Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados
|
|
- Ruth Lagos Estrela
- 8 Há anos
- Visualizações:
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 < 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 Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia mais3 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 maisREGULAMENTO 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 maisREGRAS 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 maisINTELIGÊNCIA 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 maisMAT 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 maisMÓDULO 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 maisMatemática 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 maisAvaliando 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 maisart 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 mais5. 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 maisCOMPARAÇÃO 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 maisClustering: 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 maisRegras 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 maisUNIVERSIDADE 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 maisINF 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 maisAlgoritmos e Programação Conceitos e Estruturas básicas (Variáveis, constantes, tipos de dados)
Algoritmos e Programação Conceitos e Estruturas básicas (Variáveis, constantes, tipos de dados) Os algoritmos são descritos em uma linguagem chamada pseudocódigo. Este nome é uma alusão à posterior implementação
Leia maisA.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 maisUTILIZANDO 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 maisCÁLCULO DE ADIANTAMENTO SALARIAL
CÁLCULO DE ADIANTAMENTO SALARIAL O cálculo de adiantamento salarial no Cordilheira Recursos Humanos é bem flexível e consegue atender muitas situações diferenciadas. Para que o cálculo seja efetuado de
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
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 maisClustering - 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 maisADM041 / 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 mais17/10/2012. 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 maisXIII 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 maisSistema 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 maisControle do Arquivo Técnico
Controle do Arquivo Técnico Os documentos existentes de forma física (papel) no escritório devem ser guardados em pastas (normalmente pastas suspensas) localizadas no Arquivo Técnico. Este Arquivo pode
Leia maisEspecificação do 3º Trabalho
Especificação do 3º Trabalho I. Introdução O objetivo deste trabalho é abordar a prática da programação orientada a objetos usando a linguagem Java envolvendo os conceitos de classe, objeto, associação,
Leia maisPôquer. 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 maisEngenharia 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 mais3 Classificação. 3.1. Resumo do algoritmo proposto
3 Classificação Este capítulo apresenta primeiramente o algoritmo proposto para a classificação de áudio codificado em MPEG-1 Layer 2 em detalhes. Em seguida, são analisadas as inovações apresentadas.
Leia maisExtração 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 maisOrientação a Objetos
1. Domínio e Aplicação Orientação a Objetos Um domínio é composto pelas entidades, informações e processos relacionados a um determinado contexto. Uma aplicação pode ser desenvolvida para automatizar ou
Leia maisEstudo 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 maisAula 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 maisProf. Rafael Gross. rafael.gross@fatec.sp.gov.br
Prof. Rafael Gross rafael.gross@fatec.sp.gov.br Todo protocolo define um tipo de endereçamento para identificar o computador e a rede. O IP tem um endereço de 32 bits, este endereço traz o ID (identificador)
Leia maisIntegração ADMRH com AGROSYS
Treinamentos no produto AdmRH CGI - Consultoria Gaúcha de Informática Ltda - Divisão de treinamentos Guia do Aluno Versão 1.0 Integração ADMRH com AGROSYS Empresa: Participante: Data: Os produtos da CGI
Leia maisDiagrama de Classes. Um diagrama de classes descreve a visão estática do sistema em termos de classes e relacionamentos entre as classes.
1 Diagrama de Classes Um diagrama de classes descreve a visão estática do sistema em termos de classes e relacionamentos entre as classes. Um dos objetivos do diagrama de classes é definir a base para
Leia maisa 1 x 1 +... + a n x n = b,
Sistemas Lineares Equações Lineares Vários problemas nas áreas científica, tecnológica e econômica são modelados por sistemas de equações lineares e requerem a solução destes no menor tempo possível Definição
Leia maisExperimentos 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 maisGestão de Ativos. Manual do Usuário. Treinamento Fase 1 (TRN 01)
Gestão de Ativos Manual do Usuário Treinamento Fase 1 (TRN 01) Índice 1. Introdução... 3 2. Movimentações de Ativos... 4 2.1. Monitoração... 4 2.1.1. Monitor de Movimentação de Ativos...4 2.2. Transações...15
Leia maisMódulo 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 maisO 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 maisBOLETIM INFORMATIVO TÉCNICO LIBERAÇÃO DE ATUALIZAÇÃO - CORDILHEIRA VERSÃO 2
BOLETIM INFORMATIVO TÉCNICO LIBERAÇÃO DE ATUALIZAÇÃO - CORDILHEIRA VERSÃO 2 Cordilheira Recursos Humanos CRH 2.85A As rotinas de Retiradas de Pró-labore e Autônomos tiveram diversas alterações, com o objetivo
Leia maisComunicação documentos de transporte AT via Webservice Singest Sistema Integrado de Gestão. 22-05-2013 Cambragest Serviços de Gestão e Software
Comunicação documentos de transporte AT via Webservice 22-05-2013 Cambragest Serviços de Gestão e Software I. Índice I. Índice... 1 II. Introdução... 2 III. Configuração de documentos de transporte...
Leia maisParalelização 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 maisENGENHARIA DA COMPUTAÇÃO BANCO DE DADOS I CONTEÚDO 5 ABORDAGEM RELACIONAL
ENGENHARIA DA COMPUTAÇÃO BANCO DE DADOS I CONTEÚDO 5 ABORDAGEM RELACIONAL PROF. MS C. RICARDO ANTONELLO WWW.ANTONELLO.COM.B R PORQUE SER RELACIONAL? Hoje, há um claro predomínio dos SGBD relacionais, principalmente
Leia maisDesenvolvimento de uma Etapa
Desenvolvimento de uma Etapa A Fase Evolutiva do desenvolvimento de um sistema compreende uma sucessão de etapas de trabalho. Cada etapa configura-se na forma de um mini-ciclo que abrange as atividades
Leia maisData, 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- 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 maisAprendizagem 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 maisJava. 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 maisPROJETO 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 maisRevisão: Introdução. - Integração com o AutoManager; 1 Atualização de versão do banco de dados PostgreSQL
Urano Indústria de Balanças e Equipamentos Eletrônicos Ltda. Rua Irmão Pedro 709 Vila Rosa Canoas RS Fone: (51) 3462.8700 Fax: (51) 3477.4441 Características do Software Urano Integra 2.2 Data: 12/05/2014
Leia maisISO/IEC 12207: Gerência de Configuração
ISO/IEC 12207: Gerência de Configuração Durante o processo de desenvolvimento de um software, é produzida uma grande quantidade de itens de informação que podem ser alterados durante o processo Para que
Leia maisUNIVERSIDADE FEDERAL DO AMAPÁ NÚCLEO DE TECNOLOGIA DA INFORMAÇÃO. Manual de Avaliação de Desempenho Cadastro
UNIVERSIDADE FEDERAL DO AMAPÁ NÚCLEO DE TECNOLOGIA DA INFORMAÇÃO Manual de Avaliação de Desempenho Cadastro UNIFAP MACAPÁ-AP 2013 S U M Á R I O 1 Tela de Login...2 2 Acessando ao submenu cadastro de avaliação
Leia maisApresentação do UniSAC
Apresentação do UniSAC Serviço de Atendimento ao Cliente Software: Softdesk Última atualização deste manual: 16/02/2015 A ferramenta O Softdesk é o software escolhido pelo Unimestre para a gestão de todos
Leia maisDESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE
DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE Mariane Alves Gomes da Silva Eliana Zandonade 1. INTRODUÇÃO Um aspecto fundamental de um levantamento
Leia maisFACULDADE DE ENGENHARIA DE COMPUTAÇÃO. PROJETO FINAL I e II PLANO DE TRABALHO <NOME DO TRABALHO> <Nome do Aluno> <Nome do Orientador>
FACULDADE DE ENGENHARIA DE COMPUTAÇÃO PROJETO FINAL I e II PLANO DE TRABALHO O Trabalho de Conclusão de Curso (TCC) a ser desenvolvido
Leia maisOPERADORES E ESTRUTURAS DE CONTROLE
OPERADORES E ESTRUTURAS DE CONTROLE 3.1 Operadores Os operadores indicam o tipo de operação matemática que será executada gerando novos valores a partir de um ou mais operadores. São muito utilizados em
Leia maisINF 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 maisSistema 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 maisTÓPICOS 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 maisSISTEMAS DISTRIBUÍDOS
SISTEMAS DISTRIBUÍDOS Modelo cliente e servidor Slide 2 Nielsen C. Damasceno Modelos Cliente - Servidor A principal diferença entre um sistema centralizado e um sistema distribuído está na comunicação
Leia maisComo consolidar dados nas planilhas utilizando o comando CONSOLIDAR do Excel
Como consolidar dados nas planilhas utilizando o comando CONSOLIDAR do Excel! Como utilizar o comando Consolidar do Excel?! Quais são os diferenciais em relação ao cálculo aritmético normal?! Quais são
Leia maisBalanceamento 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 maisAnálise de Dados do Financeiro
Análise de Dados do Financeiro Introdução Para reunir em um só local as informações de contas a pagar e receber cadastradas e/ou geradas no sistema TTransp existe a interface de análise de dados do financeiro.
Leia maisCAPÍTULO 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 maisDemonstração dos Fluxos De Caixa. (DFC)
Demonstração dos Fluxos De Caixa. (DFC) Índice 1. DEMONSTRAÇÃO DOS FLUXOS DE CAIXAS - DFC... 1 1.1. Objetivo... 1 1.2. Obrigatoriedade e Período de Apuração... 1 1.3. Definições... 1 1.4. Método e Estrutura
Leia maisNOVAS FUNCIONALIDADES DO SICONV ORIENTAÇÕES PARA O USUÁRIO
Ministério do Planejamento, Orçamento e Gestão Secretaria de Logística e Tecnologia da Informação NOVAS FUNCIONALIDADES DO SICONV ORIENTAÇÕES PARA O USUÁRIO Abril/2010 ALTERAÇÕES NA FUNCIONALIDADE CADASTRAMENTO
Leia maisProtocolo em Rampa Manual de Referência Rápida
Protocolo em Rampa Manual de Referência Rápida 1 O que é o Protocolo em Rampa O protocolo em rampa é um protocolo para testes de esforço que não possui estágios. Nele o incremento da carga se dá de maneira
Leia maisPesquisa Sequencial e Binária
Pesquisa Sequencial e Binária Prof. Wylliams Barbosa Santos wylliamss@gmail.com Introdução à Programação Crédito de Conteúdo: Professora Ceça Moraes Agenda Pesquisa Sequencial Noções de complexidade Pesquisa
Leia maisControle de Almoxarifado
Controle de Almoxarifado Introdução O módulo de Controle de Almoxarifado traz as opções para que a empresa efetue os cadastros necessários referentes a ferramentas de almoxarifado, além do controle de
Leia maisOrientação a Objetos
Orientação a Objetos 1. Sobrecarga (Overloading) Os clientes dos bancos costumam consultar periodicamente informações relativas às suas contas. Geralmente, essas informações são obtidas através de extratos.
Leia maisAnálise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO)
Análise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO) Parte: 1 Prof. Cristóvão Cunha Objetivos de aprendizagem
Leia maisCadastro de Franquias. Cadastro de Tipo. Configuração da Exportação
Franquias O módulo Franquias permite que o Franqueador envie cadastros de produtos, serviços e preços para seus Franqueados. Sendo possível também, controlar as movimentações de vendas e estoque dos mesmos.
Leia maisGlobal T126 e GFS), executando para ambos os horários (00Z e 12Z), utilizando
51 Figura 13 - Solicitação e resposta do http. 3.2 Método Para criação da nova metodologia de avaliação, foi utilizado trabalhos escritos por RENARD e CLARKE (1965) que dizem que é possível posicionar
Leia mais4 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 maisRelatório Gerencial. Coordenação de Tecnologia da Informação e Comunicação FUNDEPAG 17/01/2013
2013 Relatório Gerencial Coordenação de Tecnologia da Informação e Comunicação FUNDEPAG 17/01/2013 Sumário 1. Objetivo... 4 2. Seleção dos registros... 4 2.1 Seleção dos executores... 4 2.2 Parâmetros...
Leia maisBackup. Permitir a recuperação de sistemas de arquivo inteiros de uma só vez. Backup é somente uma cópia idêntica de todos os dados do computador?
Backup O backup tem dois objetivos principais: Permitir a recuperação de arquivos individuais é a base do típico pedido de recuperação de arquivo: Um usuário apaga acidentalmente um arquivo e pede que
Leia maisSistema de Informações ao Judiciário. InfoJud. Manual do Usuário
Coordenação-Geral de Tecnologia da Informação Coordenação de Sistemas de Informação Divisão de Sistemas Corporativos Tributários Sistema de Informações ao Judiciário InfoJud Manual do Usuário Página 1
Leia maisProjetos. Universidade Federal do Espírito Santo - UFES. Mestrado em Informática 2004/1. O Projeto. 1. Introdução. 2.
Pg. 1 Universidade Federal do Espírito Santo - UFES Mestrado em Informática 2004/1 Projetos O Projeto O projeto tem um peso maior na sua nota final pois exigirá de você a utilização de diversas informações
Leia maisA lógica de programação ajuda a facilitar o desenvolvimento dos futuros programas que você desenvolverá.
INTRODUÇÃO A lógica de programação é extremamente necessária para as pessoas que queiram trabalhar na área de programação, seja em qualquer linguagem de programação, como por exemplo: Pascal, Visual Basic,
Leia maisConsiderações sobre o Disaster Recovery
Considerações sobre o Disaster Recovery I M P O R T A N T E O backup completo para Disaster Recovery não dispensa o uso de outros tipos de trabalhos de backup para garantir a integridadedo sistema. No
Leia maisBOLETIM INFORMATIVO TÉCNICO Cordilheira Recursos Humanos Versão 2 PLANO DE ASSISTÊNCIA A SAÚDE
BOLETIM INFORMATIVO TÉCNICO Cordilheira Recursos Humanos Versão 2 PLANO DE ASSISTÊNCIA A SAÚDE Criada a rotina de Plano de Assistência a Saúde. Esta rotina irá possibilitar gerar a DIRF com valores descontados
Leia maisPesquisa Sequencial e Binária. Introdução à Programação SI2
Pesquisa Sequencial e Binária Introdução à Programação SI2 3 Contexto Diferentes estratégias para pesquisa (busca) de um elemento específico em um conjunto de dados. Lista, array, coleção Operação importante,
Leia maisReceber intimações: poderão receber intimações em processos eletrônicos nos quais estejam vinculados.
INTRODUÇÃO O tribunal de Justiça de Santa Catarina, em um processo de evolução dos serviços disponíveis no portal e-saj, passa a disponibilizar a peritos, leiloeiros, tradutores e administradores de massas
Leia maisRecuperação 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 maisLogin Integrado (Quiosque / Visão Descentralizada TOTVS 11)
Login Integrado (Quiosque / Visão Descentralizada Produto : Datasul HCM Visão Descentralizada / Quiosque Eletrônico TOTVS 11 Chamado/Requisito : D1180HCM13/2080 Data da criação : 16/07/2014 Data da revisão
Leia maisSISTEMA DE INFORMAÇÕES ACADÊMICAS SIA
SISTEMA DE INFORMAÇÕES ACADÊMICAS SIA Abaixo constam trechos retirados do Manual do Usuário do SIA Sistema de Informações Acadêmicas. A autoria das informações é da equipe do SIA. SISTEMA DE INFORMAÇÕES
Leia maisCATÁLOGO DE APLICAÇÕES Atualização de Preços de Tabela de Venda
CATÁLOGO DE APLICAÇÕES Atualização de Preços de Tabela de Venda Objetivo do projeto O projeto de atualização de preços de tabela de venda tem por objetivo permitir que a manutenção de preços de tabela
Leia mais5 Extraindo listas de produtos em sites de comércio eletrônico
5 Extraindo listas de produtos em sites de comércio eletrônico Existem diversos trabalhos direcionadas à detecção de listas e tabelas na literatura como (Liu et. al., 2003, Tengli et. al., 2004, Krüpl
Leia maisArquitetura de Rede de Computadores
TCP/IP Roteamento Arquitetura de Rede de Prof. Pedro Neto Aracaju Sergipe - 2011 Ementa da Disciplina 4. Roteamento i. Máscara de Rede ii. Sub-Redes iii. Números Binários e Máscara de Sub-Rede iv. O Roteador
Leia maisPráticas de Marketing relacionadas com o sucesso no lançamento de novos produtos
Práticas de Marketing relacionadas com o sucesso no lançamento de novos produtos Revista de Administração, v. 18, n. 1, Janeiro/Março 1983, p. 44 a 51 Fauze Najib Mattar Entre os vários fatores internos
Leia maisFEDERAÇÃO PORTUGUESA DE GOLFE COMISSÃO DE HANDICAPS E COURSE RATING
REVISÃO ANUAL 2008 O Sistema de Handicaps EGA, para além dos ajustes automáticos efectuados ao handicap do jogador após cada volta válida prevê dois elementos fundamentais de intervenção por parte das
Leia maisQUESTÃO 2: A respeito do diagrama de caso de uso apresentado, assinale a alternativa correta.
CURSO DE TECNOLOGIA EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS TURMA 2008/1 4º PERÍODO 7º MÓDULO AVALIAÇÃO A4 DATA 22/10/2009 ENGENHARIA DE SOFTWARE 2009/2 GABARITO COMENTADO QUESTÃO 1: Podemos definir UML
Leia maisNorma para Registro de Projetos de Pesquisa - UNIFEI-
Norma para Registro de Projetos de Pesquisa - UNIFEI- Página 1 / 8 TÍTULO I Das definições Art. 1º - Projeto de Pesquisa constitui-se em um conjunto de ações que geram conhecimento científico e/ou tecnológico,
Leia maisEsclarecimentos. Relatório de Apuração de ICMS do sistema Avance Retguarda
Esclarecimentos Relatório de Apuração de ICMS do sistema Avance Retguarda Afim de sanar as dúvidas mais frequentes e possíveis diferenças de valores ou informações no relatório de Apuração de ICMS do sistema
Leia maisEngenharia de Software III
Engenharia de Software III Casos de uso http://dl.dropbox.com/u/3025380/es3/aula6.pdf (flavio.ceci@unisul.br) 09/09/2010 O que são casos de uso? Um caso de uso procura documentar as ações necessárias,
Leia maisSECRETARIA DE ESTADO DA EDUCAÇÃO SUPERINTENDÊNCIA DE EDUCAÇÃO DIRETORIA DE TECNOLOGIA EDUCACIONAL PORTAL DIA A DIA EDUCAÇÃO Natel Marcos Ferreira
SECRETARIA DE ESTADO DA EDUCAÇÃO SUPERINTENDÊNCIA DE EDUCAÇÃO DIRETORIA DE TECNOLOGIA EDUCACIONAL PORTAL DIA A DIA EDUCAÇÃO Natel Marcos Ferreira Movimento 1. Nível de ensino: Ensino Médio 2. Conteúdo
Leia mais