UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO

Tamanho: px
Começar a partir da página:

Download "UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO"

Transcrição

1 UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO FERRAMENTAS PARA ESTIMAR VALORES FALTANTES EM UMA BASE DE DADOS NA ETAPA DE PRÉ-PROCESSAMENTO DE UM KDD Área de Inteligência Artificial por Leandro Alberto Vieira Benjamin Grando Moreira, Bel. Orientador Itajaí (SC), Jul de 2008

2 UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO FERRAMENTA PARA ESTIMAR VALORES FALTANTES EM UMA BASE DE DADOS NA ETAPA DE PRÉ-PROCESSAMENTO DE UM KDD Área de Inteligência Artificial por Leandro Alberto Vieira Relatório apresentado à Banca Examinadora do Trabalho de Conclusão do Curso de Ciência da Computação para análise e aprovação. Orientador: Benjamin Grando Moreira, Bel. Itajaí (SC), Jul de 2008

3 SUMÁRIO LISTA DE ABREVIATURAS... iv LISTA DE FIGURAS... v Lista de tabelas... vi Lista de equações... vii RESUMO... viii ABSTRACT... ix 1. INTRODUÇÃO PROBLEMATIZAÇÃO Formulação do Problema Solução Proposta OBJETIVOS Objetivo Geral Objetivos Específicos METODOLOGIA ESTRUTURA DO TRABALHO FUNDAMENTAÇÃO TEÓRICA DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS (KNOWLEDGE DISCOVERY IN DATABASES - KDD) Etapas do KDD Compreensão do Domínio de Aplicação Seleção de Dados Pré-Processamento Transformação dos Dados Mineração de Dados Interpretação e Avaliação do Conhecimento PRÉ-PROCESSAMENTO DE DADOS Tratamentos de valores ausentes Tratamento de valores inconsistentes Exclusão dos valores não pertencentes ao domínio TRATAMENTO DE VALORES AUSENTES Aleatoriedade dos valores ausentes Métodos para o tratamento de valores ausentes RACIOCÍNIO BASEADO EM CASO O ciclo RBC O Algoritmo K-Vizinho mais Próximos MINERAÇÃO DE DADOS Técnicas de Mineração de Dados ii

4 2.5.2 Tarefas desempenhadas por técnicas de Mineração de Dados FERRAMENTA WEKA TRABALHOS SIMILARES Pré-processamento em Aprendizado de Máquina Supervisionado Um Estudo de Caso do Impacto da Imputação de Dados na Mineração de Dados DESENVOLVIMENTO REQUISITOS DE SOFTWARE Requisitos funcionais Requisitos não funcionais Regras de Negócio MÉTODO ESTATÍSTICO MÉTODO RBC MÉTODO MD Gerador de arquivo ARFF Utilizando a ferramenta Weka FUNCIONAMENTO DA FERRAMENTA TESTE E VALIDAÇÃO Resultados obtidos pelo método estatístico Resultados obtidos pelo método RBC padrão Resultados obtidos pelo método RBC com peso Resultados obtidos pelo método de MD Comparação entre os métodos CONCLUSÕES MODELAGEM DO SISTEMA Casos de Uso Casos de Uso da ferramenta iii

5 LISTA DE ABREVIATURAS ARRF CSV DLL DOS ERP EM IA J2SDK JAR KDD MAR MBR MCAR MD ML MNAR OLAP PHP RBC RIPPER SGBD SQL TCC TI UNIVALI WEKA Attribute Relation File Format Comma-Separated Values Dynamic Link Library Disk Operanting System Enterprise Resource Planning Expectation Maximization Inteligência Artificial Java Software Development Kit Java Archive Knowledge Discovery in Databases Missing At Random Memory-Based Reasoning Missing Completly At Random Mineração de Dados Maximum Likelihood Missing Not At Random On-Line Analytical Processing Hypertext Preprocessor Raciocínio Baseado em Casos Repeated Incremental Pruning Error Reduction Sistema Gerenciados de Banco de Dados Structure Query Language Trabalho de Conclusão de Curso Tecnologia da Informação Universidade do Vale do Itajaí Waikato Environment for Knowledge Analysis iv

6 LISTA DE FIGURAS Figura 1. Etapas do Processo KDD Figura 2. Tempo dispendido para cada etapa do KDD Figura 3. Conjunto de dados original Figura 4. Imputação por média dos atributos Figura 5. Imputação pelo algoritmo do Vizinho Mais Próximo Figura 6. Ciclo RBC Figura 7. Estrutura do arquivo ARFF Figura 8. Exemplo do método RBC em que faz o somatório dos atributos Figura 9. Configuração no arquivo php.ini Figura 10. Classe Java teste para integração com o PHP Figura 11. Código PHP para invocar os métodos da classe Java Figura 12. Tela de erro do Apache no momento da integração Figura 13. Dados no log de eventos do Windows referente ao Apache Figura 14. Erro ao abrir o arquivo pelo Weka quando existem rótulos duplicados Figura 15. Tela inicial da ferramenta Weka Figura 16. Tela de pré-processamentos de dados do Weka com conjunto de dados importados Figura 17. Tela dos algoritmos de classificação do Weka Figura 18. Algoritmos de classificação Figura 19. Regras geradas pelo Algoritmo JRip Figura 20. Erro ao manipular valores qualitativos Figura 21. Tela do sistema para importar o arquivo CSV Figura 22. Tela de informações sobre o processamento Figura 23. Classificação dos atributos Figura 24. Tela de apresentação dos resultados Figura 25. Resultados Obtidos pela ferramenta - Método Estatístico Figura 26. Resultados Obtidos pela ferramenta - Método RBC padrão Figura 27. Resultados Obtidos pela ferramenta - Método RBC com Peso Figura 28. Regra para a previsão Figura 29. Regra para o atributo vento Figura 30. Regra para Jogar? Figura 31. Casos de Uso da ferramenta proposta Figura 32. Exemplo de Arquivo CSV Figura 33. Setando pesos para o RBC Figura 34. Visualização dos resultados na ferramenta v

7 LISTA DE TABELAS Tabela 1. Principais Funcionalidades da Ferramenta WEKA Tabela 2. Tabela de dados originais Tabela 3. Base de dados com os valores faltantes Tabela 4. Proximidade dos valores obtidos pelo Método Estatístico Tabela 5. Proximidade dos valores obtidos pelo Método RBC padrão Tabela 6. Pesos Atribuídos aos Atributos - RBC Peso Tabela 7. Proximidade dos valores obtidos pelo Método RBC com peso Tabela 8. Valores obtidos pelo algoritmo JRip Tabela 9. Proximidade dos valores obtidos pelo algoritmo JRip Tabela 10. Proximidade dos métodos em relação aos valores quantitativos Tabela 11. Comparação entre os métodos vi

8 LISTA DE EQUAÇÕES Equação Equação Equação Equação vii

9 RESUMO VIEIRA, Leandro Alberto. Ferramenta para estimar valores faltantes em uma base de dados na etapa de pré-processamento de um KDD. Itajaí, f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) Centro de Ciências Tecnológicas da Terra e do Mar, Universidade do Vale do Itajaí, Itajaí, O atual crescimento da Tecnologia da Informação a redução do preço dos equipamentos tem propiciado o armazenamento de grande base de dados. Porém a capacidade humana de compreender uma grande quantidade de dados se torna extremamente difícil. Para auxiliar o processo de análise surge uma área de pesquisa conhecida como KDD (Knowledge Discovery in Databases) que tem por objetivo extrair conhecimento útil de conjuntos de dados. Dentre as etapas do KDD existe a etapa de pré-processamento que tem como objetivo assegurar a qualidade dos dados selecionados para que todo o processo do KDD tenha êxito nos seus resultados. Um dos principais problemas encontrados nesta etapa é a existência de valores faltantes. A forma mais simples utilizada para o tratamento de valores faltantes é remoção do registro, que implica na perda de informação. Neste contexto este trabalho apresenta uma ferramenta para estimar os valores faltantes tanto qualitativo quanto quantitativo desenvolvida em PHP utilizando os métodos de Raciocínio Baseado em Casos, estatística com moda e média, e abordagens de Mineração de Dados utilizando a ferramenta WEKA. O trabalho também apresenta o estudo comparativo entre os métodos RBC e estatístico e os resultados obtidos pela ferramenta. Palavras-chave: Descoberta de Conhecimento em Base de Dados. Mineração de dados. Préprocessamento. viii

10 ABSTRACT The current growth of the Information Technology and the reduction of the equipments price have been propitious to the storage of great databases that can reach hundreds of terabytes of information. However, the human capacity to analyze and to understand great amounts of data makes it extremely difficult. To aid the analysis process a new research area appears, known as KDD (Knowledge Discovery in Databases), which has the objective of extracting useful knowledge from great groups of data. Among the stages of KDD there is the pre-processing stage that has as objective to assure the quality of the selected data in order to make the whole process of KDD successful in its results, being this stage that takes most of the time in the process. One of the main problems found in this stage is the absence of values. The simplest and more used way for the treatment of absent values is the removal of the registration that implicates in the information loss. In this context this work introduces the creation of a tool to estimate the absent values - as qualitative as quantitative developed in PHP using the methods of Case-Based Reasoning, statistic and approaches to Data Mining resorting to the WEKA tool. This document also presents the comparative studies between the CBR methods and statistics, necessary concepts, the implementation and the results obtained from this tool. Keywords: Knowledge Discovery in Databases. Data Mining. Pre-processing. ix

11 1. INTRODUÇÃO A Tecnologia da Informação vem possibilitando cada vez mais o armazenamento de grandes bases de dados. Sejam por tecnologias como SGBD (Sistemas Gerenciadores de Banco de Dados), Internet, leitores de códigos de barras, sistemas de informação em geral são alguns exemplos de recursos que vem proporcionando o aumento de inúmeras bases de dados sejam estas de natureza comercial, administrativa, governamental e científica (GOLDSCHMIDT; PASSOS, 2005). Devido à grande facilidade de se guardar grandes quantidades de dados, questões como O que fazer com todos esses dados armazenados?, pois de nada adianta um grande volume de dados disponíveis se eles não podem ser usados de forma útil. Para atender esse contexto, surge uma nova área denominada KDD (Knowledge Discovery in Databases) que em português significa Descoberta de Conhecimento em Bases de Dados. Uma das definições mais conhecidas foi proposta por Fayyad et al. (1996 apud GOLDSCHMIDT; PASSOS, 2005): KDD é um processo, de várias etapas, não trivial, interativo e iterativo, para identificação de padrões compreensíveis, válidos, novos e potencialmente úteis a partir de um grande conjunto de dados. Segundo Goldschmidt e Passos (2005), o KDD pode ser dividido em três etapas que são: 1. Pré-Processamento: responsável pelas funções de captação, organização e tratamento de dados; 2. Mineração de Dados: responsável por realizar buscas efetivas por conhecimentos úteis em um KDD; e 3. Pós-Processamento: abrange o tratamento do conhecimento obtido pela etapa de mineração de dados. O grande objetivo da etapa de pré-processamento é assegurar a qualidade dos dados selecionados para que todo o processo do KDD tenha êxito nos seus resultados, um fato importante a ser salientado é que esta etapa é a que mais consome tempo em todo o processo na Descoberta de Conhecimento em Base de Dados. Mais um dos grandes problemas desta etapa ocorre na parte de tratamento de valores, pois é muito comum em grandes bases de dados haver valores faltantes. Os motivos que levam a ocasionar valores faltantes são principalmente o erro humano, ou porque a

12 informação não estava disponível no momento dos levantamentos dos dados, entre outros fatores que podem ocasionar este problema. A maneira mais simples para tratamento de valores faltantes é eliminar o registro onde não se encontram os dados, só que isso implica a perda de informação podendo acarretar uma má qualidade no resultado da aplicação de KDD, desta forma gerando resultados insatisfatórios. Devido aos fatores apresentados acima este projeto propõe a criação de uma ferramenta Web para estimar os valores faltantes utilizando três técnicas para o tratamento dos valores, que são: (i) estatística; (ii) Raciocínio Baseado em Casos (RBC); e (iii) Mineração de Dados (MD). A aplicação do método estatístico se fará, inicialmente, pelo uso da média, ou seja, quando houver um dado faltante este receberá a média dos outros valores. Esta é a forma mais simples e algumas vezes utilizada, mas que não é recomendada, pois o uso da média pode não estimar o dado faltante de forma coerente, devido à possibilidade de haver valores discrepantes na base de dados e isso acarretaria em uma estimativa que não condiz com a realidade dos dados. Segundo von Wangenheim e von Wangenheim (2003): Raciocínio Baseado em Casos é uma abordagem para a solução de problemas e para o aprendizado com base em experiência passada. De uma forma simplificada, podemos entender o Raciocínio Baseado em Casos como a solução de novos problemas por meio da utilização de casos anteriores já conhecidos. A partir do RBC este projeto pretende estimar os valores faltantes baseado em casos passados e que sejam similares ao registro que está sendo analisado. Quanto a Mineração de Dados, Carvalho (2001) define como: O uso de técnicas automáticas de exploração de grandes quantidades de dados de forma a descobrir novos padrões e relações que, devido ao volume de dados, não seriam facilmente descobertos a olho nu pelo ser humano. Através da ferramenta proposta para estimação dos valores faltantes, este trabalho tem como outro objetivo destacar qual dos três métodos mencionados anteriormente proporcionam as melhores estimativas ou ainda, de forma automática, distinguir qual dos métodos é o mais efetivo em bases de dados específicas. Esse projeto se justifica como um Trabalho de Conclusão de Curso para o curso de Ciência da Computação por se tratar de uma solução que auxiliará na etapa de pré-processamento de dados para um processo de KDD, utilizando técnicas de Inteligência Artificial. 2

13 1.1 PROBLEMATIZAÇÃO Formulação do Problema Um dos grandes problemas da etapa de pré-processamento ocorre na fase de tratamento de valores, pois é muito comum em grandes bases de dados haver valores faltantes. Os motivos que levam a ocasionar valores faltantes são principalmente o erro humano, ou porque a informação não estava disponível no momento dos levantamentos dos dados, entre outros fatores que podem ocasionar este problema. A maneira mais simples para tratamento de valores faltantes é eliminar o registro onde não se encontram os dados, só que isso implica em perder informações podendo acarretar uma má qualidade no resultado da aplicação de KDD, desta forma gerando resultados insatisfatórios Solução Proposta Este projeto propõe o desenvolvimento de uma ferramenta Web em PHP (Hypertext Preprocessor). Esta ferramenta estima valores faltantes em uma base de dados visando auxiliar a etapa de pré-processamento de um KDD. A ferramenta tem como principais funcionalidades: Um analisador de arquivo que importa uma base de dados no formato CSV (Comma- Separated Values); Apresentação das estimativas realizadas pelos métodos implementados. Os métodos que serão implementados para a geração das estimativas são: Estatístico: este trabalho se propõe a trabalhar apenas com a média para estimativa de dados, outros métodos estatísticos não serão implementados; RBC: através deste algoritmo estima-se os dados baseando-se em experiências passadas; e Mineração de Dados: para utilização de mineração de dados este trabalho propõe-se integrar PHP com JAVA, com a finalidade de usar API s do WEKA (Disponível para download em que estão disponíveis apenas para tecnologia JAVA. 3

14 Estes métodos foram aplicados em uma base de dados com a finalidade de apoiar a etapa de Pré-processamento de um KDD, visando fornecer ao usuário os dados estimados pelos três métodos. O projeto visa também estipular qual dos métodos é o mais efetivo. Para o usuário, após serem identificados os valores estimados, será apresentada uma tabela com os registros que tiveram campos estimados, com uma caixa de seleção apresentando os valores trazidos pelas estimativas. 1.2 OBJETIVOS Objetivo Geral O objetivo principal do trabalho consiste na construção de uma ferramenta para a etapa de pré-processamento de KDD visando estimar os valores de dados faltantes em uma base de dados, com aplicação de três métodos diferentes, que são: (i) Mineração de Dados; (ii) Raciocínio Baseado em Casos; e (iii) método estatístico. O trabalho também visa comparar os três métodos procurando descobrir qual é o mais efetivo, ou ainda, de forma automática, distinguir qual dos métodos é o mais efetivo em bases de dados específicas Objetivos Específicos Os objetivos específicos deste projeto são: Pesquisar e analisar soluções similares; Pesquisar os conceitos necessários para a implementação do projeto; Pesquisar e estudar as tecnologias que serão envolvidas no projeto; Definir os requisitos do sistema; Criar a modelagem conceitual do sistema; Implementar o sistema, tendo os seguintes módulos: o Criação do Analisador de Arquivo; o Módulo RBC; o Módulo de Mineração de dados; e o Módulo Estatístico. 4

15 Testar e validar o sistema; e Documentar todas as etapas envolvidas na construção da ferramenta. 1.3 Metodologia A metodologia adotada para desenvolvimento deste documento nesta fase do Trabalho de Conclusão de Curso divide-se em cinco etapas: Estudo: essa etapa teve como objetivo adquirir o conhecimento necessário, pesquisando os conceitos e tecnologias necessárias para a execução do projeto além de pesquisar soluções semelhantes. Os recursos utilizados no estudo são livros e outros trabalhos realizados na área; Modelagem: esta etapa detalhou o funcionamento do sistema proposto criando um modelo conceitual que abrange análise e o projeto. Desenvolvimento: a etapa de desenvolvimento detalha a construção da ferramenta seus requisitos os problemas encontrados e as soluções encontradas. Teste e Validação: esta etapa tem como principal objetivo testar e validar a aplicação com intuito de verificar se a ferramenta compreende todos os requisitos estabelecidos e verificar ainda a existência de problemas de implementação. Documentação: esta etapa tem como principal objetivo documentar todo o processo de pesquisa, a descrição do problema, a solução proposta, além dos testes feitos e os resultados obtidos ao longo do trabalho. 1.4 Estrutura do trabalho Este documento está estruturado em quatro capítulos. O Capítulo 1, Introdução, apresenta uma visão geral sobre o que se propôs com este trabalho. O Capítulo 2, Fundamentação Teórica, apresenta o levantamento de dados necessários para o entendimento e desenvolvimento da ferramenta proposta. 5

16 O Capítulo 3, Desenvolvimento, apresenta o desenvolvimento da ferramenta, os problemas encontrados os resultados obtidos e a comparação entre os métodos. Finalizando, o Capítulo 4, apresenta a conclusão deste trabalho. 6

17 2 FUNDAMENTAÇÃO TEÓRICA O presente capítulo tem por objetivo apresentar a revisão bibliográfica sobre os conteúdos e tecnologias a serem utilizadas durante o desenvolvimento. Na Seção 2.1 é apresentada uma visão geral sobre o KDD e suas etapas. Já na Seção 2.2 é apresentada em especifico a etapa de Préprocessamento. Na Seção 2.3 é apresentado o tema chave deste trabalho que é o tratamento de valores faltantes. Nas Seções 2.4 e 2.5 apresentam mais detalhes sobre os métodos utilizados neste trabalho, sendo o RBC e Mineração de Dados respectivamente e seção 2.6 apresenta uma breve descrição sobre a ferramenta WEKA. Na Seção 2.7 é descrito sobre soluções similares a solução proposta neste trabalho. 2.1 DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS (KNOWLEDGE DISCOVERY IN DATABASES - KDD) O grande avanço da tecnologia da informação tem permitido cada vez mais o armazenamento de grandes volumes de dados, sendo possível devido aos dispositivos se tornarem cada vez mais rápidos e com maior capacidade de armazenamento, além de se tornarem mais baratos. Outras tecnologias como a Internet, Sistemas Gerenciadores de Banco de Dados (SGBD) e sistemas de informação em geral também contribuem para a existência de base de dados cada vez maiores. (GOLDSCHMIDT e PASSOS, 2005). Segundo Goldschmidt e Passos (2005) grandes empresas, tais como Wal-Mart, Banco do Brasil, Caixa Econômica Federal e grandes projetos científicos como missões espaciais da NASA e o Projeto Genoma Humano são capazes de atingir bases de dados da ordem de centenas de terabytes de informações. Mas no mesmo ritmo em que a tecnologia da informação propicia esta proliferação de enormes bases de dados, a capacidade humana de analisá-las e compreendê-las diminuem na mesma proporção. Sendo então que, no meio dessa imensa massa de dados, pode haver informações úteis que dificilmente serão identificadas e utilizadas por métodos tradicionais como planilha de cálculos e relatórios informativos operacionais que servem basicamente para satisfazer as necessidades rotineiras de uma empresa (BATISTA, 2003; GOLDSCHMIDT e PASSOS, 2005; SASSI, 2006).

18 Segundo Gardner (1998 apud OLIVEIRA 2000) a aplicação de Data Warehousing pode ser considerada como uma das primeiras formas para tornar viável a análise em grande quantidade de dados no apoio ao processo decisório. O objetivo deste é criação de um repositório que contenha dados limpos para análise com ferramentas OLAP (On-Line Analytical Processing) sendo que este tipo de ferramenta apresenta facilidade para realizar consultas complexas em base de dados multidimensionais. As ferramentas para analisar um Data Warehouse, geralmente são orientadas às consultas, ou seja, é feita pelo usuário para que possa comprovar suas hipóteses ou fazer consultas aleatórias, porém, o analista humano não é capaz de imaginar todas as relações e associações possíveis em uma grande base de dados, o que impede que padrões escondidos nos dados sejam encontrados (OLIVEIRA, 2000). Devido a isto, surge a necessidade de uma nova geração de ferramentas e técnicas de análises dirigidas por computador para auxiliar de maneira inteligente e automática (ou semiautomática) os analistas humanos na extração de novos conhecimentos em sua base de dados. Para suprir esta necessidade surge uma área de pesquisa chamada KDD (Knowledge Discovery in Databases) que em português significa Descoberta de Conhecimento em Bases de Dados. (BATISTA, 2003; OLIVEIRA, 2000). Uma das definições mais conhecidas foi proposta por Fayyad, Piatetsky-Shapiro e Smyth (1996 apud GOLDSCHMIDT e PASSOS, 2005): KDD é um processo, de várias etapas, não trivial, interativo e iterativo, para identificação de padrões compreensíveis, válidos, novos e potencialmente úteis a partir de um grande conjunto de dados. Cabena (1997 apud SASSI, 2006) define KDD como descobrir conhecimento significa extrair, de grandes bases de dados, sem nenhuma formulação prévia de hipóteses, informações relevantes e desconhecidas, que podem ser utilizadas para a tomada de decisão Etapas do KDD Como definido anteriormente, o KDD é composto por várias etapas que exigem a atuação de um analista humano, pois ao longo destas etapas é necessário tomar decisões, por isto sendo chamado de um processo interativo. O processo de KDD é também iterativo pois pode haver inúmeras repetições, seja ela parcial ou integral, das etapas de um KDD, para que através desse 8

19 refinamento possa se obter resultados mais satisfatórios. (GOLDSCHMIDT e PASSOS, 2005; SASSI, 2006). No processo de KDD existem geralmente três tipos de usuários, que são: Analista de dados: este usuário tem conhecimento sobre o funcionamento nas técnicas e ferramentas envolvidas no KDD. Especialista no domínio: é aquele que conhece o domínio no qual será aplicado o KDD. Usuário: é aquele que usará o conhecimento extraído do processo de KDD, sendo que o usuário pode ser uma instituição, uma empresa ou um setor de uma empresa. As etapas de um processo KDD são interligadas com o objetivo de que os resultados obtidos em uma etapa possam ser utilizados para melhorar os resultados das etapas seguintes. Como descrito por Sassi (2006) as etapas que compõe o processo de KDD são: Compreensão do domínio da aplicação; Seleção dos dados; Pré-processamento dos dados; Transformação dos dados; Mineração de dados; e Interpretação e avaliação do conhecimento. A Figura 1 ilustra as etapas do KDD desde a seleção dos dados até a obtenção do conhecimento: 9

20 Figura 1. Etapas do Processo KDD Fonte: Adaptado de Sassi (2006). As etapas de seleção de dados, pré-processamento e a transformação dos dados (Figura 1) também denominada por preparação de dados, consomem entre 60 e 80% de todo o tempo necessário para a efetuação do processo, sendo que grande parte deste tempo é consumida com a limpeza dos dados, como descrito por Pyle (1999). A Figura 2 demonstra o tempo despendido para cada etapa do processo, cabendo salientar o grande esforço requerido para as etapas que antecedem a mineração de dados. 10

21 Figura 2. Tempo dispendido para cada etapa do KDD Fonte: Adaptado de Sassi (2006) Compreensão do Domínio de Aplicação Esta etapa é importante pois é nela que se faz o levantamento de requisitos necessários para que se possa atingir o objetivo esperado. O especialista do domínio e o analista trabalham em conjunto visando definir o problema da melhor maneira possível, pois isto permite identificar se o conhecimento extraído será útil (LOBO e KALIL, 2006). Segundo Oliveira (2000) cada domínio de aplicação tem suas próprias peculiaridades, porém alguns aspectos podem ser levados em conta com objetivo de se definir as ações a serem tomada, como: Definição dos objetivos e dos requisitos da extração do conhecimento, Identificação das possíveis fontes de dados, Incorporação do conhecimento extraído num sistema de tomada de decisão e o estudo da viabilidade e custos da aplicação do processo. Após o entendimento do domínio da aplicação deve-se preparar os dados para serem analisados na etapa posterior. 11

22 Seleção de Dados Esta etapa é responsável por selecionar um conjunto de dados alvo dentre as bases existentes no qual a descoberta de conhecimento será efetuada. A seleção de dados varia de acordo com os objetivos estipulados pela empresa (OLIVEIRA, 2000). Os dados comumente estão organizados em base de dados transacionais ou em um Data Warehouse. Caso a organização seja dotada de um Data Warehouse deve-se verificar a possibilidade de utilizar esta estrutura no processo de KDD. Nos outros casos é comum congregar os dados selecionados em uma única tabela já que a maioria das técnicas de Mineração de Dados supõe que os dados estejam organizados em uma grande estrutura tabular bidimensional. Concluindo-se então que o processo de KDD pode ocorrer tendo ou não um Data Warehouse (GOLDSCHMIDT; PASSOS, 2005). Outra importância desta etapa é otimizar o tempo de processamento da etapa de mineração de dados, já que o algoritmo minerador será executado apenas em subconjunto de dados relevantes (OLIVEIRA, 2000) Pré-Processamento A grande função da etapa de pré-processamento é aprimorar a qualidade dos dados selecionados, pois é bastante comum em aplicações reais onde se pretende aplicar o KDD que os dados estejam incompletos, ruidosos, inconsistentes, duplicados, entre outros possíveis problemas (GOLDSCHMIDT; PASSOS, 2005; BATISTA, 2003). Vale salientar que a etapa de pré-processamento é de extrema importância para que o processo de descoberta de conhecimento consiga extrair informações úteis, pois a qualidade dos dados influi diretamente na qualidade dos modelos de conhecimentos gerados pelo KDD. Espera-se então que a partir da etapa de pré-processamento a Mineração de Dados seja mais eficaz já que os problemas encontrados nos dados tenham sido tratados antes da extração de novos conhecimentos. (GOLDSCHMIDT; PASSOS, 2005). Sendo o pré-processamento o foco principal deste trabalho esta etapa será mais detalhada na seção

23 Transformação dos Dados O objetivo da etapa de transformação de dados é padronizar os dados para suprir possíveis limitações das técnicas de Mineração de Dados a serem utilizadas no processo de KDD. Como exemplificado por Batista (2003), muitos algoritmos de MD tem limitações em analisar certos tipos de dados, tais como, atributos de data e hora. Quando o algoritmo minerador a ser utilizado não é capaz de analisar certo dado, este geralmente é transformado em outra informação em que o algoritmo de MD é capaz de analisar. Sassi (2006) argumenta que o processo de KDD pode ser executado sem esta etapa, porém quando a transformação de dados é utilizada, os resultados obtidos são mais intuitivos e geralmente facilitam na construção do modelo de conhecimento. As vantagens de se executar a etapa de transformação de dados são: Melhor compreensão do conhecimento descoberto; Facilitar o algoritmo de MD a tomar decisões globais; e Reduzir o tempo de processamento da MD. A desvantagem de se utilizar esta etapa é devida a diminuição da qualidade do conhecimento a ser obtido, isto implica na perda de detalhes importantes sobre as informações extraídas (SASSI, 2006) Mineração de Dados A mineração de dados é considerada a etapa mais importante de todo o processo de KDD, é nesta etapa em que se decide quais os algoritmos serão utilizados nos dados para descoberta de novos conhecimentos. As técnicas e algoritmos a serem aplicados para a construção de um modelo são oriundos de diversas áreas do conhecimento, entre elas podem ser citadas: Aprendizado de Máquina, Estatística, Redes Neurais, Banco de Dados, entre outras. Não é uma tarefa trivial definir qual o melhor algoritmo para o problema, pois se sabe que nenhum algoritmo é ótimo para todas as aplicações então para obtenção de melhores resultados as técnicas citadas podem ser combinadas. (SASSI, 2006; BATISTA, 2003). A etapa de mineração de dados será mais aprofundada na seção 2.6, já que este será um dos métodos propostos pela ferramenta para estimar os dados. 13

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

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

KDD UMA VISAL GERAL DO PROCESSO

KDD UMA VISAL GERAL DO PROCESSO KDD UMA VISAL GERAL DO PROCESSO por Fernando Sarturi Prass 1 1.Introdução O aumento das transações comerciais por meio eletrônico, em especial as feitas via Internet, possibilitou as empresas armazenar

Leia mais

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

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

FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO:

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

Leia mais

XIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO

XIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO XIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO EPE0147 UTILIZAÇÃO DA MINERAÇÃO DE DADOS EM UMA AVALIAÇÃO INSTITUCIONAL

Leia mais

Data Mining: Conceitos e Técnicas

Data Mining: Conceitos e Técnicas Data Mining: Conceitos e Técnicas DM, DW e OLAP Data Warehousing e OLAP para Data Mining O que é data warehouse? De data warehousing para data mining Data Warehousing e OLAP para Data Mining Data Warehouse:

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

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS Tácio Dias Palhão Mendes Bacharelando em Sistemas de Informação Bolsista de Iniciação Científica da FAPEMIG taciomendes@yahoo.com.br Prof.

Leia mais

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

Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining

Pós-Graduação Lato Sensu Especialização em Análise de Dados e Data Mining Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining Inscrições Abertas Início das Aulas: 24/03/2015 Dias e horários das aulas: Terça-Feira 19h00 às 22h45 Semanal Quinta-Feira 19h00

Leia mais

2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução

2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução 2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução De acordo com [FAYY96], o conceito de descoberta de conhecimento em bases de dados pode ser resumido como o processo não-trivial de identificar

Leia mais

Professor: Disciplina:

Professor: Disciplina: Professor: Curso: Esp. Marcos Morais de Sousa marcosmoraisdesousa@gmail.com Sistemas de informação Disciplina: Introdução a SI Noções de sistemas de informação Turma: 01º semestre Prof. Esp. Marcos Morais

Leia mais

Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados

Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2006.2 Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento

Leia mais

MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO

MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO Fernanda Delizete Madeira 1 ; Aracele Garcia de Oliveira Fassbinder 2 INTRODUÇÃO Data

Leia mais

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

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

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

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

Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas

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

Leia mais

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

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

Data Mining Software Weka. Software Weka. Software Weka 30/10/2012

Data Mining Software Weka. Software Weka. Software Weka 30/10/2012 Data Mining Software Weka Prof. Luiz Antonio do Nascimento Software Weka Ferramenta para mineração de dados. Weka é um Software livre desenvolvido em Java. Weka é um É um pássaro típico da Nova Zelândia.

Leia mais

Sistema de mineração de dados para descobertas de regras e padrões em dados médicos

Sistema de mineração de dados para descobertas de regras e padrões em dados médicos Sistema de mineração de dados para descobertas de regras e padrões em dados médicos Pollyanna Carolina BARBOSA¹; Thiago MAGELA² 1Aluna do Curso Superior Tecnólogo em Análise e Desenvolvimento de Sistemas

Leia mais

IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES ENTRE PRODUTOS DE UMA BASE DE DADOS REAL

IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES ENTRE PRODUTOS DE UMA BASE DE DADOS REAL Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES

Leia mais

Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado

Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado Alessandro Ferreira Brito 1, Rodrigo Augusto R. S. Baluz 1, Jean Carlo Galvão Mourão 1, Francisco das Chagas Rocha 2

Leia mais

PROJETO DE REDES www.projetoderedes.com.br

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

Leia mais

Aplicação de uma FAQ Baseada em RBC para Suporte a Usuários de um Sistema Web

Aplicação de uma FAQ Baseada em RBC para Suporte a Usuários de um Sistema Web Aplicação de uma FAQ Baseada em RBC para Suporte a Usuários de um Sistema Web Richard Marthendal Guckert 1, Daniela Souza Moreira 2, Anita Maria da Rocha Fernandes 1, 2 1 Curso de Ciência da Computação

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

Data Warehouses Uma Introdução

Data Warehouses Uma Introdução Data Warehouses Uma Introdução Alex dos Santos Vieira, Renaldy Pereira Sousa, Ronaldo Ribeiro Goldschmidt 1. Motivação e Conceitos Básicos Com o advento da globalização, a competitividade entre as empresas

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

Data Warehouses. Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos

Data Warehouses. Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos Data Warehouses Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos Conceitos Básicos Data Warehouse(DW) Banco de Dados voltado para

Leia mais

CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE

CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE Fabio Favaretto Professor adjunto - Programa de Pós Graduação em Engenharia de Produção

Leia mais

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados slide 1 1 Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall Objetivos de estudo Como um banco de dados

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

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence É um conjunto de conceitos e metodologias que, fazem uso de acontecimentos e sistemas e apoiam a tomada de decisões. Utilização de várias fontes de informação para se definir estratégias de competividade

Leia mais

Mineração de Dados: Introdução e Aplicações

Mineração de Dados: Introdução e Aplicações Mineração de Dados: Introdução e Aplicações Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br Apresentação Luiz Merschmann Engenheiro

Leia mais

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

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

Leia mais

MINERAÇÃO DE DADOS APLICADA PARA LEVANTAMENTO DO PERFIL DOS ALUNOS DOS CURSOS TÉCNICOS OFERECIDOS PELO CAMPUS CAMPOS DO JORDÃO DO IFSP

MINERAÇÃO DE DADOS APLICADA PARA LEVANTAMENTO DO PERFIL DOS ALUNOS DOS CURSOS TÉCNICOS OFERECIDOS PELO CAMPUS CAMPOS DO JORDÃO DO IFSP MINERAÇÃO DE DADOS APLICADA PARA LEVANTAMENTO DO PERFIL DOS ALUNOS DOS CURSOS TÉCNICOS OFERECIDOS PELO CAMPUS CAMPOS DO JORDÃO DO IFSP 1 Data de entrega dos originais à redação em 15/03/2013 e recebido

Leia mais

INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA

INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA CURSO DE ESPECIALIZAÇÃO EM ANÁLISE DE AMBIENTE ELETROMAGNÉTICO CEAAE /2008 DISCIPLINA EE-09: Inteligência

Leia 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

Uso de Técnicas de Data mining no Monitoramento de Alunos On-line *

Uso de Técnicas de Data mining no Monitoramento de Alunos On-line * Uso de Técnicas de Data mining no Monitoramento de Alunos On-line * Fabrício Rangel Cunha Rafael Lucena Pessoa de Araújo Neide dos Santos neide@ime.uerj.br Resumo A Internet oferece amplas possibilidades

Leia mais

Universidade de Caxias do Sul Centro de Ciências Exatas e Tecnologia Departamento de Informática Curso de Bacharelado em Ciência da Computação

Universidade de Caxias do Sul Centro de Ciências Exatas e Tecnologia Departamento de Informática Curso de Bacharelado em Ciência da Computação Universidade de Caxias do Sul Centro de Ciências Exatas e Tecnologia Departamento de Informática Curso de Bacharelado em Ciência da Computação APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS À MINERAÇÃO DE DADOS

Leia mais

Determinação dos Fatores Críticos na Análise de Desempenho de Alunos de Pósgraduação Utilizando Metodologia de Mineração de Dados

Determinação dos Fatores Críticos na Análise de Desempenho de Alunos de Pósgraduação Utilizando Metodologia de Mineração de Dados Resumo Determinação dos Fatores Críticos na Análise de Desempenho de Alunos de Pósgraduação Utilizando Metodologia de Mineração de Dados Autoria: Elizabeth de Oliveira Carpenter, Gerson Lachtermacher O

Leia mais

Mineração de Dados. Prof. Júlio Cesar Nievola Especialização em Inteligência Computacional PPGIA - PUCPR

Mineração de Dados. Prof. Júlio Cesar Nievola Especialização em Inteligência Computacional PPGIA - PUCPR Mineração de Dados PPGIA - PUCPR Agenda 1. Histórico 2. Definições e Características 3. Processo e Tarefas de DM 4. Pré-Processamento 5. Representação do Conhecimento 6. Principais Tarefas 7. Procedimentos

Leia mais

RBC no Auxílio de Avaliações Imobiliárias

RBC no Auxílio de Avaliações Imobiliárias RBC no Auxílio de Avaliações Imobiliárias Adauto Trigueiro, Alcione da Costa Pinheiro, Clerton Filho, Kátia Silva Unidade Acadêmica de Sistemas e Computação Universidade Federal de Campina Grande (UFCG)

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

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

FACULDADE DE TECNOLOGIA DE SÃO PAULO LUCIANA MENDES. Data Mining Estudo de Técnicas e Aplicações na Área Bancária

FACULDADE DE TECNOLOGIA DE SÃO PAULO LUCIANA MENDES. Data Mining Estudo de Técnicas e Aplicações na Área Bancária FACULDADE DE TECNOLOGIA DE SÃO PAULO LUCIANA MENDES Data Mining Estudo de Técnicas e Aplicações na Área Bancária São Paulo 2011 FACULDADE DE TECNOLOGIA DE SÃO PAULO LUCIANA MENDES Data Mining Estudo de

Leia mais

Aplicação A. Aplicação B. Aplicação C. Aplicação D. Aplicação E. Aplicação F. Aplicação A REL 1 REL 2. Aplicação B REL 3.

Aplicação A. Aplicação B. Aplicação C. Aplicação D. Aplicação E. Aplicação F. Aplicação A REL 1 REL 2. Aplicação B REL 3. Sumário Data Warehouse Modelagem Multidimensional. Data Mining BI - Business Inteligence. 1 2 Introdução Aplicações do negócio: constituem as aplicações que dão suporte ao dia a dia do negócio da empresa,

Leia mais

DATA WAREHOUSE. Introdução

DATA WAREHOUSE. Introdução DATA WAREHOUSE Introdução O grande crescimento do ambiente de negócios, médias e grandes empresas armazenam também um alto volume de informações, onde que juntamente com a tecnologia da informação, a correta

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

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

Aula 02: Conceitos Fundamentais

Aula 02: Conceitos Fundamentais Aula 02: Conceitos Fundamentais Profa. Ms. Rosângela da Silva Nunes 1 de 26 Roteiro 1. Por que mineração de dados 2. O que é Mineração de dados 3. Processo 4. Que tipo de dados podem ser minerados 5. Que

Leia mais

MINERAÇÃO DE DADOS. Mineração de Dados

MINERAÇÃO DE DADOS. Mineração de Dados MINERAÇÃO DE DADOS Mineração de Dados Sumário Conceitos / Autores chave... 3 1. Introdução... 4 2. Conceitos de Mineração de Dados... 5 3. Aplicações de Mineração de Dados... 7 4. Ferramentas de Mineração

Leia mais

MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES

MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES Kelton Costa; Patricia Ribeiro; Atair Camargo; Victor Rossi; Henrique Martins; Miguel Neves; Ricardo Fontes. kelton.costa@gmail.com; patriciabellin@yahoo.com.br;

Leia mais

Aplicação de Técnicas de Mineração de Dados no Processo de Aprendizagem na Educação a Distância

Aplicação de Técnicas de Mineração de Dados no Processo de Aprendizagem na Educação a Distância Aplicação de Técnicas de Mineração de Dados no Processo de Aprendizagem na Educação a Distância Maxwel Macedo Dias 1, Luiz Alberto da Silva Filho 2, Adriano Del Pino Lino 1, Eloi Luiz Favero 2, Edson Marcos

Leia mais

PROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software

PROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software PROCESSO DE DESENVOLVIMENTO DE SOFTWARE Introdução Modelos de Processo de Desenvolvimento de Software Os modelos de processos de desenvolvimento de software surgiram pela necessidade de dar resposta às

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

DATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago

DATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago DATA WAREHOUSE Rafael Ervin Hass Raphael Laércio Zago Roteiro Introdução Aplicações Arquitetura Características Desenvolvimento Estudo de Caso Conclusão Introdução O conceito de "data warehousing" data

Leia mais

Ferramenta para Ensino da Técnica de Raciocínio Baseado em Casos

Ferramenta para Ensino da Técnica de Raciocínio Baseado em Casos Ferramenta para Ensino da Técnica de Raciocínio Baseado em Casos Anita Maria da Rocha Fernandes anita.fernandes@univali.br UNIVALI Helton Machado Kraus heltonkraus@univali.br UNIVALI Resumo:O Raciocínio

Leia mais

Expanda suas Capacidades Analíticas

Expanda suas Capacidades Analíticas Módulos IBM SPSS Statistics Expanda suas Capacidades Analíticas Um guia resumido dos módulos para o IBM SPSS Statistics Base Destaques Existem vários produtos IBM SPSS para te ajudar em cada fase do projeto

Leia mais

Sistema. Atividades. Sistema de informações. Tipos de sistemas de informação. Everson Santos Araujo everson@everson.com.br

Sistema. Atividades. Sistema de informações. Tipos de sistemas de informação. Everson Santos Araujo everson@everson.com.br Sistema Tipos de sistemas de informação Everson Santos Araujo everson@everson.com.br Um sistema pode ser definido como um complexo de elementos em interação (Ludwig Von Bertalanffy) sistema é um conjunto

Leia mais

Microsoft Innovation Center

Microsoft Innovation Center Microsoft Innovation Center Mineração de Dados (Data Mining) André Montevecchi andre@montevecchi.com.br Introdução Objetivo BI e Mineração de Dados Aplicações Exemplos e Cases Algoritmos para Mineração

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

UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO

UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO UNIVERSIDADE DO VALE DO ITAJAÍ CENTRO DE CIÊNCIAS TECNOLÓGICAS DA TERRA E DO MAR CURSO DE CIÊNCIA DA COMPUTAÇÃO MINERAÇÃO DE DADOS PARA AVALIAÇÃO DO PERFIL DE USUÁRIOS DO SISTEMA DE INFORMAÇÃO DA ACADEMIA

Leia mais

A evolução da tecnologia da informação nos últimos 45 anos

A evolução da tecnologia da informação nos últimos 45 anos A evolução da tecnologia da informação nos últimos 45 anos Denis Alcides Rezende Do processamento de dados a TI Na década de 1960, o tema tecnológico que rondava as organizações era o processamento de

Leia mais

Pesquisa Operacional

Pesquisa Operacional GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com

Leia mais

INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA

INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA Marcelo DAMASCENO(1) (1) Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte/Campus Macau, Rua das Margaridas, 300, COHAB, Macau-RN,

Leia mais

VERIFICAÇÃO DE ASSINATURAS NCR APTRA

VERIFICAÇÃO DE ASSINATURAS NCR APTRA VERIFICAÇÃO DE ASSINATURAS NCR APTRA Imagem é tudo. Proteja a sua. Primeira linha de defesa contra a fraude de assinaturas Você é constantemente pressionado para reduzir custos no processamento das funções

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

Planejamento Estratégico de TI. Prof.: Fernando Ascani

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

Leia mais

GERENCIAMENTO DE BANCO DE DADOS

GERENCIAMENTO DE BANCO DE DADOS Resumo No ambiente empresarial observam-se inúmeros dados importantes e indispensáveis para o desenvolvimento da empresa. Esses dados, coletados, devem ser bem organizados e estruturados de forma que o

Leia mais

MBA em Gestão de Empreendimentos Turísticos

MBA em Gestão de Empreendimentos Turísticos Prof. Martius V. Rodriguez y Rodriguez, DSc martius@kmpress.com.br MBA em Gestão de Empreendimentos Turísticos Gestão do Conhecimento e Tecnologia da Informação Gestão do Conhecimento evolução conceitual.

Leia mais

Data Warehousing Visão Geral do Processo

Data Warehousing Visão Geral do Processo Data Warehousing Visão Geral do Processo Organizações continuamente coletam dados, informações e conhecimento em níveis cada vez maiores,, e os armazenam em sistemas informatizados O número de usuários

Leia mais

http://www.publicare.com.br/site/5,1,26,5480.asp

http://www.publicare.com.br/site/5,1,26,5480.asp Página 1 de 7 Terça-feira, 26 de Agosto de 2008 ok Home Direto da redação Última edição Edições anteriores Vitrine Cross-Docking Assine a Tecnologística Anuncie Cadastre-se Agenda Cursos de logística Dicionário

Leia mais

Alternativas de Integração de Dados Gerenciando Valor e Qualidade

Alternativas de Integração de Dados Gerenciando Valor e Qualidade Soluções para Possibilitar Relacionamentos Duradouros com Clientes Alternativas de Integração de Dados Gerenciando Valor e Qualidade Utilizando uma abordagem regulada para incorporar serviços de qualidade

Leia mais

Módulo 2. Definindo Soluções OLAP

Módulo 2. Definindo Soluções OLAP Módulo 2. Definindo Soluções OLAP Objetivos Ao finalizar este módulo o participante: Recordará os conceitos básicos de um sistema OLTP com seus exemplos. Compreenderá as características de um Data Warehouse

Leia mais

SISTEMA DE HELP DESK BASEADO EM RBC

SISTEMA DE HELP DESK BASEADO EM RBC SISTEMA DE HELP DESK BASEADO EM RBC Tharso de Souza Ferreira, Rudimar Luis Scaranto Dazzi Universidade do Vale do Itajaí Centro de Ciências Tecnológicas da Terra e do Mar Rua Uruguai, 458 88302-202 Itajaí

Leia mais

Unidade III PLANEJAMENTO ESTRATÉGICO DE. Prof. Daniel Arthur Gennari Junior

Unidade III PLANEJAMENTO ESTRATÉGICO DE. Prof. Daniel Arthur Gennari Junior Unidade III PLANEJAMENTO ESTRATÉGICO DE TECNOLOGIA DA INFORMAÇÃO Prof. Daniel Arthur Gennari Junior Sobre esta aula Gestão do conhecimento e inteligência Corporativa Conceitos fundamentais Aplicações do

Leia mais

IMPLEMENTAÇÃO DE UM MÓDULO DE MINERAÇÃO DE DADOS EM UM ERP

IMPLEMENTAÇÃO DE UM MÓDULO DE MINERAÇÃO DE DADOS EM UM ERP IMPLEMENTAÇÃO DE UM MÓDULO DE MINERAÇÃO DE DADOS EM UM ERP Luiz Paulo Rech Guindani Prof. Christiano Cadoná Universidade Luterana do Brasil (ULBRA) Curso de Análise

Leia mais

18. Qualidade de Dados em Data Warehouse - Objetivos e Sucesso

18. Qualidade de Dados em Data Warehouse - Objetivos e Sucesso 18. Qualidade de Dados em Data Warehouse - Objetivos e Sucesso Uma das características das Ciências Exatas é a precisão das informações obtidas; a segurança dos dados extraídos nos processos usados. Cálculos

Leia mais

Marcio Cataldi 1, Carla da C. Lopes Achão 2, Bruno Goulart de Freitas Machado 1, Simone Borim da Silva 1 e Luiz Guilherme Ferreira Guilhon 1

Marcio Cataldi 1, Carla da C. Lopes Achão 2, Bruno Goulart de Freitas Machado 1, Simone Borim da Silva 1 e Luiz Guilherme Ferreira Guilhon 1 Aplicação das técnicas de Mineração de Dados como complemento às previsões estocásticas univariadas de vazão natural: estudo de caso para a bacia do rio Iguaçu Marcio Cataldi 1, Carla da C. Lopes Achão

Leia mais

Sistemas de Apoio à Decisão (SAD) - Senado

Sistemas de Apoio à Decisão (SAD) - Senado Sistemas de Apoio à Decisão (SAD) - Senado DW OLAP BI Ilka Kawashita Material preparado :Prof. Marcio Vitorino Sumário OLAP Data Warehouse (DW/ETL) Modelagem Multidimensional Data Mining BI - Business

Leia mais

Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI)

Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI) Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI) Apresentação O programa de Pós-graduação Lato Sensu em Business Intelligence Inteligência Competitiva tem por fornecer conhecimento

Leia mais

CURSO DE SISTEMAS DE INFORMAÇÃO

CURSO DE SISTEMAS DE INFORMAÇÃO 1 CURSO DE SISTEMAS DE INFORMAÇÃO EMENTÁRIO DAS DISCIPLINAS 2011.1 BRUSQUE (SC) 2015 2 SUMÁRIO 1ª FASE... 4 01 ARQUITETURA DE COMPUTADORES... 4 02 FILOSOFIA... 4 03 FUNDAMENTOS MATEMÁTICOS PARA COMPUTAÇÃO...

Leia mais

Utilização de Técnicas de Mineração de Dados como Auxílio na Detecção de Cartéis em Licitações Carlos Vinícius Sarmento Silva Célia Ghedini Ralha

Utilização de Técnicas de Mineração de Dados como Auxílio na Detecção de Cartéis em Licitações Carlos Vinícius Sarmento Silva Célia Ghedini Ralha WCGE II Workshop de Computação Aplicada em Governo Eletrônico Utilização de Técnicas de Mineração de Dados como Auxílio na Detecção de Cartéis em Licitações Carlos Vinícius Sarmento Silva Célia Ghedini

Leia mais

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

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

Leia mais

Modelagem e Simulação

Modelagem e Simulação AULA 11 EPR-201 Modelagem e Simulação Modelagem Processo de construção de um modelo; Capacitar o pesquisador para prever o efeito de mudanças no sistema; Deve ser próximo da realidade; Não deve ser complexo.

Leia mais

Programa do Módulo 2. Processo Unificado: Visão Geral

Programa do Módulo 2. Processo Unificado: Visão Geral 9.1 Programa do Módulo 2 Orientação a Objetos Conceitos Básicos Análise Orientada a Objetos (UML) O Processo Unificado (RUP) Processo Unificado: Visão Geral 9.2 Encaixa-se na definição geral de processo:

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

Informativo Bimestral da Siqueira Campos Associados agosto de 2013 - ano VII - Número 21. Catálogo de Treinamentos 2013

Informativo Bimestral da Siqueira Campos Associados agosto de 2013 - ano VII - Número 21. Catálogo de Treinamentos 2013 Informativo Bimestral da Siqueira Campos Associados agosto de 2013 - ano VII - Número 21 Nesta edição Lean Office - Dez dicas para economizar tempo no trabalho Estatística Seis Sigma - Estatística não

Leia mais

Empresa de Informática e Informação do Município de Belo Horizonte S/A PRODABEL

Empresa de Informática e Informação do Município de Belo Horizonte S/A PRODABEL Empresa de Informática e Informação do Município de Belo Horizonte S/A PRODABEL Diretoria de Sistema - DS Superintendência de Arquitetura de Sistemas - SAS Gerência de Arquitetura de Informação - GAAS

Leia mais

integridade dos dados num ambiente caracterizado pela derivação e replicação de informações.

integridade dos dados num ambiente caracterizado pela derivação e replicação de informações. 88 integridade dos dados num ambiente caracterizado pela derivação e replicação de informações. Ainda [] afirma que os produtos oferecidos no mercado procuram automatizar processos que teriam de ser feitos

Leia mais

Complemento IV Introdução aos Algoritmos Genéticos

Complemento IV Introdução aos Algoritmos Genéticos Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e

Leia mais

Business Intelligence Um enfoque gerencial para a Inteligência do Negócio.Efrain Turban e outros.tradução. Bookman, 2009.

Business Intelligence Um enfoque gerencial para a Inteligência do Negócio.Efrain Turban e outros.tradução. Bookman, 2009. REFERÊNCIAS o o Business Intelligence Um enfoque gerencial para a Inteligência do Negócio.Efrain Turban e outros.tradução. Bookman, 2009. Competição Analítica - Vencendo Através da Nova Ciência Davenport,

Leia mais

Prof. Ronaldo R. Goldschmidt. ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt

Prof. Ronaldo R. Goldschmidt. ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt Prof. Ronaldo R. Goldschmidt ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt Prof. Ronaldo Ribeiro Goldschmidt REVISÃO DE BD RELACIONAIS E SQL! "" #!$ #%! $& #

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

6 Experimentação do processo proposto

6 Experimentação do processo proposto 6 Experimentação do processo proposto Neste capítulo iremos descrever os experimentos práticos do método de geração de testes para interface gráfica realizados sobre o software real V3O2/Tecgraf, bem como

Leia mais