Estudo comparativo entre modelos de classificação para Behavior Scoring em procedimentos de análise de risco de crédito

Tamanho: px
Começar a partir da página:

Download "Estudo comparativo entre modelos de classificação para Behavior Scoring em procedimentos de análise de risco de crédito"

Transcrição

1 Estudo comparativo entre modelos de classificação para Behavior Scoring em procedimentos de análise de risco de crédito Autoria: Rosalvo Ferreira de Oliveira Neto, Roberto Maurício Bokowski Sobrinho, Andre Marques Cavalcanti Resumo Este trabalho apresenta uma comparação de desempenho entre os modelos de classificação baseados em Redes Neurais Artificiais, Regressão Logística e Árvore de Decisão, aplicados ao banco de dados de um conhecido benchmark da importante competição internacional, para um problema de Behavior scoring. A comparação foi realizada através do processo de validação cruzada estratificada 10 fold para definir os intervalos de confiança para a avaliação de desempenho, medido pela área da curva Receiver Operating Characteristic (ROC). O teste t-student emparelhado unicaudal mostrou que o modelo de Rede Neural Artificial possui o melhor desempenho com o nível de confiança de 95%. Palavras-chave: bahavior scoring, redes neurais artificiais, avaliação de risco. Introdução Credit scoring e Behavior scoring são ferramentas que auxiliam as instituições financeiras a decidir sobre a concessão de crédito aos consumidores com base no risco de crédito de suas solicitações (Thomas, 2000). O objetivo dessas ferramentas é atribuir uma pontuação score que permita identificar o quão próximo o consumidor está de dois grupos: "bom" que é provável cumprir com suas obrigações financeiras ou um grupo de "mau, cujo pedido deve ser negado devido à sua alta probabilidade de faltar com seus compromissos na instituição financeira. Credit scoring é utilizado quando um novo consumidor faz uma solicitação de crédito. Apenas informações demográficas, como idade, sexo, renda entre outras variáveis, são levadas em consideração na atribuição do escore. Behavior scoring é utilizado quando um consumidor, que já possui histórico de transações na base de dados da instituição, está solicitando crédito (Banasiak, 2001). Neste caso, além das informações demográficas, informações comportamentais também são levadas em consideração, como histórico de pagamentos em dia, em atraso, quantidade de empréstimos, entre outras. O objetivo da análise estatística é encontrar na base de dados o perfil que separe os clientes bons dos clientes maus. O modelo de Behavior Scoring, usado como uma ferramenta automática, fornece informação instantânea ao analista e, tendo um maior poder preditivo do que o modelo de Credit Scoring, aumenta a eficiência do analista de crédito. Os pontos fortes destes dois modelos são a precisão e a eficácia, ou o que pode ser chamado de decisão eficiente. A maior precisão de análise de crédito dos modelos de Behavior Scoring vem do poder matemático capaz de analisar centenas de elementos de dados de risco de crédito para encontrar um conjunto capaz de fornecer uma melhor estimativa de predição, em seguida, de forma otimizada ponderar as variáveis de entrada para maximizar o poder preditivo do modelo. A saída de um modelo de Behavior Scoring é interpretado como a probabilidade do cliente honrar sua dívida com a instituição, ou seja, ser um bom cliente. Na indústria de crédito, modelos de Behavior Scoring e Credit Scoring em geral, são confundidos com "Sistemas Especialistas" ou "Sistemas baseado em Regras" que utilizam a 1

2 experiência do próprio gerente de crédito para escolher quais variáveis serão analisadas e criar um processo automatizado de decisão baseado nestas regras. Basicamente, Sistemas Especialistas replicam em código de programa de computador as etapas da análise manual realizada por um gestor de crédito. Portanto, Sistemas Especialistas fornecem rapidez ao processo de avaliação de crédito por minimizar a intervenção do analista de crédito em operações de rotina. No entanto, o ponto fraco de um sistema especialista é sua incapacidade de trazer maior precisão ao processo de avaliação de crédito. As principais vantagens dos modelos de Behavior Scoring em relação aos Sistemas Especialistas são: 1) O modelo de Behavior Scoring é baseado em uma análise estatística sobre o histórico de pagamento da base de dados de crédito do cliente e seus resultados de desempenho de crédito. O desempenho de crédito é normalmente medido entre 6 e 24 meses a partir da data de concessão de crédito e é classificado em bom crédito versus desempenho ruim de crédito. Por exemplo, o desempenho ruim de crédito pode ser definido como um atraso de 60 dias ou mais em uma parcela, e bom caso contrário. Vale ressaltar que a definição de mau cliente é um critério da instituição financeira e por isso pode variar de instituição para instituição. 2) A estatística determina quais variáveis são mais relevantes. A análise multivariada do histórico estatístico dos dados de decisão de crédito pode utilizar informações da declaração de contas a receber, financeiro, ou dados de agências de crédito. Esta análise determina quais elementos de dados são mais preditivos. Este processo geralmente encontra muitos dos tradicionais elementos (variáveis) de risco de crédito utilizados num sistema especialista, no entanto pode descobrir elementos menos óbvios para um gerente de crédito. 4) Estes modelos atribuem pesos ideais para as variáveis de crédito de forma a maximizar a previsibilidade. No desenvolvimento de um modelo de pontuação estatística baseada em comportamento, o gerente de crédito não escolhe os pesos do modelo. Os pesos das variáveis são determinados pelo método estatístico de máxima verossimilhança, de forma a maximizar a previsibilidade do modelo. Em outras palavras, este método melhora a separação dos clientes de alto e baixo risco. 5) Uma vez que à saída do modelo de pontuação do comportamento pode ser interpretada como a probabilidade do cliente honrar com seus compromissos financeiros e que estas probabilidades não são lineares, o gerente de crédito pode criar pontos de corte para tomada de decisão massificada, ou seja, qual é o mais baixo escore que pode ser aceito para a aprovação de crédito. Estes pontos de corte são ferramentas muito úteis na gestão do risco, pois flexibilizam o trabalho do gestor: aumentando o ponto de corte, aceita-se menos e melhores clientes, reduzindo a exposição ao risco, e vice-versa. Toda vez que estes pontos de corte são alterados, se pode prever o risco de inadimplência que a empresa será exposta. O objetivo deste trabalho é realizar um estudo comparativo para averiguar entre os principais modelos de classificação qual proporciona uma maior precisão para um problema de Behavior Scoring. No estudo comparativo foram secionadas as técnicas de modelagem: Redes Neurais Artificiais (Beale & Jackson, 1994), Regressão Logística (Hosmer & Stanley, 2004) e Árvore de Decisão (Quinlan, 1993). O trabalho utiliza uma metodologia experimental com rigorosa base estatística sobre um banco de dados de domínio público, de um conhecido benchmark de importante competição internacional, para realização da comparação. O restante do trabalho está estruturado da seguinte forma: A Seção 2 aborda a definição do problema. A Seção 3 apresenta os trabalhos relacionados. A Seção 4 detalha os modelos de classificação selecionados. A Seção 5 descreve a base de dados selecionada para o estudo. A Seção 6 2

3 mostra a metodologia experimental. A Seção 7 apresenta os resultados experimentais e a Seção 8 apresenta as conclusões e sugere trabalhos futuros. Definição do problema O Behavior Scoring pode ser descrito como um problema de classificação relacional. Em um problema de classificação relacional, os dados disponíveis para modelagem estão em um banco de dados R contendo uma determinada tabela alvo T a e um conjunto de tabelas background T b1...t bn. Cada linha pertencente a T a inclui um atributo único chamado de chave primária (identificador da linha) e uma variável categórica y, que representa o conceito a ser aprendido "variável resposta". A tarefa de classificação relacional é encontrar uma função F(x) que mapeia cada linha x da tabela alvo para a categoria Y. A Figura 1 ilustra o problema de classificação relacional binária no domínio de aplicação concessão de crédito. A tabela alvo é representada pela tabela de Empréstimo na qual a coluna status representa a variável categórica que a função F(x) deve aprender. Esta variável possui dois valores: bom, se o empréstimo foi pago em dia ou mau, caso contrário. As tabelas de background são representadas pelas tabelas que possuem relacionamento com a tabela alvo, o que é o caso no exemplo da Figura 1 das tabelas parcela e cliente. Antes de iniciar a construção dos modelos é necessário que os dados contidos no banco de dados sejam transformados em um formato que permita a aplicação do modelo e também possibilite as análises necessárias para avaliação dos resultados. Essa transformação consiste em mudar a representação multidimensional dos dados dentro de uma simples relação organizada em uma tabela desnormalizada na granularidade em que se pretende tomar a decisão. Esta tabela transformada contém uma linha para cada objeto de interesse e um conjunto de colunas que descrevem as características destes objetos. Este processo é conhecido como construção de visões de dados (Oliveira, Adeodato, Salgado, & Boratto, 2012). Relação alvo Relações de background Figura 1 - Exemplo de um esquema relacional para um problema de classificação 3

4 Trabalhos Relacionados Poucos estudos são encontrados na literatura confrontando diretamente modelos de Behavior Scoring, a maior parte das pesquisas encontradas faz comparação entre modelos de Credit Scoring, como pode ser visto em (A. Li, Li, & Shi, 2009), (H. Chen, & Chen, 2010) e (Ju, & Sohn, 2013). A escassez de trabalhos nesta área pode ser justificada pela complexidade na construção da visão dos dados, uma vez que as informações necessárias como entrada para os modelos estão em um banco de dados relacional, que é constituído por diversas tabelas, e a construção de tais visões passa a ser um processo lento e muito suscetível a erros. Outra razão se deve a carência de bases de dados públicas disponíveis, por isso grande parte dos estudos recentes sobre modelos de Behavior Scoring utilizam bases de dados privadas o que dificulta a comparação entre estudos. Sarlija and Zekic-Susac, (2009) realizou um estudo comparativo entre modelos de Redes Neurais Artificiais (RNA) e Análise de Sobrevivência (Harrell, 2001) aplicados a um problema de Behavior scoring. Os dados utilizados para a pesquisa foram coletados de uma instituição financeira privada da Croácia. Os resultados mostraram que o modelo baseado em redes neurais apresentou um desempenho superior. Os autores realizaram teste de hipóteses para assegurar que a diferença era estatisticamente significativa. Hsieh, Lee and Lee (2010) realizou um estudo comparativo entre modelos de classificação para Behavior scoring sobre uma base de dados de uma intuição financeira privada de Taiwan. Para o estudo foram selecionados os modelos de Redes Neurais Artificiais, Máquinas de Vetores Suporte do inglês Suport Vector Machine (Vapnik, 2000) e Análise Discriminante Linear. Foi utilizado como medida de avaliação de desempenho a taxa de erro, os resultaram mostraram que o modelo baseado em redes neurais apresentou um desempenho superior aos outros dois modelos, no entanto não foi realizado teste de hipótese para assegurar que a diferença era estatisticamente significativa. Em estudo recente Kennedy, Namee, Delany, O Sullivan and Watson (2013) destaca as oportunidades existentes para soluções de Behavior scoring e descreve os processos envolvidos. Para o autor, a primeira etapa do processo corresponde a seleção de uma amostra de clientes, garantido que os dados referentes aos seus produtos e consumos estejam disponíveis em um determinado ponto de observação. O período antes do ponto de observação é chamado de janela de desempenho. Os dados contidos na janela de desempenho são estruturados em atributos que serão usados como entrada para o modelo de Behavior Scoring. Exemplos de variáveis criadas nesta janela são: máximo dias de atraso, quantidade de parcelas pagas em dia, número de ofertas recebidas, entre outras (McNab & Wynn, 2000). A Figura 2 ilustra como os dados são particionados de acordo com a temporalidade. Figura 2 - Particionamento dos dados em Behavior Scoring O período após o ponto de observação é chamado de janela de resultado. Os dados contidos na janela de resultado são estruturados em atributos que serão utilizados para avaliar a precisão do modelo, é nesta janela que a variável resposta ("bom" e "mau") é construída. 4

5 Descrição das técnicas utilizadas Neste seção, descrevemos as técnicas de modelagem selecionadas para averiguarmos que elas produzem resultados com diferença estatisticamente significativa para o problema de Behavior Scoring. Redes Neurais Artificiais Dentre as redes neurais artificiais, certamente as mais populares são as redes Multi Layer Perceptron (MLP) (Beale, 1994) e (Haykin, 1994). Essas redes são constituídas por unidades de processamento simples que possuem funcionalidades semelhantes àquelas apresentadas pelos neurônios biológicos do cérebro humano. Redes MLP típicas são formadas por uma camada de entrada, uma camada de saída e n camadas escondidas (dispostas entre as duas primeiras), onde todos os neurônios de uma camada são completamente conectados com todos os neurônios da camada precedente. O método de treinamento mais popular para redes do tipo MLP é o algoritmo de retropropagação do erro (error backpropagation algorithm) (Rumelhart, Hinton, & Williams, 1986), que foi utilizado neste estudo. Regressão Logística A regressão logística é um modelo probabilístico que descreve a relação entre uma variável resposta e uma ou mais variáveis explicativas, apresentando a resposta de maneira sucinta, geralmente como um número ou uma série de números. Nos modelos de regressão logística, a variável dependente é, em geral, uma variável binária (nominal ou ordinal) e as variáveis independentes podem ser categóricas (desde que dicotomizadas após transformação) ou contínuas (Hosmer, 2004). No âmbito da aplicação ao risco de crédito, a técnica de regressão logística é utilizada para a avaliação da inadimplência de determinado grupo de clientes em situações relativas à concessão de crédito, assumindo que a probabilidade de inadimplência é logisticamente distribuída, com resultado binomial 0 ou 1. Árvore de decisão A árvore de decisão é um dos modelos de classificação mais utilizados na área de análise de risco de crédito devido a facilidade de compreensão de sua resposta, que é organizada na forma de uma árvore e a partir desta é possível extrair facilmente regras do tipo "Se-Então". Diversos algoritmos de árvore de decisão são encontrados na literatura, porém o mais conhecido é C4.5 proposto por Quinlan (1993). O C4.5 visa a geração de árvores de decisão com tratamento de atributos contínuos e discretos, construindo uma árvore com um número de partições variável e com as folhas sendo indicadas pelos valores do atributo categórico. Para evitar a geração de todas as árvores possíveis, o algoritmo C4.5 se baseia no atributo mais informativo, escolhido entre todos os atributos ainda não considerados no caminho desde a raiz. O algoritmo seleciona como sendo o atributo mais informativo aquele que possuir o maior ganho de informação, resultante da diferença do valor da informação do atributo categórico e do valor da informação do atributo em questão. Para cada atributo é calculado o seu ganho de informação. O atributo que tiver o maior ganho de informação será considerado pelo algoritmo como o próximo nodo da árvore. Assim, a partição começa pelo nodo raiz e continua pelos nodos filhos da mesma maneira, até que todos os exemplos desta partição possuam a mesma classe, rotulando-se este nodo como folha e recebendo sua respectiva classe. 5

6 Base de Dados Uma das duas bases de dados fornecidas no desafio PKDD em 1999 se refere a operações financeiras dos clientes de uma instituição bancária Checa. Esses dados são comumente referenciados na literatura como financial data set e vários trabalhos utilizaram esta base de dados, que é pública e está disponível em (Berka, 2000). Os dados descrevem os clientes do banco com as suas contas, empréstimos e outras operações sobre essas contas, também seus cartões de crédito e aspectos das regiões onde os clientes e agências bancárias estão situados. A Figura 3 exibe o esquema relacional do banco de dados. Figura 3 - Esquema relacional do banco de dados do PKDD1999 Para o desafio, as tarefas de aprendizagem não foram especificadas. No entanto, várias tarefas acabaram por se popularizar entre os participantes. Entre essas tarefas está a classificação dos empréstimos quanto ao risco de inadimplência que é o foco deste artigo. O objetivo da tarefa é permitir melhores decisões sobre a concessão de empréstimos pela instituição aos solicitantes. Para a tarefa de aprendizagem, a Tabela Loan (empréstimo) serviu como relação alvo e o atributo status foi utilizado como variável resposta. Este atributo possui quatro valores diferentes, são eles: Classe A: Empréstimo finalizado sem problemas; Classe B: Empréstimo finalizado com problemas; Classe C: Empréstimo não finalizado sem problemas até o momento; Classe D: Empréstimo não finalizado com problemas até o momento. Os problemas podem ser atrasos ou pagamentos incompletos. Seguindo a ideia dos participantes do desafio, as classes A e C foram agrupadas dentro de uma classe positiva e as classes B e D foram agrupadas dentro de uma classe negativa. Desta forma, passamos a ter um problema de Behavior Scoring. 6

7 Metodologia Experimental Como o principal objetivo desta pesquisa foi realizar uma comparação entre o desempenho de modelos de classificação em problemas de Behavior Scoring, o formalismo apresentado nesta seção é crucial para a relevância do artigo. Tanto o particionamento dos dados como a métrica de avaliação de desempenho foram escolhidos de acordo com a adequação ao problema. Validação Cruzada k-fold O método de Validação Cruzada k-fold é uma forma amplamente aceita para dividir uma única amostra (Jain & Mao, 2000) em k conjuntos de testes estatisticamente independentes, permitindo a construção de intervalos de confiança para a medida de desempenho utilizada como critério de avaliação, como recomendado pelos tradicionais autores Witten and Frank, (2005). Receiver Operating Characteristic (ROC) Para técnicas que produzem saídas contínuas, a decisão binária é tomada a partir de um limiar, abaixo do qual a decisão é feita para uma classe ou outra. Porém, a definição deste limiar é influenciada de acordo com o objetivo do problema, levando-se em consideração, geralmente, que os custos dos erros são diferentes para cada classe (Adeodato & Monteiro, 2004). Para o estudo foi utilizada uma métrica que é independente deste limiar. A métrica escolhida foi a área sobre a curva ROC. Esta métrica tem sido utilizada em importantes competições internacionais como a Pacific-Asia Knowledge Discovery and Data Mining Conference (PKDD) A curva ROC é uma ferramenta poderosa para avaliação de modelos. A análise é feita por meio de um método gráfico simples e robusto, o qual permite estudar a variação da sensibilidade e especificidade do modelo, para diferentes valores de ponto de corte (Provost & Fawcett, 1998) e (Fawcett, 2003). As curvas ROC mostram a relação das taxas de falsos positivos (FP) e verdadeiros positivos (VP) através da variação de um limiar. Esta relação prediz o comportamento dos classificadores, independentemente dos custos e da distribuição das classes. Numa curva ROC, o eixo das ordenadas (y) representa VP e o eixo das abscissas (x) representa FP. A Figura 4 e a Figura 5 ilustram a fórmula de cálculo das taxas verdadeiro positivo e falso positivo respectivamente. Figura 4 - Fórmula da taxa de verdadeiros positivos Figura 5 - Fórmula da taxa de falsos positivos Para cada ponto de corte, a sensibilidade e o complemento da especificidade (1 especificidade) são calculados e colocados um em cada eixo de um gráfico bidimensional (Figura 6), produzindo a curva ROC. A sensibilidade de um sistema de classificação é calculada a partir da razão entre os verdadeiros positivos sobre a soma dos verdadeiros 7

8 positivos e falsos negativos, e a especificidade é calculada a partir da razão entre os verdadeiros negativos sobre a soma dos verdadeiros negativos e falsos positivos. Figura 6 - Exemplo de curva ROC Teste t-student emparelhado O teste t-student emparelhado é um caso especial que se aplica quando as observações nas duas populações de interesse são coletadas em pares tendo cada par de observações tomado sob condições homogêneas (Montgomery & Runger, 2010). Para este estudo, a métrica de desempenho de interesse é a diferença na média da área sobre a curva ROC obtido por cada uma das técnicas quando avaliadas para cada conjunto de teste. A configuração do teste utilizada neste estudo está detalhada abaixo. Hipótese nula: μd= μ1-μ2=0 Hipótese alternativa: μ1> μ2 Onde μ1 representa a média da área sobre a curva ROC para a técnica que obteve o melhor desempenho médio nos conjuntos de testes; μ2 representa a média da área sobre a curva ROC para todas as demais técnicas. Resultados Experimentais As simulações foram realizadas de acordo com a configuração experimental descrita anteriormente para cada um dos três modelos de classificação selecionado, resultando em dez conjuntos de testes, todos estatisticamente independentes dos conjuntos de treinamentos. A Figura 7 ilustra o procedimento. 8

9 Figura 7 - Diagrama da metodologia experimental aplicada Os resultados obtidos são exibidos na Tabela 1, que exibe o valor médio da área sobre a curva ROC para cada um dos dez conjuntos de teste para os três modelos utilizados neste estudo. Os resultados mostraram que o modelo de Redes Neurais Artificial apresentou um melhor desempenho médio, no entanto para assegurar que o resultado é estatisticamente significativo, a Tabela 2 exibe o resumo dos resultados obtidos no teste t-student emparelhado. Uma vez que o p-value é menor que 0.05, concluímos que o modelo de Redes Neurais Artificial fornece resultados diferentes dos demais modelos. Especificamente, os dados indicam que o modelo de Redes Neurais Artificial produz, em média, maior poder discriminatórios do que os demais modelos utilizados neste estudo com um nível de confiança de 95%. 9

10 Tabela 1: Resultados obtidos na validação cruzada 10 fold FOLD/ Área sob a curva ROC MODELO REDE NEURAL ARTIFICIAL REGRESSÃO LOGISTICA ÁRVORE DE DECISÃO MÉDIA Fonte: Dados da pesquisa Tabela 2: Resultado do teste-t emparelhado µd = µ1 - µ2 Limite Inferior Limite Superior p-value µ Regressão Logística Árvore de Decisão Fonte: dados da pesquisa Figura 8. Curva ROC geral para os três modelos utilizados 10

11 Conclusão Este trabalho apresentou uma comparação entre os modelos de classificação Redes Neurais Artificiais, Regressão Logística e Árvore de Decisão, no domínio de Behavior Scoring. A comparação foi realizada utilizando um banco de dados relacional de importante competição internacional, considerada um benchmark da área. Como metodologia experimental, foi aplicado o teste t-student emparelhado unicaudal sobre o desempenho medido pela área da curva ROC nos conjuntos de teste gerados pelo processo de validação cruzada 10 fold. O estudo mostrou que o modelo de Redes Neurais Artificiais supera de forma estatisticamente significativa em desempenho os modelos de Regressão Logística e Árvore de Decisão, quando aplicado ao domínio de Behavior Scoring, com um nível de confiança de 95%. A diferença de desempenho pode ser justificada pelo maior poder de generalização do modelo de Redes Neurais Artificiais, que subdivide o seu conjunto de treinamento em duas partes estatisticamente independente. A primeira parte para ajustar os seus parâmetros livres e a segunda parte para validação. Este conjunto de validação é utilizado para evitar o fenômeno conhecido por overfitting, que é a superespecialização do modelo sobre o conjunto de treinamento o que ocasiona uma baixa capacidade de generalização. O erro estimado sobre o conjunto de validação, dados não utilizados para ajuste de seus parâmetros livre, é utilizado como critério de parada pelo algoritmo. Os modelos de Regressão Logística e Árvore de Decisão, embora apresentem um resultado inferior, oferecem uma vantagem significativa em relação aos modelos de Redes Neurais Artificiais, que é a explicação para a resposta do modelo, para o caso do modelo de regressão é fácil interpretar o escore por ser uma soma ponderada de suas entradas e para árvore de decisão são regras do tipo "Se Então" que são facilmente interpretadas pelo analista de crédito, enquanto a saída da Rede Neural Artificial ainda é considerada uma caixa preta. Como trabalhos futuros, este estudo será expandido para considerar outros modelos de classificação como o support vector machine, e também a utilização de mais bases de dados deste mesmo domínio. Referências Adeodato, P., & Monteiro, D., (2004). Neural networks vs logistic regression: a comparative study on a large data set. In International Conference on Pattern Recognition. Cambridge. Banasiak, M. (2001). Behavior Scoring. Business Credit, vol.103, pp Beale, R., & Jackson, T. (1994). Neural Computing, An Introduction, New York: Adam Hilger. Berka, P., (2000). Guide to the nancial data set. PKDD 2000 Discovery Challenge. Chen, H., & Chen, Y., (2010). A comparative study of discrimination methods for credit scoring. Computers and Industrial Engineering (CIE). 40th International Conference on, vol. 1, no. 5, pp Fawcett, T. (2003). Roc Graphs: Notes and Pratical Considerations for Data Mining Researchers, Technical Report, HPL , HP Labs. Harrell, F. E., Jr., (2001). Regression modelling strategies. New York: Springer-Verlag. Haykin, S., (2007). Neural Networks: A Comprehensive Foundation. Prentice-Hall, Inc., Upper Saddle River, NJ, USA. Hosmer, D. W., & Lemeshow, S. (2004). Applied logistic regression. Vol Wiley- Interscience. 11

12 Hsieh, H., Lee, T., & Lee, T. S, (2010). Data Mining in Building Behavioral Scoring Models, Computational Intelligence and Software Engineering (CiSE). International Conference on, vol. 1, no. 4, pp Jain, A., & Mao, J., (2000). Statistical pattern recognition: A review. IEEE Transactions on Pattern Analysis and Machine Intelligence (22). Ju, Y. H., & Sohn, S. Y., (2013). Updating a credit-scoring model based on new attributes without realization of actual data. European Journal of Operational Research. Kennedy, K., Namee, B. M., Delany, S. J., O Sullivan, M., & Watson, N., (2013). A window of opportunity: Assessing behavioural scoring. Expert Systems with Applications, vol. 40, no. 4., pp Li, A., Li, W., & Shi, Y., (2009). Study on the Application of Data Mining Algorithms in Credit Card Management. E-Business and Information System Security. EBISS '09. International Conference on, vol. 1, no. 5, pp McNab, H., & Wynn, A., (2000). Principles and practice of consumer credit risk management. Chartered Institute of Bankers and Institute of Financial Services and University of Manchester. Institute of Science and Technology. Montgomery, D., & Runger, G. (2010). Applied Statistics and Probability for Engineers. John Wiley & Sons. Oliveira, R. F., Neto, Adeodato, P. J. L., Salgado, A. C., & Boratto, M. C. (2012). Estudo Comparativo entre Proposicionalização e Mineração de Dados Multidimensional sobre um Banco de Dados Relacional. Simpósio Brasileiro de Banco de Dados. Anais do SBBD, pp São Paulo, SP, Brasil. Provost, F., & Fawcett, T. (1998). Robust classiification systems for imprecise environments. Proc. 15th Nat. Conf. on Artificial Intelligence, pp Quinlan, R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann, San Mateo, CA. Rumelhart, D. E., Hinton, G. E., & Williams, R. J., (1986). Parallel distributed processing: explorations in the microstructure of cognition, vol. 1. MIT Press, Cambridge, MA, USA, Learning internal representations by error propagation, pp Sarlija, N., Bensic, M., & Zekic-Susac, M., (2009). Comparison procedure of predicting the time to default in behavioural scoring. Expert Syst. Appl. 36(5), pp Thomas, L. C. (2000). A Survey of Credit and Behavioral Scoring: Forecasting Financial Risk of Lending to Consumers. International Journal of Forecasting, v. 16, pp Edinburgh, U.K.. Vapnik, V. N., (2000). The Nature of Statistical Learning Theory, 2nd ed., NY: Springer. Witten, I. H. & Frank, E., (2005). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann Series in Data Management Sys. Morgan Kaufmann. 12

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Aplicações de Behavior Scoring Roteiro - Introdução - Diferença entre Credit scoring e

Leia mais

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação

Leia mais

INTELIGÊNCIA COMPUTACIONAL

INTELIGÊNCIA COMPUTACIONAL INTELIGÊNCIA COMPUTACIONAL Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Dados pessoais Rosalvo Ferreira de Oliveira Neto MSc. em ciência da computação (UFPE) rosalvo.oliveira@univasf.edu.br

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

Curva ROC. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE

Curva ROC. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Curva ROC George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Introdução ROC (Receiver Operating Characteristics) Curva ROC é uma técnica para a visualização e a seleção de classificadores baseado

Leia mais

1. Introdução 2. Séries Temporais

1. Introdução 2. Séries Temporais 1. Introdução Predição de valores de ações é uma tarefa desafiadora na área de predição de séries temporais financeiras, devido à grande quantidade de variáveis que envolvem essas predições. No passado,

Leia mais

IN0997 - Redes Neurais

IN0997 - Redes Neurais IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Ementa

Leia mais

Análise de Risco de Crédito em Correspondentes Bancários através de Redes Neurais

Análise de Risco de Crédito em Correspondentes Bancários através de Redes Neurais Análise de Risco de Crédito em Correspondentes Bancários através de Redes Neurais Marcelo França Corrêa, Marley Vellasco ICA: Applied Computational Intelligence Laboratory Department of Electrical Engineering

Leia mais

Estudo Comparativo entre Proposicionalização e Mineração de Dados Multidimensional sobre um Banco de Dados Relacional

Estudo Comparativo entre Proposicionalização e Mineração de Dados Multidimensional sobre um Banco de Dados Relacional Estudo Comparativo entre Proposicionalização e Mineração de Dados Multidimensional sobre um Banco de Dados Relacional Rosalvo Neto 12, Paulo Jorge Adeodato 2, Ana Carolina Salgado 2, Murilo Boratto 3 1

Leia mais

Automatização do processo de determinação do número de ciclos de treinamento de uma Rede Neural Artificial

Automatização do processo de determinação do número de ciclos de treinamento de uma Rede Neural Artificial Automatização do processo de determinação do número de ciclos de treinamento de uma Rede Neural Artificial André Ricardo Gonçalves; Maria Angélica de Oliveira Camargo Brunetto Laboratório Protem Departamento

Leia mais

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Tiago Mendes Dantas t.mendesdantas@gmail.com Departamento de Engenharia Elétrica,

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala [quinta-feira, 7:30 12:00] Atendimento Segunda

Leia mais

PREVISÃO DE TEMPERATURA ATRAVÉS DE REDES NEURAIS ARTIFICIAIS

PREVISÃO DE TEMPERATURA ATRAVÉS DE REDES NEURAIS ARTIFICIAIS PREVISÃO DE TEMPERATURA ATRAVÉS DE REDES NEURAIS ARTIFICIAIS Alexandre Pinhel Soares 1 André Pinhel Soares 2 Abstract : The temperature monitoring is a quasi-continuous and judicious task that gives a

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

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

MLP (Multi Layer Perceptron)

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

Leia mais

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

REDES NEURAIS ARTIFICIAIS E MODELO DE MARKOWITZ: COMPARANDO TÉCNICAS QUE APÓIAM A TOMADA DE DECISÃO NOS INVESTIMENTOS EM AÇÕES.

REDES NEURAIS ARTIFICIAIS E MODELO DE MARKOWITZ: COMPARANDO TÉCNICAS QUE APÓIAM A TOMADA DE DECISÃO NOS INVESTIMENTOS EM AÇÕES. REDES NEURAIS ARTIFICIAIS E MODELO DE MARKOWITZ: COMPARANDO TÉCNICAS QUE APÓIAM A TOMADA DE DECISÃO NOS INVESTIMENTOS EM AÇÕES. Paulo Henrique Kaupa (Uninove) paulo.kaupa@gmail.com Renato Jose Sassi (Uninove)

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

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

RECONHECIMENTO DE ACORDES MUSICAIS: UMA ABORDAGEM VIA PERCEPTRON MULTICAMADAS

RECONHECIMENTO DE ACORDES MUSICAIS: UMA ABORDAGEM VIA PERCEPTRON MULTICAMADAS Mecánica Computacional Vol XXIX, págs 9169-9175 (artículo completo) Eduardo Dvorkin, Marcela Goldschmit, Mario Storti (Eds) Buenos Aires, Argentina, 15-18 Noviembre 2010 RECONHECIMENTO DE ACORDES MUSICAIS:

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

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

Classificação: Definição. Classificação: conceitos básicos e árvores de decisão. Exemplos de Tarefas de Classificação

Classificação: Definição. Classificação: conceitos básicos e árvores de decisão. Exemplos de Tarefas de Classificação Classificação: Definição Mineração de dados Classificação: conceitos básicos e árvores de decisão Apresentação adaptada do material de apoio do livro: Introduction to Data Mining Tan, Steinbach, Kumar

Leia mais

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan Faculdade INED Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan 1 Unidade 4.5 2 1 BI BUSINESS INTELLIGENCE BI CARLOS BARBIERI

Leia mais

Automatização do processo de determinação do número de ciclos de treinamento de uma Rede Neural Artificial

Automatização do processo de determinação do número de ciclos de treinamento de uma Rede Neural Artificial Automatização do processo de determinação do número de ciclos de treinamento de uma Rede Neural Artificial André Ricardo Gonçalves 1, Maria Angélica de Oliveira Camargo Brunetto 2 1,2 Laboratório de Pesquisa

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

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

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

logica2309 UMA ABORDAGEM ALTERNATIVA DE BEHAVIORAL SCORING USANDO MODELAGEM HÍBRIDA DE DOIS ESTÁGIOS COM REGRESSÃO LOGÍSTICA E REDES NEURAIS.

logica2309 UMA ABORDAGEM ALTERNATIVA DE BEHAVIORAL SCORING USANDO MODELAGEM HÍBRIDA DE DOIS ESTÁGIOS COM REGRESSÃO LOGÍSTICA E REDES NEURAIS. logica2309 UMA ABORDAGEM ALTERNATIVA DE BEHAVIORAL SCORING USANDO MODELAGEM HÍBRIDA DE DOIS ESTÁGIOS COM REGRESSÃO LOGÍSTICA E REDES NEURAIS. 2012 Sumário Resumo... 2 1. Introdução... 2 2. Fundamentação

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

TÉCNICAS DE COMPUTAÇÃO PARALELA PARA MELHORAR O TEMPO DA MINERAÇÃO DE DADOS: Uma análise de Tipos de Coberturas Florestais

TÉCNICAS DE COMPUTAÇÃO PARALELA PARA MELHORAR O TEMPO DA MINERAÇÃO DE DADOS: Uma análise de Tipos de Coberturas Florestais UNIVERSIDADE ESTADUAL DE PONTA GROSSA PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO APLICADA CRISTIAN COSMOSKI RANGEL DE ABREU TÉCNICAS DE COMPUTAÇÃO PARALELA PARA MELHORAR

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

PLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística

PLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística 1. IDENTIFICAÇÃO PLANO DE ENSINO Disciplina: Estatística Multivariada Código: PGMAT568 Pré-Requisito: No. de Créditos: 4 Número de Aulas Teóricas: 60 Práticas: Semestre: 1º Ano: 2015 Turma(s): 01 Professor(a):

Leia mais

TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA

TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS

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

Gestão da Informação. Gestão da Informação. AULA 3 Data Mining

Gestão da Informação. Gestão da Informação. AULA 3 Data Mining Gestão da Informação AULA 3 Data Mining Prof. Edilberto M. Silva Gestão da Informação Agenda Unidade I - DM (Data Mining) Definição Objetivos Exemplos de Uso Técnicas Tarefas Unidade II DM Prático Exemplo

Leia mais

Sugestão de palavras chave para campanhas em motores de busca em arranque

Sugestão de palavras chave para campanhas em motores de busca em arranque Relatório Técnico FEUP Sugestão de palavras chave para campanhas em motores de busca em arranque João Albuquerque AdClick Ricardo Morla INESC TEC e FEUP Gabriel David INESC TEC e FEUP Rui Campos AdClick

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

CAPACIDADE PREDITIVA DE DEMONSTRATIVOS FINANCEIROS PARA COMPORTAMENTO DE PREÇO DE ATIVOS FINANCEIROS

CAPACIDADE PREDITIVA DE DEMONSTRATIVOS FINANCEIROS PARA COMPORTAMENTO DE PREÇO DE ATIVOS FINANCEIROS IV SEMEAD CAPACIDADE PREDITIVA DE DEMONSTRATIVOS FINANCEIROS PARA COMPORTAMENTO DE PREÇO DE ATIVOS FINANCEIROS Fernando C de Almeida 1 Alan de G. Dario 2 Pascal Dumontier 3 RESUMO Este artigo explora a

Leia mais

Meta-Aprendizado de Algoritmos de Treinamento para Redes Multi-Layer Perceptron

Meta-Aprendizado de Algoritmos de Treinamento para Redes Multi-Layer Perceptron Meta-Aprendizado de Algoritmos de Treinamento para Redes Multi-Layer Perceptron Silvio Guerra, Ricardo Prudêncio, Teresa Ludermir 1 Centro de Informática, Universidade Federal de Pernambuco Caixa Postal

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

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

Relatório Iniciação Científica

Relatório Iniciação Científica Relatório Iniciação Científica Ambientes Para Ensaios Computacionais no Ensino de Neurocomputação e Reconhecimento de Padrões Bolsa: Programa Ensinar com Pesquisa-Pró-Reitoria de Graduação Departamento:

Leia mais

Palavras-chave: Mortalidade Infantil, Análise Multivariada, Redes Neurais.

Palavras-chave: Mortalidade Infantil, Análise Multivariada, Redes Neurais. UMA ANÁLISE COMPARATIVA DE MODELOS PARA CLASSIFICAÇÃO E PREVISÃO DE SOBREVIVÊNCIA OU ÓBITO DE CRIANÇAS NASCIDAS NO RIO DE JANEIRO EM 2006 NO PRIMEIRO ANO DE VIDA Mariana Pereira Nunes Escola Nacional de

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

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

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

ANÁLISE DE PRÉ-PROCESSAMENTO NO DESEMPENHO DE PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS

ANÁLISE DE PRÉ-PROCESSAMENTO NO DESEMPENHO DE PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS Universidade Federal de Pernambuco Centro de Informática Graduação em Ciência da Computação ANÁLISE DE PRÉ-PROCESSAMENTO NO DESEMPENHO DE PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS PROPOSTA DE TRABALHO DE

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

Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais

Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais Previsão do Mercado de Ações Brasileiro utilizando Redes Neurais Artificiais Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José

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

MODELOS DE PROPENSÃO: OFERTA DE CRÉDITO PESSOAL

MODELOS DE PROPENSÃO: OFERTA DE CRÉDITO PESSOAL MODELOS DE PROPENSÃO: OFERTA DE CRÉDITO PESSOAL São Paulo 04/2011 Camila Ferreira Adorno UNIVERSIDADE NOVE DE JULHO - UNINOVE camila.fadorno@gmail.com (11) 7527-9719 José de França Bueno UNIVERSIDADE NOVE

Leia mais

PALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.

PALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron. 1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando

Leia mais

Análise de Tendências de Mercado por Redes Neurais Artificiais

Análise de Tendências de Mercado por Redes Neurais Artificiais Análise de Tendências de Mercado por Redes Neurais Artificiais Carlos E. Thomaz 1 e Marley M.B.R. Vellasco 2 1 Departamento de Engenharia Elétrica (IAAA), FEI, São Paulo, Brasil 2 Departamento de Engenharia

Leia mais

Apresentam-se, neste documento, os tópicos que se seguem.

Apresentam-se, neste documento, os tópicos que se seguem. Apresentam-se, neste documento, os tópicos que se seguem. O que é o Failure Score? O que prevê o Failure Score? Qual é a disponibilidade do Failure Score? Como é calculado o Failure Score? Qual o desempenho

Leia mais

E-mail: rbrunow@uss.br

E-mail: rbrunow@uss.br ! " # $! &%'! ()*) ( +!, -,./!, ' *3.45 6 3 7 3 8 3 *3.49: 3 8 *- ; ,?3. @*

Leia mais

3DODYUDVFKDYH Visão Computacional, Inteligência Artificial, Redes Neurais Artificiais.

3DODYUDVFKDYH Visão Computacional, Inteligência Artificial, Redes Neurais Artificiais. 80,7(0$'(9, 23$5$5(&21+(&,0(172'(3(d$(080 7$%8/(,52'(;$'5(= Sérgio Faustino Ribeiro Juracy Emanuel M. da França Marcelo Alves de Barros José Homero Feitosa Cavalcanti Universidade Federal da Paraíba CCT/COPIN/NEUROLAB-CT/DTM

Leia mais

Uma Aplicação de Mineração de Dados na Manutenção de Redes de Telefonia

Uma Aplicação de Mineração de Dados na Manutenção de Redes de Telefonia Uma Aplicação de Mineração de Dados na Manutenção de Redes de Telefonia Roberto A.F. Santos 2, Paulo J.L. Adeodato 1,2, Adrian L. Arnaud 1, Rodrigo C.L.V. Cunha 1, Germano C. Vasconcelos 1,2, Domingos

Leia mais

KDD E MINERAÇÃO DE DADOS:

KDD E MINERAÇÃO DE DADOS: KDD E MINERAÇÃO DE DADOS: Introdução e Motivação Prof. Ronaldo R. Goldschmidt ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt Fatos: Avanços em TI e o crescimento

Leia mais

MESTRADO EM PESQUISA DE MERCADOS 2006 2007

MESTRADO EM PESQUISA DE MERCADOS 2006 2007 MESTRADO EM PESQUISA DE MERCADOS 2006 2007 PROGRAMA DAS DISCIPLINAS 1 1º trimestre PESQUISA DE MERCADOS Objectivos Pretende-se que os alunos: (a) adquiram os conceitos e semântica próprios do tema, (b)

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

Classificação de Dados Através de Árvores de Perceptrons Geradas por Evolução Diferencial

Classificação de Dados Através de Árvores de Perceptrons Geradas por Evolução Diferencial Classificação de Dados Através de Árvores de Perceptrons Geradas por Evolução Diferencial Alan R. R. Freitas 1, Rodolfo A. Lopes 1, Rodrigo C. P. Silva 1, Frederico G. Guimarães 2 1 Programa de Pós-Graduação

Leia mais

Sistema de Análise de Comportamento de Clientes Baseado em Rede Neural Artificial

Sistema de Análise de Comportamento de Clientes Baseado em Rede Neural Artificial Sistema de Análise de Comportamento de Clientes Baseado em Rede Neural Artificial Thamires Charbaje de Oliveira 1, Maury Meirelles Gouvêa Jr. 2 1 Instituto de Ciências Exatas e Informática 2 Instituto

Leia mais

UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS

UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que

Leia mais

Table 1. Dados do trabalho

Table 1. Dados do trabalho Título: Desenvolvimento de geradores de aplicação configuráveis por linguagens de padrões Aluno: Edison Kicho Shimabukuro Junior Orientador: Prof. Dr. Paulo Cesar Masiero Co-Orientadora: Prof a. Dr. Rosana

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

Aprendizado de classificadores das ementas da Jurisprudência do Tribunal Regional do Trabalho da 2ª. Região - SP

Aprendizado de classificadores das ementas da Jurisprudência do Tribunal Regional do Trabalho da 2ª. Região - SP Aprendizado de classificadores das ementas da Jurisprudência do Tribunal Regional do Trabalho da 2ª. Região - SP Thiago Ferauche, Maurício Amaral de Almeida Laboratório de Pesquisa em Ciência de Serviços

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

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

Valeska Andreozzi 2010

Valeska Andreozzi 2010 Introdução Valeska Andreozzi 2010 Referências 3 Modelagem estatística 8 Modelagem................................................................... 9 Objetivos....................................................................

Leia mais

Potencial de técnicas de mineração de dados para modelos de alerta da ferrugem do cafeeiro

Potencial de técnicas de mineração de dados para modelos de alerta da ferrugem do cafeeiro Potencial de técnicas de mineração de dados para modelos de alerta da ferrugem do cafeeiro Cesare Di Girolamo Neto 1, Luiz Henrique Antunes Rodrigues 2, Thiago Toshiyuki Thamada 1, Carlos Alberto Alves

Leia mais

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL Marcelo Maciel Monteiro Universidade Federal Fluminense, Engenharia de Produção Rua Martins Torres 296, Santa Rosa, Niterói, RJ, Cep 24240-700

Leia mais

Simulação Transiente

Simulação Transiente Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação

Leia mais

INFLUÊNCIA DE VARIÁVEIS SOCIODEMOGRÁFICAS SOBRE O EMPREENDEDORISMO DO BRASIL

INFLUÊNCIA DE VARIÁVEIS SOCIODEMOGRÁFICAS SOBRE O EMPREENDEDORISMO DO BRASIL UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA Adriano Luiz Antunes Denis Antoniazzi INFLUÊNCIA DE VARIÁVEIS SOCIODEMOGRÁFICAS SOBRE O EMPREENDEDORISMO

Leia mais

SIMULADOR DE UMA EMPRESA DE GERAÇÃO DE ENERGIA ELÉTRICA UMA FERRAMENTA COMPUTACIONAL PARA UM AMBIENTE DE NEGÓCIOS

SIMULADOR DE UMA EMPRESA DE GERAÇÃO DE ENERGIA ELÉTRICA UMA FERRAMENTA COMPUTACIONAL PARA UM AMBIENTE DE NEGÓCIOS GAE/024 21 a 26 de Outubro de 2001 Campinas - São Paulo - Brasil GRUPO VI GRUPO DE ESTUDOS DE ASPECTOS EMPRESARIAIS SIMULADOR DE UMA EMPRESA DE GERAÇÃO DE ENERGIA ELÉTRICA UMA FERRAMENTA COMPUTACIONAL

Leia mais

UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS

UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS UMA ABORDAGEM DE PODA PARA MÁQUINAS DE APRENDIZADO EXTREMO VIA ALGORITMOS GENÉTICOS Alisson S. C. Alencar, Ajalmar R. da Rocha Neto Departamento de Computação, Instituto Federal do Ceará (IFCE). Programa

Leia mais

Aplicação de Métodos de Inteligência Artificial em Inteligência de Negócios

Aplicação de Métodos de Inteligência Artificial em Inteligência de Negócios Aplicação de Métodos de Inteligência Artificial em Inteligência de Negócios Rogério Garcia Dutra (POLI USP) rogerio.dutra@axiaconsulting.com.br Resumo O objetivo deste artigo é combinar métodos de redes

Leia mais

Ajuste de modelos de redes neurais artificiais na precipitação pluviométrica mensal

Ajuste de modelos de redes neurais artificiais na precipitação pluviométrica mensal Ajuste de modelos de redes neurais artificiais na precipitação pluviométrica mensal 1 Introdução Antonio Sergio Ferraudo 1 Guilherme Moraes Ferraudo 2 Este trabalho apresenta estudos de série de precipitação

Leia mais

Data Mining II Modelos Preditivos

Data Mining II Modelos Preditivos Data Mining II Modelos Preditivos Prof. Doutor Victor Lobo Mestre André Melo Mestrado em Estatística e Gestão de Informação Objectivo desta disciplina Fazer previsões a partir de dados. Conhecer os principais

Leia mais

Construção de Modelos de Previsão de Risco de Crédito Utilizando Técnicas de Estatística Multivariada

Construção de Modelos de Previsão de Risco de Crédito Utilizando Técnicas de Estatística Multivariada MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE PELOTAS PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO Construção de Modelos de Previsão de Risco de Crédito Utilizando Técnicas de Estatística Multivariada Equipe

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

Biometria Comportamental: Pesquisa e desenvolvimento de um sistema de autenticação de usuários utilizando assinaturas manuscritas

Biometria Comportamental: Pesquisa e desenvolvimento de um sistema de autenticação de usuários utilizando assinaturas manuscritas Biometria Comportamental: Pesquisa e desenvolvimento de um sistema de autenticação de usuários utilizando assinaturas manuscritas Milton Roberto Heinen 1 Fernando Santos Osório 2 UNISINOS - Universidade

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

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

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

Problema de alocação de salas de aulas: uma abordagem via algoritmos genéticos

Problema de alocação de salas de aulas: uma abordagem via algoritmos genéticos III Encontro de Modelagem Computacional Problema de alocação de salas de aulas: uma abordagem via algoritmos genéticos Marco Aurélio Buono Carone- thecoreh@gmail.com Vinícius Tinti de Paula Oliveira- viniciustinti@gmail.com

Leia mais

Curso de Redes Neurais utilizando o MATLAB

Curso de Redes Neurais utilizando o MATLAB Curso de Redes Neurais utilizando o MATLAB Victoria Yukie Matsunaga Belém-Pará-Brasil 2012 Esta apostila tem como principal objetivo fornecer um material de auxílio ao Curso de Redes Neurais utilizando

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

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

MODELOS COMPORTAMENTAIS NA COMPREENSÃO DA PROBLEMÁTICA DO SISTEMA DE TRANSPORTE INTERURBANO DE PASSAGEIROS DO CEARÁ

MODELOS COMPORTAMENTAIS NA COMPREENSÃO DA PROBLEMÁTICA DO SISTEMA DE TRANSPORTE INTERURBANO DE PASSAGEIROS DO CEARÁ MODELOS COMPORTAMENTAIS NA COMPREENSÃO DA PROBLEMÁTICA DO SISTEMA DE TRANSPORTE INTERURBANO DE PASSAGEIROS DO CEARÁ Hélio Henrique Holanda de Souza Carlos Felipe Grangeiro Loureiro MODELOS COMPORTAMENTAIS

Leia mais

Revista Hispeci & Lema On Line ano III n.3 nov. 2012 ISSN 1980-2536 unifafibe.com.br/hispecielemaonline Centro Universitário UNIFAFIBE Bebedouro-SP

Revista Hispeci & Lema On Line ano III n.3 nov. 2012 ISSN 1980-2536 unifafibe.com.br/hispecielemaonline Centro Universitário UNIFAFIBE Bebedouro-SP Reconhecimento de face utilizando banco de imagens monocromáticas e coloridas através dos métodos da análise do componente principal (PCA) e da Rede Neural Artificial (RNA) [Recognition to face using the

Leia mais

Fatores de Impacto para alguns Periódicos Base JCR-2003 /ISI 1

Fatores de Impacto para alguns Periódicos Base JCR-2003 /ISI 1 Fatores de Impacto para alguns Periódicos Base JCR-2003 /ISI 1 O Journal Citation Reports (JCR) publica anualmente o índice conhecido por fator de impacto de um periódico para medir a freqüência com que

Leia mais

Uma Proposta de Sistema Cliente/Servidor OPC Integrado com Regressão Kernel Auto-Associativa para Estimação de Sensores e Manutenção Preditiva

Uma Proposta de Sistema Cliente/Servidor OPC Integrado com Regressão Kernel Auto-Associativa para Estimação de Sensores e Manutenção Preditiva Uma Proposta de Sistema Cliente/Servidor OPC Integrado com Regressão Kernel Auto-Associativa para Estimação de Sensores e Manutenção Preditiva Francys Reymer Rodrigues Maciel, Joao O. P. Pinto Departamento

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

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

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit

Leia mais

Estudo de Caso no Mercado Imobiliário de Castelo Branco

Estudo de Caso no Mercado Imobiliário de Castelo Branco 23 Estudo de Caso no Mercado Imobiliário de Castelo Branco Maria Cristina Canavarro Teixeira Escola Superior Agrária, Quinta da Sra. de Mércules, 6001-909 Castelo Branco, Portugal ccanavarro@ipcb.pt Sumário

Leia mais

Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica

Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica João Paulo Teixeira*, José Batista*, Anildio Toca**, João Gonçalves**, e Filipe Pereira** * Departamento de Electrotecnia

Leia mais