Recomendação Personalizada de Notícias para Usuários da Web Móvel
|
|
- Ilda Machado Beppler
- 7 Há anos
- Visualizações:
Transcrição
1 Recomendação Personalizada de Notícias para Usuários da Web Móvel Renato Crivano 1,2, Carlos Eduardo R. de Mello 1, Luciano Renovato de Albuquerque 2, Fabrício Raphael Silva Ferreira 1, Olivério Costa Fernandes 1, Rodrigo Mesquita de Abreu 1, Geraldo Zimbrão 1 1 Programa de Engenharia de Sistemas e Computação Universidade Federal de Rio de Janeiro COPPE/UFRJ Caixa Postal Rio de Janeiro RJ Brasil 2 Hands Av. Nilo Peçanha, 50/1301 Centro Rio de Janeiro RJ Brasil renato@cos.ufrj.br, carlosmello@cos.ufrj.br, luciano@hands.com.br, fabriciorsf@cos.ufrj.br, oliverio@cos.ufrj.br, rodmabreu@cos.ufrj.br, zimbrao@cos.ufrj.br Abstract. This paper presents a proposal for news recommendation to mobile web users, based on the clustering data mining technique. On our approach, groups of users are identified after the news access logs and the news categorizations. Besides, we discuss strategies to define the ideal number of clusters and the use of the classification data mining technique to help understanding the meaning of the identified groups. Resumo. Este artigo apresenta uma proposta de recomendação de notícias para usuários da web móvel baseada na técnica de mineração de dados conhecida como agrupamento. Na abordagem utilizada são formados grupos de usuários a partir do histórico de visualizações de notícias e suas categorizações em editorias. Além disso, discutimos questões relativas à definição do número ideal de grupos e ao uso da técnica de classificação de mineração de dados para auxiliar a compreensão do significado dos grupos identificados. 1. Introdução O uso da Web por meio de dispositivos móveis tem crescido muito ultimamente. A redução dos custos de acesso a esses aparelhos e a sua popularização remetem a um aumento ainda maior. No entanto, o tempo de latência da rede, o pequeno tamanho da tela dos aparelhos e as limitações de interface com o usuário fazem com que a navegação Web nesses dispositivos seja muito mais custosa do que nos computadores pessoais. Isto acaba desestimulando seu uso e, conseqüentemente, reduzindo o tamanho deste mercado. Uma forma de melhor prover conteúdo para esses usuários consiste na personalização da oferta, entregando para cada pessoa um conteúdo perfeitamente adaptado aos seus interesses. Neste artigo, apresentamos um estudo de caso realizado na empresa Hands ( Neste foram utilizadas técnicas de agrupamento para identificar automaticamente grupos de usuários de um portal móvel de acordo com
2 seus interesses por categorias de notícias. Para isso, o perfil de interesse de cada usuário foi construído a partir do histórico de visitação de notícias. 2. Trabalhos Relacionados Técnicas como as propostas por C. Aggarwal e P. S. Yu (2002), que tratam da recomendação de notícias por meio de mineração de textos, podem produzir resultados interessantes, entretanto, são de difícil implementação. Outras propostas, como as apresentadas em C. Shahabi et al (1997), trabalham apenas com os rastros de navegação (urls) e, conseqüentemente, não se beneficiam da estrutura típica das notícias (publicação, editoria, título e corpo). 3. Proposta de Solução A abordagem proposta consiste em recomendar para um usuário as notícias mais vistas recentemente pelos demais usuários do mesmo grupo de interesses. Desta forma, cada usuário, ao navegar pelo portal, está contribuindo para a recomendação de notícias para os demais. Por exemplo, pode ser oferecida para um usuário a lista das dez notícias mais acessadas por usuários com interesses semelhantes, nas últimas 24 horas. Para determinar os grupos de usuários acima referenciados, optamos por utilizar o algoritmo de agrupamento de particionamento K-means em Macqueen, J. (1967), por sua ampla literatura, confiabilidade, rápida convergência e tendência a encontrar grupos esféricos. Outros algoritmos de agrupamento de particionamento ou mesmo hierárquicos poderiam ser utilizados. 4. Experimento 4.1. Análise dos Dados Trabalhamos com notícias distribuídas em 151 editorias diferentes que foram alvo de visualizações realizadas por usuários distintos. Uma editoria consiste no nome de uma seção de uma publicação, na qual as notícias são posicionadas por assunto, i.e., esportes, economia etc Pré-processamento Como queremos identificar grupos de usuários com perfis de interesse semelhantes, optamos por utilizar apenas a editoria no processo de agrupamento. Testes iniciais demonstraram que um grande número de dimensões prejudica os resultados encontrados pelo algoritmo de agrupamento. Isto é, os grupos identificados não são bem definidos, sendo estes de difícil classificação por causa da grande dispersão de seus dados em todas as dimensões. Portanto, optamos por definir um conjunto reduzido de categorias de notícias, mapeando nestas as editorias existentes. Posteriormente, agrupamos os dados por usuário, gerando uma tabela com uma coluna para o código do usuário e colunas para o número de notícias lidas em cada uma das categorias existentes.
3 Dessa forma, criamos um espaço multidimensional em que cada usuário passou a ser representado por um vetor de interesses (Tabela 1). Dois usuários com interesses semelhantes seriam representados por vetores com sentidos próximos. Tabela 1. Exemplo de vetores representativos do interesse dos usuários Identificador Agricultura Arte e Lazer Carro e Moto Ciência Economia u u u u Esportes Informática Internacional Nacional Publicidade Religião Uma vez que o objetivo do trabalho é gerar um agrupamento para os usuários freqüentes, excluímos todos os usuários que, no período de tempo analisado, acessaram menos de cinco notícias. Com isso, reduzimos muito o número de usuários, mas mantivemos os usuários fiéis ao serviço e reduzimos o número de outliers, o que facilitou a execução do método de agrupamento. Além disso, optamos por desprezar as categorias que foram visualizadas por menos de 10% dos usuários. Conseqüentemente, passamos a trabalhar apenas com sete categorias: Carro e Moto, Ciência, Economia, Esportes, Informática, Internacional e Nacional. Por consideramos que o importante é a proporção de interesses e não a quantidade de notícias acessadas, os vetores de interesse foram normalizados, por meio da divisão de cada vetor por seu módulo. Após o pré-processamento, ficamos com uma tabela de 447 registros, cada um representando um usuário e seu vetor unitário de interesses Execução do Método de Agrupamento Aplicamos o algoritmo K-Means de agrupamento nos vetores de interesse, obtidos após o pré-processamento. Para avaliar o grau de similaridade entre os usuários, utilizamos a distância euclidiana entre os pontos definidos por cada vetor de interesse. Para estimar o número de clusters, o algoritmo foi executado repetidas vezes com o número de grupos, k, variando entre 3 e 15 e foi calculada a soma quadrática dos erros dentro de cada grupo. Para diminuir a distorção causada pela obtenção de mínimos locais diferentes dependendo da escolha dos k-centróides iniciais, foram realizados testes com cinqüenta sementes aleatórias diferentes para cada valor de k. Os dados obtidos são apresentados na Figura 1. Nesta, observamos uma queda acentuada na dispersão dos erros quadráticos quando passamos de k=9 para k=10. Portanto, considerando as condições de contorno impostas pelo problema em si e os resultados das quedas dos desvios, optamos por
4 utilizar k=10 para a quantidade de grupos em que os usuários estão mais bem distribuídos. Figura 1. Somas quadráticas dos erros com diferentes sementes aleatórias Selecionamos a semente aleatória que produziu a menor soma quadrática de erros e a reintroduzimos no algoritmo para fazer a identificação final dos grupos, que pode ser vista na Figura 2. A Figura 3 detalha o maior grupo identificado, exibindo boxplots paralelos da projeção em cada uma das categorias dos vetores de interesse dos seus usuários. Como pode ser observado, os membros desse grupo têm forte predileção por notícias de informática. Figura 2. Identificação dos dez grupos de interesses
5 Figura 3. Boxplot do primeiro dos dez grupos identificados 4.4. Execução do Método de Classificação Com o intuito de rotular os grupos identificados, executamos o método de classificação RIPPER, proposto por William W. Cohen (2005). Alimentamos o RIPPER com os vetores unitários representantes de cada usuário e, como classe, o número do grupo produzido anteriormente pelo K-Means. Observamos que a qualidade do agrupamento é diretamente refletida na baixa complexidade das regras de classificação produzidas pelo RIPPER. Com os parâmetros utilizados no pré-processamento e nos agrupamentos descritos anteriormente, regras de classificação bastante simples foram obtidas. No Quadro 1, cada regra encontrada é representada por uma ou mais condições, pelo grupo indicado e pelo número de usuários apropriados correta e incorretamente. (Ciência >= ) => Cluster=c4 (12.0/2.0) (Internacional >= ) => Cluster=c1 (15.0/0.0) (Carro e Moto >= ) => Cluster=c8 (17.0/0.0) (Economia >= ) and (Informática >= ) => Cluster=c3 (26.0/4.0) (Esportes >= ) and (Informática >= ) and (Economia >= ) => Cluster=c3 (3.0/0.0) (Informática >= ) and (Nacional >= ) and (Informática <= ) => Cluster=c6 (34.0/1.0) (Economia >= ) and (Nacional >= ) => Cluster=c5 (44.0/4.0) (Esportes >= ) => Cluster=c0 (44.0/0.0) (Economia >= ) => Cluster=c2 (57.0/0.0) (Informática <= ) => Cluster=c7 (76.0/0.0) => Cluster=c9 (119.0/1.0) Quadro 1. Regras produzidas pelo algoritmo RIPPER
6 5 Considerações Finais A aplicação do algoritmo K-Means para agrupar usuários em função de seus interesses por categorias de notícias mostrou-se perfeitamente factível no portal de notícias. Com certeza, técnicas semelhantes poderão ser empregadas em outros tópicos de conteúdo, como filmes de cinema, restaurantes, shows etc. para identificar interesses de usuários e viabilizar melhores sugestões também para conteúdos não noticiosos. Trabalhos futuros podem explorar o agrupamento com outras medidas de distância e avaliar outros métodos de classificação. Uma contribuição importante deste trabalho consistiu em sugerir uma nova abordagem para definir a quantidade k de clusters para o método K-Means. Como pôde ser observado anteriormente, as somas quadráticas dos erros variam bastante em função da semente aleatória. Sendo assim, uma tentativa de estimar a quantidade de grupos sem considerar um número razoável de sementes poderia ter incorrido em erro. A solução proposta foi considerada adequada pela diretoria da empresa Hands que já está providenciando sua inclusão no portal. Futuramente, um estudo para avaliar o impacto da recomendação personalizada na fidelidade de seus usuários será realizado na empresa. Referências Aggarwal, C., e Yu, P. S. (2002). An Automated System for Web Portal Personalization. Disponível em: Cohen, William W. (1995). Fast Effective Rule Induction, In Twelfth International Conference on Machine Learning, pp Macqueen, J. (1967). "Some methods for classification and analysis of multivariate observations", In Proc. 5th Berkeley Symp. Math. Statist. Prob., v. 1, pp , Berkeley. Shahabi, C. A., Zarkesh, M., Adibi, J. e Shah, V. (1997). Knowledge discovery from users web-page navigation. IEEE RIDE'97.
Organização. 1. Introdução 2. Medidas de Similaridade. hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters
Organização. Introdução 2. Medidas de Similaridade 3. Métodos de Agrupamento (métodos hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters Métodos de Partição Cada exemplo
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Tipos de Aprendizagem. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Tipos de Aprendizagem Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir diferentes tipos de
Leia maisAprendizado de Máquinas. Introdução à Aprendizado Não- Supervisionado
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Introdução à Aprendizado Não- Supervisionado David Menotti, Ph.D. http://web.inf.ufpr.br/menotti Objetivos
Leia maisREVISITANDO CONJUNTOS E DISTÂNCIAS PARA ENCONTRAR PONTOS VIZINHOS
REVISITANDO CONJUNTOS E DISTÂNCIAS PARA ENCONTRAR PONTOS VIZINHOS Eduardo Braun - eduardotbraun@gmail.com Universidade Federal de Santa Maria, Campus Camobi, 97105-900 - Santa Maria, RS, Brasil Alice de
Leia maisClustering: k-means e Agglomerative
Tópicos Avançados em Avaliação de Desempenho de Sistemas Jackson Nunes Marco Eugênio Araújo Outubro de 2014 1 Sumário Contextualização Classificação Agrupamento (Clustering) Cenários de Aplicação Clustering
Leia maisDescoberta de conhecimento em textos - Análise semântica. Diogo Cardoso Eduardo Camilo Inácio Eduardo Monteiro Dellandréa Guilherme Gomes
Descoberta de conhecimento em textos - Análise semântica Diogo Cardoso Eduardo Camilo Inácio Eduardo Monteiro Dellandréa Guilherme Gomes Introdução Diversidade de textos não padronizados; Emails, artigos,
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular WEKA Tópicos Introdução Simuladores de MD Principais módulos André C. P. L. F. de Carvalho Monitor: Váléria Carvalho André Ponce de Leon de Carvalho 2 Usando MD
Leia mais2COP229 Inteligência Computacional. Aula 3. Clusterização.
Aula 3 Clusterização Sumário (Clusterização) - Introdução - Aprendizado Não Supervisionado - Aprendizado Supervisionado - Introdução: Clusterização - Etapas para o processo de Clusterização - Distância
Leia maisAprendizagem de Máquina
Problema do Agrupamento Aprendizagem de Máquina Alessandro L. Koerich Seja x = (x 1, x 2,, x d ) um vetor d dimensional de características Seja D um conjunto de x vetores, D = { x(1), x(2),, x(n) } Problema
Leia maispartir da navegação de usuários em sites Web
Criação de regras de associação a partir da navegação de usuários em sites Web Fabrício J. Barth Faculdades BandTec e VAGAS Tecnologia Junho de 2013 Processo de mineração de padrões na Web Pré processamento
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Aprendizado não-supervisionado Formação de agrupamentos Aprendizado Não-Supervisionado Classificação supervisionada: discriminar padrões com base num modelo pré-definido de classes.
Leia maisUso da Rede Neural Artificial Self Organizing Maps (SOM) na clusterização de dados meteorológicos
Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014. Uso da Rede Neural Artificial Self Organizing Maps (SOM) na clusterização de dados meteorológicos Jorge V. R. Bonato, Paulo H. Siqueira Programa de
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 13 Algoritmo k-means Clusterização Max Pereira Algoritmo k-means 1. Para um determinado cluster de dados C precisamos calcular sua média m k : m k i i: C(
Leia maisEstudo Comparativo de Estratégias de Classificação de Páginas Web
Thoran Araguez Rodrigues Estudo Comparativo de Estratégias de Classificação de Páginas Web Dissertação de Mestrado Dissertação apresentada ao Programa de Pós-Graduação em Informática da Pontifícia Universidade
Leia maisIntegração de Mineração de Dados com SGBD Detecção de Agrupamentos
Integração de Mineração de Dados com SGBD Detecção de Agrupamentos Centro de Matemática Computação e Cognição-UFABC Jéssica Andressa de Souza Pós-Graduação em Ciência da Computação Sistemas de Banco de
Leia maisTópicos Avançados em IA. Prof. Eduardo R. Hruschka
Tópicos Avançados em IA Prof. Eduardo R. Hruschka Créditos Este material consiste de adaptações dos originais: Elaborados por Eduardo Hruschka e Ricardo Campello de (Tan et al., 2006) de E. Keogh (SBBD
Leia maisPROCESSAMENTO DE TEXTO
PROCESSAMENTO DE TEXTO (TEXT MINING) Jorge Teixeira IART 2014/2015 SAPO LABS ( http://labs.sapo.pt ) AGENDA (Enquadramento na UC de Inteligência Artificial - IART) Parte 1: Introdução à Linguagem Natural
Leia maisAlgoritmo CLIQUE (Clustering In QUEst)
Algoritmo CLIQUE (Clustering In QUEst) Marcelo Camacho de Souza Nº USP: 3199616 Roteiro Algoritmo CLIQUE Exemplo Prático Complexidade Computacional Vantagens e Desvantagens Autores (IBM Almaden Research
Leia maisDescoberta de Conhecimento em Bancos de Dados - KDD
Descoberta de Conhecimento em Bancos de Dados - KDD Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Fases do processo 3. Exemplo do DMC 4. Avaliação
Leia maisSistemas de Recomendação Uma abordagem geral
Sistemas de Recomendação Uma abordagem geral Universidade Estadual de Maringá Departamento de Informática Programa de Pós-Graduação Mestrado em Ciência da Computação Disciplina: Seminários II Aluna: Késsia
Leia maisSumário. Trabalho que foi desenvolvido. Introdução
Proposta de um sistema de Classificação de Notícias utilizando técnicas de Aprendizagem de Máquina integrado com o ClippingBr Bruno Campagnolo de Paula PROJETO FINAL DA DISCIPLINA DE MACHINE LEARNING Mestrado
Leia maisinformação enviada (ex. Facebook) ou que a rede social utilize essa informação para sugerir locais de interesse próximos ao usuário (ex. Foursquare).
1 Introdução 1.1 Contextualização Recentemente, tem-se percebido um movimento de integração de comunidades físicas e comunidades virtuais. As pessoas utilizam cada vez mais a Internet para se comunicar
Leia maisIdentificação de Pontos Perceptualmente Importantes (PIP) em séries temporais de tópicos extraídos de dados textuais
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Ciências de Computação - ICMC/SCC Comunicações em Eventos - ICMC/SCC 2015 Identificação de Pontos Perceptualmente
Leia maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Apresentação do Curso Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008 C. H. Q. Forster
Leia maisRedes Neurais não Supervisionadas: SOM
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais não Supervisionadas: SOM DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
Leia mais1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador
1 Introdução 1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador possa resolver problemas de forma automática
Leia maisTópicos em Mineração de Dados
Tópicos em Mineração de Dados Descoberta de agrupamentos Método k-médias 1. Introdução A descoberta de agrupamentos é uma tarefa descritiva que procura agrupar dados utilizando a similaridade dos valores
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 7 Reconhecimento de Objetos
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 7 Reconhecimento de Objetos Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia mais62% perfil 48% 52% 26% 46% gênero. mais ativa 33% 28% 21% 12% 6% do público que acessa internet em Fortaleza ( )
perfil do público que acessa internet em Fortaleza (1.744.000) 62% da população de Fortaleza acessou à internet nos últimos 30 dias faixa etária mais ativa 33% 28% 21% 12% 6% 10-19 20-29 30-39 40-49 50
Leia maisInteligência nos Negócios (Business Inteligente)
Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7) Fundamentação da disciplina Analise de dados Decisões
Leia maisAula 6 Mineração Streams Representação dos Dados. Profa. Elaine Faria UFU
Aula 6 Mineração Streams Representação dos Dados Profa. Elaine Faria UFU - 2017 Agradecimentos Este material é baseado No livro Tan et al, 2006 Nos slides do prof. Andre C. P. L. F. Carvalho Agradecimentos
Leia maisAutor(es) HARLEI MIGUEL DE ARRUDA LEITE. Orientador(es) MARINA TERESA PIRES VIEIRA. Apoio Financeiro PIBIC/CNPQ. 1. Introdução
19 Congresso de Iniciação Científica IMPLEMENTAÇÃO DE GUIAS E ALGORITMOS PARA REGRAS DE ASSOCIAÇÃO MULTIRELACIONAL NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA Autor(es) HARLEI MIGUEL DE ARRUDA LEITE Orientador(es)
Leia maisINTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
Leia maisThe Controller Placement Problem in Software Defined Networking: A Survey. Seminário de Sistemas em Rede Alexander Decker de Sousa
The Controller Placement Problem in Software Defined Networking: A Survey Seminário de Sistemas em Rede Alexander Decker de Sousa Sobre o paper A primeira metade é um survey sobre o problema do posicionamento
Leia maisAULA: Introdução à Informática I
Campus Muriaé Professor: Luciano Gonçalves Moreir Disciplina: Informática Aplicada I AULA: Introdução à Informática I O que é Informática? Pode dizer-se que informática é ciência que estuda o processamento
Leia maisSBC - Sistemas Baseados em Conhecimento
Siglas, Símbolos, Abreviaturas DW - Data Warehouse KDD Knowledge Discovery in Database MD Mineração de Dados OLAP - On-line analytical processing SBC - Sistemas Baseados em Conhecimento 1. INTRODUÇÃO O
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo k-nearest Neighbors (knn) Como os filmes são categorizados em gêneros? O que
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisFigura 16 Niagara - Visão de grupos de notas.
Conclusão 6 Conclusão 6.1 Trabalhos Relacionados Dentre as funcionalidades fornecidas pela interface gerada pelo framework, em destaque está a possibilidade do zoom livre. Disponibilizar esta funcionalidade
Leia maisProjected Clustering Algorithm
Projected Clustering Algorithm Emanuel Matos 5560105 Disciplina : Análise de Agrupamentos Prof. Dr. Ricardo Campello Dez/2010 View Problema Objetivo Definições/Premissas Algoritmo Acurácia Escalabilidade
Leia maisUniversidade Católica Dom Bosco
Universidade Católica Dom Bosco Centro de Ciências Exatas e Tecnológicas Curso de Engenharia de Computação Segmentação e Reconhecimento Baseado em Textura: Técnicas e Ferramentas Wagner Beloti Leal Prof.
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisUma Nova Forma de Calcular o Centro dos Clusters no Algoritmo Fuzzy C-Means
Uma Nova Forma de Calcular o Centro dos Clusters no Algoritmo Fuzzy C-Means Rogério R. de Vargas, Benjamín R. C. Bedregal, Departamento de Matemática Aplicada e Informática, DIMAp, UFRN 59072-970, Natal,
Leia maisTÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO DE UM SER HUMANO
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO
Leia maisInteligência nos Negócios (Business Inteligente)
Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 7) Fundamentação da disciplina Analise de dados Decisões
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisMineração de Textos na Web
Mineração de Textos na Web Luciano Antonio Digiampietri Escola de Artes Ciências e Humanidades da Universidade de São Paulo digiampietri@usp.br Resumo: Com o crescimento das informações disponíveis na
Leia maisCLARA. Resumo. Introdução. Artigo de Referência [1] Introdução PAM. Modelagem como grafo CLARANS. Comparação de eficiência Conclusão
Resumo CLARANS Diego Raphael Amancio Introdução PAM CLARA CLARANS Comparação de eficiência Conclusão 2 Artigo de Referência [1] Introdução Imagem do artigo original entitulado Efficient and Effective Clustering
Leia maisSistemas de Recomendação o que, quando, onde, como você quer, e nem sabia
Comprar livros nos antigamente Sistemas de Recomendação o que, quando, onde, como você quer, e nem sabia Insubstituível Comprar música nos antigamente Ler notícia nos antigamente Encontrar lugares Compra
Leia maisMineração de Dados. Modelos Descritivos. Descoberta de agrupamentos
Mineração de Dados Descoberta de agrupamentos Modelos Descritivos tarefa de geração de um modelo descritivo consiste (em grande parte) em analisar os dados do domínio (entradas) e sugerir uma partição
Leia maisMINERAÇÃO DE DADOS. Thiago Marzagão CLUSTERIZAÇÃO. Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 1 / 9
MINERAÇÃO DE DADOS Thiago Marzagão marzagao.1@osu.edu CLUSTERIZAÇÃO Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 1 / 9 regressão/classificação vs clusterização Regressão/classificação: temos x 1, x 2,...,
Leia maisTécnicas de recuperação de informação: filtragem, agrupamento
Técnicas de recuperação de informação: filtragem, agrupamento 1 Nome usado para descrever uma variedade de processos envolvendo a entrega de informação para pessoas que precisam dela; Compreende um método
Leia maisPÓS-GRADUAÇÃO ANÁLISE DE DATA MINING
PÓS-GRADUAÇÃO ANÁLISE DE DATA MINING OBJETIVOS Na era da informação, as empresas capturam e armazenam muitos dados, e existe a real necessidade da aplicação de técnicas adequadas para a rápida tomada de
Leia maisProf. Dr. Lucas Barboza Sarno da Silva
Prof. Dr. Lucas Barboza Sarno da Silva Medidas de grandezas físicas Valor numérico e sua incerteza, unidades apropriadas Exemplos: - Velocidade (10,02 0,04) m/s - Tempo (2,003 0,001) µs - Temperatura (273,3
Leia maisProcessamento De Imagem. Descritores de Cor
Processamento De Imagem Descritores de Cor Cores Uma das propriedades mais importantes para visão humana. Muito usada em sistemas de recuperação de imagens, CBIRs. Taxonomia Global A informação de cor
Leia maisImplementação de Kernel Customizado Aplicado à Análise de Sentimentos em Resenhas de Filmes
Implementação de Kernel Customizado Aplicado à Análise de Sentimentos em Resenhas de Filmes Luciana Kayo e Paulo Mei Prof. Dr. Marco Dimas Gubitoso Introdução Inspiração na competição When Bag of Words
Leia maisCRIAÇÃO DE UM APLICATIVO DA USESKILL PARA O AMBIENTE MOBILE
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DO PIAUÍ PRÓ-REITORIA DE PESQUISA- PROPESQ COORDENAÇÃO DE INOVAÇÃO TECNOLÓGICA CITEC Programa Institucional de Bolsa em Desenvolvimento Tecnológico e Inovação
Leia maisK-MEANS COM ÁRVORES KD
2 Roteiro K-MEANS COM ÁRVORES KD Rodrigo Coelho Barros Árvores KD O que são? Algoritmo de Bentley (1975) Métodos de divisão K-Means com árvores KD Algoritmo de filtragem (Kanungo et al., 2002) Exemplo
Leia maisInformática Parte 19 Prof. Márcio Hunecke
Escriturário Informática Parte 19 Prof. Márcio Hunecke Informática NOÇÕES DE ALGORITMOS DE APRENDIZADO O aprendizado automático, aprendizado de máquina (em inglês: "machine learning") ou aprendizagem
Leia maisInteração nas aplicações Web em dispositivos móveis: Questões de acesso e usabilidade
Interação nas aplicações Web em dispositivos móveis: Questões de acesso e usabilidade Humberto Lidio Antonelli * Orientadora: Profa. Dra. Renata Pontin de Mattos Fortes Instituto de Ciências Matemáticas
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Leia maisUm Método para Melhoria de Dados Estruturados de Imóveis
Universidade Federal de Pernambuco Centro de Informática Graduação em Ciência da Computação Um Método para Melhoria de Dados Estruturados de Imóveis Lucas Nunes de Souza Proposta de Trabalho de Graduação
Leia maisPrograma do Curso. Transformação de Dados. Sistemas Inteligentes Aplicados. Carlos Hall. Discretização de Variáveis Contínuas
Sistemas Inteligentes Aplicados Carlos Hall Programa do Curso Limpeza/Integração de Dados Transformação de Dados Discretização de Variáveis Contínuas Transformação de Variáveis Discretas em Contínuas Transformação
Leia maisMINISTÉRIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO PROFISSIONAL E TECNOLÓGICA INSTITUTO FEDERAL DO NORTE DE MINAS GERAIS CAMPUS MONTES CLAROS 1 PERÍODO
6.4 Matriz Curricular do Curso de Ciência da Computação 6.4.1 Componentes curriculares obrigatórios 1 PERÍODO Teórica Prática Hora-aula Horas Cálculo I 6 2 8 144 120 - Geometria Analítica e Vetores - Dados
Leia maisAutomação do tráfego de veículos: sistema de busca de caminho de menor custo entre dois pontos
Automação do tráfego de veículos: sistema de busca de caminho de menor custo entre dois pontos Richard Beyer Schroeder Orientador: Aurélio Faustino Hoppe 01/2012 SUMÁRIO 1. Motivação 2. Trabalhos relacionados
Leia maisBruno de Figueiredo Melo e Souza. Modelos de fatoração matricial para recomendação de vídeos. Dissertação de Mestrado
Bruno de Figueiredo Melo e Souza Modelos de fatoração matricial para recomendação de vídeos Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do grau de Mestre pelo Programa
Leia maisAPLICAÇÃO DE ALGORITMO DE APRENDIZAGEM DE MÁQUINA NÃO-SUPERVISIONADO PARA CLASSIFICAÇÃO DE USUÁRIOS NA REDE SOCIAL ACADÊMICA SCIENTIA.
APLICAÇÃO DE ALGORITMO DE APRENDIZAGEM DE MÁQUINA NÃO-SUPERVISIONADO PARA CLASSIFICAÇÃO DE USUÁRIOS NA REDE SOCIAL ACADÊMICA SCIENTIA.NET Heloína Alves Arnaldo (bolsista do PIBIC/UFPI), Vinicius Ponte
Leia maisAgrupamento de dados. Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral
Agrupamento de dados Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral Dados e grafos Se temos dados x i, i 0... n, criamos
Leia maisClassificação e Análise de Desempenho de Fundos
Universidade De São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC0499 - Trabalho de Formatura Supervisionado Classificação e Análise de Desempenho de Fundos Aluno:
Leia maisNews Clipping. Como calcular ângulos entre notícias pode ajudar na prevenção à lavagem de dinheiro. Willian Gigliotti
News Clipping Como calcular ângulos entre notícias pode ajudar na prevenção à lavagem de dinheiro Willian Gigliotti wgigliotti@gmail.com Departamento de Ciências da Computação Instituto de Matemática e
Leia maisIntrodução Ferramentas Unix MapReduce Outras Ferramentas. Batch Processing. Fabiola Santore. Universidade Federal do Paraná
Fabiola Santore Universidade Federal do Paraná Sumário 1. Introdução 2. Ferramentas Unix 2.1 Análise de log 2.2 Filosofia Unix 3. MapReduce 3.1 Procedimento 3.2 Reduce: Joins e Agrupamento 3.3 Análise
Leia maisReconhecimento de Faces com PCA e Redes Neurais
Reconhecimento de Faces com Sandro Santos Andrade Programa de Pós-graduação em Mecatrônica Setembro / 2003 Visão Computacional Computacional Computação Computação Visual Computação Computação Gráfica Introdução
Leia mais3 Similaridade e tamanho da seqüência de consulta no BLAST
3 Similaridade e tamanho da seqüência de consulta no BLAST Quando se planeja construir aplicativos que utilizam um agrupamento de computadores no intuito de paralelizar ou distribuir processamento, se
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisPontifícia Universidade Católica do Rio de Janeiro. Departamento de Informática. Fundamentos de Computação Gráfica
1. Imagens sísmicas Pontifícia Universidade Católica do Rio de Janeiro Departamento de Informática Fundamentos de Computação Gráfica Aluno: Stelmo Magalhães Barros Netto Relatório do trabalho Imagens Sísmicas
Leia mais!"$# %$'& (#) *+! *,$ -) -#.+/ &$0 $"$# 1 ' #$4!*.+5 #76$8 8'9
!"$# %$'& (#) *+! *,$ -) -#.+/ &$0 $"$# 1 ' 2 +3 2#$4!*.+5 #76$8 8'9 :?
Leia maisOutliers Detecção de Anomalias AULA DATA MINING
Outliers Detecção de Anomalias AULA DATA MINING Motivação/Caso unidimensional Bill Gates ganha $500 milhões por ano. Ele está numa sala com 9 professores, 4 que recebem $40k/ano, 3 ganham $45k/ano, e 2
Leia maisA Anatomia de um Programa SAS
Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Seção Técnica de Informática A Anatomia de um Programa SAS Fundamentos Piracicaba / 2016 2 A Anatomia de um Programa SAS A Anatomia
Leia maisPalavras-chave: distribuição de energia elétrica; fluxo de potência; regulador de tensão.
Desenvolvimento e Modelagem de Regulador de Tensão para Fluxo de Potência em Redes de Distribuição de Energia Elétrica Rodrigo Mendonça de CARVALHO; Antônio Cesar Baleeiro ALVES Escola de Engenharia Elétrica
Leia maisReconhecimento Ótico de Caracteres em Placas Veiculares
Universidade Federal De Pernambuco Centro De Informática Graduação Em Engenharia Da Computação 2012.2 Reconhecimento Ótico de Caracteres em Placas Veiculares Proposta de Trabalho de Graduação Aluno Pedro
Leia maisProcesso de Descoberta de Conhecimento aplicado ao SIGAA UFPI
Processo de Descoberta de Conhecimento aplicado ao SIGAA UFPI Francisco N. C. de Araújo 1, Vinicius P. Machado 1 1 Departamento de Ciência da Computação Universidade Federal do Piauí (UFPI) Teresina, PI
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto O processo de descoberta do conhecimento - KDD Roteiro Introdução Definição Etapas Desafios
Leia maisAluno: Daniel Ribeiro Trindade Orientador: Alberto Barbosa Rapaso
Aluno: Daniel Ribeiro Trindade Orientador: Alberto Barbosa Rapaso 1 o Novas tecnologias possibilitam a criação de ambientes virtuais 3D cada vez maiores. o Ambientes Multiescalas: a informação pode existir
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia mais3 Trabalhos Relacionados
Trabalhos Relacionados 31 3 Trabalhos Relacionados Nesta seção, são descritos alguns trabalhos relacionados, a relação entre eles e o trabalho proposto, além da relação com os desafios mencionados na subseção
Leia maisAvaliação de IHC. Aula 07 25/03/2013. INF1403 Introdução a IHC. Profa. Luciana Salgado
1 Avaliação de IHC Aula 07 25/03/2013 2 Roteiro da Aula Framework DECIDE Paradigmas e técnicas para avaliação de IHC Avaliação Baseada em Modelos Conceituais I - Engenharia Cognitiva 3 O framework DECIDE
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO Aluno: Larissa Lages de Oliveira (llo@cin.ufpe.br) Orientador: Daniel Carvalho da Cunha (dcunha@cin.ufpe.br)
Leia maisIntrodução à Informática
Introdução à Informática Aula 3 http://www.ic.uff.br/~bianca/introinfo/ Aula 3-12/09/2007 1 Objetivo da disciplina O objetivo dessa disciplina é dar ao aluno noções básicas de computação. Serão apresentados
Leia maisSketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010])
Sketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010]) Marco Antonio de A. Silva Programa de Pós-Graduação em Ciência da Computação - PPGCC Departamento de Computação - DECOM Universidade
Leia maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Leia maisUm Estudo sobre Técnicas de Aprendizado de Máquina aplicadas à Mineração de Dados
Um Estudo sobre Técnicas de Aprendizado de Máquina aplicadas à Mineração de Dados Maicon de Brito do Amarante 1, Denise Regina Pechmann 1 1 Departamento de Engenharias e Ciência da Computação Universidade
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia maisPROPOSTA DE INTERFACE GRÁFICA PARA CONTROLAR REMOTAMENTE A PLATAFORMA DE TESTE DE BATERIAS 1
PROPOSTA DE INTERFACE GRÁFICA PARA CONTROLAR REMOTAMENTE A PLATAFORMA DE TESTE DE BATERIAS 1 Sandy Tondolo De Miranda 2, Paulo Sérgio Sausen 3, Luis Fernando Sauthier 4, Guilherme Fabrin Franco 5. 1 Pesquisa
Leia maisProfissinais que desejam adquirir ou aprimorar seus conhecimentos em modelagem de dados, analytics e estatística aplicada
MBA ANALYTICS OBJETIVOS Na era da informação, as empresas capturam e armazenam muitos dados, e existe a real necessidade da aplicação de técnicas adequadas para a rápida tomada de decisão com base nas
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia maisIntrodução Geral a Computação Gráfica. Universidade Católica de Pelotas Curso de Engenharia da Computação Disciplina de Computação Gráfica
Introdução Geral a Computação Gráfica Universidade Católica de Pelotas Curso de Engenharia da Computação Disciplina de 2 Introdução Geral a O que é CG? Áreas de Atuação Definição, Arte e Matemática Mercado
Leia maisOtimização da Paleta de Cores
Otimização da Paleta de Cores Resumo O objetivo deste artigo é apresentar a técnica de otimização da paleta de cores utilizada no MSX Viewer 5 para encontrar a melhor paleta de cores do MSX 2 e do v9990,
Leia mais