ILROS: UM SISTEMA DE APRENDIZADO DE MÁQUINA. PARA DOMíNIOS INCOMPLETOS

Tamanho: px
Começar a partir da página:

Download "ILROS: UM SISTEMA DE APRENDIZADO DE MÁQUINA. PARA DOMíNIOS INCOMPLETOS"

Transcrição

1 40. SBAI-Simpésio Brasileiro da Automação Inteligente, São Paulo, SP, de Setembro de 1999 ILROS: UM SISTEMA DE APRENDIZADO DE MÁQUINA. PARA DOMíNIOS INCOMPLETOS Joaquim Quinteiro Uchôa UFLA - Univers idade Federal de Lavras DEX- Departamento de Ciências Exatas Caixa Postal Lavras - MO e-mai!: Maria do Carmo Nicoletti UFSCar - Universidade Federal de São Carlos DC - Departamento de Computação Caixa Postal São Carlos - SP e-mai!: Resumo: A Teoria de Conjuntos Aproximados (TCA) tem sido utilizada em muitas áreas de pesquisa, principalmente naquelas relacionadas à representação de conhecimento incompleto e aprendizado de máquina. Este artigo apresenta o sistema ILROS que disponibiliza, além de várias funções, a implementação de uma versão otimizada do algoritmo de aprendizado de máquina conhecido como RSI. O algoritmo RSl é baseado em conceitos da TCA e viabiliza o aprendizado em domínios incompletos. Apresenta também uma avaliação empírica do desempenho do ILROS em alguns domínios de conhecimento.. Palavras-chaves: conjuntos aproximados, aprendizado em domínios incompletos, aquisição automática de conhecimento. Abstract: Rough Set Theory (RST) has been used in many different research areas, mainly in those related to the representation of incomplete knowledge and machine learning. This papel' presents ILROS, a system that implements, besides other functions, an optimized version of a machine learning algorithm known as RS1. The RS 1 algorithm is based on some RST concepts and deals with learning in incomplete domains. It also presents an empirical evaluation of ILROS' performance in a few knowledge domains. Keywords: rough sets, learning in incomplete domains, automatic knowledge acquisition. 1 INTRODUÇÃO A Teoria de Conjuntos 'Aproximados (TCA) foi proposta em [Pawlak (1982)] como uma nova ferramenta matemática para tratamento de incerteza e imprecisão, tendo sido usada, posteriormente, para subsidiar o desenvolvimento de técnicas para classificação aproximada em aprendizado indutivo de máquina. De uma maneira simplista, conjuntos aproximados podem ser considerados conjuntos com fronteiras nebulosas, ou seja, conjuntos que não podem ser caracterizados precisamente como função do conjunto de atributos disponível. A TCA tem sido utilizada em Inteligência Artificial principalmente nas áreas de representação de conhecimento incerto, aprendizado indutivo, data mining, sistemas de suporte à decisão e sistemas de controle em manufatura. A abordagem da TCA para representação de conceitos vagos e de incerteza tem relações e alguns paralelos com a Teoria de Conjuntos Fuzzy [Zadeh (1978)].. Esse trabalho descreve o ILROS, um sistema indutivo de aprendizado de máquina, baseado na TCA que, além de disponibilizar a determinação de uma série de medidas. propostas pela TCA para a avaliação de um determinado domínio de conhecimento, disponibiliza também um subsistema de aprendizado de máquina, que permite generalizar o conhecimento disponível. Tal subsistema é. baseado em uma versão otimizada, parte da proposta ILROS, do algoritmo RSI [Wong (1986)]. O artigo está organizado da seguinte forma: na Seção 2 são apresentados os principais conceitos da TCA e descritas as medidas mais relevantes propostas na teoria, que são necessários para subsidiar a apresentação do sistema. Na Seção 3 é apresentado o algoritmo de aprendizado indutivo conhecido como RSl, no qual se fundamenta a versão otimizada por nós proposta, chamada de RS1+. A Seção 4 descreve o sistema ILROS, caracterizando e detalhando suas principais funções, bem como descreve alguns experimentos realizados com o sistema e os resultados obtidos. A Seção 5 apresenta as conclusões do trabalho realizado e identifica as próximas etapas para a sua continuidade. 2 NOÇÕES BÁSICAS DA TEORIA DE CONJUNTOS APROXIMADOS Seja U um conjunto universo. Um espaço aproximado é um par ordenado A=(U,R), onde R é uma relação de equivalência sobre U, denominada relação de indiscernibilidade. Dados x,y e R, se xry então x e y são indiscemiveis em A, ou seja, a classe de equivalência definida por x é a mesma que a definida por y, i.e., [X]R = [y]r' As classes de equivalência por R em U são denominadas conjuntos elementares. Se X é um conjunto elementar, des(x) denota a descrição dessa classe de equivalência. Essa descrição é função do conjunto de atributos que define R. Note que, dados x,y ee, onde E é um conjunto elementar.em A, x e y são indiscemíveis, i.e., no espaço 314

2 40. SBAI- Simpósio Brasileiro de Automação Inteligente. São Paulo, SP, de Setembro de 1999 A=(U,R) não se consegue distinguir x de y, pois des(x) = é uma função de descrição tal que p(x,q) E V, q des(y) = desfe). Um conjunto definível em A é qualquer união para x E UeqE Q. Um SRC pode ser visto como uma finita de conjuntos elementares. Seja A=(U,R) um espaço caracterização formal de um espaço aproximado. aproximado e seja X ç;;; U um subconjunto arbitrário de objetos de U. Com o objetivo de verificar quão bem o conjunto de descrições {des([x]r), x E U}, reflete as funções de pertinência de objetos a X, são definidas: (I) a aproximação inferior de X,em A, AA.in!<X), como a união de todos os conjuntos elementares que estão contidos em X, i.e.,. AA.in!<X) = {x E UI [X]R c X} (2) a aproximação superior de X em A, AA'sup(X), como a união de todos QSconjuntos que possuem intersecção não vazia com X, ou seja. é o menor conjunto definível em A contendo X,i.e., AA.sup(X) = {x E UI [X]R (] X 0} Exemplo 1. Seja o SRC apresentado em [Pawlak (1991)] e representado pela Tabela 1. Nesse caso, U={ XhX2,...,X7}, Q={a,b,c,d,e}, V. = V b =V d =V e= {O,I,2} e V c =.{O,2}. Neste SRC tem-se: p(xha)=l, p(x2,b)=o, p(xs,d) = 2, p(x7,e) = 2. Dado um SRC identificado por S=(U,Q,V,p), é importante observar que cada subconjunto de atributos P ç;;; Q define um único espaço aproximado A=(U;P), onde P é a relação de indiscemibilidade (equivalência) induzida por P. Exemplo 2. Considere o SRC do Exemplo I e P = {e}. Neste caso tem-se que os elementos Xl e X2 são indiscerníveis com relação a P pois possuem o mesmo valor. Ainda, A=(U, P) é um espaço aproximado e seus conjuntos elementares são E 1 = {X3.X4} {XS,Xó,X7}' Dado um espaço aproximado A=(U,R) e Xç;;;U, podem ser identificadas as seguintes regiões: região positiva de X em A, POSA(X)= Ainr (X) região negativa de X em A, nega(x) = U - A,up(X) região duvidosa de X em A, duva(x) = Asup(X) - Ainr(X) Além disso são definidas as seguintes medidas: medida interna de X em A, CilA.inr(X) = IAA.in!<X)I. onde /YI representa a cardinalidade do conjunto Y medida externa de X em A. CilA'sup(X) = IAA.sup(x)1 qualidade do. aproximação inferior de X em A, YA.inf = CilA.in!<X)/IUI qualidade da aproximação superior de X em A, YA.sup = CilA.sup(X)!IUI acuracidade de X em A, CilA = ICilA.inr(X)IIICilA.sup(X)1 Seja A=(U,R) um espaço aproximado e seja Xç;;; U. O conjunto X pode ou não ter suas fronteiras claramente definidas em função das descrições dos conjuntos elementares de A. Isso leva ao conceito de conjuntos aproximados: um conjunto aproximado em Aéafamília de todos os subconjuntos de U que possuem a mesma aproximação inferior e a mesma aproximação superior em A. Ou seja, possuem a mesma região, positiva, negativa e duvidosa. Nas notações utilizadas, quando o espaço aproximado for conhecido e não houver risco de dubiedade, a referência ao espaço será abolida. Por exemplo, ao invés de AA.sup(X) será usado Asup(X). Os conceitos da TCA são utilizados principalmente no contexto de Sistemas de Representação 'de Conhecimento. Um Sistema de Representação de Conhecimento (SRC) é uma 4-upla S=(U,Q,V,p), onde U é o universo finito de S. Os elementos de U são chamados objetos, que são caracterizados por um conjunto de atributos - Q - e seus respectivos valores. O conjunto de valores de atributos é dado por V = UVq, onde qeq V q é o conjunto de valores do atributo q. Por sua vez, Tabela 1-SRC onde U={Xl,x2,...X7} e Q={a,b,c,d,e} U a b c d e Xl 1 O O 1 1 X2 1 O O O 1 XJ O O O O O X4 I I O I O 1 ' I O 2 2 Xi; 2 2 O 2 2 X Dado um espaço aproximado A=(U, P), definido por um subconjunto de atributos P ç;;; Q em um sistema de representação de conhecimento S=(U,Q,V,p) e X ç;;; U, definese o índice discriminante de X em relação ao subconjunto de atributos P s;; Q, notado por ap(x), como uma medida do grau de certeza na determinação da pertinência de um elemento de U ao conjunto X, de acordo com os atributos de P, dada por: Note que a definição do índice discriminante é uma medida obtida a partir do número de elementos que pertencem à região duvidosa de X. Se essa região for vazia, o índice discriminante de X é 1, Le., o melhor possível. Por outro lado, se ela for o próprio U, tal índice resulta em zero, i.e. não existe corno discriminar os elementos do conjunto X, no sistema, usando o conjunto de atributos P. No contexto da TCA o interesse recai, principalmente, sobre tabelas de decisão, um tipo particular de SRC. Uma tabela de decisão é um SRC onde 'os atributos de Q são divididos em condições e decisões. Tem-se então 'Q = C u D, onde C é o conjunto das condições e D, o conjunto das decisões. Corno geralmente o conjunto D é unitário, uma tabela de decisão é descrita por S=(U,Cu{õ},V,p}, onde U e V são tais como num SRC, C é o conjunto de condições e Õé o atributo de decisão. De urna forma geral urna tabela de decisão é utilizada para a representação da classificação feita por um especialista no domínio de conhecimento; nela C é o conjunto de características que descrevem uma situação e Ôé o resultado da análise do especialista. Por Classs(Ô) entende-se a classificação de S, i.e., a farrn1ia de conjuntos elementares do conjunto aproximado induzido por {S}. 315

3 40. SBAI- Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, de Setembro de 1999 Exemplo 3. Seja S o SRC do Exemplo 1. Seja e o.atributo de decisão em S, i.e., {ô] = {e}. S é uma tabela de decisão, onde C={a,b,c,d}. Os conjuntos elementares do espaço aproximado induzido por C são {x.}, {X2}, {X3}, {X4}, [xj], {X6}, {X7}' Por sua vez, Classs(e) = {{XJ,X2},{X3,X4},{XS,X6,X7}}' Dada uma tabela de decisão S=(U,Cu{ô},V,p}, é importante verificar o quão bem a família de conjuntos elementares induzidos pelas condições P ç;;c espelha a farrulia de conjuntos elementares induzidos por {ô}. Para isso, considerando o espaço aproximado induzido por P, são definidas : (1) região positiva de o induzida por P, pos(p,ô) UAp-i,r(X) Xe C1asss(õ) (2) grau de dependência de o com relação a P, K(P,Ô) = Ipos(P, ôwiui (3) fator de significãncia de um atributo a E P, com relação à dependência existente entre O. e P, FS(a,P,ô) = (K(P,Ô)-K(P-{ a},ô))!k(p,ô), se K(P,Ô) > O. Diz-se, ainda com respeito a uma tabela de decisão S=(U,Cu{ô},V,p) ep ç;; C, que P é independente com relação à dependência existente entre Ô e P se, para todo subconjunto próprio R c P, for verdade que pos(p,ô) * pos(r,õ), i.e., K(P,Õ) * K(R,ô). Caso haja algum R c P tal que pos(p,õ) = pos(r,ô), i.e., K(P,Õ) = K(R,Õ), então P é dito ser dependente com relação à dependência existente entre Õe P. Um conjunto R c P é dite ser um reduto de P com relação à dependência existente entre õ e P se for independente com relação à dependência existente entre õ e R, e pos(p,õ) = pos(r,õ), i.e., K(P,Õ) = K(R,õ). Exemplo 4. Seja S o SRC do Exemplo I, onde e é o atributo de decisão em S. A família Classs(e) foi determinada no Exemplo 3. A Tabela 2 mostra o valor do grau de dependência com relação a alguns subconjuntos de C. Tabela 2-Grau de dependência de alguns subconjuntos K(C.e)=717 =1 K({a,b,c},e)=5/7 K({a.b.d},e)=717 = =1 K({b,c,d},e)=5/7= K({a,b },e)=517= K({a,c},e)=517= K({b,c},e)=4I7= Note que C é dependente e que [a.b.d] é o único subconjunto de C a possuir um reduto de C, uma vez que {a.b.d] é o único subconjunto com o mesmo grau de dependência de C. Examinando os valores da Tabela 2 pode se dizer que o conjunto R={a.b.d} é o único reduto do conjunto de condições com relação à dependência entre õ e C. Mais ainda, K(R,ô)=I=K(C,Õ). 3 O ALGORITMO RS1 E SUA VARIANTE, RS1+ Nesta seção será apresentado o algoritmo de aprendizado indutivo de conceitos subsidiado pela TCA conhecido como RSI [Wong (1986)], que se baseia na determinação do índice discriminante de atributos. A apresentação do algoritmo é essenci al para que a sua otimização por nós proposta, chamada de RS 1+, possa ser entendida. Como será visto na Seção 4, o sistema ILROS implementa o RS I+ como um subsistema. Conforme comentado na Seção 2, 6 índice discriminante de atributos fornece o grau de certeza na determinação da pertinência de um elemento de U a um. determinado conjunto X, utilizando o conjunto de atributos P. Com isso, caso X seja um elemento de Classtô), o índice discriminante fornece uma medida de quão bem o espaço aproximado induzido por P classifica os elementos de X. Tal índice é uma medida bastante significativa, que promove um melhor desempenho do algoritmo que o utiliza, quando comparado a outros índices, tal como análise de dependência (ver, por exemplo, [Ohm (1993)]). A partir de uma tabela de decisão o RS 1 aprende regras de decisão que obedecem à seguinte sintaxe: (ai = v.) &... & I (ak= vaj =} (b = Vb), onde o símbolo & representa o conectivo de conjunção da lógica, um seletor do tipo (ar = v.) representa r um teste de valor de atributo e b representa o atributo de decisão. A Figura 1 apresenta e mantém a descrição do algoritmo RSl encontrada em [Wong (1986)]. Optamos apenas por dividir alguns de seus passos com o intuito único de facilitar o seu entendimento. As principais melhorias e modificações acrescidas ao RSl, que deram origem à versão RSl+foram: 1. O RSl prossegue adicionando atributos ao conjunto B', mesmo quando não há um aumento nos índices discriminantes. Isto é problemático' quando da geração de regras inconsistentes, pois o RSI irá adicionar atributos a B' (passos 4 e 5), enquanto houver atributos em C. Ou seja, o RS I não "percebe" quando a adição de atributos a B' não melhora o índice discriminante do. B' anterior. Este problema foi solucionado armazenando o valor do maior índice discriminante para futuras comparações. Isto evita a presença de termos desnecessários em regras inconsistentes, 2. Eventualmente, o passo 4 do RS I pode trazer o inconveniente de gerar regras com um grau de especificidade maior do que o necessário. Isso acontece quando nesse passo são encontrados dois conjuntos de atributos B' com o mesmo índice discriminante, Com o melhoramento descrito no ítem anterior implementado, esse problema só ocorrerá com regras consistentes, pois o algoritmo irá adicionar atributos a B' apenas quando esse aumento significar uma maior discriminação da classe em questão. O problema foi solucionado. eliminando os atributos desnecessários e escolhendo um reduto de B'. 3. Quando da geração de regras, é. extremamente vantajoso possuir um mecanismo que possa avaliar a representatividade de uma regra. Isso permite, por exemplo, que quando da existência de regras inconsistentes, se possa fazer uma seleção das regras mais representativas, excluindo-se as menos representativas. O método discutido a seguir viabiliza isso. Com o objetivo de permitir a análise de conjuntos aproximados nos moldes da Teoria de Conjuntos Fuzzy, podem ser encontradas na literatura da TCA, propostas de algumas funções de pertinência aproximada. A mais promissora é a encontrada em [Pawlak (1994)]. Dados um espaço aproximado A=(U,R), X ç;;u exe U, o valor da pertinência aproximada de x a X, no espaço aproximado A é dado por: 316

4 40. SBAI - Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, de Setembrode 1999 Em [Pa wlak (1995)] é proposta a associação de um fator de credibilidade a cada regra gerada utilizando-se os conceitos da TCA. Este fator de credibilidade indicaria um grau de suporte (e de confiança) associado à regra. Nessa referência ainda, o autor sugere que a função por ele definida seja usada com essa finalidade. O processo consiste em, dada uma regra de decisão (ai = v a) &...& (am = v«) (b = Vb)' onde a., 'H' aio E BeBé I rn subconjunto da classe de condições, calcular a pertinência do elemento que gerou essa regra ao conjunto de elementos que possuem valor Vb no atributo de decisão. Essa pertinência é calculada no espaço aproximado induzido por B. Este método fornece o percentual dos elementos do SRC que sustentam a regra. e foi implementado no sistema ILROS. Embora a adoção do fator de cred ibilidade tenha apresentando bom resultados, pretendemos ainda continuar com a investigação deste aspecto com o intuito de viabilizar técnicas que promovam uma maior hierarquização das regras geradas. 1. Calcular Classs(ô) = (XI>'..,Xn}, a fanúlia de conjuntos elementares do espaço aproximado induzido por (ô} 2.j=1 3. U'=U; C'=C; B=0 ;X=x, S'=(U',Cu(o}.V,p) 4. Calcular o conjunto de índices discriminantes (ao'(x) I B'=B u (c ), 'Vc E C'} ems' 5. Selecionar o conjunto de atributos B'=B u (c) com o maior valor ao-(x) 6.B=B' 7. Se AO.in({X) = 0, executar passo Identificar os conjuntos elementares E = (EIo...,E,1 do espaço aproximado induzido por B, que estão contidosem AO.in({X) 9. Para cada elemento E, E E. gerar uma regra de decisão determinística (consistente). Considerando que B possui m atributos, então cada regra tem a forma (ai= Vai) &...& (a; = VaIO) (b = Vb), onde ajo...,a m E B. Cada seletor (a, = v ak ) do antecedenteé construídoda seguinte forma: ak recebe o nome do k- ésirno atributo de B e v\ recebe o valor atribuídoa E ko por esse atributo. O consequente (b = Vb) é construído de forma semelhante: b recebeo nome do atributo de decisão e Vbrecebeo valor atribuídoa E k por esse atributo 10. U' = U' - «U' - Ao.sup(X» u An-in({X». X=X- An.in({X) e S' = (U',C u (o},v,p) 11. Se U' = 0 executar passo C' =C' -B 13. Se C' i' 0, voltar ao passo Identificar todos os conjuntos elementares E = (EIo....E,} do espaço aproximadoinduzidopor B 15. Para cada elemento E k E E, gerar uma regra de decisão não determinística (inconsistente) de forma semelhante à descrita no passo j = j Se j :5; n voltar ao passo3 1a. Devolvertodas as regrasencontradas nos passos9 e 15 Figura 1 Descrição do RSl 4 OSISTEMA ILROS O ILROS (lnductive Learning with ROugh Sets) éum sistema automático que disponibiliza a dete rminação de dóze funções relativas à caracterização da informação disponível sobre um domínio de conhecimento bem como à sua classificação, utilizando os conceitos da TCA. São elas : I. representação de um SRC 2. aproximação inferior de um dado conjunto 3. aproximação superior de um dado conjunto 4. precisão de uma aproximação (acuracidade) 5.dependência (ou independência) de um conjunto de atributos 6. redutos de um conjunto de atributos 7. grau de pertinência de um elemento a um dado conjunto 8. índice discriminante de um conjunto de elementos em relação a um conjunto de atributos 9. grau de dependência de um atributo em relação a um conjunto de atributos 10. fator de significância de um atributo II. redutos de um dado conjunto de atributos com relação à dependência existente entre um dado atributo e este conjunto 12. subsistema de aprendizado indutivo de máquina, que implementa o RS I +, para a geração de regras de conhecimento O sistema ILROS foi implementado em Borland C++ Builder e é invocado via a execução de um arquivo.exe, em ambiente Windows de 32 bits (95/98 ou NT). Durante o desenvolvimento do sistema buscou-se ao máximo isolar o ambiente gráfico dos algoritmos da TCA. objetivando maior portabilidade para outros ambientes de programação. bem como para outros sistemas operacionais com compiladores C++. No ILROS a iteração usuário/sistema acontece via telas e acionamento de botões disponibilizados nas barras de ferramentas das várias telas do sistema. A informação básica que o siste ma espera é descriç ão do domínio de dados disponível, que deve especificar o nome do SRC, número de elementos, número de atributos, nome dos atributos e exemplos que caracterizam o domínio, cada um 'deles descrito como um vetor de valores, separados por vírgulas. Figura 2 - Tela inicial do sistema ILROS A tela inicial do sistema, mostrada na Figura 2. apresenta uma barra horizontal de ferramentas, com as seguintes opções: New, Open, Save, Redefine e Close. As três primeiras são relativas a operações com o arquivo que descreve o SRC e a última, utilizada para sair do sistema. O acionamento de cada uma dessas opões leva o usuário a novas telas, com novas opções disponibilizadas. As doze funções elencadas anteriormente estão disponibilizadas por meio de botões dispostos em uma 317

5 40. SBAI - Simpósio Brasileiro de Automação Inteligente, São Paulo, SP, de Setembro de 1999 barra vertical de ferramentas, que são identificados como: Elementary Sets, Approximations, Membership, Dependence, Reducts e Rules. As funções de tais botões estão implícitas em seus próprios nomes. Seguem 'algumas considerações sobre elas. Elementary Sets - a determinação dos conjuntos elementares relativos a um SRC considera o espaço aproximado induzido por todos os atributos. Approximations - fornece ao usuário informações sobre um determinado conjunto, relativas a: sua aproximação inferior, aproximação superior, acuracidade, bem.como as medidas de avaliação das aproximações, i.e., medida interna, medida externa e qualidade de ambas as aproximações. Dependence - permite verificar se um conjunto de atributos é dependente ou não. O uso dessa opção implica a seleção, por parte do usuário, dos atributos que farão parte do conjunto. Reducts - permite calcular todos os redutos de um dado conjunto de atributos selecionado pelo usuário.. Rules - aciona o subsistema de aprendizado de máquina. A utilização dessa opção implica' o uso do RS1+, na indução de regras de decisão a partir da descrição do SRC fornecida pelo usuário. O ILROS foi avaliado em dados de domínio público, todos disponibilizados para download em [Merz (1998)]. Os três domínios inicialmente escolhidos foram Mushroom, Cal' e, Monks (optamos aqui por manter os nomes originais dos domínios, para facilidade de identificação). As descrições mais detalhadas dos três domínios podem encontradas naquela referência. Mushroom (Mu): consiste de um conjunto de dados com descrições de 23 espécies de cogumelos das famílias Agaricus e Lepiota. Cada instância deste domínio é descrita por 22 atributos, todos com valores nominais (não numéricos). O conjunto original de dados possui 8124 instâncias, muitas delas com valores ausentes, Como o ILROS ainda não trata esse tipo de dado, os testes foram realizados com um subconjunto de 5936 instâncias do conjunto original. Cal' (Car): consiste de um conjunto de dados descrevendo a aceitação de vários modelos de carros. A descrição de cada instância é feita através de 6 atributos discretos, 4 com valores nominais e 2 com valores nuinéricos. As' quatro possíveis classes são: inaceitável, aceitável, bom e muito boiil à conjunto original, com 1728 instâncias, foi usado integralmente. Monks (Mo): os dados do domínio Monks são relativos às instâncias que descrevem um robô, usando seis atributos nominais e duas possíveis classes. Três diferentes conjuntos de dados, identificados como Monksl(Mol), Monks2 (Mo2) e Monks3 (Mo3) foram utilizados, cada um deles com 432 instâncias. O que deu origem a três diferentes versões de um mesmo problema foi o processo de geração dos dados. Para cada um deles, uma determinada expressão lógica envolvendo atributos é satisfeita pelas suas instâncias. Para cada um dos domínios de 'dados, foram realizados cinco testes e, em cada um deles. o seguinte procedimento foi adotado: o conjunto original de dados foi randomicamente dividido em dois, contendo respectivamente 75% e 25% do total das instâncias. O primeiro conjunto (conjunto de treinamento) foi usado para a indução do conceito e o segundo (conjunto de teste), para a avaliação do conceito gerado. A Tabela 3 apresenta as 10 características que foram contabilizadas nos experimentos e a Tabela 4, a média dos valores obtidos de cada uma das características, nos cinco experimentos, para cada um dos domínios. Devido ao pouco espaço disponível, nos limitaremos apenas a alguns comentários sobre os valores obtidos no experimento relativo a dois domínio de dados Mushroom (Mu) e Monks3 (Mo3). Mais detalhes podem ser encontrados em [Uchôa & Nicoletti (1998)] e [Uchôa (1998)]. No domínio Mu, o fato do número de elementos ter variado entre 1 e 1.4 indica que as regras obtidas são de fácil leitura, podendo ser facilmente avaliadas por um especialista da área. O valor médio do grau de suporte, em torno de 83% indica que o sistema induziu regras relativamente "boas" (regras com razoável poder classificatõrio), Note, entretanto, que o fato do conjunto de teste ter sido gerado randomicamente, produziu uma avaliação de apenas um pequeno percentual das regras geradas (uma média de 73% das regras não foram deflagradas por qualquer instância de teste). Note também que em média 18% das instâncias de teste não satisfizeram o antecedente de qualquer das regras. Sistemas.de aprendizado disponíveis tratam esta situação disponibilizando uma regra default, que atribui a classe mais frequente às instâncias que não são classificadas por qualquer das regras. O ILROS ainda não implementa qualquer tratamento deste tipo. Os resultados obtidos usando dados de Mo3, por sua vez, permitem dizer que ou este conjunto de dados,é bastante homogêneo ou então que a caracterização de suas classes está muito bem definida (o que pode ser deduzido a partir do fator de credibilidade e do grau de suporte). Cabe aqui observar que, quando da geração das regras, o ILROS produziu regras idênticas em todos os cinco testes realizados no domínio, alterando apenas a ordem das mesmas. Tabela 3 Características contabilizadas A- # regras geradas, B- # mínimo de elementos no antecedente da regra C- # máximo de elementos no antecedente da regra D- # médio de elementos no antecedente da regra E- valor médio de credibilidade de cada regra F- desvio-padrão da credibilidade de cada regra G- valor médio do grau de suporte de cada regra H desvio-padrão do grau de suporte de cada regra 1- # 'regras não deflazradas na avaliacão J- # elementos do conjunto de teste que não satisfazem o antecedente de uualcuer regra Tabela 4. Valores médios das várias características, nos vários domínios Mu Car MoI Mo2 Mo3 A B C D , E F O O G H O I O, J O 14.8 O O 318

6 5 40. SBAI- Simpósio Brasileiro de Automação Inteligente, São Paulo, SP de Setembro de 1999 CONCLUSÕES Uchôa, J. Q. (1998). Representação e Indução de Conhecimento usando Conjuntos Aproximados. Dissertação de Mestrado. São Carlos, PPG-CC UFSCar, 256p. Este artigo descreve inicialmente os principais conceitos da TCA, com o objetivo de subsidiar a apresentação do sistema ILROS, um sistema automático que disponibiliza a determinação de vários dos conceitos e medidas da TCA. O ILROS disponibiliza, também; um subsistema de aprendizado indutivo de máquina, que implementa o RS1+, uma variante otimizada de um dos algoritmos de aprendizado de máquina disponível na literatura. O uso do ILROS permite que o usuário avalie precisamente a informação relativa ao domínio de conhecimento disponível, bem como viabiliza que tal informação possa ser generalizada, na forma de regras de decisão e utilizadas posteriormente em sistemas classificatórios. Como continuidade do trabalho descrito neste artigo, pretendese implementar as seguintes melhorias no algoritmo RS1+ (bem como no protótipo ILROS): tratamento de dados com valores desconhecidos e tratamento a valores contínuos. Além disso, como pode ser percebido na descrição do algoritmo RS1+, o processo de geração de regras é facilmente paralelizável, pois é possível fazer chamadas independentes para cada elemento de Classtô), onde Õé o atributo de decisão. Dada essa facilidade, pretende-se disponibilizar paralelismo em futuras implementações do protótipo, visando aumento de desempenho do sistema. Atualmente, encontra-se em desenvolvimento uma versão UNIX do sistema. 6 AGRADECIMENTOS Apoio a este trabalho foi fornecido pela FAPESP a ambos os autores. 7 REFERÊNCIAS Merz, C. J. and Murphy, P. (1998). UCI Repository of ML Database. Irvine, CA: University of California, DICS, [http://www.ics.uci.edu/-mlearnlmlrepository.html] Ohm, A. (1993). Rough Logic Control: a New Approach to Automatic Control? Trondheim, University of Trondheim, Norway, 44 p. Pawlak, Z. (1982). Rough Sets. Intemational Journal of Computer and Information Sciences, 11(5), pp Pawlak, Z. (1991). Rough Sets: Theoretical Aspects of. Reasoning About Data. London, Kluwer. Pawlak, Z. (1994). Hard and Soft Sets. In: W. P. Ziarko (ed.) Rough Sets, FuZzY Sets and Knowledge Discovery. London, Springer-Verlag, pp Pawlak, Z. (1995). Rough Set Approach to Knowledge Based Decision Support..Research Report of ICS - Warsaw UT, n.io/95, Warsaw, 12 p. Wong, S. K. M.; Ziarko, W. and Ye, R. L. (1986). Comparison of Rough Set and Statistical Methods in Inductive Learning. International Journal ofman-machine Studies 24, pp Zadeh, L. A. (1978). Fuzzy Sets as a Basis for a Theory of Possibility. In: Fuzzy Sets and Systems 1, pp Uchôa, J. Q. e Nicoletti, M. C. (1998). ILROS: um Sistema de Aprendizado Indutivo de Máquina Baseado em Conjuntos Aproximados. Relatório Técnico do Departamento de Computação. São Carlos, DC- UFSCar, 38p. 319

Método para Geração de Regras de Classificação Não-Determinística Baseado em Rough Sets

Método para Geração de Regras de Classificação Não-Determinística Baseado em Rough Sets TEMA Tend. Mat. Apl. Comput., 8, No. 1 (2007), 109-118. c Uma Publicação da Sociedade Brasileira de Matemática Aplicada e Computacional. Método para Geração de Regras de Classificação Não-Determinística

Leia mais

Detecção de Fraude em Grandes Consumidores de Energia Elétrica Utilizando a Teoria de Rough Sets Baseados em Dados Dinâmicos e Dados Estáticos

Detecção de Fraude em Grandes Consumidores de Energia Elétrica Utilizando a Teoria de Rough Sets Baseados em Dados Dinâmicos e Dados Estáticos Detecção de Fraude em Grandes Consumidores de Energia Elétrica Utilizando a Teoria de Rough Sets Baseados em Dados Dinâmicos e Dados Estáticos Cristian Mara M. M. Patrício João Onofre Pereira Pinto Kathya

Leia mais

Mineração de Dados Meteorológicos pela Teoria dos Conjuntos Aproximativos para Aplicação na Previsão de Precipitação Sazonal

Mineração de Dados Meteorológicos pela Teoria dos Conjuntos Aproximativos para Aplicação na Previsão de Precipitação Sazonal Anais do CNMAC v.2 ISSN 1984-820X Mineração de Dados Meteorológicos pela Teoria dos Conjuntos Aproximativos para Aplicação na Previsão de Precipitação Sazonal Juliana Aparecida Anochi Instituto Nacional

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

Otimização de Recuperação de Informação usando Algoritmos Genéticos

Otimização de Recuperação de Informação usando Algoritmos Genéticos Otimização de Recuperação de Informação usando Algoritmos Genéticos Neide de Oliveira Gomes, M. Sc., nog@inpi.gov.br Prof. Marco Aurélio C. Pacheco, PhD Programa de Doutorado na área de Métodos de Apoio

Leia mais

Técnicas de Seleção de Atributos utilizando Paradigmas de Algoritmos Disciplina de Projeto e Análise de Algoritmos

Técnicas de Seleção de Atributos utilizando Paradigmas de Algoritmos Disciplina de Projeto e Análise de Algoritmos Técnicas de Seleção de Atributos utilizando Paradigmas de Algoritmos Disciplina de Projeto e Análise de Algoritmos Theo Silva Lins, Luiz Henrique de Campos Merschmann PPGCC - Programa de Pós-Graduação

Leia mais

Planejamento Estratégico de TI. Prof.: Fernando Ascani

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

Leia mais

Programas Recursivos e conversão de Programas Monolíticos 1

Programas Recursivos e conversão de Programas Monolíticos 1 Programas Recursivos e conversão de Programas Monolíticos 1 Cláudia Santos Fernandes, Daniela Tereza Ascencio Russi, Francisco Assis da Silva, Liliane Jacon Jacob Mestrado Remoto da UFRGS/FACCAR E-mail:

Leia mais

Inteligência Computacional [2COP229]

Inteligência Computacional [2COP229] Inteligência Computacional [2COP229] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/24) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Componentes clássicos da

Leia mais

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

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

Leia mais

2 Máquinas de Estados em Jogos Eletrônicos

2 Máquinas de Estados em Jogos Eletrônicos 2 Máquinas de Estados em Jogos Eletrônicos Máquinas de Estados são um conceito importante em várias áreas da ciência. Em particular, a engenharia e a computação utilizam Máquinas de Estados como ferramentas

Leia mais

SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI LEARNING SYSTEMS FOR IDENTIFICATION OF PEQUI FRUIT SEEDS NUMBER

SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI LEARNING SYSTEMS FOR IDENTIFICATION OF PEQUI FRUIT SEEDS NUMBER SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI Fernando Luiz de Oliveira 1 Thereza Patrícia. P. Padilha 1 Conceição A. Previero 2 Leandro Maciel Almeida 1 RESUMO O processo

Leia mais

O Processo de KDD Knowledge Discovery in Database para Aplicações na Medicina

O Processo de KDD Knowledge Discovery in Database para Aplicações na Medicina SEMINC 2001 57 O Processo de KDD Knowledge Discovery in Database para Aplicações na Medicina MARIZA FERRO HUEI DIANA LEE UNIOESTE - Universidade Estadual do Oeste do Paraná CECE Centro de Engenharias e

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: 08 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir conceitos relacionados a modelos e especificações. Nesta aula

Leia mais

DIFERENÇAS ENTRE FUNÇÃO E BLOCO FUNCIONAL; CRIAÇÃO DE FUNÇÃO / BLOCO FUNCIONAL; UTILIZAÇÃO NO LADDER; EXEMPLO DE BLOCO FUNCIONAL;

DIFERENÇAS ENTRE FUNÇÃO E BLOCO FUNCIONAL; CRIAÇÃO DE FUNÇÃO / BLOCO FUNCIONAL; UTILIZAÇÃO NO LADDER; EXEMPLO DE BLOCO FUNCIONAL; Boletim Técnico EP3 11/07 Utilizando Funções e Blocos Funcionais de usuário pelo software A1 19 de outubro de 2007 O objetivo deste boletim é mostrar como utilizar o recurso de Funções (Functions) e Blocos

Leia mais

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO

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

Leia mais

MINERAÇÃO DE DADOS: APLICAÇÃO PRÁTICA EM PEQUENAS E MÉDIAS EMPRESAS

MINERAÇÃO DE DADOS: APLICAÇÃO PRÁTICA EM PEQUENAS E MÉDIAS EMPRESAS MINERAÇÃO DE DADOS: APLICAÇÃO PRÁTICA EM PEQUENAS E MÉDIAS EMPRESAS RONALDO RIBEIRO GOLDSCHMIDT RESUMO. O intenso crescimento do volume de informações nas bases de dados corporativas de pequenas, médias

Leia mais

Por que o gerenciamento de ativos de software é tão difícil e como simplificá-lo

Por que o gerenciamento de ativos de software é tão difícil e como simplificá-lo DOCUMENTAÇÃO TÉCNICA Melhores práticas de gerenciamento de ativos de software JUNHO DE 2013 Por que o gerenciamento de ativos de software é tão difícil e como simplificá-lo John Fulton CA IT Business Management

Leia mais

APRIMORAR MASSA DE TESTES COM LÓGICA FUZZY

APRIMORAR MASSA DE TESTES COM LÓGICA FUZZY SIMMEC / EMMCOMP 2014 XI Simpósio de Mecânica Computacional II Encontro Mineiro de Modelagem Computacional APRIMORAR MASSA DE TESTES COM LÓGICA FUZZY André F. C. Rabelo,Gray Farias Moita arabelo@funedi.edu.br,

Leia mais

Paralelização do algoritmo SPRINT usando MyGrid

Paralelização do algoritmo SPRINT usando MyGrid Paralelização do algoritmo SPRINT usando MyGrid Juliana Carvalho, Ricardo Rebouças e Vasco Furtado Universidade de Fortaleza UNIFOR juliana@edu.unifor.br ricardo@sspds.ce.gov.br vasco@unifor.br 1. Introdução

Leia mais

Palavras-chave: Sistema neuro-fuzzy, Sistemas de avaliação, Sistemas Adaptativos.

Palavras-chave: Sistema neuro-fuzzy, Sistemas de avaliação, Sistemas Adaptativos. ANÁLISE DO CURSO DE ENGENHARIA ELÉTRICA NA UERJ A PARTIR DE INDICADORES CONSTRUÍDOS BASEADOS NO EXAME NACIONAL DE CURSOS: UM SISTEMA NEBULOSO DE AVALIAÇÃO Maria Luiza F. Velloso mlfv@centroin.com.br Universidade

Leia mais

Engenharia de Software-2003

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

Leia mais

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais.

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais. 1. Introdução A previsão de vendas é fundamental para as organizações uma vez que permite melhorar o planejamento e a tomada de decisão sobre o futuro da empresa. Contudo toda previsão carrega consigo

Leia mais

ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD

ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD RESUMO Thereza P. P. Padilha Fabiano Fagundes Conceição Previero Laboratório de Solos

Leia mais

Sistemas Especialistas

Sistemas Especialistas Sistemas Especialistas Sistemas de Informação Inteligentes Prof. Esp. MBA Heuber G. F. Lima Aula3 Agenda Conceitos para a construção Avaliação de alguns sistemas especialistas Page 2 Sistemas Especialistas

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

Considerações sobre Conhecimento Incerto e Redes Bayesianas

Considerações sobre Conhecimento Incerto e Redes Bayesianas Considerações sobre Conhecimento Incerto e Redes Bayesianas Felipe S. Gurgel 1, Maiquel de Brito 1 1 Universidade Federal de Santa Catarina - UFSC Departamento de Automação e Sistemas - DAS UFSC/CTC/DAS

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

Requisitos de Software

Requisitos de Software Requisitos de Software Ian Sommerville 2006 Engenharia de Software, 8ª. edição. Capítulo 6 Slide 1 Objetivos Apresentar os conceitos de requisitos de usuário e de sistema Descrever requisitos funcionais

Leia mais

Ferramenta: Spider-CL. Manual do Usuário. Versão da Ferramenta: 1.1. www.ufpa.br/spider

Ferramenta: Spider-CL. Manual do Usuário. Versão da Ferramenta: 1.1. www.ufpa.br/spider Ferramenta: Spider-CL Manual do Usuário Versão da Ferramenta: 1.1 www.ufpa.br/spider Histórico de Revisões Data Versão Descrição Autor 14/07/2009 1.0 15/07/2009 1.1 16/07/2009 1.2 20/05/2010 1.3 Preenchimento

Leia mais

Extração de Conhecimento a partir dos Sistemas de Informação

Extração de Conhecimento a partir dos Sistemas de Informação Extração de Conhecimento a partir dos Sistemas de Informação Gisele Faffe Pellegrini & Katia Collazos Grupo de Pesquisa em Eng. Biomédica Universidade Federal de Santa Catarina Jorge Muniz Barreto Prof.

Leia mais

RECUPERAÇÃO DE DOCUMENTOS TEXTO USANDO MODELOS PROBABILISTICOS ESTENDIDOS

RECUPERAÇÃO DE DOCUMENTOS TEXTO USANDO MODELOS PROBABILISTICOS ESTENDIDOS ISBN 978-85-61091-05-7 Encontro Internacional de Produção Científica Cesumar 27 a 30 de outubro de 2009 RECUPERAÇÃO DE DOCUMENTOS TEXTO USANDO MODELOS PROBABILISTICOS ESTENDIDOS Marcello Erick Bonfim 1

Leia mais

Padronização de Processos: BI e KDD

Padronização de Processos: BI e KDD 47 Padronização de Processos: BI e KDD Nara Martini Bigolin Departamento da Tecnologia da Informação -Universidade Federal de Santa Maria 98400-000 Frederico Westphalen RS Brazil nara.bigolin@ufsm.br Abstract:

Leia mais

Método Dialético de Otimização usando o Princípio da Máxima Entropia

Método Dialético de Otimização usando o Princípio da Máxima Entropia Learning and Nonlinear Models Revista da Sociedade Brasileira de Redes Neurais (SBRN) Vol 7 No. 2 pp. 54-64 2009 Método Dialético de Otimização usando o Princípio da Máxima Entropia Wellington Pinheiro

Leia mais

MINISTÉRIO DA INTEGRAÇÃO NACIONAL SECRETARIA EXECUTIVA DEPARTAMENTO DE GESTÃO ESTRATÉGICA COORDENAÇÃO-GERAL DE TECNOLOGIA DA INFORMAÇÃO ENCARTE R

MINISTÉRIO DA INTEGRAÇÃO NACIONAL SECRETARIA EXECUTIVA DEPARTAMENTO DE GESTÃO ESTRATÉGICA COORDENAÇÃO-GERAL DE TECNOLOGIA DA INFORMAÇÃO ENCARTE R ENCARTE R Estimativa de de Software Estimativa de de Software: Contratação de Serviços de Fábrica de Software Página 1 de 10 SUMÁRIO 1 REFERÊNCIAS... 3 1 INTRODUÇÃO... 3 3.1 ESTIMATIVA PRELIMINAR... 4

Leia mais

Engenharia de Software

Engenharia de Software CENTRO UNIVERSITÁRIO NOVE DE JULHO Profº. Edson T. França edson.franca@uninove.br Software Sistemas Conjunto de elementos, entre os quais haja alguma relação Disposição das partes ou dos elementos de um

Leia mais

Descoberta de Domínio Conceitual de Páginas Web

Descoberta de Domínio Conceitual de Páginas Web paper:25 Descoberta de Domínio Conceitual de Páginas Web Aluno: Gleidson Antônio Cardoso da Silva gleidson.silva@posgrad.ufsc.br Orientadora: Carina Friedrich Dorneles dorneles@inf.ufsc.br Nível: Mestrado

Leia mais

Sistema BuildParty para montagem e gerenciamento de eventos. Plano de Testes. Versão <1.1> DeltaInfo. Soluções para web Soluções para o mundo

Sistema BuildParty para montagem e gerenciamento de eventos. Plano de Testes. Versão <1.1> DeltaInfo. Soluções para web Soluções para o mundo Sistema BuildParty para montagem e gerenciamento de eventos Plano de Testes Versão DeltaInfo Soluções para web Soluções para o mundo DeltaInfo 2 Histórico de Revisões Data Versão Descrição Autores

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

Matemática Discreta para Ciência da Computação

Matemática Discreta para Ciência da Computação Matemática Discreta para Ciência da Computação P. Blauth Menezes blauth@inf.ufrgs.br Departamento de Informática Teórica Instituto de Informática / UFRGS Matemática Discreta para Ciência da Computação

Leia mais

AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS

AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS Hugo Marques Casarini Faculdade de Engenharia de Computação

Leia mais

FANESE Faculdade de Administração e Negócios de Sergipe

FANESE Faculdade de Administração e Negócios de Sergipe I FANESE Faculdade de Administração e Negócios de Sergipe GERENCIAMENTO DE PATCHES Atualizações de segurança Aracaju, Agosto de 2009 DAYSE SOARES SANTOS LUCIELMO DE AQUINO SANTOS II GERENCIAMENTO DE PATCHES

Leia mais

Engenharia de Requisitos

Engenharia de Requisitos Engenharia de Requisitos Introdução a Engenharia de Requisitos Professor: Ricardo Argenton Ramos Aula 08 Slide 1 Objetivos Introduzir a noção de requisitos do sistema e o processo da engenharia de requisitos.

Leia mais

Descoberta de Conhecimento em Bases de Dados. Classificação

Descoberta de Conhecimento em Bases de Dados. Classificação Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Descoberta de Conhecimento em Bases de Dados. Classificação Descoberta

Leia mais

O que é software? Software e Engenharia de Software. O que é software? Tipos de Sistemas de Software. A Evolução do Software

O que é software? Software e Engenharia de Software. O que é software? Tipos de Sistemas de Software. A Evolução do Software O que é software? Software e Engenharia de Software Programas de computador Entidade abstrata. Ferramentas (mecanismos) pelas quais: exploramos os recursos do hardware. executamos determinadas tarefas

Leia mais

Na medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.

Na medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia. 1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade

Leia mais

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE INFORMÁTICA EDITOR DE HELP MANUAL DO USUÁRIO

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE INFORMÁTICA EDITOR DE HELP MANUAL DO USUÁRIO PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL FACULDADE DE INFORMÁTICA EDITOR DE HELP MANUAL DO USUÁRIO ANA PAULA CARVALHO LORENZONI MICHELINE PARIZOTTO PROFESSORA. MILENE SELBACH SILVEIRA ORIENTADORA

Leia mais

Estratégias de Pesquisa

Estratégias de Pesquisa Estratégias de Pesquisa Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Survey Design e Criação Estudo de Caso Pesquisa Ação Experimento

Leia mais

CASE Orientada a Objetos com Múltiplas Visões e Implementação Automática de Sistemas - MVCASE

CASE Orientada a Objetos com Múltiplas Visões e Implementação Automática de Sistemas - MVCASE CASE Orientada a Objetos com Múltiplas Visões e Implementação Automática de Sistemas - MVCASE Tathiana da Silva Barrére Antonio Francisco do Prado Vitor César Bonafe E-mail: (tathiana,prado,bonafe)@dc.ufscar.br

Leia mais

Estatística Análise de Dados de Observação. Inferência Estatística. Inferência Estatística. Inferência Estatística. Inferência Estatística

Estatística Análise de Dados de Observação. Inferência Estatística. Inferência Estatística. Inferência Estatística. Inferência Estatística Estatística Análise de Dados de Observação Descrição dos Fenômenos = Estatística Descritiva. Conclusões acerca dos Fenômenos = Estatística Indutiva ou Inferência Estatística. Inferência Estatística É processo

Leia mais

Complexidade de Algoritmos

Complexidade de Algoritmos Complexidade de Algoritmos Classes de Complexidades de Problemas Prof. Osvaldo Luiz de Oliveira Estas anotações devem ser complementadas por apontamentos em aula. Tempo polinomial Um algoritmo A, com entrada

Leia mais

FURB - Universidade Regional de Blumenau TCC - Trabalho de Conclusão de Curso Acadêmico: Fernando Antonio de Lima Orientador: Oscar Dalfovo

FURB - Universidade Regional de Blumenau TCC - Trabalho de Conclusão de Curso Acadêmico: Fernando Antonio de Lima Orientador: Oscar Dalfovo FURB - Universidade Regional de Blumenau TCC - Trabalho de Conclusão de Curso Acadêmico: Fernando Antonio de Lima Orientador: Oscar Dalfovo Roteiro Introdução Sistemas de Informação - SI Executive Information

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

Nathalie Portugal Vargas

Nathalie Portugal Vargas Nathalie Portugal Vargas 1 Introdução Trabalhos Relacionados Recuperação da Informação com redes ART1 Mineração de Dados com Redes SOM RNA na extração da Informação Filtragem de Informação com Redes Hopfield

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

ÍNDICE 1. CADASTRO DE BOLSAS... 2

ÍNDICE 1. CADASTRO DE BOLSAS... 2 ÍNDICE 1. CADASTRO DE BOLSAS... 2 1.1. ACESSANDO A APLICAÇÃO... 2 1.2. GUIA : BOLSAS... 3 1.2.1. Instruções para preenchimento dos campos... 3 1.3. GUIA : OBSERVAÇÃO... 7 1.4. GUIA : UNIDADES... 8 1.4.1.

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

GUILHERME STUTZ TÖWS ANIMAÇÃO DE ALGORITMOS

GUILHERME STUTZ TÖWS ANIMAÇÃO DE ALGORITMOS GUILHERME STUTZ TÖWS ANIMAÇÃO DE ALGORITMOS Trabalho de graduação do Curso de Ciência da Computação do Setor de Ciências Exatas da Universidade Federal do Paraná. Professor: André Luiz Pires Guedes CURITIBA

Leia mais

Teoria da Decisão MÉTODOS QUANTITATIVOS DE GESTÃO

Teoria da Decisão MÉTODOS QUANTITATIVOS DE GESTÃO Teoria da Decisão MÉTODOS QUANTITATIVOS DE GESTÃO INTRODUÇÃO Todo problema de decisão envolve julgamento sobre um conjunto conhecido de alternativas; Informações Disponíveis (Dados) Conhecidos com certeza;

Leia mais

ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO

ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO Renan de Oliveira Yamaguti Faculdade de Engenharia de Computação / CEATEC renan.yamaguti@terra.com.br

Leia mais

Gerenciamento de Configuração de Software

Gerenciamento de Configuração de Software Gerenciamento de Configuração de Software Prof. Ricardo Argenton Ramos [Baseado na apresentação do prof. Masiero ICMC-USP] Contexto para Gerência de Configuração 2 Problema dos Dados Compartilhados Desenvolvedor

Leia mais

IC Inteligência Computacional Redes Neurais. Redes Neurais

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

Leia mais

Estudo e Análise da Base de Dados do Portal Corporativo da Sexta Região da Polícia Militar com vista à aplicação de Técnicas de Mineração de Dados1

Estudo e Análise da Base de Dados do Portal Corporativo da Sexta Região da Polícia Militar com vista à aplicação de Técnicas de Mineração de Dados1 Estudo e Análise da Base de Dados do Portal Corporativo da Sexta Região da Polícia Militar com vista à aplicação de Técnicas de Mineração de Dados1 Rafaela Giroto, 10º módulo de Ciência da Computação,

Leia mais

Complemento III Noções Introdutórias em Lógica Nebulosa

Complemento III Noções Introdutórias em Lógica Nebulosa Complemento III Noções Introdutórias em Lógica Nebulosa Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

ANÁLISE DE COMPETÊNCIAS EXECUTIVAS POR MEIO DE MATRIZES DE DISCERNIBILIDADE E INDISCERNIBILIDADE

ANÁLISE DE COMPETÊNCIAS EXECUTIVAS POR MEIO DE MATRIZES DE DISCERNIBILIDADE E INDISCERNIBILIDADE ANÁLISE DE COMPETÊNCIAS EXECUTIVAS POR MEIO DE MATRIZES DE DISCERNIBILIDADE E INDISCERNIBILIDADE Ayrton Benedito Gaia do Couto Analista de Sistemas, BNDES Av. República do Chile, 100, Centro, Rio de Janeiro,

Leia mais

o Método dos Elos: Baseia-se na determinação de todas as

o Método dos Elos: Baseia-se na determinação de todas as 40. SBAI- Simpósio Brasileiro de Automação Inteligente, São Paulo, SP. 08-10 de Setembro de 1999 PLANEJAMENTO AUTOMATIZADO DO ARRANJO FíSICO André Wakamatsu Escola Politécnica da USP - Depto. de Eng. de

Leia mais

Testes caixa preta - 1

Testes caixa preta - 1 Testes caixa preta - 1 Abordagens combinatórias Criação: Abr/2001 Reformulação: Mar/2013 Referências M. Pezzè, M. Young. Teste e Análise de Software. Bookman Companhia Editora, 2008, cap. 10 e 11. P. Ammann,

Leia mais

Para que o NSBASIC funcione corretamente em seu computador, você deve garantir que o mesmo tenha as seguintes características:

Para que o NSBASIC funcione corretamente em seu computador, você deve garantir que o mesmo tenha as seguintes características: Cerne Tecnologia www.cerne-tec.com.br Conhecendo o NSBASIC para Palm Vitor Amadeu Vitor@cerne-tec.com.br 1. Introdução Iremos neste artigo abordar a programação em BASIC para o Palm OS. Para isso, precisaremos

Leia mais

Sistema Integrado de Gerenciamento ARTESP MANUAL DO USUÁRIO SIGA EXTRANET - FRETAMENTO

Sistema Integrado de Gerenciamento ARTESP MANUAL DO USUÁRIO SIGA EXTRANET - FRETAMENTO Sistema Integrado de Gerenciamento ARTESP MANUAL DO USUÁRIO SIGA EXTRANET - FRETAMENTO Versão 1.0 Julho/2012 ÍNDICE 1 REQUISITOS MÍNIMOS PARA INSTALAÇÃO... 4 1.1 Equipamento e Sistemas Operacionais 4 1.1.1

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 03 In a calm sea every man is a pilot. Engenharia de Software I Aula 3 Gerenciamento de

Leia mais

Sistemas p-fuzzy modificados para o modelo do controle de pragas

Sistemas p-fuzzy modificados para o modelo do controle de pragas Biomatemática 22 (2012), 61 76 ISSN 1679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Sistemas p-fuzzy modificados para o modelo do controle de pragas Thiago F. Ferreira 1, Rosana S. M.

Leia mais

Ambiente de workflow para controle de métricas no processo de desenvolvimento de software

Ambiente de workflow para controle de métricas no processo de desenvolvimento de software Ambiente de workflow para controle de métricas no processo de desenvolvimento de software Gustavo Zanini Kantorski, Marcelo Lopes Kroth Universidade Federal de Santa Maria (UFSM) 97100-000 Santa Maria

Leia mais

Engenharia de Software: Introdução. Mestrado em Ciência da Computação 2008 Profa. Itana Gimenes

Engenharia de Software: Introdução. Mestrado em Ciência da Computação 2008 Profa. Itana Gimenes Engenharia de Software: Introdução Mestrado em Ciência da Computação 2008 Profa. Itana Gimenes Programa 1. O processo de engenharia de software 2. UML 3. O Processo Unificado 1. Captura de requisitos 2.

Leia mais

Registrador de Dados VB300 3-Axis G- Force Versão 1.0 Novembro 2010

Registrador de Dados VB300 3-Axis G- Force Versão 1.0 Novembro 2010 Utilitário de Ajuda do Software Registrador de Dados VB300 3-Axis G- Force Versão 1.0 Novembro 2010 Introdução ao Software O software do registrador de dados é um programa que coleta dados do registrador

Leia mais

Introdução ao Delphi. Introdução. Edições do Software. Capítulo 1. InforBRás - Informática Brasileira Ltda. O Que é o Delphi.

Introdução ao Delphi. Introdução. Edições do Software. Capítulo 1. InforBRás - Informática Brasileira Ltda. O Que é o Delphi. Capítulo 1 O Que é o Delphi Diferenças entre Delphi Client/Server do Delphi for Windows Características que compõem o Integrated Development Invironment (IDE) Como o Delphi se encaixa na família Borland

Leia mais

Verificação de Impressões Digitais usando Algoritmos Genéticos

Verificação de Impressões Digitais usando Algoritmos Genéticos 1. Introdução Verificação de Impressões Digitais usando Algoritmos Genéticos Matheus Giovanni Pires, Fernando Vieira Duarte, Adilson Gonzaga Escola de Engenharia de São Carlos Universidade de São Paulo

Leia mais

Introdução à Programação de Computadores

Introdução à Programação de Computadores 1. Objetivos Introdução à Programação de Computadores Nesta seção, vamos discutir os componentes básicos de um computador, tanto em relação a hardware como a software. Também veremos uma pequena introdução

Leia mais

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

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

Leia mais

MANUAL DE INSTALAÇÃO DOS PROGRAMAS NOVA GIA DECLARAÇÃO DO SIMPLES PARA WINDOWS VISTA

MANUAL DE INSTALAÇÃO DOS PROGRAMAS NOVA GIA DECLARAÇÃO DO SIMPLES PARA WINDOWS VISTA MANUAL DE INSTALAÇÃO DOS PROGRAMAS NOVA GIA E DECLARAÇÃO DO SIMPLES PARA WINDOWS VISTA Equipe Nova GIA Janeiro/2008 1 O Funcionamento do sistema operacional Windows Vista apresenta algumas diferenças com

Leia mais

Contagem. Prof. Dr. Leandro Balby Marinho. Matemática Discreta. Fundamentos Inclusão/Exclusão Princípio da Casa dos Pombos Permutações Combinações

Contagem. Prof. Dr. Leandro Balby Marinho. Matemática Discreta. Fundamentos Inclusão/Exclusão Princípio da Casa dos Pombos Permutações Combinações Contagem Prof. Dr. Leandro Balby Marinho Matemática Discreta Prof. Dr. Leandro Balby Marinho 1 / 39 UFCG CEEI Motivação Contagem e combinatória são partes importantes da matemática discreta. Se resumem

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

ADMINISTRAÇÃO DE SISTEMAS OPERACIONAIS SERVIÇO DE BACKUP. Professor Carlos Muniz

ADMINISTRAÇÃO DE SISTEMAS OPERACIONAIS SERVIÇO DE BACKUP. Professor Carlos Muniz ADMINISTRAÇÃO DE SISTEMAS OPERACIONAIS O que é o Backup do Windows Server? O recurso Backup do Windows Server no Windows Server 2008 consiste em um snap-in do Console de Gerenciamento Microsoft (MMC) e

Leia mais

Pós-Graduação em Engenharia Elétrica Inteligência Artificial

Pós-Graduação em Engenharia Elétrica Inteligência Artificial Pós-Graduação em Engenharia Elétrica Inteligência Artificial João Marques Salomão Rodrigo Varejão Andreão Inteligência Artificial Definição (Fonte: AAAI ): "the scientific understanding of the mechanisms

Leia mais

SLAG - Resolvendo o Problema do Caixeiro Viajante Utilizando Algoritmos Genéticos

SLAG - Resolvendo o Problema do Caixeiro Viajante Utilizando Algoritmos Genéticos SLAG - Resolvendo o Problema do Caixeiro Viajante Utilizando Algoritmos Genéticos Fredson Vieira Costa 1, Fábio Silveira Vidal 1, Claudomiro Moura Gomes André 1 1 Curso de Bacharelado em Ciência da Computação

Leia mais

Inferência Estatística. Amostragem Estatística. Características das Amostragens Estatísticas. Tipos de Amostragens Estatísticas

Inferência Estatística. Amostragem Estatística. Características das Amostragens Estatísticas. Tipos de Amostragens Estatísticas Fenômenos Estatísticos Classificam-se em: Fenômenos Coletivos ou de Massa - Não podem ser definidos por uma simples observação (natalidade, mortalidade, preço médio de veículos usados em Curitiba, etc.).

Leia mais

Proposta de Mini-Curso para a XLIII SBPO

Proposta de Mini-Curso para a XLIII SBPO Proposta de Mini-Curso para a XLIII SBPO Artur Alves Pessoa Eduardo Uchoa Departamento de Engenharia de Produção Universidade Federal Fluminense Título: UFFLP: Integrando Programação Inteira Mista e Planilhas

Leia mais

Utilizando Lógica Fuzzy para Avaliar a Qualidade de uma Compra Via Internet

Utilizando Lógica Fuzzy para Avaliar a Qualidade de uma Compra Via Internet Utilizando Lógica Fuzzy para Avaliar a Qualidade de uma Compra Via Internet Leonardo Martins Rodrigues 1 e Graçaliz Pereira Dimuro 1 1 Programa de Pós-Graduação em Modelagem Computacional Universidade

Leia mais

Gaia Inventário: um Modelo para Gestão da Configuração, Inventário e Ativos de Serviços de Tecnologia da Informação

Gaia Inventário: um Modelo para Gestão da Configuração, Inventário e Ativos de Serviços de Tecnologia da Informação Gaia Inventário: um Modelo para Gestão da Configuração, Inventário e Ativos de Serviços de Tecnologia da Informação Natali Silva Honda 1, Bruno Bogaz Zarpelão 1 1 Departamento de Computação Universidade

Leia mais

PROGRAMAÇÃO DE COMPUTADORES (Teoria)

PROGRAMAÇÃO DE COMPUTADORES (Teoria) PC PROGRAMAÇÃO DE COMPUTADORES (Teoria) Aula 01 Prof. Ricardo Veras (prof.rveras@gmail.com) ALGORITMOS "Seqüência ordenada de passos, que deve ser seguida para a realização de um tarefa" "Algoritmo é um

Leia mais

Alinhamento Prático Ferramenta ARIS Operação Básica

Alinhamento Prático Ferramenta ARIS Operação Básica Alinhamento Prático Ferramenta ARIS Operação Básica AGENDA Ferramenta ARIS Operação do módulo básico ARIS Explorer Estruturação dos componentes Login na base de dados Manipulação de grupos Objetos Conexões

Leia mais

ERACE-TOOL - UMA FERRAMENTA BASEADA EM CENÁRIOS PARA À ENGENHARIA DE REQUISITOS

ERACE-TOOL - UMA FERRAMENTA BASEADA EM CENÁRIOS PARA À ENGENHARIA DE REQUISITOS ERACE-TOOL - UMA FERRAMENTA BASEADA EM CENÁRIOS PARA À ENGENHARIA DE REQUISITOS João Caldas Júnior FIL- Fundação Paulista de Educação e Tecnologia Paulo C. Masiero ICMC - Universidade de São Paulo masiero@icmsc.sc.usp.br

Leia mais

Requisitos de Software

Requisitos de Software Requisitos de Software Centro de Informática - Universidade Federal de Pernambuco Kiev Gama kiev@cin.ufpe.br Slides originais elaborados por Ian Sommerville e adaptado pelos professores Márcio Cornélio,

Leia mais

APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA

APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA Lizianne Priscila Marques SOUTO 1 1 Faculdade de Ciências Sociais e Aplicadas

Leia mais

4 Conversor EDTV Raw. 4.1 Arquitetura

4 Conversor EDTV Raw. 4.1 Arquitetura 4 Conversor EDTV Raw O conversor EDTV Raw é o programa que lê um documento escrito no perfil NCL EDTV e gera um documento Raw equivalente, i.e. que define a mesma apresentação. Este capítulo, apresenta

Leia mais

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

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

Leia mais

Solução de gerenciamento de sistemas Dell KACE K1000 Versão 5.5. Guia de gerenciamento de ativos. Julho de 2013

Solução de gerenciamento de sistemas Dell KACE K1000 Versão 5.5. Guia de gerenciamento de ativos. Julho de 2013 Solução de gerenciamento de sistemas Dell KACE K1000 Versão 5.5 Guia de gerenciamento de ativos Julho de 2013 2004-2013 Dell, Inc. Todos os direitos reservados. Qualquer forma de reprodução deste material

Leia mais

Cálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante

Cálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Cálculo Numérico Aula : Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Computação Numérica - O que é Cálculo Numérico? Cálculo numérico é uma metodologia para resolver problemas matemáticos

Leia mais

Casos de teste semânticos. Casos de teste valorados. Determinar resultados esperados. Gerar script de teste automatizado.

Casos de teste semânticos. Casos de teste valorados. Determinar resultados esperados. Gerar script de teste automatizado. 1 Introdução Testes são importantes técnicas de controle da qualidade do software. Entretanto, testes tendem a ser pouco eficazes devido à inadequação das ferramentas de teste existentes [NIST, 2002].

Leia mais

Modelagem de Conhecimento integrando Regras de Produção e Ontologias

Modelagem de Conhecimento integrando Regras de Produção e Ontologias Modelagem de Conhecimento integrando Regras de Produção e Ontologias 1. Introdução Tiago Cordeiro, Vládia Pinheiro e Vasco Furtado UNIFOR Universidade de Fortaleza O conhecimento das organizações precisa

Leia mais

Qualidade de Dados em Data Warehouse

Qualidade de Dados em Data Warehouse Qualidade de Dados em Data Warehouse Prof. Dr. Jorge Rady de Almeida Jr. Escola Politécnica da USP C/1 Relevância do Tema Principal motivação p/ manter alta QD: impactos nos lucros DW: tomada de decisões

Leia mais