wisconsin Breast Cancer e Soybean, que estão disponíveis em (UCI). Para efeito de avaliação comparativa do método de ponderação as simulações foram realizadas aplicando-se o algoritmo Knn tradicional e em seguida o Knn com ponderação de qui-quadrado. Os resultados obtidos podem ser observados na tabela
9 SEBASTIAN DAVID C. DE O. GALVÃO E ESTEVAM RAFAEL HRUSCHKA JÚNIOR Tabela 1. Resultados da classificação das bases de dados utilizando-se o algoritmo Knn tradicional e o Knn ponderado com quiquadrado. O conteúdo numérico dos parênteses na primeira coluna da tabela representam o valor arbitrário X conforme o item deste trabalho. Na quinta linha, o valor sequencial é o descrito no item Através de uma validação cruzada com 5 folds (conjuntos) obteve-se a média dessas cinco classificações, o que gerou os valores contidos na tabela. São taxas de classificações corretas em porcentagem. 5. CONCLUSÃO Este trabalho apresenta um método de ponderação de atributos para o algoritmo Knn baseado no teste estatístico do qui-quadrado e avalia empiricamente seus resultados em tarefas de classificação. O método é aplicado a 3 bases de dados tradicionalmente utilizadas em testes de algoritmos de classificação e os resultados são comparados com os obtidos através da utilização do algoritmo Knn tradicional. Os resultados obtidos demonstram que para os três conjuntos de dados utilizados a ponderação através do qui-quadrado apresentou uma pequena melhora nas taxas de classificação e, desta forma, mostrou-se consistente. Nesses conjuntos de dados utilizados a melhora encontrada foi pequena, mas outros testes devem ser realizados e assim determinar o quão promissor realmente pode ser este método. Um outro ponto a ser destacado é a simplicidade computacional do método, ou seja, ao contrário da maioria dos métodos de ponderação (veja seção 1), a ponderação por quiquadrado não traz aumento da complexidade na tarefa de classificação, pois é um método linear em relação a quantidade de objetos na base de dados de treinamento. Um aspecto interessante a ser abordado como trabalho futuro é a comparação nos aspectos preditivo e de complexidade com relação a outros métodos tradicionais de ponderação do algoritmo Knn. Além disso, a aplicação do método proposto em mais bases de dados é necessária para uma melhor avaliação da robustez do processo. 123
10 PONDERAÇÃO DO KNN UTILIZANDO-SE DE MÉTODOS TRADICIONAIS DE SELEÇÃO DE ATRIBUTOS REFERÊNCIAS BIBLIOGRÁFICAS MITCHELL, T. M. In Machine Learning. McGraw-Hill, OLESON, V., SCHWAN, K., EISENHAUER, G., PLASE, B., PU, C., AMIN, D. Operational information systems - an example from the airline industry. In: WORKSHOP ON INDUSTRI- AL EXPERIENCES WITH SYSTEMS SOFTWARE,. 2000, WIESS. Proceedings. WIESS, FAYYAD, U. M.; SHAPIRO, G. P.; SMYTH, P. From data mining to knowledge discovery: an overview. Fayyad, U.M. et al (Ed.) Advances in Knowledge discovery and data mining, MIT Press, p QIN, J. Working with data: discovering knowledge through mining and analysis, bulletin of the American Society for Information Science, v. 27, n. 1, Oct./Nov WETTSCHERECK, D.; AHA, D. W. Weighting features. IN: INT. CONFERENCE ON CASE- BASED REASONING. 1., Proceeedings p LEE, M. S.; MOORE, A. W. Efficient algorithms for minimizing cross validation error. In: INTERNATIONAL CONFERENCE ON MACHINE LEARNING, 11., p KAELBLING, L. P. Learning in Embedded Systems. Cambridge, MA MIT Press, AHA, D.W., KIBLER, D., ALBERT, M. K. Instance-based learning algorithms. Machine Learning, 6:37-66, AHA, D. W. A study of instance-based algorithms for supervised learning tasks: mathematical, empirical and psychological evaluations. Novembro Tese (Doutorado) - University of California. BATISTA, G.A.P.A. Pré-processamento de dados em aprendizado de máquina supervisionado. Tese (Doutorado) Universidade de São Paulo, ATKESON, C. G.; MOORE, A. W.; SCHAAL, S. A. Locally weighted learning for control, In: AI Review, AAMODT, A., PLAZAS, E., Case-based reasoning: methodological variations, and system approaches. In: AI Communications, p , HRUSCHKA, E. R.; HRUSCHKA Júnior, E. R.; EBECKEN, N. F. F. Evaluating a nearestneighbor method to substitute continuous missing values, In: AUSTRALIAN JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE - AI 03, 16., 2003, Heidelberg. Lecture notes... Heidelberg: Springer-Verlag: Springer-Verlag,
11 SEBASTIAN DAVID C. DE O. GALVÃO E ESTEVAM RAFAEL HRUSCHKA JÚNIOR LEVIN, J. Estatística Aplicada a Ciências Humanas. Harbra, WITTEN, I. H., FRANK, E. Data mining: practical machine learning tools and techniques with Java implementations., San Francisco: Morgan Kaufmann, LIU, H.; MOTODA, H. Feature Selection for Knowledge Discovery and Data Mining. Kluwer Academic, UCI Machine Learning Repository. Disponível em MLSummary.html. Acesso em: 13 mar
Curva ROC. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE
Curva ROC George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Introdução ROC (Receiver Operating Characteristics) Curva ROC é uma técnica para a visualização e a seleção de classificadores baseado
Leia maisExtração de Conhecimento & Mineração de Dados
Extração de Conhecimento & Mineração de Dados Nesta apresentação é dada uma breve introdução à Extração de Conhecimento e Mineração de Dados José Augusto Baranauskas Departamento de Física e Matemática
Leia maisPESQUISA EM INFORMÁTICA -ESTILOS DE PESQUISA EM COMPUTAÇÃO. Prof. Angelo Augusto Frozza, M.Sc.
PESQUISA EM INFORMÁTICA -ESTILOS DE PESQUISA EM COMPUTAÇÃO Prof. Angelo Augusto Frozza, M.Sc. O TRABALHO DE CONCLUSÃO Introdução O texto que segue resume os Capítulo 2 e 8, do livro Metodologia de Pesquisa
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 maisPREVISÃO DE DEMANDA - O QUE PREVISÃO DE DEMANDA - TIPOS E TÉCNICAS DE PREVISÃO DE DEMANDA - MÉTODOS DE PREVISÃO - EXERCÍCIOS
CONTEÚDO DO CURSO DE PREVISÃO DE DEMANDA PROMOVIDO PELA www.administrabrasil.com.br - O QUE PREVISÃO DE DEMANDA - TIPOS E TÉCNICAS DE PREVISÃO DE DEMANDA - MÉTODOS DE PREVISÃO - EXERCÍCIOS - HORIZONTE
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 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 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 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 maisDiretrizes para determinação de intervalos de comprovação para equipamentos de medição.
Diretrizes para determinação de intervalos de comprovação para equipamentos de medição. De acordo com a Norma NBR 1001, um grande número de fatores influência a freqüência de calibração. Os mais importantes,
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 maisINVESTIMENTO A LONGO PRAZO 1. Princípios de Fluxo de Caixa para Orçamento de Capital
5 INVESTIMENTO A LONGO PRAZO 1. Princípios de Fluxo de Caixa para Orçamento de Capital 1.1 Processo de decisão de orçamento de capital A decisão de investimento de longo prazo é a decisão financeira mais
Leia maisA presente seção apresenta e especifica as hipótese que se buscou testar com o experimento. A seção 5 vai detalhar o desenho do experimento.
4 Plano de Análise O desenho do experimento realizado foi elaborado de forma a identificar o quão relevantes para a explicação do fenômeno de overbidding são os fatores mencionados na literatura em questão
Leia maisTrabalho 7 Fila de prioridade usando heap para simulação de atendimento
Trabalho 7 Fila de prioridade usando heap para simulação de atendimento Data: 21/10/2013 até meia-noite Dúvidas até: 09/10/2013 Faq disponível em: http://www2.icmc.usp.br/~mello/trabalho07.html A estrutura
Leia maisPlanejamento - 7. Planejamento do Gerenciamento do Risco Identificação dos riscos. Mauricio Lyra, PMP
Planejamento - 7 Planejamento do Gerenciamento do Risco Identificação dos riscos 1 O que é risco? Evento que representa uma ameaça ou uma oportunidade em potencial Plano de gerenciamento do risco Especifica
Leia maisFINANÇAS EM PROJETOS DE TI
FINANÇAS EM PROJETOS DE TI 2012 Exercícios de Fixação e Trabalho em Grupo - 2 Prof. Luiz Carlos Valeretto Jr. 1 1. O valor de depreciação de um item é seu: a) Valor residual. b) Custo inicial menos despesas
Leia maisAvaliando o que foi Aprendido
Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função
Leia maisBoletim. Contabilidade Internacional. Manual de Procedimentos
Boletim Manual de Procedimentos Contabilidade Internacional Custos de transação e prêmios na emissão de títulos e valores mobiliários - Tratamento em face do Pronunciamento Técnico CPC 08 - Exemplos SUMÁRIO
Leia maisFundamentos de Teste de Software
Núcleo de Excelência em Testes de Sistemas Fundamentos de Teste de Software Módulo 2- Teste Estático e Teste Dinâmico Aula 4 Projeto de Teste 1 SUMÁRIO INTRODUÇÃO... 3 ANÁLISE E PROJETO DE TESTE... 3 1.
Leia maisImplementando uma Classe e Criando Objetos a partir dela
Análise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 04 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO) Parte: 2 Prof. Cristóvão Cunha Implementando uma Classe
Leia maisOs Estilos de Pesquisa na Computação. TCC 2013. Profº Carlos José Maria Olguín prof.olguin@gmail.com carlos.olguin@unioeste.br
Os Estilos de Pesquisa na Computação TCC 2013. Profº Carlos José Maria Olguín prof.olguin@gmail.com carlos.olguin@unioeste.br O que é pesquisa? Procurar respostas para indagações propostas; No Michaelis,
Leia maisTeste de Software Parte 1. Prof. Jonas Potros
Teste de Software Parte 1 Prof. Jonas Potros Cronograma Verificação e Validação Teste de Software: Definição e Conceitos Técnicas de Teste Fases de Teste Processo de Teste Automatização do Processo de
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 maisEventos independentes
Eventos independentes Adaptado do artigo de Flávio Wagner Rodrigues Neste artigo são discutidos alguns aspectos ligados à noção de independência de dois eventos na Teoria das Probabilidades. Os objetivos
Leia maisRoteiro SENAC. Análise de Riscos. Análise Quantitativa de Riscos. Análise Quantitativa de Riscos. Análise Quantitativa de Riscos
SENAC Pós-Graduação em Segurança da Informação: Análise de Riscos Parte 5 Leandro Loss, Dr. Eng. loss@gsigma.ufsc.br http://www.gsigma.ufsc.br/~loss Roteiro Análise de Qualitativa Quantitativa Medidas
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 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 maisAlgoritmos Estruturas Seqüenciais. José Gustavo de Souza Paiva
Algoritmos Estruturas Seqüenciais José Gustavo de Souza Paiva 1 Introdução Objetivo básico da computação auxiliar os seres humanos em trabalhos repetitivos e braçais, diminuindo i i d esforços e economizando
Leia maisINSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA CURSO DE ESPECIALIZAÇÃO EM ANÁLISE DE AMBIENTE ELETROMAGNÉTICO CEAAE /2008 DISCIPLINA EE-09: Inteligência
Leia maisFMEA (Failure Model and Effect Analysis)
Definição FMEA (Failure Model and Effect Analysis) Conceitos Básicos A metodologia de Análise do Tipo e Efeito de Falha, conhecida como FMEA (do inglês Failure Mode and Effect Analysis), é uma ferramenta
Leia mais3 Previsão da demanda
42 3 Previsão da demanda Este capítulo estuda o processo de previsão da demanda através de métodos quantitativos, assim como estuda algumas medidas de erro de previsão. Num processo de previsão de demanda,
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 maisO modelo Entidade-Relacionamento. Agenda: -Modelagem de dados utilizando O Modelo Entidade-Relacionamento
O modelo Entidade-Relacionamento Agenda: -Modelagem de dados utilizando O Modelo Entidade-Relacionamento 1 Antes de começarmos: A modelagem conceitual é uma fase muito importante no plamejamento de um
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 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 maisBem-vindo ao curso delta Gerenciamento de peso para a versão 9.1. Este curso aborda a nova solução de peso introduzida nessa versão.
Bem-vindo ao curso delta Gerenciamento de peso para a versão 9.1. Este curso aborda a nova solução de peso introduzida nessa versão. Você deve ter bons conhecimentos de estoque, UM e administração de posições
Leia mais6. Pronunciamento Técnico CPC 23 Políticas Contábeis, Mudança de Estimativa e Retificação de Erro
TÍTULO : PLANO CONTÁBIL DAS INSTITUIÇÕES DO SISTEMA FINANCEIRO NACIONAL - COSIF 1 6. Pronunciamento Técnico CPC 23 Políticas Contábeis, Mudança de Estimativa e Retificação de Erro 1. Aplicação 1- As instituições
Leia maisGuia de utilização da notação BPMN
1 Guia de utilização da notação BPMN Agosto 2011 2 Sumário de Informações do Documento Documento: Guia_de_utilização_da_notação_BPMN.odt Número de páginas: 31 Versão Data Mudanças Autor 1.0 15/09/11 Criação
Leia mais1 INTRODUÇÃO 1.1 CONCEITO DE PARADIGMAS DE LINGUAGEM DE PROGRAMAÇÃO PARADIGMAS DE LINGUAGEM DE PROGRAMAÇÃO
1 INTRODUÇÃO 1.1 CONCEITO DE PARADIGMAS DE LINGUAGEM DE PROGRAMAÇÃO Desde o seu surgimento, o manuseio da computação é baseado em linguagens de programação. Ela permite que sejam construídos aplicativos
Leia mais3 Metodologia 3.1. Tipo de pesquisa
3 Metodologia 3.1. Tipo de pesquisa Escolher o tipo de pesquisa a ser utilizado é um passo fundamental para se chegar a conclusões claras e responder os objetivos do trabalho. Como existem vários tipos
Leia maisAnálise de Pontos de Função. Por Denize Terra Pimenta dpimenta_aula@yahoo.com.br
Análise de Pontos de Função Por Denize Terra Pimenta dpimenta_aula@yahoo.com.br 1 Não se consegue controlar o que não se consegue medir. 2 Bibliografia "Function Point Analysis: Measurement Practices for
Leia maisSistemas Operacionais. Prof. André Y. Kusumoto andrekusumoto.unip@gmail.com
Sistemas Operacionais Prof. André Y. Kusumoto andrekusumoto.unip@gmail.com Estruturas de Sistemas Operacionais Um sistema operacional fornece o ambiente no qual os programas são executados. Internamente,
Leia maisExtração de Árvores de Decisão com a Ferramenta de Data Mining Weka
Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka 1 Introdução A mineração de dados (data mining) pode ser definida como o processo automático de descoberta de conhecimento em bases de
Leia maisProbabilidade e Estatística I Antonio Roque Aula 11 Probabilidade Elementar: Novos Conceitos
Probabilidade Elementar: Novos Conceitos Vamos começar com algumas definições: Experimento: Qualquer processo ou ação bem definida que tenha um conjunto de resultados possíveis 1) Lançamento de um dado;
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 maisGráficos estatísticos: histograma. Série Software ferramenta
Gráficos estatísticos: histograma Série Software ferramenta Funcionalidade Este software permite a construção de histogramas a partir de uma tabela de dados digitada pelo usuário. Gráficos estatísticos:
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 mais7 - Análise de redes Pesquisa Operacional CAPÍTULO 7 ANÁLISE DE REDES. 4 c. Figura 7.1 - Exemplo de um grafo linear.
CAPÍTULO 7 7 ANÁLISE DE REDES 7.1 Conceitos Básicos em Teoria dos Grafos Diversos problemas de programação linear, inclusive os problemas de transporte, podem ser modelados como problemas de fluxo de redes.
Leia maisnatureza do projeto e da aplicação métodos e ferramentas a serem usados controles e produtos que precisam ser entregues
Modelo De Desenvolvimento De Software É uma representação abstrata do processo de desenvolvimento que define como as etapas relativas ao desenvolvimento de software serão conduzidas e interrelacionadas
Leia mais6 Considerações finais
6 Considerações finais O presente estudo teve como objetivo central estudar e auxiliar no entendimento do processo de decisão de compra de consumidores de supermercado que escolhem a Internet como canal.
Leia maisSumário. Deadlock. Definição. Recursos. M. Sc. Luiz Alberto lasf.bel@gmail.com
Sumário Condições para Ocorrência de Modelagem de Evitando deadlock Algoritmo do banqueiro M. Sc. Luiz Alberto lasf.bel@gmail.com Aula - SO 1 Definição Um conjunto de N processos está em deadlock quando
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 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 maisANÁLISE DOS RESULTADOS DOS PROGRAMAS DE APOIO ÀS PMEs NO BRASIL Resumo Executivo PARA BAIXAR A AVALIAÇÃO COMPLETA: WWW.IADB.
ANÁLISE DOS RESULTADOS DOS PROGRAMAS DE APOIO ÀS PMEs NO BRASIL Resumo Executivo PARA BAIXAR A AVALIAÇÃO COMPLETA: WWW.IADB.ORG/EVALUATION ANÁLISE DOS RESULTADOS DOS PROGRAMAS DE APOIO ÀS PMEs NO BRASIL
Leia mais4 Análise dos Resultados
4 Análise dos Resultados 4.1 Construção do o de Regressão Logística No SPSS 13.0, foi aplicado o modelo de regressão logística binário, método stepwise foward, para definir o modelo final que minimiza
Leia maisCasos de uso Objetivo:
Casos de uso Objetivo: Auxiliar a comunicação entre os analistas e o cliente. Descreve um cenário que mostra as funcionalidades do sistema do ponto de vista do usuário. O cliente deve ver no diagrama de
Leia maisPrincípios do teste de software
Teste de Software Princípios do teste de software Conforme a Lei de Pareto, 80% dos erros podem ser localizados em 20% do projeto, geralmente nos módulos principais do sistema; A atividade de teste não
Leia mais5 CONCLUSÃO. 5.1. Resumo
70 5 CONCLUSÃO 5.1. Resumo Conforme visto no capítulo anterior, por meio das análises dos resultados da pesquisa de campo, realizadas no software SPSS 17.0 versão Windows, foram obtidas as funções de utilidade;
Leia maisPROBABILIDADE Prof. Adriano Mendonça Souza, Dr.
PROBABILIDADE Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM - O intelecto faz pouco na estrada que leva à descoberta, acontece um salto na consciência, chameo de
Leia maisProgramação Orientada a Objeto
Programação Orientada a Objeto Classes, Atributos, Métodos e Objetos Programação de Computadores II Professor: Edwar Saliba Júnior 1) Java é uma linguagem orientada a objetos. Para que possamos fazer uso
Leia maisUNIDADE 6 - PROGRAMAÇÃO MODULAR
UNIDADE 6 - PROGRAMAÇÃO MODULAR Até o momento as estruturas de controle (seqüência, seleção e repetição) de um algoritmo definia-o como um bloco lógico (início e fim). À medida que os problemas a serem
Leia maisArquitetura de processadores: RISC e CISC
Arquitetura de processadores: RISC e CISC A arquitetura de processador descreve o processador que foi usado em um computador. Grande parte dos computadores vêm com identificação e literatura descrevendo
Leia maisSumário. 1 Introdução. Demonstrações Contábeis Decifradas. Aprendendo Teoria
Sumário 1 Introdução... 1 2 Instrumentos Financeiros e Conceitos Correlatos... 2 3 Classificação e Avaliação de Instrumentos Financeiros... 4 4 Exemplos s Financeiros Disponíveis para Venda... 7 4.1 Exemplo
Leia maisMedindo a Produtividade do Desenvolvimento de Aplicativos
Medindo a Produtividade do Desenvolvimento de Aplicativos Por Allan J. Albrecht Proc. Joint SHARE/GUIDE/IBM Application Development Symposium (October, 1979), 83-92 IBM Corporation, White Plains, New York
Leia maisTÓPICO ESPECIAL DE CONTABILIDADE: IR DIFERIDO
TÓPICO ESPECIAL DE CONTABILIDADE: IR DIFERIDO! O que é diferimento?! Casos que permitem a postergação do imposto.! Diferimento da despesa do I.R.! Mudança da Alíquota ou da Legislação. Autores: Francisco
Leia maisGerenciamento do Tempo do Projeto (PMBoK 5ª ed.)
Gerenciamento do Tempo do Projeto (PMBoK 5ª ed.) O gerenciamento do tempo inclui os processos necessários para gerenciar o término pontual do projeto, logo o cronograma é uma das principais restrições
Leia maisESTUDO 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 maisfunção de produção côncava. 1 É importante lembrar que este resultado é condicional ao fato das empresas apresentarem uma
90 6. CONCLUSÃO Segundo a teoria microecônomica tradicional, se as pequenas empresas brasileiras são tomadores de preços, atuam nos mesmos mercados e possuem a mesma função de produção, elas deveriam obter
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 maisGerenciamento de Projetos Modulo VIII Riscos
Gerenciamento de Projetos Modulo VIII Riscos Prof. Walter Cunha falecomigo@waltercunha.com http://waltercunha.com Bibliografia* Project Management Institute. Conjunto de Conhecimentos em Gerenciamento
Leia maisUML: Diagrama de Casos de Uso, Diagrama de Classes
UML: Diagrama de Casos de Uso, Diagrama de Classes Diagrama de Casos de Uso O modelo de casos de uso visa responder a pergunta: Que usos (funcionalidades) o sistema terá? ou Para que aplicações o sistema
Leia maisComputador E/S, Memória, Barramento do sistema e CPU Onde a CPU Registradores, ULA, Interconexão interna da CPU e Unidade de controle.
Introdução Os principais elementos de um sistema de computação são a unidade central de processamento (central processing unit CPU), a memória principal, o subsistema de E/S (entrada e saída) e os mecanismos
Leia mais5910178 Fundamentos de Física e Matemática para Biologia-FFCLRP-USP Primeiro Semestre de 2007 Professor: Antônio C. Roque (DFM-FFCLRP-USP)
5910178 Fundamentos de Física e Matemática para Biologia-FFCLRP-USP Primeiro Semestre de 2007 Professor: Antônio C. Roque (DFM-FFCLRP-USP) Horário: Segundas e terças-feiras das 10:00 as 12:00 hs Sala do
Leia maisMÓDULO 1. I - Estatística Básica
MÓDULO 1 I - 1 - Conceito de Estatística Estatística Técnicas destinadas ao estudo quantitativo de fenômenos coletivos e empíricamente observáveis. Unidade Estatística nome dado a cada observação de um
Leia maisSistema de mineração de dados para descobertas de regras e padrões em dados médicos
Sistema de mineração de dados para descobertas de regras e padrões em dados médicos Pollyanna Carolina BARBOSA¹; Thiago MAGELA² 1Aluna do Curso Superior Tecnólogo em Análise e Desenvolvimento de Sistemas
Leia mais4 Avaliação Experimental
4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre
Leia maisAvaliação de Desempenho de Sistemas
Avaliação de Desempenho de Sistemas Introdução a Avaliação de Desempenho de Sistemas Prof. Othon M. N. Batista othonb@yahoo.com Roteiro Definição de Sistema Exemplo de Sistema: Agência Bancária Questões
Leia maisAdministração da Produção I
Administração da Produção I Manutenção Manutenção Manutenção: Termo usado para abordar a forma pela qual organizações tentam evitar as falhas cuidando de suas instalações físicas. É uma parte importante
Leia maisA GESTÃO E AVALIAÇÃO DE DESEMPENHO NA INCUBADORA TÉCNOLÓGICA UNIVAP
A GESTÃO E AVALIAÇÃO DE DESEMPENHO NA INCUBADORA TÉCNOLÓGICA UNIVAP Feitosa, R. 1, Santos, J. 2, Lourenção, P. 3 123 Curso de Administração de Empresas, Faculdade de Ciências Sociais Aplicadas. Univap
Leia maisO planejamento do projeto. Tecnologia em Gestão Pública Desenvolvimento de Projetos Aula 8 Prof. Rafael Roesler
O planejamento do projeto Tecnologia em Gestão Pública Desenvolvimento de Projetos Aula 8 Prof. Rafael Roesler 2 Introdução Processo de definição das atividades Sequenciamento de atividades Diagrama de
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 mais9 Como o aluno (pré)adolescente vê o livro didático de inglês
Cap. 9 Como o aluno (pré)adolescente vê o livro didático de inglês 92 9 Como o aluno (pré)adolescente vê o livro didático de inglês Nesta parte do trabalho, analisarei alguns resultados da análise dos
Leia maisIntrodução. Capítulo. 1.1 Considerações Iniciais
Capítulo 1 Introdução 1.1 Considerações Iniciais A face humana é uma imagem fascinante, serve de infinita inspiração a artistas há milhares de anos. Uma das primeiras e mais importantes habilidades humanas
Leia mais1. Introdução. Avaliação de Usabilidade Página 1
1. Introdução Avaliação de Usabilidade Página 1 Os procedimentos da Avaliação Heurística correspondem às quatro fases abaixo e no final é apresentado como resultado, uma lista de problemas de usabilidade,
Leia maisBem-vindo ao tópico sobre administração de listas de preços.
Bem-vindo ao tópico sobre administração de listas de preços. Nesse tópico, você aprenderá a administrar listas de preços no SAP Business One. Sua empresa atualiza múltiplas listas de preços para fornecer
Leia maisManual das planilhas de Obras v2.5
Manual das planilhas de Obras v2.5 Detalhamento dos principais tópicos para uso das planilhas de obra Elaborado pela Equipe Planilhas de Obra.com Conteúdo 1. Gerando previsão de custos da obra (Módulo
Leia maisGerenciamento de Projetos Modulo II Clico de Vida e Organização
Gerenciamento de Projetos Modulo II Clico de Vida e Organização Prof. Walter Cunha falecomigo@waltercunha.com http://waltercunha.com Bibliografia* Project Management Institute. Conjunto de Conhecimentos
Leia maisUM POUCO SOBRE GESTÃO DE RISCO
UM POUCO SOBRE GESTÃO DE RISCO Por Hindemburg Melão Jr. http://www.saturnov.com Certa vez o maior trader de todos os tempos, Jesse Livermore, disse que a longo prazo ninguém poderia bater o Mercado. Ele
Leia maisPreparação do Trabalho de Pesquisa
Preparação do Trabalho de Pesquisa Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Pesquisa Bibliográfica Etapas do Trabalho de Pesquisa
Leia maisAdministração da Produção I
Administração da Produção I Manutenção Manutenção Manutenção: Termo usado para abordar a forma pela qual organizações tentam evitar as falhas cuidando de suas instalações físicas. É uma parte importante
Leia maisUnidade III FUNDAMENTOS DA GESTÃO FINANCEIRA
Unidade III 8 GESTÃO DE RISCOS Neste módulo, trabalharemos a importância do gerenciamento dos riscos econômicos e financeiros, focando alguns exemplos de fatores de riscos. Estudaremos também o cálculo
Leia maisCom metodologias de desenvolvimento
Sociedade demanda grande quantidade de sistemas/aplicações software complexo, sistemas distribuídos, heterogêneos requisitos mutantes (todo ano, todo mês, todo dia) Mas, infelizmente, não há gente suficiente
Leia maisPLANEJAMENTO OPERACIONAL - MARKETING E PRODUÇÃO MÓDULO 11 PESQUISA DE MERCADO
PLANEJAMENTO OPERACIONAL - MARKETING E PRODUÇÃO MÓDULO 11 PESQUISA DE MERCADO Índice 1. Pesquisa de mercado...3 1.1. Diferenças entre a pesquisa de mercado e a análise de mercado... 3 1.2. Técnicas de
Leia maisEstratégias adotadas pelas empresas para motivar seus funcionários e suas conseqüências no ambiente produtivo
Estratégias adotadas pelas empresas para motivar seus funcionários e suas conseqüências no ambiente produtivo Camila Lopes Ferreir a (UTFPR) camila@pg.cefetpr.br Dr. Luiz Alberto Pilatti (UTFPR) lapilatti@pg.cefetpr.br
Leia maisChaves. Chaves. O modelo relacional implementa dois conhecidos conceitos de chaves, como veremos a seguir:
Chaves 1 Chaves CONCEITO DE CHAVE: determina o conceito de item de busca, ou seja, um dado que será empregado nas consultas à base de dados. É um conceito lógico da aplicação (chave primária e chave estrangeira).
Leia maisBACHARELADO EM SISTEMAS DE INFORMAÇÃO EaD UAB/UFSCar Sistemas de Informação - prof. Dr. Hélio Crestana Guardia
O Sistema Operacional que você usa é multitasking? Por multitasking, entende-se a capacidade do SO de ter mais de um processos em execução ao mesmo tempo. É claro que, num dado instante, o número de processos
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 maisPrimeiros passos das Planilhas de Obra v2.6
Primeiros passos das Planilhas de Obra v2.6 Instalação, configuração e primeiros passos para uso das planilhas de obra Elaborado pela Equipe Planilhas de Obra.com Conteúdo 1. Preparar inicialização das
Leia maisIntrodução Já acessou rede social Acessam semanalmente Acessam diariamente USA Brasil Argentina México
O século XIX ficou conhecido como o século europeu; o XX, como o americano. O século XXI será lembrado como o Século das Mulheres. (Tsvi Bisk, Center for Strategic Futurist Thinking, 2008) A Sophia Mind,
Leia mais