Aprendizagem de Máquina. Ivan Medeiros Monteiro

Tamanho: px
Começar a partir da página:

Download "Aprendizagem de Máquina. Ivan Medeiros Monteiro"

Transcrição

1 Aprendizagem de Máquina Ivan Medeiros Monteiro

2 Definindo aprendizagem Dizemos que um sistema aprende se o mesmo é capaz de melhorar o seu desempenho a partir de suas experiências anteriores. O aprendizado envolve a generalização a partir da experiência O desempenho deve melhorar não apenas na repetição da mesma tarefa, mas também nas tarefas similares do domínio

3 O desafio do aprendizagem Na maioria dos problemas de aprendizagem, os dados disponíveis não são suficientes para garantir a generalização ótima Por isso, os algoritmos de aprendizagem de máquinas são heurísticas que variam nos seus objetivos, na disponibilidade de dados de treinamento, nas estratégias de aprendizagem e na representação do conhecimento.

4 Problemas de aprendizagem Reconhecimento de assinaturas Classificar mensagens Identificação perfil Sugestão de compra Interação em ambientes desconhecidos Agrupar itens com características semelhantes Decidir corretamente em situação desconhecida.

5 Tipos de aprendizagem Supervisionado O sistema tem feedback sobre suas experiências Com instrutor O sistema é informado sobre seus erros e quais os resultados esperados. Com crítico O sistema apenas recebe crítica de bom ou ruim. Não supervisionado O sistema precisa identificar relações existentes no seu conjunto de experiências

6 Aprendizagem de Modelos Modelos preditos Reconhecimento de assinaturas Classificar mensagens Identificação perfil Modelos associativos Sugestão de compra Modelos descritivos Agrupar itens com características semelhantes Modelos interativos Decidir corretamente em situação desconhecida. Interação em ambientes desconhecidos

7 Modelos Descritivos Em geral, a tarefa de geração de um modelo descritivo consiste em analisar os dados do domínio e sugerir uma partição deste domínio, de acordo com similaridades observadas nos dados Descoberta de particionamentos Modelo de agrupamento dos dados

8 Modelos Descritivos: Agrupamento Agrupar plantas em três grupos distintos com base nas medidas de suas pétalas e sépalas.

9 Modelos Associativos Um modelo associativo é um caso especial de um modelo descritivo A tarefa de geração de um modelo associativo consiste em analisar os dados do domínio e encontrar co-ocorrências de valores de atributos. Um modelo associativo é normalmente representado por um conjunto de regras de associação.

10 Modelos Associativos: Cesta de Compras Consiste em analisar transações de compras de clientes e determinar quais são os itens que frequentemente são comprados juntos.

11 Modelos Preditivos A tarefa de geração de um modelo preditivo consiste em aprender um mapeamento de entrada para a saída. Neste caso, os dados contêm os valores de saída desejados, correspondente para cada amostra Classificação: saídas discretas representam rótulos de classe. Regressão: saídas contínuas representam valores de variáveis dependentes.

12 Modelos Preditivos: Classificação Dado um conjunto de treinamento, com exemplos rotulados das plantas, aprender a classificá-las corretamente com base em suas medidas.

13 Modelos Preditivos: Classificação Reconhecimento de assinaturas A partir de um conjunto de assinaturas de uma pessoa, utilizadas para o treinamento do modelo, identificar se uma nova assinatura pertence a esta pessoa. Classificação de mensagens A partir de um conjunto de mensagens definidas pelo usuário como SPAM, identificar se a nova mensagem é SPAM ou não.

14 Aprendizagem por Reforço Técnica que possibilita a aprendizagem a partir da interação com o ambiente. A interação com o ambiente permite inferir relações de causa e efeito sobre as conseqüências de nossas ações e sobre o que fazer para atingir nossos objetivos. Aprender por reforço significa aprender o que fazer - como realizar o mapeamento de situações em ações (comportamento) - de modo a maximizar um sinal numérico de recompensa.

15 Aprendizagem por Reforço Não se dispõe da informação sobre quais ações devem ser tomadas, mas o ambiente permite uma avaliação crítica das ações realizadas. O sistema de aprendizagem deve descobrir quais ações têm mais chances de produzir recompensa, e realizá-las. Nos casos mais interessantes e difíceis as ações podem afetar não apenas a recompensa imediata mas também a próxima situação e através dela todas as recompensas subseqüentes.

16 Aprendizagem interativa através de agentes Um agente pode ser visto como uma modelagem conceitual que utiliza a forma de interação, através de percepções e ações, na tentativa de alcançar uma solução para o problema. O objeto com o qual o agente interage é chamado de ambiente A interação se dá com o agente selecionando ações e o ambiente respondendo a estas ações apresentando novas situações para o agente.

17 Política de Ações Definição do problema π(s,a) : (S x A ) (S x R) cada instante de tempo t: O agente está no estado s t. Executa um ação a t Que o levar para o estado s t+1 Com isso agente recebe uma recompensa r(s t,a t ) Objetivo: Encontrar a política de ações que maximize o total de recompensas recebidas pelo agente.

18 Função de Utilidade U(s) : S R, sendo: S o conjunto dos estados R o conjunto dos reais, representando o valor da utilidade Normalmente representado como uma tabela que mapeia cada estado em sua utilidade Constrói um modelo de transição de estados

19 Método de Valor das Ações Qπ(s,a) : (S x A) R, onde: S é o conjunto dos estados possíveis. A é o conjunto das ações possíveis R é o conjunto real que representa os valores de recompensa recebidos pelo agente. Pode ser representada como uma tabela com o valor de cada par (estado X ação) Método utilizado pelo algoritmo Q-Learning

20 Algoritmo Q-Learning Inicializar Q(s,a), arbitrário Repetir ( para cada episódio ): Inicializar s Repetir ( para cada passo até o objetivo ): Escolher a ação a com base numa política derivada de Q Realizar a ação a Observar o recompensa r e o novo estado s' V = r + γ max a' Q(s', a') Q(s,a) += α[v Q(s,a)] s s', a a'

21 Desviando de obstáculo (Início) Definição do problema Encontrar a flor com o menor desgaste possível. Estados S = {s1, s2, s3, s4, s5, s6} Ações possíveis A = {Frente, Cima, Baixo} Inicialização Q(s,a) = 0, s, a Ações Recompensa γ = 0.5 α = 0.5

22 Desviando de obstáculo (Época 1) s s4 Ações Escolher ação baseado em Q Q(s4,frente)=0 Q(s4,cima)=0 Ação: frente r = -100 s' s5 V = r + γ max a' Q(s', a') V = * max a' Q(s5, a') V= -100 Recompensa Q(s,a) += α[v Q(s,a)] Q(s4,frente) += 0.5*[-100 0] Q(s4,frente) = - 50

23 Desviando de obstáculo (Época 1) s s5 Ações Escolher ação baseado em Q Q(s5,frente)=0 Q(s5,cima)=0 Ação: frente r = 1 s' s6 V = r + γ max a' Q(s', a') V = * max a' Q(s6, a') V= 1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s5,frente) += 0.5*[1 0] Q(s5,frente) = 0.5

24 Desviando de obstáculo (Época 2) s s4 Ações Escolher ação baseado em Q Q(s4,frente)=-50 Q(s4,cima)=0 Ação: cima r = -1 s' s1 V = r + γ max a' Q(s', a') V = * max a' Q(s1, a') V= -1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s4,cima) += 0.5*[-1 0] Q(s4,cima) = - 0.5

25 Desviando de obstáculo (Época 2) s s1 Ações Escolher ação baseado em Q Q(s1,frente)=0 Q(s1,baixo)=0 Ação: frente r = -1 s' s2 V = r + γ max a' Q(s', a') V = * max a' Q(s2, a') V= -1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s1,frente) += 0.5*[-1 0] Q(s1,frente) = - 0.5

26 Desviando de obstáculo (Época 2) s s2 Ações Escolher ação baseado em Q Q(s2,frente)=0 Q(s2,baixo)=0 Ação: frente r = -1 s' s3 V = r + γ max a' Q(s', a') V = * max a' Q(s3, a') V= -1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s2,frente) += 0.5*[-1 0] Q(s2,frente) = - 0.5

27 Desviando de obstáculo (Época 2) s s3 Escolher ação baseado em Q Q(s3,baixo)=0 Ação: baixo r = 1 s' s6 V = r + γ max a' Q(s', a') V = * max a' Q(s6, a') V= 1 Q(s,a) += α[v Q(s,a)] Q(s3,baixo) += 0.5*[1 0] Q(s3,baixo) = 0.5 Ações Recompensa

28 Desviando de obstáculo (Época 3) s s4 Ações Escolher ação baseado em Q Q(s4,frente)=-50 Q(s4,cima)=-0.5 Ação: cima r = -1 s' s1 V = r + γ max a' Q(s', a') V = * max a' Q(s1, a') V= -1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s4,cima) += 0.5*[ ] Q(s4,cima) =

29 Desviando de obstáculo (Época 3) s s1 Ações Escolher ação baseado em Q Q(s1,frente)=-0.5 Q(s1,baixo)=0 Ação: baixo r = -1 s' s4 V = r + γ max a' Q(s', a') V = * max a' Q(s4, a') V= -1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s1,baixo) += 0.5*[-1 0] Q(s1, baixo) = - 0.5

30 Desviando de obstáculo (Época 3) s s4 Ações Escolher ação baseado em Q Q(s4,frente)=-50 Q(s4,cima)=-0.75 Ação: cima r = -1 s' s1 V = r + γ max a' Q(s', a') V = * max a' Q(s1, a') V= Recompensa Q(s,a) += α[v Q(s,a)] Q(s4,cima) += 0.5*[ ] Q(s4,cima) =

31 Desviando de obstáculo (Época 3) s s1 Ações Escolher ação baseado em Q Q(s1,frente)=-0.5 Q(s1,baixo)=-0.5 Ação: frente r = -1 s' s2 V = r + γ max a' Q(s', a') V = * max a' Q(s2, a') V= -1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s1, frente) += 0.5*[ ] Q(s1, frente) =

32 Desviando de obstáculo (Época 3) s s2 Ações Escolher ação baseado em Q Q(s2,frente)=-0.5 Q(s2,baixo)= 0 Ação: baixo r = -100 s' s5 V = r + γ max a' Q(s', a') V = * max a' Q(s5, a') V= -1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s2, baixo) += 0.5*[ ] Q(s2, baixo) = - 50

33 Desviando de obstáculo (Época 3) s s5 Ações Escolher ação baseado em Q Q(s5,frente)=0.5 Q(s5,cima)= 0 Ação: frente r = 1 s' s6 V = r + γ max a' Q(s', a') V = * max a' Q(s6, a') V= 1 Recompensa Q(s,a) += α[v Q(s,a)] Q(s5, frente) += 0.5*[1-0.5] Q(s5, frente) = 0.75

34 Desviando de obstáculo (Época 4) Q(s1, frente) = Ações Q(s1, baixo) = Q(s2, frente) = -0.5 Q(s2, baixo) = - 50 Q(s3,baixo) = 0.5 Q(s4, frente) = - 50 Q(s4, cima) = Recompensa Q(s5, frente) = 0.75 Q(s5,cima)= 0.0

35 Dilema: Aproveitar x Explorar Quando gulosamento aproveitar da estimação atual da função de valor e escolher ação que a maximiza? Quando curiosamente explorar outra ação que pode levar a melhorar estimação atual da função valor? Taxa de exploração = proporção de escolhas curiosas Geralmente se começa com uma taxa de exploração alta que vai decrescendo com o tempo.

36 Maldição da Dimensionalidade O número de estados possíveis cresce exponencialmente com quantidade de características representadas Conseqüentemente o tempo de treinamento e número de exemplos necessários também Q-Learning só pode ser aplicado a problemas relativamente pequenos

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Introdução Aprendizagem de Máquina Alessandro L. Koerich Introdução Desde que os computadores foram inventados temos nos perguntado: Eles são capazes de aprender? Se pudéssemos programá-los para aprender

Leia mais

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para

Leia mais

Hierarquia de modelos e Aprendizagem de Máquina

Hierarquia de modelos e Aprendizagem de Máquina Hierarquia de modelos e Aprendizagem de Máquina Fabrício Jailson Barth BandTec Maio de 2015 Sumário Introdução: hierarquia de modelos e aprendizagem de máquina. O que é Aprendizagem de Máquina? Hierarquia

Leia mais

Introdução. Capítulo 1

Introdução. Capítulo 1 Capítulo 1 Introdução Em computação, muitos problemas são resolvidos por meio da escrita de um algoritmo que especifica, passo a passo, como resolver um problema. No entanto, não é fácil escrever um programa

Leia mais

Web Data mining com R: aprendizagem de máquina

Web Data mining com R: aprendizagem de máquina Web Data mining com R: aprendizagem de máquina Fabrício Jailson Barth Faculdade BandTec e VAGAS Tecnologia Junho de 2013 Sumário O que é Aprendizagem de Máquina? Hierarquia de aprendizado. Exemplos de

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

CONTEXTUALIZAÇÃO, RESOLUÇÃO DE PROBLEMAS E EDUCAÇÃO MATEMÁTICA

CONTEXTUALIZAÇÃO, RESOLUÇÃO DE PROBLEMAS E EDUCAÇÃO MATEMÁTICA CONTEXTUALIZAÇÃO, RESOLUÇÃO DE PROBLEMAS E EDUCAÇÃO MATEMÁTICA Edda Curi Resumo Os Parâmetros Curriculares Nacionais de Matemática dos Ensinos Fundamental e Médio enfatizam como um critério essencial para

Leia mais

Engenharia de Software I

Engenharia de Software I Engenharia de Software I Rogério Eduardo Garcia (rogerio@fct.unesp.br) Bacharelado em Ciência da Computação Aula 05 Material preparado por Fernanda Madeiral Delfim Tópicos Aula 5 Contextualização UML Astah

Leia mais

Classificação de Imagens

Classificação de Imagens Universidade do Estado de Santa Catarina Departamento de Engenharia Civil Classificação de Imagens Profa. Adriana Goulart dos Santos Extração de Informação da Imagem A partir de uma visualização das imagens,

Leia mais

Aprendizagem de Máquina

Aprendizagem 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 mais

Agrupamento de dados

Agrupamento de dados Organização e Recuperação de Informação: Agrupamento de dados Marcelo K. A. Faculdade de Computação - UFU Agrupamento de dados / 7 Overview Agrupamento: introdução Agrupamento em ORI 3 K-médias 4 Avaliação

Leia mais

Complemento II Noções Introdutória em Redes Neurais

Complemento II Noções Introdutória em Redes Neurais Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

Aprendizagem de Máquina

Aprendizagem 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 mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Alessandro L. Koerich Algoritmo k Means Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) 2 Problema do Agrupamento Seja x = (x 1, x 2,,

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 02 Agentes Inteligentes Agentes Inteligentes Um agente é algo capaz de perceber seu ambiente por meio de sensores e de

Leia mais

TEORIA DOS JOGOS E APRENDIZADO

TEORIA DOS JOGOS E APRENDIZADO TEORIA DOS JOGOS E APRENDIZADO DE MÁQUINA Estudos Iniciais André Filipe de Moraes Batista Disciplina de Aprendizagem de Máquina UFABC 2010 TEORIA DOS JOGOS Ramo da matemática aplicada estuda situações

Leia mais

Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse

Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse Definição escopo do projeto (departamental, empresarial) Grau de redundância dos dados(ods, data staging) Tipo de usuário alvo (executivos, unidades) Definição do ambiente (relatórios e consultas préestruturadas

Leia mais

AGENTES INTELIGENTES. Isac Aguiar isacaguiar.com.br isacaguiar@gmail.com

AGENTES INTELIGENTES. Isac Aguiar isacaguiar.com.br isacaguiar@gmail.com AGENTES INTELIGENTES Isac Aguiar isacaguiar.com.br isacaguiar@gmail.com Agentes Inteligentes Um agente é tudo o que pode ser considerado capaz de perceber seu ambiente por meio de sensores e de agir sobre

Leia mais

Beatriz Santomauro (bsantomauro@fvc.org.br) === PARTE 1 ==== Clique para ampliar

Beatriz Santomauro (bsantomauro@fvc.org.br) === PARTE 1 ==== Clique para ampliar Um novo jeito de ensinar a tabuada Discutir com os alunos sobre a relação dos produtos da multiplicação e as propriedades envolvidas nos cálculos ajuda a memorizar os resultados e a encontrar os que eles

Leia mais

Balanced Scorecard. Da estratégia às ações do dia-a-dia

Balanced Scorecard. Da estratégia às ações do dia-a-dia Balanced Scorecard Da estratégia às ações do dia-a-dia Perspectivas Em se tratando de gerenciamento de desempenho, perspectivas são os grandes vetores debaixo dos quais são agrupados objetivos, indicadores

Leia mais

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

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

Leia mais

Lista de Exercícios Tratamento de Incerteza baseado em Probabilidade

Lista 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 mais

Fundamentos em Teste de Software. Vinicius V. Pessoni viniciuspessoni@gmail.com

Fundamentos em Teste de Software. Vinicius V. Pessoni viniciuspessoni@gmail.com Fundamentos em Teste de Software Vinicius V. Pessoni viniciuspessoni@gmail.com Objetivos do treinamento 1. Expor os fundamentos de Teste de Software; 2. Conceituar os Níveis de Teste; 3. Detalhar sobre

Leia mais

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é? KDD Conceitos o que é? Fases limpeza etc Datamining OBJETIVOS PRIMÁRIOS TAREFAS PRIMÁRIAS Classificação Regressão Clusterização OBJETIVOS PRIMÁRIOS NA PRÁTICA SÃO DESCRIÇÃO E PREDIÇÃO Descrição Wizrule

Leia mais

Avaliando o que foi Aprendido

Avaliando 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 mais

NBC TG 46: Mensuração a Valor Justo

NBC TG 46: Mensuração a Valor Justo NBC TG 46: Mensuração a Valor Justo Professor Associado da Fucape Business School / Diretor de Educação e Pesquisa da FBC/ Membro do Consultative Advisory Group do IAESB fabio@fucape.br IX Encontro de

Leia mais

Redes Neurais. Mapas Auto-Organizáveis. 1. O Mapa Auto-Organizável (SOM) Prof. Paulo Martins Engel. Formação auto-organizada de mapas sensoriais

Redes Neurais. Mapas Auto-Organizáveis. 1. O Mapa Auto-Organizável (SOM) Prof. Paulo Martins Engel. Formação auto-organizada de mapas sensoriais . O Mapa Auto-Organizável (SOM) Redes Neurais Mapas Auto-Organizáveis Sistema auto-organizável inspirado no córtex cerebral. Nos mapas tonotópicos do córtex, p. ex., neurônios vizinhos respondem a freqüências

Leia mais

Governança de TI com COBIT, ITIL e BSC

Governança de TI com COBIT, ITIL e BSC {aula #2} Parte 1 Governança de TI com melhores práticas COBIT, ITIL e BSC www.etcnologia.com.br Rildo F Santos rildo.santos@etecnologia.com.br twitter: @rildosan (11) 9123-5358 skype: rildo.f.santos (11)

Leia mais

Avaliação de IHC: objetivos

Avaliação de IHC: objetivos Avaliação de IHC: objetivos Decisões de design afetam usabilidade Conhecimento dos usuários e de suas necessidade Design: Design: diferentes diferentes soluções soluções possíveis possíveis Interação:

Leia mais

MLP (Multi Layer Perceptron)

MLP (Multi Layer Perceptron) MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -

Leia mais

Introdução aos Sistemas de Informação Geográfica

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

Leia mais

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

Data Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento Data Mining Prof Luiz Antonio do Nascimento Data Mining Ferramenta utilizada para análise de dados para gerar, automaticamente, uma hipótese sobre padrões e anomalias identificadas para poder prever um

Leia mais

A Preparação dos Dados

A Preparação dos Dados A Preparação dos Dados Escolhas Básicas Objetos, casos, instâncias Objetos do mundo real: carros, arvores, etc Ponto de vista da mineração: um objeto é descrito por uma coleção de características sobre

Leia mais

SUMÁRIO LISTA DE FIGURAS... 15 LISTA DE TABELAS...17 LISTA DE SÍMBOLOS... 19. 1.1 - Introdução...21 1.2 - Revisão Bibliográfica...

SUMÁRIO LISTA DE FIGURAS... 15 LISTA DE TABELAS...17 LISTA DE SÍMBOLOS... 19. 1.1 - Introdução...21 1.2 - Revisão Bibliográfica... SUMÁRIO Pág. LISTA DE FIGURAS... 15 LISTA DE TABELAS...17 LISTA DE SÍMBOLOS... 19 CAPÍTULO 1 - INTRODUÇÃO... 21 1.1 - Introdução...21 1.2 - Revisão Bibliográfica...25 CAPÍTULO 2 - MODELAGEM ESTOCÁSTICA

Leia mais

3 Market Basket Analysis - MBA

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

Leia mais

Sistemas Inteligentes Lista de Exercícios sobre Busca

Sistemas Inteligentes Lista de Exercícios sobre Busca Sistemas Inteligentes Lista de Exercícios sobre Busca 1) A* - Problema do metrô de Paris Suponha que queremos construir um sistema para auxiliar um usuário do metrô de Paris a saber o trajeto mais rápido

Leia mais

Multimídia e Interface Usuário - Máquina

Multimídia e Interface Usuário - Máquina Multimídia e Interface Usuário - Máquina Profa. Cristina Paludo Santos Slides baseados no livro: Design e Avaliação de Interfaces Humano Computador (Heloísa Vieira da Rocha/M.Cecília C. Baranauskas). Material

Leia mais

fagury.com.br. PMBoK 2004

fagury.com.br. PMBoK 2004 Este material é distribuído por Thiago Fagury através de uma licença Creative Commons 2.5. É permitido o uso e atribuição para fim nãocomercial. É vedada a criação de obras derivadas sem comunicação prévia

Leia mais

Testes de Software. Testes de Software. Teste de Validação. Teste de Defeito. Modelo de Entrada e Saída. Modelo de Entrada e Saída

Testes de Software. Testes de Software. Teste de Validação. Teste de Defeito. Modelo de Entrada e Saída. Modelo de Entrada e Saída DCC / ICEx / UFMG Testes de Software Testes de Software Eduardo Figueiredo http://www.dcc.ufmg.br/~figueiredo Teste de software buscam por erros ou anomalias em requisitos funcionais e não funcionais Classificação

Leia mais

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

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário

Leia mais

1.264 Aula 4. Processo do Software: CMM Linguagem de Modelagem Unificada (UML)

1.264 Aula 4. Processo do Software: CMM Linguagem de Modelagem Unificada (UML) 1.264 Aula 4 Processo do Software: CMM Linguagem de Modelagem Unificada (UML) Modelo de Maturidade de Capacidade para Software Desenvolvido pelo (SEI) Instituto de Engenharia de Software, Universidade

Leia mais

CULTURA ORGANIZACIONAL. Prof. Gilberto Shinyashiki FEA-RP USP

CULTURA ORGANIZACIONAL. Prof. Gilberto Shinyashiki FEA-RP USP CULTURA ORGANIZACIONAL Prof. Gilberto Shinyashiki FEA-RP USP Cultura é uma característica única de qualquer organização Apesar de difícil definição, compreende-la pode ajudar a: Predizer como a organização

Leia mais

Análise de custo projetado da plataforma SAP HANA

Análise de custo projetado da plataforma SAP HANA Um estudo Total Economic Impact da Forrester Encomendado pela SAP Diretora do projeto: Shaheen Parks Abril de 2014 Análise de custo projetado da plataforma SAP HANA Economia de custo proporcionada pela

Leia mais

Projeto de Redes Neurais e MATLAB

Projeto de Redes Neurais e MATLAB Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação

Leia mais

Plano de Trabalho Docente 2015. Ensino Médio

Plano de Trabalho Docente 2015. Ensino Médio Plano de Trabalho Docente 2015 Ensino Médio Etec Etec: PAULINO BOTELHO Código: 091 Município: SÃO CARLOS Área de conhecimento: :CIENCIAS DA NATUREZA, MATEMATICA E SUAS TECNOLOGIAS Componente Curricular:

Leia mais

Algoritmos Indutores de Árvores de

Algoritmos Indutores de Árvores de Algoritmos Indutores de Árvores de Decisão Fabrício J. Barth Sistemas Inteligentes Análise e Desenvolvimento de Sistemas Faculdades de Tecnologia Bandeirantes Abril de 2013 Problema: Diagnóstico para uso

Leia mais

Sistema Operacional. Processo e Threads. Prof. Dr. Márcio Andrey Teixeira Sistemas Operacionais

Sistema Operacional. Processo e Threads. Prof. Dr. Márcio Andrey Teixeira Sistemas Operacionais Sistema Operacional Processo e Threads Introdução a Processos Todos os computadores modernos são capazes de fazer várias coisas ao mesmo tempo. Enquanto executa um programa do usuário, um computador pode

Leia mais

Email marketing: os 10 erros mais comuns

Email marketing: os 10 erros mais comuns Email marketing: os 10 erros mais comuns Publicado em: 18/02/2008 Não ter permissão dos contatos para enviar mensagens Um dos princípios fundamentais do email marketing é trabalhar apenas com contatos

Leia mais

Modelagem de Casos de Uso (Parte 2)

Modelagem de Casos de Uso (Parte 2) Modelagem de Casos de Uso (Parte 2) Roteiro (1) Método para Modelagem de Casos De Uso Estudo de Caso: Sistema de Controle para Videolocadora Levantamento Inicial dos Casos de Uso Identificação dos Casos

Leia mais

Sistema Tutor Inteligente baseado em Agentes. Pedagógicas da Universidade Aberta do Piauí. Prof. Dr. Vinicius Ponte Machado

Sistema Tutor Inteligente baseado em Agentes. Pedagógicas da Universidade Aberta do Piauí. Prof. Dr. Vinicius Ponte Machado Sistema Tutor Inteligente baseado em Agentes na Plataforma MOODLE para Apoio às Atividades Pedagógicas da Universidade Aberta do Piauí Prof. Dr. Vinicius Ponte Machado Parnaíba, 14 de Novembro de 2012

Leia mais

Figura 1.1: Exemplo de links patrocinados no Google

Figura 1.1: Exemplo de links patrocinados no Google 1 Links Patrocinados 1.1 Introdução Links patrocinados são aqueles que aparecem em destaque nos resultados de uma pesquisa na Internet; em geral, no alto ou à direita da página, como na Figura 1.1. Figura

Leia mais

Revisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011

Revisão Inteligência Artificial ENADE. Prof a Fabiana Lorenzi Outubro/2011 Revisão Inteligência Artificial ENADE Prof a Fabiana Lorenzi Outubro/2011 Representação conhecimento É uma forma sistemática de estruturar e codificar o que se sabe sobre uma determinada aplicação (Rezende,

Leia mais

CICLO DE VIDA DE SISTEMAS DE GESTÃO DE CONHECIMENTO

CICLO DE VIDA DE SISTEMAS DE GESTÃO DE CONHECIMENTO CICLO DE VIDA DE SISTEMAS DE GESTÃO DE CONHECIMENTO CAPÍTULO 3 DESAFIOS PARA A CONSTRUÇÃO DE SISTEMAS Cultura conseguir com que as pessoas compartilhem conhecimento Avaliação do COnhecimento avaliar/medir

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial INF 1771 Inteligência Artificial Aula 02 Agentes Inteligentes Edirlei Soares de Lima Agentes Inteligentes Um agente é algo capaz de perceber seu ambiente por meio de sensores e de

Leia mais

MODELAGEM MATEMÁTICA

MODELAGEM MATEMÁTICA 600 MODELAGEM MATEMÁTICA *Carla da Silva Santos **Marlene Menegazzi RESUMO Este artigo retrata através de seus dados históricos, métodos e exemplo prático uma metodologia alternativa de ensino nos levando

Leia mais

MARKETING E VENDAS NA FARMÁCIA

MARKETING E VENDAS NA FARMÁCIA MARKETING E VENDAS NA FARMÁCIA Há muito se discute que o mercado de farmácias é ambiente competitivo e que a atividade vem exigindo profissionalismo para a administração de seus processos, recursos e pessoal.

Leia mais

O quê avaliação? Unidade IV - Avaliação de Interfaces. Quem deve avaliar um produto de software? Técnicas de Avaliação

O quê avaliação? Unidade IV - Avaliação de Interfaces. Quem deve avaliar um produto de software? Técnicas de Avaliação Unidade IV - Avaliação de Interfaces O quê avaliação? O quê avaliação? Técnicas de Avaliação Tipos de Avaliação com Usuários Paradigmas de avaliação com usuários Avaliação rápida e suja Testes de Usabilidade

Leia mais

Objetivos. Engenharia de Software. O Estudo de Viabilidade. Fase do Estudo de Viabilidade. Idéias chave. O que Estudar? O que concluir?

Objetivos. Engenharia de Software. O Estudo de Viabilidade. Fase do Estudo de Viabilidade. Idéias chave. O que Estudar? O que concluir? Engenharia de Software O Estudo de Viabilidade Objetivos O que é um estudo de viabilidade? O que estudar e concluir? Benefícios e custos Análise de Custo/Benefício Alternativas de comparação 1 2 Idéias

Leia mais

LUCAS DA SILVA, LUCAS TUCHTENHAGEN, LUCAS NUNES HIREN S BOOT CD

LUCAS DA SILVA, LUCAS TUCHTENHAGEN, LUCAS NUNES HIREN S BOOT CD Serviço Nacional de Aprendizagem Comercial E.E.P. Senac Pelotas Centro Histórico Programa Nacional de Acesso ao Ensino Técnico e Emprego Curso Técnico em Informática LUCAS DA SILVA, LUCAS TUCHTENHAGEN,

Leia mais

UNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação

UNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação SOFT DISCIPLINA: Engenharia de Software AULA NÚMERO: 10 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir os conceitos de coesão e acoplamento. DESENVOLVIMENTO Projetar

Leia mais

Engenharia de Software II

Engenharia de Software II Engenharia de Software II Aula 10 http://www.ic.uff.br/~bianca/engsoft2/ Aula 10-24/05/2006 1 Ementa Processos de desenvolvimento de software Estratégias e técnicas de teste de software (Caps. 13 e 14

Leia mais

2 Referencial Teórico

2 Referencial Teórico 2 Referencial Teórico Para fundamentar o presente trabalho, serão apresentados três trabalhos que serviram de inspiração para o desenvolvimento desta dissertação: os estudos da LIMRA International e SOA,

Leia mais

SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA

SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA Muitas organizações terceirizam o transporte das chamadas em seus call-centers, dependendo inteiramente

Leia mais

Processos de Design de IHC (Parte II)

Processos de Design de IHC (Parte II) Interface Homem/Máquina Aula 8 Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2011.1/tcc-00.184 Roteiro da Aula de Hoje

Leia mais

TCC04040 Inteligência Artificial. Inteligência Artificial

TCC04040 Inteligência Artificial. Inteligência Artificial Inteligência Artificial Aula 2 Profª Bianca Zadrozny TCC04040 Inteligência Artificial Página web: http://www.ic.uff.br/~bianca/ia Material: Livro texto: Inteligência Artificial, Russell & Norvig, Editora

Leia mais

CAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO

CAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO CAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO Em quase todas as nossas atividades diárias precisamos enfrentar filas para atender as nossas necessidades. Aguardamos em fila na padaria, nos bancos, quando trafegamos

Leia mais

a) Teste das funções do sistema com outros sistemas b) Teste de componentes que em conjunto compõem a função do sistema

a) Teste das funções do sistema com outros sistemas b) Teste de componentes que em conjunto compõem a função do sistema Simulado CTFL- BSTQB Tempo de duração: 60 minutos 1. Considerando as seguintes afirmações: I. 100% de cobertura de sentença (comando) garante 100% de cobertura de desvio II. 100% de cobertura de desvio

Leia mais

Descobrindo o que a criança sabe na atividade inicial Regina Scarpa 1

Descobrindo o que a criança sabe na atividade inicial Regina Scarpa 1 1 Revista Avisa lá, nº 2 Ed. Janeiro/2000 Coluna: Conhecendo a Criança Descobrindo o que a criança sabe na atividade inicial Regina Scarpa 1 O professor deve sempre observar as crianças para conhecê-las

Leia mais

Prof. Msc. Paulo Muniz de Ávila

Prof. Msc. Paulo Muniz de Ávila Prof. Msc. Paulo Muniz de Ávila O que é Data Mining? Mineração de dados (descoberta de conhecimento em bases de dados): Extração de informação interessante (não-trivial, implícita, previamente desconhecida

Leia mais

MS 777 Projeto Supervisionado Professor: Laércio Luis Vendite Ieda Maria Antunes dos Santos RA: 033337

MS 777 Projeto Supervisionado Professor: Laércio Luis Vendite Ieda Maria Antunes dos Santos RA: 033337 1 Análise de Investimentos MS 777 Projeto Supervisionado Professor: Laércio Luis Vendite Ieda Maria Antunes dos Santos RA: 033337 2 Sumário 1- Juros------------------------------------------------------------------------------------------------------

Leia mais

Plano de Trabalho Docente 2015. Ensino Médio

Plano de Trabalho Docente 2015. Ensino Médio Plano de Trabalho Docente 2015 Ensino Médio Etec Etec: PAULINO BOTELHO Código: 091 Município: SÃO CARLOS Área de conhecimento: :CIENCIAS DA NATUREZA, MATEMATICA E SUAS TECNOLOGIAS Componente Curricular:

Leia mais

Algoritmos de Agrupamento - Aprendizado Não Supervisionado. Fabrício Jailson Barth

Algoritmos de Agrupamento - Aprendizado Não Supervisionado. Fabrício Jailson Barth Algoritmos de Agrupamento - Aprendizado Não Supervisionado Fabrício Jailson Barth Abril de 2013 Sumário Introdução e Definições Aplicações Algoritmos de Agrupamento Agrupamento Plano Agrupamento Hierárquico

Leia mais

3 Metodologia. 3.1. Introdução

3 Metodologia. 3.1. Introdução 3 Metodologia 3.1. Introdução Este capítulo é dedicado à forma de desenvolvimento da pesquisa. Visa permitir, através da exposição detalhada dos passos seguidos quando da formulação e desenvolvimento do

Leia mais

Web Data Mining com R

Web Data Mining com R Web Data Mining com R Fabrício J. Barth fabricio.barth@gmail.com VAGAS Tecnologia e Faculdade BandTec Maio de 2014 Objetivo O objetivo desta palestra é apresentar conceitos sobre Web Data Mining, fluxo

Leia mais

PRIORIDADES EM SERVIÇOS E ORGANIZAÇÃO DO TRABALHO. Professora Andréia Ribas rp_andreiaribas@hotmail.com

PRIORIDADES EM SERVIÇOS E ORGANIZAÇÃO DO TRABALHO. Professora Andréia Ribas rp_andreiaribas@hotmail.com PRIORIDADES EM SERVIÇOS E ORGANIZAÇÃO DO TRABALHO Professora Andréia Ribas rp_andreiaribas@hotmail.com Organização Processo de estabelecer relações entre as pessoas e os recursos disponíveis tendo em vista

Leia mais

RESOLUÇÃO DE PROBLEMAS X METODOLOGIA DE ENSINO: COMO TRABALHAR A MATEMÁTICA A PARTIR DA RESOLUÇÃO DE PROBLEMAS?

RESOLUÇÃO DE PROBLEMAS X METODOLOGIA DE ENSINO: COMO TRABALHAR A MATEMÁTICA A PARTIR DA RESOLUÇÃO DE PROBLEMAS? RESOLUÇÃO DE PROBLEMAS X METODOLOGIA DE ENSINO: COMO TRABALHAR A MATEMÁTICA A PARTIR DA RESOLUÇÃO DE PROBLEMAS? Angelita de Souza Leite Universidade do Estado da Bahia angel_lita_4@hotmail.com Maria Cristina

Leia mais

Redes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE

Redes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE Redes Neurais Construtivas Germano Crispim Vasconcelos Centro de Informática - UFPE Motivações Redes Feedforward têm sido bastante utilizadas em aplicações de Reconhecimento de Padrões Problemas apresentados

Leia mais

O olhar do professor das séries iniciais sobre o trabalho com situações problemas em sala de aula

O olhar do professor das séries iniciais sobre o trabalho com situações problemas em sala de aula O olhar do professor das séries iniciais sobre o trabalho com situações problemas em sala de aula INTRODUÇÃO Josiane Faxina Universidade Estadual Paulista Júlio de Mesquita Filho Câmpus Bauru e-mail: josi_unesp@hotmail.com

Leia mais

Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS

Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS Sumário Conceitos / Autores chave... 3 1. Introdução... 3 2. Tarefas desempenhadas por Técnicas de 4 Mineração de Dados...

Leia mais

Felipe Denis M. de Oliveira. Fonte: Alice e Carlos Rodrigo (Internet)

Felipe Denis M. de Oliveira. Fonte: Alice e Carlos Rodrigo (Internet) UML Felipe Denis M. de Oliveira Fonte: Alice e Carlos Rodrigo (Internet) 1 Programação O que é UML? Por quê UML? Benefícios Diagramas Use Case Class State Interaction Sequence Collaboration Activity Physical

Leia mais

Métodos de Avaliação para Sites de Entretenimento. Fabricio Aparecido Breve Prof. Orientador Daniel Weller

Métodos de Avaliação para Sites de Entretenimento. Fabricio Aparecido Breve Prof. Orientador Daniel Weller Métodos de Avaliação para Sites de Entretenimento Fabricio Aparecido Breve Prof. Orientador Daniel Weller 1 Introdução O objetivo deste trabalho é verificar a eficiência da Avaliação com o Usuário e da

Leia mais

Exemplo de Aplicação do DataMinig

Exemplo de Aplicação do DataMinig Exemplo de Aplicação do DataMinig Felipe E. Barletta Mendes 19 de fevereiro de 2008 INTRODUÇÃO AO DATA MINING A mineração de dados (Data Mining) está inserida em um processo maior denominado Descoberta

Leia mais

www.institutosiegen.com.br Aula 1 Entender o conhecimento de cada aluno, suas experiências, visões do curso e desejos.

www.institutosiegen.com.br Aula 1 Entender o conhecimento de cada aluno, suas experiências, visões do curso e desejos. Aula 1 1. Apresentação da matéria, ementa e objetivos. 2. Dados, Informação e conhecimento; 3. Tipologia da Informação e conceito de Sistemas de Informação. Apresentação da Matéria, ementa e objetivos

Leia mais

SISTEMAS DE APOIO À DECISÃO SAD

SISTEMAS DE APOIO À DECISÃO SAD SISTEMAS DE APOIO À DECISÃO SAD Conceitos introdutórios Decisão Escolha feita entre duas ou mais alternativas. Tomada de decisão típica em organizações: Solução de problemas Exploração de oportunidades

Leia mais

Conteúdo. Disciplina: INF 02810 Engenharia de Software. Monalessa Perini Barcellos

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

Leia mais

Marcelo K. Albertini. 17 de Abril de 2014

Marcelo K. Albertini. 17 de Abril de 2014 Introdução a Mineração de Dados Marcelo K. Albertini 17 de Abril de 2014 2/1 Organização do curso Prof. Marcelo Keese Albertini Sala: Bloco 1A - sala 1A230 Horário de atendimento: Sexta-feira 14h-17h ou

Leia mais

Software Matemático para aplicação da Teoria dos Conjuntos

Software Matemático para aplicação da Teoria dos Conjuntos Software Matemático para aplicação da Teoria dos Conjuntos Ana Paula Cavalheiro Oliveira (man05103@feg.unesp.br) Diego Teixeira de Souza (man05109@feg.unesp.br) Rodrigo Alexandre Ribeiro (man04023@feg.unesp.br)

Leia mais

Sistema de Navegação. 2006 Guilhermo Reis www.guilhermo.com

Sistema de Navegação. 2006 Guilhermo Reis www.guilhermo.com Sistema de Navegação 2006 Guilhermo Reis www.guilhermo.com 2 O que é navegar? Navegar é alcançar um destino que está fora do alcance de campo de visão do ponto de partida. Para alcançar seu destino, o

Leia mais

Taxonomia da aprendizagem

Taxonomia da aprendizagem Taxonomia da aprendizagem Taxonomia de Bloom Desde 1948, um grupo de educadores assumiu a tarefa de classificar metas e objetivos educacionais. Eles propuseram-se a desenvolver um sistema de classificação

Leia mais

Ambiente Colaborador Paciente

Ambiente Colaborador Paciente Ambiente Colaborador Paciente Formas de desenvolvimento do aprendizado e do conhecimento Tentativa e Erro Observação, Exploração e Descoberta Replicação, Similaridade e Adaptação Positiva Transferência

Leia mais

Modelagem de Casos de Uso! Um modelo funcional

Modelagem de Casos de Uso! Um modelo funcional Modelagem de Casos de Uso Diagrama de Casos de Uso Especificação de Cenários! Um modelo funcional! Mostra como os valores são processados, sem preocupações com:! ordenamento (seqüência) das ações;! as

Leia mais

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka 1 Introdução A mineração de dados (data mining) pode ser definida como o processo automático de descoberta de conhecimento em bases de

Leia mais

Desenvolvimento de Sistemas Orientados a Objetos com UML UP/RUP: Projeto

Desenvolvimento de Sistemas Orientados a Objetos com UML UP/RUP: Projeto Desenvolvimento de Sistemas Orientados a Objetos com UML UP/RUP: Projeto Engenharia de Software I Informática 2009 Profa. Dra. Itana Gimenes RUP: Artefatos de projeto Modelo de Projeto: Use-Case Realization-projeto

Leia mais

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples

Leia mais

PROJETO DE RECUPERAÇÃO EM MATEMÁTICA Manual do Professor Módulo 2 Números Racionais, Operações e Resolução de Problemas

PROJETO DE RECUPERAÇÃO EM MATEMÁTICA Manual do Professor Módulo 2 Números Racionais, Operações e Resolução de Problemas PROJETO DE RECUPERAÇÃO EM MATEMÁTICA Manual do Professor Módulo 2 Números Racionais, Operações e Resolução de Problemas Prezado(a) Professor(a) Este manual de orientações tem a finalidade de sugerir um

Leia mais

Engenharia de Software

Engenharia de Software Engenharia de Software Roteiro Inspeção Defeitos dos Software Classificação dos Erros Técnica de Leitura Ad-hoc Checklist Exercício Inspeção Inspeção de Software Definição É um método de análise estática

Leia mais

Engenharia de Software

Engenharia de Software Engenharia de Software 2.1 Capítulo 2 QUALIDADE DE SOFTWARE 1. INTRODUÇÃO Como foi mencionado no capítulo anterior, o papel da Engenharia de Software é, principalmente, fornecer métodos e ferramentas para

Leia mais