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

Tamanho: px
Começar a partir da página:

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

Transcrição

1 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: 1.0 Curitiba 2015

2 Poker Hand Data Set Aluno: Joyce Schaidt Curitiba 2015

3 SUMÁRIO 1 INTRODUÇÃO Objetivo Geral Objetivos Específicos Conteúdo do Projeto DESCRIÇÃO DA BASE Descrição dos Dados Detalhes da Base Poker Hand APLICAÇÃO DOS ALGORITMOS Árvore de Decisão Naive Bayes Support Vector Machines - SVM K-Nearest Neighbour K-nn Regras de Associação Apriori K-Means Agrupamento Hierárquico Outras Situações ANÁLISE DOS RESULTADOS REFERÊNCIAS BIBLIOGRÁFICAS... 31

4 LISTA DE FIGURAS Figura 1. Base Poker Hand (autoria própria) Figura 2. Estrutura Poker Hand (autoria própria) Figura 3. Cinco primeiros registros (autoria própria) Figura 4. Cinco últimos registros (autoria própria) Figura 5. Resumos Númericos (autoria própria) Figura 6. Variâncias (autoria própria) Figura 7. Histograma S1 (autoria própria) Figura 8. Histograma C1 (autoria própria) Figura 9. Histograma Classe Poker Hand (autoria própria) Figura 10. Incidência Classe Poker Hand (autoria própria) Figura 11. Gráfico Pizza Classe Poker Hand (autoria própria) Figura 12. Gráfico de Coordenadas Paralelas (autoria própria) Figura 13. Árvore de Decisão (autoria própria) Figura 14. Árvore de Decisão 2 (autoria própria) Figura 15. Árvore de Decisão 3 (autoria própria) Figura 16. Previsões Árvore de Decisão Base de Teste (autoria própria).16 Figura 17. Previsões Árvore de Decisão Base de Teste 2 (autoria própria) Figura 18. Algoritmo Naive Bayes (autoria própria) Figura 19. Previsões Naive Bayes Base de Teste (autoria própria) Figura 20. Previsões Naive Bayes Base de Teste 2 (autoria própria) Figura 21. Algoritmo SVM (autoria própria) Figura 22. Previsões SVM Base de Teste (autoria própria) Figura 23. Previsões SVM Base de Teste 2 (autoria própria) Figura 24. Distribuição (autoria própria) Figura 25. Algoritmo k-nn (autoria própria) Figura 26. Previsões K-nn Base de Teste (autoria própria) Figura 27. Regras de Associação (autoria própria) Figura 28. Agrupamento das Regras de Associação (autoria própria).. 23

5 Figura 29. Gráfico das Regras de Associação (autoria própria) Figura 30. K-Means Clustering (autoria própria) Figura 31. Tabela de ocorrência da Classe Poker.Hand por Cluster (autoria própria) Figura 32. Gráfico Cluster (autoria própria) Figura 33. Gráfico Cluster 2 (autoria própria) Figura 34. Comandos R Agrupamento Hierárquico (autoria própria) Figura 35. Classes Agrupamento Hierárquico (autoria própria) Figura 36. Método Average (autoria própria) Figura 37. Método Single (autoria própria) Figura 38. Método Complete (autoria própria) Figura 39. Nova Árvore de Decisão (autoria própria) Figura 40. Árvore de Decisão Nova Base de Teste (autoria própria) Figura 41. Predições Nova Árvore de Decisão (autoria própria) Figura 42. Naive Bayes Novo (autoria própria) Figura 43. Predição Naive Bayes Novo (autoria própria) Tabela 1. Resultados Gerais (autoria própria)

6

7 1 INTRODUÇÃO Este trabalho tem por objetivo avaliar os conhecimentos adquiridos na disciplina de Data Mining. Para tanto, foi desenvolvido um trabalho, buscando aplicar algoritmos de classificação, associação e agrupamento em uma base de dados. 1.1 Objetivo Geral Aplicar algoritmos de classificação, associação e agrupamento em uma base de dados indicada pelo professor, utilizando a linguagem R. 1.2 Objetivos Específicos Dentre os algoritmos a serem aplicados estão: 1. Árvores de Decisão; 2. Naive Bayes; 3. Support Vector Machines SVM; 4. K-Nearest Neighnour K-nn; 5. Apriori; 6. K-Means; 1.3 Conteúdo do Projeto Nos capítulos seguintes, serão apresentadas as informações pertinentes a base de dados utilizada, bem como a implementação dos algoritmos. No Capítulo 2 serão apresentados todos os detalhes da base, utilizando comandos R. Já no Capítulo 3 serão apresentados todos os algoritmos implementados utilizando linguagem R juntamente com seus resultados. No Capítulo 4, serão apresentadas as análises e conclusões com base nos resultados obtidos de cada algoritmo.

8 2 DESCRIÇÃO DA BASE A base de dados utilizada para este trabalho é uma base de Poker, cujo objetivo é prever mãos de poker. É uma base multivariada, com atributos categóricos e inteiros, possuindo um total de 11 atributos, que serão descritos abaixo, e um total de instâncias. 2.1 Descrição dos Dados Segue abaixo descrição dos dados: S1: "Suit of card #1" - Númerico (1 4), representando os naipes do baralho (Espadas, Copas, Ouros e Paus); C1: "Rank of card #1" - Númerico (1 13), representando os valores das cartas, (Ás, 2, 3,..., Dama, Rei); S2, S3, S4 e S5: Seguem a mesma representação de S1; C2, C3, C4,C5: Seguem a mesma representação de C1; Classe "Poker Hand Númerico (0 9), sendo que: o 0: Nada na mão; Não é reconhecido; o 1: Um par; Duas cartas de mesmo valor entre cinco totais; o 2: Dois pares; Dois pares entre cinco cartas; o 3: Trinca; Três cartas de mesmo valor em cinco; o 4: Straight; Cinco cartas em sêqüencia; o 5: Flush; Cinco cartas do mesmo naipe; o 6: Full house; Um par + Trinca o 7: Quadra; Quatro cartas iguais em cinco o 8: Straight flush; Straight + Flush o 9: Royal flush; (As, Rei, Dama, Valete, 10) + flush Cada par S1 + C1 representada uma carta em uma jogada de poker.

9 2.2 Detalhes da Base Poker Hand Seguem abaixo comandos utilizados na linguagem R para obter informações sobre a base. A Figura 1 mostra a dimensão da base e os nomes de cada atributo. Já Figura 2 representa cada atributo, o tipo de dado e alguns elementos. O mesmo pode ser visto na Figura 3, porém apenas os cinco primeiros registros e na Figura 4 os cinco últimos. Figura 1. Base Poker Hand (autoria própria). Figura 2. Estrutura Poker Hand (autoria própria). Figura 3. Cinco primeiros registros (autoria própria).

10 Figura 4. Cinco últimos registros (autoria própria). A Figura 5 representa um sumario numérico de cada atributo. A Figura 6 mostra as variâncias de quatro atributos e da classe Poker.Hand. Figura 5. Resumos Númericos (autoria própria). Figura 6. Variâncias (autoria própria).

11 A Figura 7 é um histograma do atributo S1, mostrando que em média seis mil registros recebem valor 1, e isso se repete nos demais valores, pois o atributo é representado por 1, 2, 3 e 4, sendo estes naipes do baralho. A Figura 6 mostra as variâncias de quatro atributos e da classe Poker.Hand. Já a Figura 8, representa o histograma do atributo C1, que possui valores entre um e treze, onde podemos notar que em sua grande maioria são de valores 1 e 2. O histograma da classe Poker.Hand pode ser visto na Figura 9, onde observamos que mais de dez mil registros estão com valor zero, que representa nada na mão, ou seja, não possui nenhuma combinação válida para o Poker. Figura 7. Histograma S1 (autoria própria).

12 Figura 8. Histograma C1 (autoria própria). Figura 9. Histograma Classe Poker Hand (autoria própria).

13 O mesmo que foi observado no histograma da classe Poker.Hand pode ser visto na Figura 10, que representa a incidência de valores nesta classe. A Figura 11 mostra os mesmos dados da Figura 10, porém em forma de gráfico. Com o gráfico de coordenadas paralelas representado na Figura 12, verificamos a conexão existente entre todos os atributos. Figura 10. Incidência Classe Poker Hand (autoria própria). Figura 11. Gráfico Pizza Classe Poker Hand (autoria própria). Figura 12. Gráfico de Coordenadas Paralelas (autoria própria).

14 3 APLICAÇÃO DOS ALGORITMOS O presente estudo tem o intuito de aplicar algoritmos de Data Mining em uma base de dados de Poker. 3.1 Árvore de Decisão Aplicando a árvore de decisão diretamente nos registros, obtivemos a árvore representada na Figura 13, composta por apenas um nó. Figura 13. Árvore de Decisão (autoria própria). Isso acontece, pois a grande maioria dos registros possui valor entre zero e um na classe Poker.Hand, sendo que somente algumas poucas combinações de mãos de poker, possibilitam que o valor fique entre sete e nove por exemplo. Devido a isso, a base foi reduzida a 703 (setecentos e três) registros, e teve a classe Poker.Hand adaptada para a classe Apostar, de forma que tenhamos apenas três resultados possíveis, Sim, Não e Talvez, conforme mostrado abaixo: Apostar: Não

15 o 0: Nada na mão; Não é reconhecido; o 1: Um par; Duas cartas de mesmo valor entre cinco totais; o 2: Dois pares; Dois pares entre cinco cartas; Apostar: Talvez o 3: Trinca; Três cartas de mesmo valor em cinco; o 4: Straight; Cinco cartas em sêqüencia; o 5: Flush; Cinco cartas do mesmo naipe; o 6: Full house; Um par + Trinca Apostar: Sim o 7: Quadra; Quatro cartas iguais em cinco o 8: Straight flush; Straight + Flush o 9: Royal flush; (As, Rei, Dama, Valete, 10) + flush A Figura 14 representa a árvore de decisão em formato texto obtida com base nos setecentos e três registros adaptados. Figura 14. Árvore de Decisão 2 (autoria própria). A partir desta base, foram geradas mais duas de forma aleatória, uma para treinamento e outra para teste, conforme Figura 13, onde 70% da base foi destinada a treinamento e 30% para teste, conforme Figura 15.

16 Figura 15. Árvore de Decisão 3 (autoria própria). Podemos observar que o resultado da base de treinamento continua similar ao da árvore gerada com toda base, ou seja, Não Apostar, porém agora a visualização dos dados é mais clara. Na Figura 16, podemos ver as probabilidades de ocorrer cada resultado para os registros da base de teste, em torno de 89% dos resultados tendem a Não Apostar, mantendo os resultados anteriores. Figura 16. Previsões Árvore de Decisão Base de Teste (autoria própria). Na Figura 17, temos a tabela com os resultados da base de teste, onde dos 211 registros da base de teste, somente um possui resultado Sim, logo a tendência é Não Apostar.

17 Figura 17. Previsões Árvore de Decisão Base de Teste 2 (autoria própria). 3.2 Naive Bayes Aplicando o algoritmo Naive Bayes na mesma base particionada, os resultados foram similares aos obtidos com a árvore de decisão. A base foi dividida da mesma forma, em treinamento e teste, conforme Figura 18, onde também podemos ver a probalidade de ocorrência de cada situação. Figura 18. Algoritmo Naive Bayes (autoria própria). A Figura 19 mostra a predição dos dados de teste com base no algoritmo aplicado na base de treinamento e tabela com os resultados, onde

18 vemos a similaridade dos resultados. A Figura 20 mostra também a predição dos resultados porém em outro formato, onde mostram-se as probabilidades de ocorrência de cada situação para alguns registros. Figura 19. Previsões Naive Bayes Base de Teste (autoria própria). Figura 20. Previsões Naive Bayes Base de Teste 2 (autoria própria). 3.3 Support Vector Machines - SVM Aplicando o algoritmo SVM na mesma base particionada anteriormente, os resultados foram similares aos obtidos com os outros dois algoritmos. A base foi dividida da mesma forma, em treinamento e teste.

19 Na Figura 21 vemos os dados do algoritmo que aplicado, onde temos 208 vetores de suporte. Figura 21. Algoritmo SVM (autoria própria). Na Figura 22 temos a predição dos resultados para alguns registros e tabela com as ocorrências em cada situação, onde percebe-se claramente a similaridade dos resultados com os algoritmos aplicados anteriormente. Figura 22. Previsões SVM Base de Teste (autoria própria). Na Figura 23 temos a probabilidade de ocorrência de uma situação em comparação a outra.

20 Figura 23. Previsões SVM Base de Teste 2 (autoria própria). Figura 24. Distribuição (autoria própria). 3.4 K-Nearest Neighbour K-nn Aplicando o algoritmo K-nn na mesma base particionada anteriormente, os resultados foram similares aos obtidos com os outros algoritmos de classificação. A base foi dividida da mesma forma, em treinamento e teste, conforme Figura 25.

21 Figura 25. Algoritmo k-nn (autoria própria). Na Figura 26 temos a tabela com as ocorrências em cada situação, onde percebe-se claramente a similaridade dos resultados com os algoritmos aplicados anteriormente. Figura 26. Previsões K-nn Base de Teste (autoria própria). 3.5 Regras de Associação Apriori Para a aplicação do algoritmo Apriori, utilizado para buscar regras de associação, a base reduzida que foi gerada anteriormente, foi adaptada novamente, desta vez alterando os valores determinados para naipes em seus nomes, sendo: 1 Ouros 2 Espadas 3 Copas 4 Paus Os valores foram descritos por extenso: 1 Ás 2 Dois [.

22 ..] 11 Valete 12 Dama 13 Rei Como podemos ver na Figura 27, todas as regras geradas levam a Não Apostar, apesar de o resultado ser condizente com os demais algoritmos aplicados, esta base dificulta a aplicação de regras de associação, pois todos os elementos dependem de todos os elementos, para formar uma mão de poker é necessário levar em consideração todas as cinco cartas, seus naipes e valores, que a cada variação podem gerar uma combinação diferente. Figura 27. Regras de Associação (autoria própria). Nas Figuras 28 e 29 são apresentados os gráficos representando as regras de associação geradas pelo algoritmo apriori.

23 Figura 28. Agrupamento das Regras de Associação (autoria própria). Figura 29. Gráfico das Regras de Associação (autoria própria). 3.6 K-Means Para a aplicação do algoritmo de clusterização K-Means foi utilizada a base completa Poker Hand. Na Figura 30 são apresentados os comandos em R utilizados para clusterização, juntamente com os resultados, as coordenadas dos centros de cada classe, e a que classe pertencem alguns elementos.

24 Figura 30. K-Means Clustering (autoria própria). Na Figura 31 temos uma tabela comparativa da classe Poker.Hand com o resultado do cluster onde vemos a quantidade de ocorrência de cada elemento da classe por cluster. Figura 31. Tabela de ocorrência da Classe Poker.Hand por Cluster (autoria própria). Na Figura 32 vemos um gráfico da clusterização efetuada e na Figura 33 temos o mesmo o gráfico, porém separando os clusters e mostrando os centróides de cada um.

25 Figura 32. Gráfico Cluster (autoria própria). Figura 33. Gráfico Cluster 2 (autoria própria). 3.7 Agrupamento Hierárquico Para o agrupamento hierárquico foram utilizados apenas cem registros da base completa Poker Hand, conforme podemos ver nos comandos apresentados na Figura 34.

26 Figura 34. Comandos R Agrupamento Hierárquico (autoria própria). A Figura 35 mostra a quantidade de registros distribuídos em cada classe. Nas Figuras 36 e 37 e 38 são apresentados os dendrogramas para cada método disponível da função hclust. Figura 35. Classes Agrupamento Hierárquico (autoria própria). Figura 36. Método Average (autoria própria).

27 Figura 37. Método Single (autoria própria). Figura 38. Método Complete (autoria própria). 3.8 Outras Situações Com a base que foi gerada para aplicarmos as Regras de Associação, foram aplicados alguns algoritmos novamente, buscando confirmar os resultados obtidos.

28 Na Figura 39 é apresentada a árvore de decisão aplicada a base adaptada, na Figura 40 a árvore foi aplicada a uma parte desta base separada para treinamento como feito com a outra base. Na Figura 41, as predições geradas com base nos dados de teste. Contudo podemos observar que os resultados continuam similares. Figura 39. Nova Árvore de Decisão (autoria própria). Figura 40. Árvore de Decisão Nova Base de Teste (autoria própria). Figura 41. Predições Nova Árvore de Decisão (autoria própria). Na Figura 42 é apresentado o algoritmo Naive Bayes aplicado a base adaptada, na Figura 43 a tabela de predição gerada após treinamento em parte desta base adaptada.

29 Figura 42. Naive Bayes Novo (autoria própria). Figura 43. Predição Naive Bayes Novo (autoria própria).

30 4 ANÁLISE DOS RESULTADOS Com base em todos os algoritmos de classificação que foram aplicados, podemos observar que os resultados são similares e utilizando a base particionada e adaptada, notamos que a maioria dos resultados encontra-se no Não Apostar. Isso acontece, pois a maioria das combinações de mãos de Poker não são mãos válidas, ou mãos que contenham um valor expressivo, para que se possa classificar como Apostar ou Talvez Apostar. Com o algoritmo de regras de associação, observamos o mesmo que nos demais algoritmos, ou seja, as regras em sua maioria levam ao resultado Não Apostar. Como explicado no Capitulo 3, isso acontece pois nesta base todos os elementos são dependentes uns dos outros, não sendo possível estabelecer regras com base em apenas um deles. Árvore de Decisão Árvore de Decisão Adaptada Naive Bayes Naive Bayes Adaptada Não Sim Talvez SVM KNN Não Sim 2 5 Talvez Tabela 1. Resultados Gerais (autoria própria). De acordo com os resultados gerais das predições de cada algoritmo aplicados em uma base de teste, após terem sido aplicados em uma base de treinamento, notamos que os resultados mais próximos a realidade, são os em que o algoritmo foi aplicado na base adaptada. Com uma base puramente numérica e com uma grande dependência entre os elementos, como é o caso da base Poker Hand, observa-se que os algoritmos não tem a mesma efetividade quando aplicados em uma base com características alfanuméricas.

31 5 REFERÊNCIAS BIBLIOGRÁFICAS MINERAÇÃO DE DADOS < PPGCA_ htm>. Acesso em Janeiro de <http://www-users.cs.umn.edu/~kumar/dmbook/index.php#item3> em Janeiro de Acesso < Acesso em Janeiro de 2015.

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

3 0 0 A 120 incorreto 3 431 A 130 incorreto A 200 incorreto 5 A 100 correto B 110 incorreto B 111 correto C 200 correto D 300 incorreto

3 0 0 A 120 incorreto 3 431 A 130 incorreto A 200 incorreto 5 A 100 correto B 110 incorreto B 111 correto C 200 correto D 300 incorreto Universidade Federal Fluminense - UFF Pólo Universitário de Rio das Ostras - PURO Faculdade Federal de Rio das Ostras - RFR Departamento de Ciência e Tecnologia - RCT Curso: Programação de Computadores

Leia mais

REGRAS DO POKER. Link:http://www.jogatina.com/regras-como-jogar-poker.html

REGRAS DO POKER. Link:http://www.jogatina.com/regras-como-jogar-poker.html REGRAS DO POKER Link:http://www.jogatina.com/regras-como-jogar-poker.html Com mais de 100 milhões de jogadores em todo o planeta, a modalidade de poker Texas Hold'em No Limits também pode ser jogada aqui

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

Matemática em Toda Parte II

Matemática em Toda Parte II Matemática em Toda Parte II Episódio: Matemática nas Brincadeiras Resumo O episódio Matemática nas Brincadeiras explora o mundo dos jogos para identificar o uso dos conceitos de combinatória e probabilidade.

Leia mais

Regras do No-Limit Texas Hold em

Regras do No-Limit Texas Hold em 1 Regras do No-Limit Texas Hold em O jogo Texas Hold em é um membro relativamente novo da família do poker, mas é a variante do jogo de poker mais popular no mundo nos últimos anos. Por esse motivo Texas

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

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

第 61/2004 號 經 濟 財 政 司 司 長 對 外 規 範 性 批 示. Artigo 7.º 第 七 條 賠 率. prémios: Ao jogador que ganha pertencem o valor da aposta e os seguintes

第 61/2004 號 經 濟 財 政 司 司 長 對 外 規 範 性 批 示. Artigo 7.º 第 七 條 賠 率. prémios: Ao jogador que ganha pertencem o valor da aposta e os seguintes 724 澳 門 特 別 行 政 區 公 報 第 一 組 第 20 期 2004 年 5 月 17 日 第 七 條 賠 率 博 彩 者 中 注, 除 原 注 碼 外, 依 下 列 得 賠 率 : ( 一 ) 壹 個 號 碼 孤 丁 1 賠 35; ( 二 ) 兩 個 號 碼 兩 門 騎 1 賠 17; ( 三 ) 三 個 號 碼 三 門 一 列 1 賠 11; ( 四 ) 四 個 號 碼 四 門 騎

Leia mais

Experimentos de Mineração de Dados em R Disciplina do curso de Pós-Graduação da UTFPR

Experimentos de Mineração de Dados em R Disciplina do curso de Pós-Graduação da UTFPR Experimentos de Mineração de Dados em R Disciplina do curso de Pós-Graduação da UTFPR Paulo Carvalho Diniz Junior CPGEI / UTFPR Avenida Sete de Setembro, 3165 Curitiba-PR - CEP 80.230-910 E-mail: paulo.carvalho.diniz@gmail.com

Leia mais

MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade

MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 19 de Agosto, 2013 Probabilidade: uma Introdução / Aula 3 1 Probabilidade Discreta: Exemplos

Leia mais

A.D.C.R. O INDEPENDENTE

A.D.C.R. O INDEPENDENTE POKER DE DADOS A.D.C.R. O INDEPENDENTE O POKER DE DADOS joga-se com cinco dados tendo cada um destes nas seis faces as figuras mais altas de um baralho de cartas, seja de Às a Nove. Jogam normalmente a

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

17/10/2012. dados? Processo. Doutorado em Engenharia de Produção Michel J. Anzanello. Doutorado EP - 2. Doutorado EP - 3.

17/10/2012. dados? Processo. Doutorado em Engenharia de Produção Michel J. Anzanello. Doutorado EP - 2. Doutorado EP - 3. Definição de Data Mining (DM) Mineração de Dados (Data Mining) Doutorado em Engenharia de Produção Michel J. Anzanello Processo de explorar grandes quantidades de dados à procura de padrões consistentes

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

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

Pôquer. Pôquer Fechado. Distribuição

Pôquer. Pôquer Fechado. Distribuição Pôquer A origem do Pôquer é muito antiga e está ligada a vários outros jogos que também se baseiam em combinações de cartas do mesmo valor e que apresentam um sistema de apostas muito semelhante ao do

Leia mais

Disciplina : Algoritmos e Estruturas de Dados I Prof: Rodolfo Monitor: Francisco Henrique de F. Viana Período: 2005.2

Disciplina : Algoritmos e Estruturas de Dados I Prof: Rodolfo Monitor: Francisco Henrique de F. Viana Período: 2005.2 Considerações Iniciais Os trabalhos deverão ser implementados em linguagem JAVA; Todos os dados devem ser lidos da entrada padrão (System.in) e escritos na saída padrão (System.out); Os trabalhos serão

Leia mais

PROJETO DE REGULAMENTO N.º ---/SRIJ/2015 REGRAS DO JOGO PÓQUER SEM DESCARTE

PROJETO DE REGULAMENTO N.º ---/SRIJ/2015 REGRAS DO JOGO PÓQUER SEM DESCARTE PROJETO DE REGULAMENTO N.º ---/SRIJ/2015 REGRAS DO JOGO PÓQUER SEM DESCARTE O Regime Jurídico dos Jogos e Apostas online (RJO), aprovado pelo Decreto-Lei n.º 66/2015, de 29 de abril, determina, no n.º

Leia mais

INF 1771 Inteligência Artificial

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

Leia mais

REGULAMENTO TÉCNICO POKER CAPÍTULO I DA EXECUÇÃO DO TORNEIO

REGULAMENTO TÉCNICO POKER CAPÍTULO I DA EXECUÇÃO DO TORNEIO POKER CAPÍTULO I DA EXECUÇÃO DO TORNEIO Art. 2º - O Torneio de POKER dos XIII JOIDS será disputado nas instalações que será informado através de boletim oficial, informando o dia, horário e local com caráter

Leia mais

art 2º. A fase eliminatória ocorrerá no dia 28, com início às 22 horas, e a fase final no dia 29, com início às 23 horas.

art 2º. A fase eliminatória ocorrerá no dia 28, com início às 22 horas, e a fase final no dia 29, com início às 23 horas. Torneio de POKER Clube do Interior 2009 Comissão organizadora do torneio: Dr. Marcelo E. Montandon Júnior Dr. José Wesley Benício Soares Dr. Carlos Ximenes Filho Data e local: art 1º. O Torneio de Poker-Clube

Leia mais

PROJETO DE REGULAMENTO N.º ---/SRIJ/2015 REGRAS DO BACARÁ PONTO E BANCA/MACAU

PROJETO DE REGULAMENTO N.º ---/SRIJ/2015 REGRAS DO BACARÁ PONTO E BANCA/MACAU PROJETO DE REGULAMENTO N.º ---/SRIJ/2015 REGRAS DO BACARÁ PONTO E BANCA/MACAU O Regime Jurídico dos Jogos e Apostas online (RJO), aprovado pelo Decreto-Lei n.º 66/2015, de 29 de abril, determina, no n.º

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

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

Engenharia Informática Engenharia Electrotécnica e Computadores Programação Orientada por Objectos Projecto PlayCards

Engenharia Informática Engenharia Electrotécnica e Computadores Programação Orientada por Objectos Projecto PlayCards Engenharia Informática Engenharia Electrotécnica e Computadores Programação Orientada por Objectos Projecto PlayCards Pacote de Jogos de Cartas Ano Lectivo: 2006/2007 1. Introdução O objectivo deste projecto

Leia mais

MÓDULO 6 INTRODUÇÃO À PROBABILIDADE

MÓDULO 6 INTRODUÇÃO À PROBABILIDADE MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para

Leia mais

Paralelização do algoritmo SPRINT usando MyGrid

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

Leia mais

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

Módulo VIII. Probabilidade: Espaço Amostral e Evento

Módulo VIII. Probabilidade: Espaço Amostral e Evento 1 Módulo VIII Probabilidade: Espaço Amostral e Evento Suponha que em uma urna existam cinco bolas vermelhas e uma branca. Extraindo-se, ao acaso, uma das bolas, é mais provável que esta seja vermelha.

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

A probabilidade representa o resultado obtido através do cálculo da intensidade de ocorrência de um determinado evento.

A probabilidade representa o resultado obtido através do cálculo da intensidade de ocorrência de um determinado evento. Probabilidade A probabilidade estuda o risco e a ocorrência de eventos futuros determinando se existe condição de acontecimento ou não. O olhar da probabilidade iniciou-se em jogos de azar (dados, moedas,

Leia mais

Métodos e Algoritmos de Data Mining(parte 1)

Métodos e Algoritmos de Data Mining(parte 1) Robert Groth Métodos e Algoritmos de Data Mining(parte 1) Usama Fayyad et al 1 Métodos e Algoritmos de Data Mining Soluções distância (K-NN e clustering) Naïve-Bayes Arvores de decisão Regras de associação

Leia mais

Recuperação de Informação em Bases de Texto. Aula 10

Recuperação de Informação em Bases de Texto. Aula 10 Aula 10 1 Agrupamento/ clustering de documentos: Agrupar os documentos em classes/grupos, de acordo com a sua semelhança Aprendizagem não supervisionada Sem conjunto de treino/exemplos 2 3 Agrupamento/

Leia mais

Estudo da Viabilidade da utilização de Cartão de Crédito para um Grupo de Clientes Essenciais

Estudo da Viabilidade da utilização de Cartão de Crédito para um Grupo de Clientes Essenciais Estudo da Viabilidade da utilização de Cartão de Crédito para um Grupo de Clientes Essenciais Cleyton Zanardo de Oliveira CER, DEs, UFSCar Vera Lúcia Damasceno Tomazella, DEs, UFSCar Resumo Uma única pessoa

Leia mais

Introdução às arquiteturas paralelas e taxonomia de Flynn

Introdução às arquiteturas paralelas e taxonomia de Flynn Introdução às arquiteturas paralelas e taxonomia de Flynn OBJETIVO: definir computação paralela; o modelo de computação paralela desempenhada por computadores paralelos; e exemplos de uso da arquitetura

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

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

Professor Mauricio Lutz PROBABILIDADE

Professor Mauricio Lutz PROBABILIDADE PROBABILIDADE Todas as vezes que se estudam fenômenos de observação, cumpre-se distinguir o próprio fenômeno e o modelo matemático (determinístico ou probabilístico) que melhor o explique. Os fenômenos

Leia mais

O conceito de probabilidade

O conceito de probabilidade A UA UL LA O conceito de probabilidade Introdução Nesta aula daremos início ao estudo da probabilidades. Quando usamos probabilidades? Ouvimos falar desse assunto em situações como: a probabilidade de

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

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

4 Aplicativo para Análise de Agrupamentos

4 Aplicativo para Análise de Agrupamentos 65 4 Aplicativo para Análise de Agrupamentos Este capítulo apresenta a modelagem de um aplicativo, denominado Cluster Analysis, dedicado à formação e análise de grupos em bases de dados. O aplicativo desenvolvido

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

Data, Text and Web Mining

Data, Text and Web Mining Data, Text and Web Mining Fabrício J. Barth TerraForum Consultores Junho de 2010 Objetivo Apresentar a importância do tema, os conceitos relacionados e alguns exemplos de aplicações. Data, Text and Web

Leia mais

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos

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

Técnicas de Clustering: Algoritmos K-means e Aglomerative

Técnicas de Clustering: Algoritmos K-means e Aglomerative Técnicas de Clustering: Algoritmos K-means e Aglomerative Danilo Oliveira, Matheus Torquato Centro de Informática Universidade Federal de Pernambuco 9 de outubro de 2012 Danilo Oliveira, Matheus Torquato

Leia mais

Identificação de Padrões para a Análise da Evasão Usando Mineração de Dados Educacionais

Identificação de Padrões para a Análise da Evasão Usando Mineração de Dados Educacionais 1. Objetivo Identificação de Padrões para a Análise da Evasão Usando Mineração de Dados Educacionais José Gonçalves de Oliveira Júnior 1 1 Universidade Tecnológica Federal do Paraná (UTFPR) CEP 80.230-901

Leia mais

Balanceamento de Carga

Balanceamento de Carga 40 4. Balanceamento de Carga Pode-se entender por balanceamento de carga uma política a ser adotada para minimizar tanto a ociosidade de utilização de alguns equipamentos quanto a super utilização de outros,

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

5. EXPERIÊNCIAS E ANÁLISE DOS RESULTADOS. 5.1 - Os Programas de Avaliação

5. EXPERIÊNCIAS E ANÁLISE DOS RESULTADOS. 5.1 - Os Programas de Avaliação 36 5. EXPERIÊNCIAS E ANÁLISE DOS RESULTADOS 5.1 - Os Programas de Avaliação Programas de avaliação convencionais foram utilizados para análise de diversas configurações da arquitetura. Estes programas

Leia mais

PROBABILIDADE PROFESSOR: ANDRÉ LUIS

PROBABILIDADE PROFESSOR: ANDRÉ LUIS PROBABILIDADE PROFESSOR: ANDRÉ LUIS 1. Experimentos Experimento determinístico: são aqueles em que o resultados são os mesmos, qualquer que seja o número de ocorrência dos mesmos. Exemplo: Um determinado

Leia mais

Prof. Júlio Cesar Nievola Data Mining PPGIa PUCPR

Prof. Júlio Cesar Nievola Data Mining PPGIa PUCPR Encontrar grupos de objetos tal que objetos em um grupo são similares (ou relacionados) uns aos outros e diferentes de (ou não relacionados) a objetos em outros grupos Compreensão Agrupa documentos relacionados

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

PARCERIA APEA/SP E APCEF/SP

PARCERIA APEA/SP E APCEF/SP PARCERIA APEA/SP E APCEF/SP DATA / LOCAL: 26 e 27/09/2015 / CECOM - APCEF/SP REGULAMENTO TÉCNICO TRUCO Art. 1º. O torneio de Truco do V JOGOS DOS APOSENTADOS, será realizado de acordo com as regras estabelecidas

Leia mais

SKAT. Introdução. O Baralho

SKAT. Introdução. O Baralho Introdução SKAT O skat foi inventado por volta de 1810 na cidade de Altenburg, cerca de 40 km ao sul de Leipzig, Alemanha, pelos membros da Brommesche Tarok-Gesellschaft. Eles adaptaram um jogo local (Schafkopf)

Leia mais

Sistema de Arquivos FAT

Sistema de Arquivos FAT Sistemas Operacionais Sistema de Arquivos FAT Edeyson Andrade Gomes www.edeyson.com.br FAT A FAT é o sistema de arquivos usado pelo MS-DOS e outros sistemas operacionais baseados em Windows para organizar

Leia mais

Aprendizagem de Máquina

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

Leia mais

Reconhecimento de ações humanas utilizando histogramas de gradiente e vetores de tensores localmente agregados

Reconhecimento de ações humanas utilizando histogramas de gradiente e vetores de tensores localmente agregados Reconhecimento de ações humanas utilizando histogramas de gradiente e vetores de tensores localmente agregados Luiz Maurílio da Silva Maciel 1, Marcelo Bernardes Vieira 1 1 Departamento de Ciência da Computação

Leia mais

- TORNEIO INTERNO DE BURACO IATE 2015 -

- TORNEIO INTERNO DE BURACO IATE 2015 - - TORNEIO INTERNO DE BURACO IATE 2015 - OBJETIVO DO TORNEIO Tem por objetivo promover a interação e confraternização entre os sócios e participantes mediante regras abaixo. 1 - DAS INSCRIÇÕES 1.1 - As

Leia mais

Categorização de Textos baseada em Conceitos

Categorização de Textos baseada em Conceitos Pontifícia Universidade Católica do Rio Grande do Sul Faculdade de Informática Programa de Pós-Graduação em Ciência da Computação Encontro de PLN Categorização de Textos baseada em Conceitos Silvia Maria

Leia mais

Java. Marcio de Carvalho Victorino www.dominandoti.eng.br

Java. Marcio de Carvalho Victorino www.dominandoti.eng.br Java Marcio de Carvalho Victorino www.dominandoti.eng.br 3. Considere as instruções Java abaixo: int cont1 = 3; int cont2 = 2; int cont3 = 1; cont1 += cont3++; cont1 -= --cont2; cont3 = cont2++; Após a

Leia mais

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

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

Leia mais

1 Tipos de dados em Análise de Clusters

1 Tipos de dados em Análise de Clusters Curso de Data Mining Sandra de Amo Aula 13 - Análise de Clusters - Introdução Análise de Clusters é o processo de agrupar um conjunto de objetos físicos ou abstratos em classes de objetos similares Um

Leia mais

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

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

Leia mais

I.3 Indução de Árvores de Decisão

I.3 Indução de Árvores de Decisão I.3 Indução de Árvores de Decisão Nesta seção serão apresentados alguns conceitos básicos da técnica de indução de árvores de decisão a partir de um exemplo sobre o efeito dos raios solares sobre algumas

Leia mais

Reconhecimento de Padrões

Reconhecimento de Padrões Engenharia Informática (ramos de Gestão e Industrial) Departamento de Sistemas e Informação Reconhecimento de Padrões Projecto Final 2004/2005 Realizado por: Prof. João Ascenso. Departamento de Sistemas

Leia mais

Mineração de dados: um estudo de caso de concessão de crédito explorando o software Weka

Mineração de dados: um estudo de caso de concessão de crédito explorando o software Weka Mineração de dados: um estudo de caso de concessão de crédito explorando o software Weka Andreia Smiderle, Alessandra Marchiori de Oliveira Depto de Sistemas de Informação, Faculdade MATER DEI, 85501-030,

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

O QUE SÃO OUTS E ODDS?

O QUE SÃO OUTS E ODDS? O QUE SÃO OUTS E ODDS? Outs Chamamos de outs as cartas do baralho que não estão visíveis, mas que podem aparecer no bordo e melhorar a sua mão. Ex. Uma situação comum são os Flush Draws (pedidas para flush).

Leia mais

INF 2125 PROJETO DE SISTEMAS DE SOFTWARE Prof. Carlos J. P. de Lucena

INF 2125 PROJETO DE SISTEMAS DE SOFTWARE Prof. Carlos J. P. de Lucena INF 2125 PROJETO DE SISTEMAS DE SOFTWARE Prof. Carlos J. P. de Lucena Trabalho Experimental Sistema de Gestão Hoteleira 1. Objetivo Este trabalho tem o objetivo de consolidar o conhecimento sobre UML e

Leia mais

Segmentação de Imagens

Segmentação de Imagens Segmentação de Imagens (Processamento Digital de Imagens) 1 / 36 Fundamentos A segmentação subdivide uma imagem em regiões ou objetos que a compõem; nível de detalhe depende do problema segmentação para

Leia mais

CAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO

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

Leia mais

Sistema Banco de Preços Manual do Usuário OBSERVATÓRIO

Sistema Banco de Preços Manual do Usuário OBSERVATÓRIO Sistema Banco de Preços Manual do Usuário OBSERVATÓRIO da Despesa Pública 1 Sumário O Banco de Preços... 3 Acessando o Banco de Preços... 4 Funções do Banco de Preços... 5 Gerar Preço de Referência...

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

Otimização de Funções Não Lineares por Meio do Algoritmo Árvore da Montanha

Otimização de Funções Não Lineares por Meio do Algoritmo Árvore da Montanha Otimização de Funções Não Lineares por Meio do Algoritmo Árvore da Montanha Amarildo de Vicente Colegiado do Curso de Matemática Centro de Ciências Exatas e Tecnológicas da Universidade Estadual do Oeste

Leia mais

1 http://www.google.com

1 http://www.google.com 1 Introdução A computação em grade se caracteriza pelo uso de recursos computacionais distribuídos em várias redes. Os diversos nós contribuem com capacidade de processamento, armazenamento de dados ou

Leia mais

Noções de Pesquisa e Amostragem. André C. R. Martins

Noções de Pesquisa e Amostragem. André C. R. Martins Noções de Pesquisa e Amostragem André C. R. Martins 1 Bibliografia Silva, N. N., Amostragem probabilística, EDUSP. Freedman, D., Pisani, R. e Purves, R., Statistics, Norton. Tamhane, A. C., Dunlop, D.

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

TRATAMENTO MULTIVARIADO DE DADOS POR ANÁLISE DE CORRESPONDÊNCIA E ANÁLISE DE AGRUPAMENTOS

TRATAMENTO MULTIVARIADO DE DADOS POR ANÁLISE DE CORRESPONDÊNCIA E ANÁLISE DE AGRUPAMENTOS TRATAMENTO MULTIVARIADO DE DADOS POR ANÁLISE DE CORRESPONDÊNCIA E ANÁLISE DE AGRUPAMENTOS Luciene Bianca Alves ITA Instituto Tecnológico de Aeronáutica Praça Marechal Eduardo Gomes, 50 Vila das Acácias

Leia mais

Tome Melhores Decisões Através da Inteligência Preditiva

Tome Melhores Decisões Através da Inteligência Preditiva IBM SPSS Modeler Professional Tome Melhores Decisões Através da Inteligência Preditiva Destaques Crie estratégias mais eficazes avaliando tendências e resultados prováveis. Acesse, prepare e modele facilmente

Leia mais

TUTORIAL AMBIENTE WEB PORTUGOL

TUTORIAL AMBIENTE WEB PORTUGOL 1 TUTORIAL AMBIENTE WEB PORTUGOL O WEBportugol é uma ferramenta para ajudar você a construir seus primeiros algoritmos e com isso aprender lógica de programação. A ferramenta utiliza uma linguagem chamada

Leia mais

CAPÍTULO 6 CIRCUITOS SEQUENCIAIS IV: PROJETO DE REDES SEQUENCIAIS

CAPÍTULO 6 CIRCUITOS SEQUENCIAIS IV: PROJETO DE REDES SEQUENCIAIS 92 CAPÍTULO 6 CIRCUITOS SEQUENCIAIS IV: PROJETO DE REDES SEQUENCIAIS Sumário 6.. Introdução... 94 6... Máquina de Estados de Moore... 94 6..2. Máquina de Estados de Mealy... 95 6.2. Projeto de Redes Sequenciais...

Leia mais

Palavras-Chaves: Agrupamento Hierárquico; Acordo de Resultados.

Palavras-Chaves: Agrupamento Hierárquico; Acordo de Resultados. Estatística Multivariada: Grupos Homogêneos no Combate à Criminalidade em Minas Gerais 1 Formação de Regiões Homogêneas no Combate à Criminalidade Violenta de Minas Gerais utilizando técnica de agrupamento

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

Aprendizagem de Máquina

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

Leia mais

SISTEMAS DISTRIBUÍDOS

SISTEMAS DISTRIBUÍDOS SISTEMAS DISTRIBUÍDOS Comunicação coletiva Modelo Peer-to-Peer Slide 6 Nielsen C. Damasceno Introdução Os modelos anteriores eram realizado entre duas partes: Cliente e Servidor. Com RPC e RMI não é possível

Leia mais

PROJETO DE REGULAMENTO N.º ---/SRIJ/2015 REGRAS DO JOGO BLACKJACK/21

PROJETO DE REGULAMENTO N.º ---/SRIJ/2015 REGRAS DO JOGO BLACKJACK/21 PROJETO DE REGULAMENTO N.º ---/SRIJ/2015 REGRAS DO JOGO BLACKJACK/21 O Regime Jurídico dos Jogos e Apostas Online (RJO), aprovado pelo Decreto-Lei n.º 66/2015, de 28 de abril, determina, no n.º 3 do seu

Leia mais

Figura 1.1: Exemplo de links patrocinados no Google

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

Leia mais

Considerações: 1) Coletânea de Músicas

Considerações: 1) Coletânea de Músicas Universidade Federal de Pernambuco Centro de Informática Lista 5 Introdução a Programação Prof: Adriano Sarmento Data: 2/08/13 Data de entrega: 14/08/13 Considerações: Leia a lista toda, o quanto antes,

Leia mais

COMO AVALIAR O RISCO DE UM PROJETO ATRAVÉS DA METODOLOGIA DE MONTE CARLO

COMO AVALIAR O RISCO DE UM PROJETO ATRAVÉS DA METODOLOGIA DE MONTE CARLO COMO AVALIAR O RISCO DE UM PROJETO ATRAVÉS DA O que é risco? Quais são os tipos de riscos? Quais são os tipos de análises? Qual a principal função do Excel para gerar simulações aleatórias? O que é distribuição

Leia mais

Aula 4 Pseudocódigo Tipos de Dados, Expressões e Variáveis

Aula 4 Pseudocódigo Tipos de Dados, Expressões e Variáveis 1. TIPOS DE DADOS Todo o trabalho realizado por um computador é baseado na manipulação das informações contidas em sua memória. Estas informações podem ser classificadas em dois tipos: As instruções, que

Leia mais

FACULDADE LA SALLE EDUCAÇÃO FÍSICA LICENCIATURA

FACULDADE LA SALLE EDUCAÇÃO FÍSICA LICENCIATURA FACULDADE LA SALLE EDUCAÇÃO FÍSICA LICENCIATURA REGULAMENTO DE TRUCO JOIA LA SALLE 2014 - JOGOS DE INTEGRAÇÃO ACADÊMICA Lucas do Rio Verde MT REGULAMENTO TÉCNICO A Equipe para jogar truco é formada por

Leia mais

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

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

Leia mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 4 de Maio 09 5 Modelos preditivos para classificação (continuação) 5.6 Modelos naive Bayes - classificador bayesiano simples O método ganha a designação

Leia mais

Um Estudo Sobre a Chance de Repetição de Sorteios na Mega-Sena

Um Estudo Sobre a Chance de Repetição de Sorteios na Mega-Sena Um Estudo Sobre a Chance de Repetição de Sorteios na Mega-Sena Rogério César dos Santos 05 de Janeiro de 2014 Resumo Qual é a chance de haver um sorteio repetido na Mega-Sena, em n jogos? Como veremos,

Leia mais

SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS

SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS André Zuconelli 1 ; Manassés Ribeiro 2 1. Aluno do Curso Técnico em Informática, turma 2010, Instituto Federal Catarinense, Câmpus Videira, andre_zuconelli@hotmail.com

Leia mais

Dadas a base e a altura de um triangulo, determinar sua área.

Dadas a base e a altura de um triangulo, determinar sua área. Disciplina Lógica de Programação Visual Ana Rita Dutra dos Santos Especialista em Novas Tecnologias aplicadas a Educação Mestranda em Informática aplicada a Educação ana.santos@qi.edu.br Conceitos Preliminares

Leia mais

Modelo de dados do Data Warehouse

Modelo de dados do Data Warehouse Modelo de dados do Data Warehouse Ricardo Andreatto O modelo de dados tem um papel fundamental para o desenvolvimento interativo do data warehouse. Quando os esforços de desenvolvimentos são baseados em

Leia mais