Exemplos de aplicação. Mineração de Dados 2013

Tamanho: px
Começar a partir da página:

Download "Exemplos de aplicação. Mineração de Dados 2013"

Transcrição

1 Exemplos de aplicação Mineração de Dados 2013 Luís Rato Universidade de Évora, 2013 Mineração de dados / Data Mining 1

2 Classificação: Definição Dado uma conjunto de registos (conjunto de treino training set ) Cada registo contém um conjunto de atributos attributes, um dos atributos é a classe class. Encontrar um modelo model para a classe em função dos outros atributos Objectivo: a um registo novo deve ser atribuída a classe (com tanta precisão quanto possível) Usa-se um conjunto de teste (test set) para verificar a exatidão do modelo (Dados são divididos em dados de treino e de teste). Universidade de Évora, 2013 Mineração de dados / Data Mining 2

3 Classificação - exemplo 1 (fraude fiscal) categorical Tid Refund Marital Status categorical Taxable Income continuous Cheat class Refund Marital Status Taxable Income Cheat 1 Yes Single 125K No 2 No Married 100K No 3 No Single 70K No 4 Yes Married 120K No 5 No Divorced 95K Yes 6 No Married 60K No 7 Yes Divorced 220K No 8 No Single 85K Yes 9 No Married 75K No 10 No Single 90K Yes No Single 75K? Yes Married 50K? No Married 150K? Yes Divorced 90K? No Single 40K? No Married 80K? Training Set Learn Classifier Test Set Model Universidade de Évora, 2013 Mineração de dados / Data Mining 3

4 Classificação: exemplo 2 (marketing) Marketing direto Objetivo: Reduzir o custo do mailing através de targeting ( procura de alvos ) sobre um conjunto de consumidores que com probabilidade de comprar um produto para telefone celular. Abordagem: Usar os dados de produtos parecidos introduzidos anteriormente. Sabemos quais os clientes que compraram ou não. Esta decisão {buy, don t buy} constitui o atributo de classe. Recolher informação sobre: estilo de vida e interações entre o cliente e a empresa. profissão, hábitos, valor dos rendimentos, etc. Usa-se estas informações como atributos para determinar a classe Universidade de Évora, 2013 Mineração de dados / Data Mining 4

5 Classificação: exemplo 3 (fraude em cartões de crédito) Deteção de fraude Objetivo: Prever casos fraudulentos no uso de cartões de crédito Abordagem: Usar as transações de cartões de crédito e informação sobre os titulares das contas como atributos Quando compra?, o que compra?, como paga? As transações passadas são classificadas como fraude ou normal (atributo de classe) Aprender um modelo preditivo para as transações. Usar o modelo para detetar fraudes observando as transações dos cartões de crédito. Universidade de Évora, 2013 Mineração de dados / Data Mining 5

6 Classificação: exemplo 4 (perda de clientes) Perda de clientes (Customer Attrition/Churn) Objectivo: Prever se um cliente será perdido para a concorrência. Abordagem: Usar registos detalhados das transações e relações do cliente no passado para extrair atributos. Quantas vezes um cliente telefona?, hora a quwe telefona?, nível de rendimentos?, casado ou solteiro?,. etc. No fim classifica-se o cliente como fiel ou infiel. Encontar um modelo para a fidelidade do cliente Universidade de Évora, 2013 Mineração de dados / Data Mining 6

7 Classificação: exemplo 5 (classificação de objetos celestes) Catalogação e classificação Objetivo: prever a classe do objeto (estrela ou galáxia), especialmente os menos nítidos, baseada em imagens de survey (from Palomar Observatory) imagens com 23,040 x 23,040 pixeis por imagem. Abordagem: Segmentar a imagem. Medir os atributos/características das imagens - 40 por objecto. Modelar a classe baseada nessas características. Foi possível encontrar 16 novos quasars com desvio para o vermelho (objectos difíceis de observar). Universidade de Évora, 2013 Mineração de dados / Data Mining 7

8 Classificação de galáxias exemplo 6 Primitivas Classe: Etapas de formação Intermédias Atributos: Características de imagens Forma Características da luz recebida, etc. Tardia Dimensão dos dados: 72 milhões de estrelas, 20 milhões de galáxias Catálogo de objectos: 9 GB Base de Dados de imagens: 150 GB Universidade de Évora, 2013 Mineração de dados / Data Mining 8

9 Clustering (agrupamento) Dado um conjunto de pontos, cada um com os seus atributos e semelhança, encontrar grupos tais que: Os pontos dentro de um cluster são mais semelhantes do que entre clusters diferentes Medidas de semelhança: Distância euclideana se os atributos são contínuos. Outras. Universidade de Évora, 2013 Mineração de dados / Data Mining 9

10 Clustering Clustering baseada na Distância euclideana em 3-D Distância dentro dos clusters deve ser ser minimazada Distância entre os os clusters deve ser ser maximizada Universidade de Évora, 2013 Mineração de dados / Data Mining 10

11 Clustering: exemplo 1 Segmentação de mercado: Objetivo: subdividir o mercado em diferentes subconjuntos de clientes em que cada subconjunto possa ser visto como um alvo de mercado alcançável por estratégias específicas Abordagem: Recolher atributos baseados em características geográficas e de estilo de vida. Encontrar clusters de clientes semelhantes. Medir a qualidade do clustering observando os padrões de compras no mesmo cluster versus em clusters diferentes Universidade de Évora, 2013 Mineração de dados / Data Mining 11

12 Clustering: exemplo 2 Clustering de documentos: Objetivo: encontrar groupos de documentos que sejam semelhantes entre si, baseado em palavras chave que aparecem em cada documento. Abordagem: encontrar termos frequentes em cada documento. Criar uma medida de semelhança baseada nas frequências, e usá-la para proceder ao cluster. O que se ganha: A pesquiza de informação (Information Retrieval) pode usar os clusters para relacionar cada documento novo com os clusters encontrados. Universidade de Évora, 2013 Mineração de dados / Data Mining 12

13 Clustering: exemplo 3 Num. de pontos: 3204 Artigos do Los Angeles Times. Medida de semalhança: quantas palavras são comuns (após alguma filtragem) Category Total Correctly Articles Placed Financial Foreign National Metro Sports Entertainment Universidade de Évora, 2013 Mineração de dados / Data Mining 13

14 Descoberta de regras de Associação Dado um conjunto de registos, cada um contendo vários itens duma coleção; Produzir regras de dependência que prevejam a ocorrência dum item em função dos outros. TID Items 1 Bread, Coke, Milk 2 Beer, Bread 3 Beer, Coke, Diaper, Milk 4 Beer, Bread, Diaper, Milk 5 Coke, Diaper, Milk Regras: {Milk} --> -->{Coke} {Diaper, Milk} Milk} --> -->{Beer} Universidade de Évora, 2013 Mineração de dados / Data Mining 14

15 Regras associativas: exemplo 1 Marketing e promoções: Seja a regra {Bolos, X, Y... } --> {Batatas fritas} Batata frita como consequente => Pode ser usado para determinar o que fazer para aumentar as suas vendas. Bolos como antecedente => Pode ser usado para ver que produtos serão afetados se a loja deixa de vender bolos. Bolos como antecedente e Batatas fritas como consequente => Pode ser usado para ver que produtos deveriam ser vendidos com os bolos para promover a venda de batatas fritas. Universidade de Évora, 2013 Mineração de dados / Data Mining 15

16 Regras associativas: exemplo 2 Gestão de Supermercado Objetivo: Identificar items que são comprados em conjunto por bastantes clientes. Abordagem: recolher os dados das caixas registadoras (POS Poit-Of-Sale) através dos códigos de barras, e encontrar dependências Uma regra clássica Se um cliente compra fraldas e leite então também compra cerveja. Assim não será surprendente que uma loja venda cerveja ao lado de fraldas ou de leite. Universidade de Évora, 2013 Mineração de dados / Data Mining 16

17 Padrões sequenciais Dado um conjunto de objetos, em que cada objeto tem uma definição temporal, encontrar as regras que preveem fortes dependência sequenciais entre os acontecimentos (A B) (C) (D E) (A B) (C) (D E) <= xg >ng <= ws <= ms Universidade de Évora, 2013 Mineração de dados / Data Mining 17

18 Padrões Sequenciais: Exemplos Alarmes de telecomunicações, (Inverter_Problem Excessive_Line_Current) (Rectifier_Alarm) --> (Fire_Alarm) Sequencias de Transações, Livraria: (Intro_To_Visual_C) (C++_Primer) --> (Perl_for_dummies,Tcl_Tk) Loja de desporto: (Shoes) (Racket, Racketball) --> (Sports_Jacket) Universidade de Évora, 2013 Mineração de dados / Data Mining 18

19 Regressão Prever um dado valor contínuo duma variável baseado nas outras variáveis assumindo um modelo com dependência linear ou não linear. Muito estudado em estatística, sistemas dinâmicos, redes neuronais ou outras áreas de soft computing Exemplos: Prever a quantidade de vendas com base no investimento em publicidade. Prever a velocidade do vento como função da temperatura, pressão, humidade, etc. Prever a variação futura dos mercados de ações. Universidade de Évora, 2013 Mineração de dados / Data Mining 19

20 Deteção de anomalias Detetar desvios significativos em relação ao comportamento normal Exemplos: Deteção de fraudes de cartões de crédito Sistemas de deteção de intrusão em redes Universidade de Évora, 2013 Mineração de dados / Data Mining 20

21 Desafios Escalabilidade Dimensionabilidade Dados complexos e heterogéneos Qualidade dos dados Propriedade dos dados e divulgação Privacidade Streaming Universidade de Évora, 2013 Mineração de dados / Data Mining 21

Prof. Júlio Cesar Nievola Data Mining PPGIa - PUCPR

Prof. Júlio Cesar Nievola Data Mining PPGIa - PUCPR Muitos dados são coletados e armazenados Web data, e-commerce Compras em departamentos/ supermercados Bancos / Transações com cartão de crédito Computadores se tornaram baratos e mais potentes Pressão

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

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

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

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

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

Leia mais

3 Market Basket Analysis - MBA

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

Leia mais

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

Pré processamento de dados II. Mineração de Dados 2012

Pré processamento de dados II. Mineração de Dados 2012 Pré processamento de dados II Mineração de Dados 2012 Luís Rato Universidade de Évora, 2012 Mineração de dados / Data Mining 1 Redução de dimensionalidade Objetivo: Evitar excesso de dimensionalidade Reduzir

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

Data Mining: Ferramenta JAVA

Data Mining: Ferramenta JAVA Data Mining: Ferramenta JAVA JAVA para Data Mining Weka 3: Data Mining Software em Java http://www.cs.waikato.ac.nz/ml/weka/ Coleção de algoritmos para as tarefas de data mining; Free software. WEKA: JAVA

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

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

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

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

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

Classificação - avaliação de resultados - 1. Mineração de Dados 2013

Classificação - avaliação de resultados - 1. Mineração de Dados 2013 Classificação - avaliação de resultados - 1 Mineração de Dados 2013 Luís Rato (Capítulo 4 do livro Introduction to Data Mining ) Universidade de Évora, Mineração de dados / Data Mining 1 Desempenho Desempenho

Leia mais

ADM041 / EPR806 Sistemas de Informação

ADM041 / EPR806 Sistemas de Informação ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes

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

Introdução aos Sistemas de Informação Geográfica

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

Leia mais

Introdução a Datamining (previsão e agrupamento)

Introdução a Datamining (previsão e agrupamento) E o que fazer depois de ter os dados organizados? Introdução a Datamining (previsão e agrupamento) Victor Lobo Mestrado em Estatística e Gestão de Informação Ideias base Aprender com o passado Inferir

Leia mais

Introdução a Datamining (previsão e agrupamento)

Introdução a Datamining (previsão e agrupamento) Introdução a Datamining (previsão e agrupamento) Victor Lobo Mestrado em Estatística e Gestão de Informação E o que fazer depois de ter os dados organizados? Ideias base Aprender com o passado Inferir

Leia mais

Motivação: inundação de informação. Data warehouse. Inteligência computacional aplicada em finanças, comércio e indústria

Motivação: inundação de informação. Data warehouse. Inteligência computacional aplicada em finanças, comércio e indústria Programa de Especialização em Inteligência Computacional Motivação: inundação de informação Morrendo de sede por conhecimento em um oceano de dados Inteligência computacional aplicada em finanças, comércio

Leia mais

COLETA DE INFORMAÇÕES E PREVISÃO DE DEMANDA

COLETA DE INFORMAÇÕES E PREVISÃO DE DEMANDA COLETA DE INFORMAÇÕES E PREVISÃO DE DEMANDA 1) Quais são os componentes de um moderno sistema de informações de marketing? 2) Como as empresas podem coletar informações de marketing? 3) O que constitui

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

Áurea Sousa /Deptº. Matemática U.A. Áurea Sousa /Deptº. Matemática U.A.

Áurea Sousa /Deptº. Matemática U.A. Áurea Sousa /Deptº. Matemática U.A. Métodos Estatísticos Mestrado em Gestão (MBA) Objectivos O que é a estatística? Como pode a estatística ajudar? Compreender o método de análise estatística; Reconhecer problemas que podem ser resolvidos

Leia mais

Administração de Sistemas de Informação Gerenciais UNIDADE IV: Fundamentos da Inteligência de Negócios: Gestão da Informação e de Banco de Dados Um banco de dados é um conjunto de arquivos relacionados

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

Clustering - agrupamento. Baseado no capítulo 8 de. Introduction to Data Mining

Clustering - agrupamento. Baseado no capítulo 8 de. Introduction to Data Mining Clustering - agrupamento Baseado no capítulo 8 de Introduction to Data Mining de Tan, Steinbach, Kumar Clustering - agrupamento 1 O que é Clustering? Encontar grupos de objectos tal que os objectos dentro

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

Gestão. Sistemas de Informação de Gestão (Management Information Systems - MIS) Sistemas de Apoio à Decisão

Gestão. Sistemas de Informação de Gestão (Management Information Systems - MIS) Sistemas de Apoio à Decisão Cláudia Antunes 2006 Gestão O processo de converter informação em acção Sistemas de Informação de Gestão (Management Information Systems - MIS) O que pode ser feito com a informação existente na organização?

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

UTILIZANDO O SOFTWARE WEKA

UTILIZANDO O SOFTWARE WEKA UTILIZANDO O SOFTWARE WEKA O que é 2 Weka: software livre para mineração de dados Desenvolvido por um grupo de pesquisadores Universidade de Waikato, Nova Zelândia Também é um pássaro típico da Nova Zelândia

Leia mais

Curso de Data Mining

Curso de Data Mining Curso de Data Mining Sandra de Amo Aula 2 - Mineração de Regras de Associação - O algoritmo APRIORI Suponha que você seja gerente de um supermercado e esteja interessado em conhecer os hábitos de compra

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

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

MÉTODOS QUANTITATIVOS EM MARKETING. Prof.: Otávio Figueiredo e-mail: otavio@ufrj.br

MÉTODOS QUANTITATIVOS EM MARKETING. Prof.: Otávio Figueiredo e-mail: otavio@ufrj.br MÉTODOS QUANTITATIVOS EM MARKETING Prof.: Otávio Figueiredo e-mail: otavio@ufrj.br ESTATÍSTICA População e Amostra População Amostra Idéia Principal Resumir para entender!!! Algumas Técnicas Pesquisa de

Leia mais

Dados como recurso para a organização

Dados como recurso para a organização Faculdade Pitágoras de Uberlândia Pós-graduação Sistemas de Informação Gerenciais Segunda Aula Prof. Me. Walteno Martins Parreira Júnior www.waltenomartins.com.br waltenomartins@yahoo.com Maio -2013 Dados

Leia mais

DATA MINING Fabiany Lamboia Luciano Machado Pereira

DATA MINING Fabiany Lamboia Luciano Machado Pereira Unioeste - Universidade Estadual do Oeste do Paraná CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS Colegiado de Informática Curso de Bacharelado em Informática DATA MINING Fabiany Lamboia Luciano Machado Pereira

Leia mais

INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por

INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática (1) Data Mining Conceitos apresentados por 1 2 (2) ANÁLISE DE AGRUPAMENTOS Conceitos apresentados por. 3 LEMBRE-SE que PROBLEMA em IA Uma busca

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

No mundo atual, globalizado e competitivo, as organizações têm buscado cada vez mais, meios de se destacar no mercado. Uma estratégia para o

No mundo atual, globalizado e competitivo, as organizações têm buscado cada vez mais, meios de se destacar no mercado. Uma estratégia para o DATABASE MARKETING No mundo atual, globalizado e competitivo, as organizações têm buscado cada vez mais, meios de se destacar no mercado. Uma estratégia para o empresário obter sucesso em seu negócio é

Leia mais

WebAnalytics. presença digital

WebAnalytics. presença digital WebAnalytics presença digital 1. WebAnalytics O que é WA Monitoramento e reporte sobre o uso das mídias digitais para que se possa ter melhor entendimento entre as interações dos visitantes e as ações

Leia mais

Data Science e Big Data

Data Science e Big Data InforAbERTA IV Jornadas de Informática Data Science e Big Data Luís Cavique, Porto, março 2014 Agenda 1. Definições: padrões micro e Macro 2. Novos padrões para velhos problemas: Similis, Ramex, Process

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

6. AGRICULTURA DE PRECISÃO. EXEMPLO DA AVALIAÇÃO DO EFEITO DA TOPOGRAFIA E DA REGA SOBRE A VARIABILIDADE ESPACIAL E TEMPORAL DA PRODUTIVIDADE DO MILHO

6. AGRICULTURA DE PRECISÃO. EXEMPLO DA AVALIAÇÃO DO EFEITO DA TOPOGRAFIA E DA REGA SOBRE A VARIABILIDADE ESPACIAL E TEMPORAL DA PRODUTIVIDADE DO MILHO 6. AGRICULTURA DE PRECISÃO. EXEMPLO DA AVALIAÇÃO DO EFEITO DA TOPOGRAFIA E DA REGA SOBRE A VARIABILIDADE ESPACIAL E TEMPORAL DA PRODUTIVIDADE DO MILHO José Rafael Marques da Silva (1) e Luís Leopoldo Silva

Leia mais

Decisão Suporte: Warehousing, OLAP e Data Mining

Decisão Suporte: Warehousing, OLAP e Data Mining Decisão Suporte: Warehousing, OLAP e Data Mining 7-1 Introdução Cada vez mais, organizações estão analizando dados correntes e históricos para identificar padrões úteis e suporte a estratégias de negócios.

Leia mais

Decisão Suporte: Warehousing, OLAP e Data Mining

Decisão Suporte: Warehousing, OLAP e Data Mining Decisão Suporte: Warehousing, OLAP e Data Mining 7-1 Introdução Cada vez mais, organizações estão analizando dados correntes e históricos para identificar padrões úteis e suporte a estratégias de negócios.

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

MESTRADO EM MARKETING 2006-2007

MESTRADO EM MARKETING 2006-2007 MESTRADO EM MARKETING 2006-2007 PROGRAMA DAS DISCIPLINAS 1º TRIMESTRE Estratégia de Marketing Introdução ao Marketing e sua Evolução A Estratégia de Marketing e a Estratégia da Empresa A Estrutura do Plano

Leia mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 2 Março 09 1 Introdução à Prospecção de Dados 1.1 Introdução O progresso da tecnologia que permite a aquisição de dados e seu armazenamento resultaram

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

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

Ferramentas Livres de Armazenamento e Mineração de Dados

Ferramentas Livres de Armazenamento e Mineração de Dados Ferramentas Livres de Armazenamento e Mineração de Dados JasperBI, Pentaho, Weka 09/2009 Eng. Pablo Jorge Madril pmadril@summa.com.br Summa Technologies www.summa.com.br Eng. Pablo Jorge Madril pmadril@summa.com.br

Leia mais

Sumário. Parte l. 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3

Sumário. Parte l. 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3 Sumário Parte l 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3 2. Entrevistas 5 2.1 Tipos de entrevistas 8 2.2 Preparação e condução

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

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

Aplicação do algoritmo SimpleKMeans em experimento de milho verde

Aplicação do algoritmo SimpleKMeans em experimento de milho verde Aplicação do algoritmo SimpleKMeans em experimento de milho verde Wesley Viana 1, Prof. MSc. Marcos de Moraes Sousa 1, Prof. MSc. Júnio César de Lima 1 Prof. Dr. Milton Sérgio Dornelles 1 1 Instituto Federal

Leia mais

Algoritmos Genéticos em Mineração de Dados. Descoberta de Conhecimento. Descoberta do Conhecimento em Bancos de Dados

Algoritmos Genéticos em Mineração de Dados. Descoberta de Conhecimento. Descoberta do Conhecimento em Bancos de Dados Algoritmos Genéticos em Mineração de Dados Descoberta de Conhecimento Descoberta do Conhecimento em Bancos de Dados Processo interativo e iterativo para identificar padrões válidos, novos, potencialmente

Leia mais

Banco de Dados - Senado

Banco de Dados - Senado Banco de Dados - Senado Exercícios OLAP - CESPE Material preparado: Prof. Marcio Vitorino OLAP Material preparado: Prof. Marcio Vitorino Soluções MOLAP promovem maior independência de fornecedores de SGBDs

Leia mais

Gestão do Atendimento e Relacionamento com o Cliente. Prof. Fernando Paixão UCB 2012 Unidade 02 e 03

Gestão do Atendimento e Relacionamento com o Cliente. Prof. Fernando Paixão UCB 2012 Unidade 02 e 03 Prof. Fernando Paixão UCB 2012 Unidade 02 e 03 Marketing de Relacionamento C.R.M. Custumer Relationship Management Marketing de Assiduidade Programa de milhagens Benefício financeiro Brinde por utilização

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

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

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

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

CRITÉRIOS PARA A DETERMINAÇÃO DOS INTERVALOS DE CLASSE

CRITÉRIOS PARA A DETERMINAÇÃO DOS INTERVALOS DE CLASSE CRITÉRIOS PARA A DETERMINAÇÃO DOS INTERVALOS DE CLASSE Número de classes a considerar (k): a) Tabela de Truman L. Kelley n 5 10 25 50 100 200 500 1000 k 2 4 6 8 10 12 15 15 b) k=5 para n 25 e para n >25.

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

Inteligência de Negócio. Brian Cowhig

Inteligência de Negócio. Brian Cowhig Inteligência de Negócio Brian Cowhig Inteligência de Negócio O Que é Inteligência de Negócio? Três Níveis de Inteligência de Negócio Database Query OLAP Data Mining Produtos de Inteligência de Negócio

Leia mais

Restrições de crédito em regiões de baixa densidade: o papel do microfinanciamento no Alentejo

Restrições de crédito em regiões de baixa densidade: o papel do microfinanciamento no Alentejo Restrições de crédito em regiões de baixa densidade: o papel do microfinanciamento no Alentejo Conceição Rego, Carlos Vieira and Isabel Vieira CEFAGE-UÉ e Departamento de Economia Universidade de Évora

Leia mais

Aula 03 Gestão de Marketing

Aula 03 Gestão de Marketing Aula 03 Gestão de Marketing Análise SWOT, Segmentação de Mercado e Mix de Marketing Prof. Marcopolo Marinho Prof. Esp. Marcopolo Marinho Segmentação é a identificação sistemática de conjuntos e subconjuntos

Leia mais

Electrónica de Seguros

Electrónica de Seguros Sistema Multi-Agente Mediação Electrónica de Seguros Luís Nogueira (ISEP) Eugénio Oliveira (FEUP) LIACC / NIAD&R Motivação e Objectivos Problema apresentado na Industrial Session - AMEC SIG Meeting, 2001

Leia mais

QUALITATIVA VARIÁVEL QUANTITATIVA

QUALITATIVA VARIÁVEL QUANTITATIVA NOMINAL ORDINAL QUALITATIVA VARIÁVEL QUANTITATIVA DISCRETA CONTÍNUA - Variável qualitativa nominal = valores que expressam atributos, sem nenhum tipo de ordem. Ex: cor dos olhos, sexo, estado civil, presença

Leia mais

Clustering: K-means and Aglomerative

Clustering: K-means and Aglomerative Universidade Federal de Pernambuco UFPE Centro de Informática Cin Pós-graduação em Ciência da Computação U F P E Clustering: K-means and Aglomerative Equipe: Hugo, Jeandro, Rhudney e Tiago Professores:

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

A Pitney Bowes está ajudando corporações e agências do governo a prepararem o caminho para a análise de rede avançada.

A Pitney Bowes está ajudando corporações e agências do governo a prepararem o caminho para a análise de rede avançada. Gerenciamento de Informações dos Clientes Gerenciamento e Integração de dados Análise de Rede Social Soluções para possibilitar relacionamentos duradouros com clientes A Pitney Bowes está ajudando corporações

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

EXOPLANETAS EIXO PRINCIPAL

EXOPLANETAS EIXO PRINCIPAL EXOPLANETAS Antes mesmo de eles serem detectados, poucos astrônomos duvidavam da existência de outros sistemas planetários além do Solar. Mas como detectar planetas fora do Sistema Solar? Às suas grandes

Leia mais

Prova INSS RJ - 2007 cargo: Fiscal de Rendas

Prova INSS RJ - 2007 cargo: Fiscal de Rendas Prova INSS RJ - 2007 cargo: Fiscal de Rendas Material de Apoio de Informática - Prof(a) Ana Lucia 53. Uma rede de microcomputadores acessa os recursos da Internet e utiliza o endereço IP 138.159.0.0/16,

Leia mais

Comércio Eletrônico AULA 15. Sistemas para Internet. Professora Ms Karen Reis

Comércio Eletrônico AULA 15. Sistemas para Internet. Professora Ms Karen Reis Comércio Eletrônico AULA 15 Professora Ms Karen Reis 2011 Sistemas para Internet 1 SISTEMAS GERENCIAMENTO COM CLIENTE CRM Customer Relationship Management PRM Partner Relationship Management ERM Employee

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

Treinando a sua equipe para aumentar a competitividade da sua empresa.

Treinando a sua equipe para aumentar a competitividade da sua empresa. Informativo Bimestral da Siqueira Campos Associados março de 2015 - ano IX - Número 24 Catálogo de Cursos 2015 Treinando a sua equipe para aumentar a competitividade da sua empresa. Nesta edição Pesquisas

Leia mais

Metodos Praticos de Amostragem para Avaliações de Impacto

Metodos Praticos de Amostragem para Avaliações de Impacto Vincenzo Di Maro (DIME, World Bank) Metodos Praticos de Amostragem para Avaliações de Impacto Workshop de Avaliação de Impacto de Políticas Públicas São Paulo Março, 25-27 de 2013 1 Sumário 1. Componentes

Leia mais

Data Warehousing. Leonardo da Silva Leandro. CIn.ufpe.br

Data Warehousing. Leonardo da Silva Leandro. CIn.ufpe.br Data Warehousing Leonardo da Silva Leandro Agenda Conceito Elementos básicos de um DW Arquitetura do DW Top-Down Bottom-Up Distribuído Modelo de Dados Estrela Snowflake Aplicação Conceito Em português:

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

Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados

Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão:

Leia mais

O GPS IKE 1000 oferece velocidade, segurança e verificação. Com este equipamento a carga de trabalho e tempo dispendidos são minimizados devido a:

O GPS IKE 1000 oferece velocidade, segurança e verificação. Com este equipamento a carga de trabalho e tempo dispendidos são minimizados devido a: Os equipamentos IKE 1000 são equipamentos GPS de elevada precisão, robustos, adequados para recolher diferentes tipos de informação no campo, tais como dados geoespaciais com informação alfanumérica associada,

Leia mais

XII. Relacionamento com o e-cliente

XII. Relacionamento com o e-cliente XII. Relacionamento com o e-cliente 1. Rastreamento e Análise de Dados) 2. Personalização 3. Centrais de Contacto 4. CRM 1. Rastreamento e Análise de Dados Os anunciantes, comunidades e negócios on ine

Leia mais

Capítulo. Gestão de recursos de dados

Capítulo. Gestão de recursos de dados Capítulo 3 1 Gestão de recursos de dados 2 Objectivos de aprendizagem ƒ Explicar a importância da implementação, numa empresa, de processos e tecnologias de gestão de recursos de dados. ƒ Compreender as

Leia mais

Integrando Metodologias de Auditoria

Integrando Metodologias de Auditoria 24/09/2013 Integrando Metodologias de Auditoria Alexander Alves Pires Gerente de Auditoria Banco do Brasil S.A. AGENDA: Histórico de Atuação Papel Institucional Premissas Metodológicas Auditoria Integrada

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

Análise de Mercado. Análise da Indústria/Setor. Descrição do Segmento de Mercado. Artigos de PN Como fazer Análise de Mercado. josedornelas.com.

Análise de Mercado. Análise da Indústria/Setor. Descrição do Segmento de Mercado. Artigos de PN Como fazer Análise de Mercado. josedornelas.com. Artigos de PN Como fazer Análise de Mercado Análise de Mercado A análise de mercado é um dos componentes do plano de negócios que está relacionado ao marketing da organização. Ela apresenta o entendimento

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

Controlo Estatístico de Produtos Pré-embalados. IPQ SEMINÁRIO: Metrologia no Setor Alimentar 30 Outubro 2014 Cristina Barros (ovm@aferymed.

Controlo Estatístico de Produtos Pré-embalados. IPQ SEMINÁRIO: Metrologia no Setor Alimentar 30 Outubro 2014 Cristina Barros (ovm@aferymed. Controlo Estatístico de Produtos Pré-embalados IPQ SEMINÁRIO: Metrologia no Setor Alimentar 30 Outubro 2014 Cristina Barros (ovm@aferymed.pt) 1 Apresentação 2 Apresentação 3 Controlo estatístico dos produtos

Leia mais

INTRODUÇÃO À MINERAÇÃO DE DADOS. Luis Paulo Vieira Braga. 1. Introdução. 2. KDD e mineração de dados. 3. Bancos de dados para mineração de dados

INTRODUÇÃO À MINERAÇÃO DE DADOS. Luis Paulo Vieira Braga. 1. Introdução. 2. KDD e mineração de dados. 3. Bancos de dados para mineração de dados INTRODUÇÃO À MINERAÇÃO DE DADOS Luis Paulo Vieira Braga 1. Introdução 2. KDD e mineração de dados 3. Bancos de dados para mineração de dados 4. A construção de modelos no processo KDD/DM 5. Tratamento

Leia mais

CRM - Customer Relationship Management

CRM - Customer Relationship Management Profª Carla Mota UCB 2014 Unid 2 aula1 CRM - Customer Relationship Management Estratégia de negócio voltada ao entendimento e a antecipação das necessidades dos clientes atuais e potenciais de uma empresa.

Leia mais

COMPARAÇÃO DOS MÉTODOS DE SEGMENTAÇÃO DE IMAGENS OTSU, KMEANS E CRESCIMENTO DE REGIÕES NA SEGMENTAÇÃO DE PLACAS AUTOMOTIVAS

COMPARAÇÃO DOS MÉTODOS DE SEGMENTAÇÃO DE IMAGENS OTSU, KMEANS E CRESCIMENTO DE REGIÕES NA SEGMENTAÇÃO DE PLACAS AUTOMOTIVAS COMPARAÇÃO DOS MÉTODOS DE SEGMENTAÇÃO DE IMAGENS OTSU, KMEANS E CRESCIMENTO DE REGIÕES NA SEGMENTAÇÃO DE PLACAS AUTOMOTIVAS Leonardo Meneguzzi 1 ; Marcelo Massoco Cendron 2 ; Manassés Ribeiro 3 INTRODUÇÃO

Leia mais

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

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

Leia mais

As informações apresentadas neste documento não dispensam a consulta da legislação referida e do Programa da disciplina.

As informações apresentadas neste documento não dispensam a consulta da legislação referida e do Programa da disciplina. INFORMAÇÃO PROVA DE EQUIVALÊNCIA À FREQUÊNCIA DE AGRUPAMENTO DE ESCOLAS DE CARNAXIDE - 171487 EDUCAÇÃO FÍSICA PROVA 311 2014 12.º ANO DE ESCOLARIDADE 1. INTRODUÇÃO O presente documento divulga informação

Leia mais

EXERCÍCIOS EXERCÍCIOS. Definições Básicas. Definições Básicas. Definições Básicas. Introdução à Estatística. Dados: valores de variáveis observadas.

EXERCÍCIOS EXERCÍCIOS. Definições Básicas. Definições Básicas. Definições Básicas. Introdução à Estatística. Dados: valores de variáveis observadas. Definições Básicas Introdução à Estatística ESTATÍSTICA: estudo dos métodos para coletar, organizar, apresentar e analisar dados. População: conjunto constituído por todos os indivíduos que apresentem

Leia mais

PREVISÃO E DETECÇÃO DE TORNADOS: PROBLEMAS INERENTES Paulo Pinto Instituto de Meteorologia, I.P. MONITORIZAMOS CONTRIBUÍMOS

PREVISÃO E DETECÇÃO DE TORNADOS: PROBLEMAS INERENTES Paulo Pinto Instituto de Meteorologia, I.P. MONITORIZAMOS CONTRIBUÍMOS PREVISÃO E DETECÇÃO DE TORNADOS: PROBLEMAS INERENTES Paulo Pinto Instituto de Meteorologia, I.P. MONITORIZAMOS O TEMPO O CLIMA A ACTIVIDADE SÍSMICA CONTRIBUÍMOS V Encontro Nacional de Riscos Auditório

Leia mais