Utilização de técnicas de Mineração de Dados para diagnóstico de rendimento dos alunos do ensino básico do município de Indaiatuba
|
|
- Marina Bennert Bento
- 6 Há anos
- Visualizações:
Transcrição
1 Utilização de técnicas de Mineração de Dados para diagnóstico de rendimento dos alunos do ensino básico do município de Indaiatuba Thaís Barros Nascimento 1, Maria das Graças J. M. Tomazela 1 1 Faculdade de Tecnologia de Indaiatuba (FATEC-ID) Indaiatuba, SP Brasil thaisbarrosn@hotmail.com, gtomazela@fatecindaiatuba.edu.br Resumo: O objetivo da pesquisa foi aplicar técnicas de Mineração de Dados a uma base de dados composta por variáveis na área educacional, com a finalidade de identificar as variáveis que influenciam no rendimento dos alunos das escolas de ensino básico de Indaiatuba, podendo auxiliar os gestores nas tomadas de decisão. Inicialmente foi realizada uma revisão bibliográfica sobre Knowledge Discovery in Databases. Em seguida foi aplicada a tarefa de Clusterização, utilizando o algoritmo K-means. Com os resultados gerados pela clusterização aplicou-se uma função estatística, o Histograma, gerando gráficos para análise. Após a análise dos resultados, aplicaram-se os principais algoritmos classificadores, para verificar a capacidade preditiva dos modelos gerados pela clusterização. A precisão obtida dos algoritmos foi aproximadamente 95%, com isso pode-se dizer que a mineração de dados pode ser aplicada para analisar as variáveis que influenciam no rendimento do ensino básico. Abstract: The purpose of this article was to apply Data Mining into an academic database from Indaiatuba city, in order to identify the attributes of student s performance in primary school, assisting the educational system in decision making. It was conducted a literature review on Knowledge Discovery in Databases, then it was applied the clustering task, using the K-means algorithm. Based on clustering results it were deployed statistics function, Histogram, generating graphs. After a deep analysis, it was implemented the main classifier algorithm to verify the predictive ability of the models generated by clustering. The algorithm s accuracy was around 95%, with these outcomes it can be said that data mining can be considered to analyze the attributes in student s performance in primary school. 1.Introdução O avanço nas técnicas para coleta, armazenamento e gerenciamento de dados levou ao armazenamento de grandes e múltiplas bases de dados. Muitos desses dados possuem informações úteis para melhorar a decisão de negócios, considerando que essas bases possuem uma grande quantidade de dados, torna-se necessário o desenvolvimento de processos para analisar automaticamente esses dados, como o processo de Descoberta de conhecimento (REZENDE, 2005; GOLDSHIMIDT,2005,). Basicamente o Processo de KDD pode ser dividido em três grandes etapas Pré- Processamento, Extração de Padrões e Pós Processamento. Nessa divisão não foram incluídas uma fase anterior ao processo, que se refere ao conhecimento do domínio e identificação do problema, e uma fase posterior, a fase da utilização do conhecimento obtido (REZENDE, 2005). Segundo Rezende (2005), a primeira etapa do processo de Descoberta de Conhecimento em Base de Dados é a identificação dos objetivos, metas a serem alcançados e restrições, esses tópicos fornece auxílio para todas as demais etapas do processo. Na etapa de Pré-processamento, esse conhecimento pode ajudar os analistas na escolha do melhor conjunto de dados para realizar a Extração de Padrões, saber quais valores são válidos para os atributos, os critérios de preferência entre os possíveis atributos, as restrições de relacionamento ou informações para geração de novos
2 atributos. Segundo Rezende (2005) diversas transformações nos dados podem ser executadas na etapa de pré- processamento de dados. Entre elas: Extração e Integração, Transformação, Limpeza, Seleção e Redução de Dados. Na extração de padrões ou Mineração de Dados é realizada a busca do conhecimento conforme o contexto a ser analisado por meio da ferramenta de KDD. É a principal etapa no processo e consiste na aplicação de técnicas inteligentes para obter a extração de padrões de interesse do usuário. A Etapa de pós-processamento é responsável por realizar o tratamento do conhecimento obtido na Mineração de Dados. É importante, nesta etapa, a análise dos resultados por especialistas da área do problema que está sendo minerado. Na etapa da extração de padrões é feita a escolha da tarefa de Mineração de Dados a ser utilizada. Neste trabalho são utilizadas as tarefas de classificação e clusterização. A tarefa de Clusterização (ou agrupamento) consiste em particionar os registros da base de dados em subconjuntos (ou clusters) de maneira que elementos presentes em um cluster, compartilhem um conjunto de propriedades comuns e que os diferenciem dos elementos de outros clusters. Em geral o conjunto de dados utilizados para efetuar a clusterização não possui uma classe pré-definida, a clusterização pode ser utilizada para definir classes para o conjunto em análise (HAN e KAMBER, 2006). A Classificação de Dados é citada por Goldschimidt e Passos(2005) como uma das tarefas do KDD mais populares e importantes, consiste na busca por uma função que permita associar corretamente cada registro do banco de dados a uma classe. Para isso é necessário encontrar um modelo para o atributo alvo, utilizando uma função aplicada nos valores de outros atributos. O processo de KDD tem sido aplicado em diversas áreas de conhecimento, na educação há uma nova área de pesquisa conhecida como Mineração de dados Educacionais, que tem como foco principal o desenvolvimento de métodos para explorar conjuntos de dados coletados em ambientes educacionais. Assim é possível compreender de forma mais eficaz e adequada os alunos, como eles aprendem, o contexto no qual a aprendizagem ocorre, além de outros fatores que influenciam a aprendizagem (BAKER, ISOTANI, CARVALHO, 2011). É com foco neste cenário que decidimos utilizar, nesta pesquisa, as técnicas de Mineração de Dados que são uma forma de análise de banco de dados permitindo tomadas de decisão mais eficiente. Dessa forma o objetivo deste trabalho foi realizar o processo de KDD em uma base de dados das escolas de Ensino Básico do município de Indaiatuba, para caracterizar grupos distintos formados a partir de dados de rendimento acadêmico de alunos do ensino básico, visando a auxiliar os gestores da Secretaria de Educação nas tomadas de decisão. 2.Trabalhos Relacionados Manhaes et al (2012) com o tema Identificação dos fatores que influenciam a evasão em cursos de graduação através de sistemas baseados em Mineração de Dados: Uma
3 abordagem quantitativa, aplicaram-se métodos e tarefas de Mineração de Dados na Universidade Federal do Rio de Janeiro afim de identificar os principais fatores aos grupos de alunos que conseguem sucesso ou insucesso na conclusão do curso de graduação. O artigo apresentado justifica-se pelo fato de o sistema educacional brasileiro possuir um grande número de estudantes que iniciam um curso universitário, mas não conseguem obter êxito em cumprir as exigências curriculares e se graduar. A evasão dos alunos que não completam o curso de graduação se configura como um grande problema que ocorre em instituições públicas e particulares. Baker, Isotani, Carvalho (2011) apresentam condições que viabilizam a pesquisa de Educational Data Mining (EDM) no cenário internacional e quais desafios para consolidar a área no Brasil, é abordado também o potencial de impacto da EDM na melhora da qualidade dos cursos na modalidade educação a distância (EAD) que vêm recebendo incentivo governamental e um crescente número de alunos. Os autores enfatizam que a área de EDM vem se estabelecendo com uma forte e consolidada linha de pesquisa que possui grande potencial para melhorar a qualidade do ensino. Costa et al(2012) aborda a Mineração de Dados Educacionais no ambiente Web, pois com o crescente uso de sistemas virtuais de aprendizagem, um grande volume de dados tem sido gerado a partir das diferentes modalidades de interações no sistema. Mas os dados gerados não são analisados, o que se constitui uma lacuna importante, dada a quantidade de informação valiosa que se pode potencialmente extrair de tais dados. Os autores citam como exemplo a melhor compreensão do comportamento dos estudantes e a forma como eles aprendem. Tais conhecimentos podem servir de subsídio para a melhoria de práticas em educação a distância ou presencial, além de ser importante ferramenta para viabilizar a personalização do ensino. Das revisões literárias acima pode-se notar que a aplicação de Mineração de Dados em ambientes educacionais tem sido utilizada em diversos níveis de ensino, seja no ensino superior ou em cursos isolados, na modalidade presencial ou à distância. O presente trabalho apresenta a utilização de técnicas de mineração de dados da educação básica. 3. Materiais e Métodos Os dados para essa pesquisa foram coletados da Secretaria de Educação e se referem ao acompanhamento anual dos alunos das escolas municipais de ensino básico de Indaiatuba, de Janeiro de 2007 a Dezembro de Foram selecionados os seguintes dados: As séries de todas as escolas de ensino básico: 1ª, 2ª, 3ª, 4ª,5ª séries, 9º ano 10º ano. Também foram registrados alguns projetos da cidade, como EJA (Ensino para Jovens e adultos), EEE (Educação Especial Exclusiva). O período de aulas lecionadas condiz em que horário o estudante está matriculado. No sistema temos o turno Matutino que é representado pelo número 1(um), o Vespertino, número 3(três), o Integral, número 6 (seis) e por fim o Noturno que é representado pelo número 5(cinco). A quantidade de alunos matriculados por sala e turma de todas as escolas cadastradas no sistema. Quantidade de alunos aprovados em todas as escolas.
4 Quantidade de alunos reprovados por rendimento insuficiente. Quantidade de alunos reprovados por frequência insuficiente. Todos esses dados descritos acima foram organizados em uma planilha no programa Microsoft Excel 2007, gerando o total de 2308 linhas. Cada linha foi composta por: Nome da Escola, Série, Número da Sala, Alunos Matriculados, Reprova por Rendimento, Reprova por Frequência, Turno e Ano. Após a coleta de dados e elaboração da planilha eletrônica iniciou-se o processo de Mineração de Dados na ferramenta WEKA 1 (Waikato Environment for Knowledge Analysis) que fornece todo o suporte para essa etapa ser concluída. A ferramenta desenvolvida na Universidade de Waikato da Nova Zelândia analisa os dados partindo de padrões encontrados gerando hipóteses para a solução requerida, foi escolhida por ser gratuita e muito utilizada em trabalhos acadêmicos. A seguir serão descritas as etapas da Mineração de Dados realizada. O Pré Processamento realizado na base de dados foi a definição dos atributos. Decidiu-se que: Nome da Escola, Série, Turma, Sala, Turno e Ano são atributos nominais. Número de Matriculados, Reprovados por Rendimento e Reprovados por Frequência são atributos numéricos. Estes atributos foram definidos assim por serem os mais relevantes para a pesquisa, sendo de mais fácil análise. Não foram necessárias outras transformações nos dados. Para a etapa de Mineração de Dados, a planilha foi salva como arquivo CSV, para poder ser utilizada na ferramenta de Mineração de Dados WEKA. As tarefas de Mineração Dados escolhidas para essa pesquisa foi a Clusterização e a Classificação. A primeira tarefa descrita será a Clusterização. A etapa inicial da tarefa de clusterização foi decidir qual algoritmo seria usado para o particionamento dos dados. Inicialmente aplicou-se o algoritmo K-means que exige ao usuário inserir um número de clusters. A primeira escolha para análise foi particionar a base de dados em 5 clusters. Mas após verificação os clusters formados, notou-se que os grupos estavam muito similares, dificultando a análise dos dados. Então decidiu-se particionar em 3 clusters. Notou-se que a base de dados particionada em três clusters gerou melhor possibilidade de interpretação dos dados, então optou-se por analisar esse grupo resultante. Após aplicação do algoritmo e o resultado gerado, o programa WEKA é capaz de gerar um novo documento em formato de tabela definindo o cluster de cada registro. A partir dessa tabela decidiu-se analisar os dados estatisticamente utilizando o programa Excel, mais especificamente usando a função Análise de Dados para gerar Histogramas, que são gráficos que mostram a variação de uma medida em um grupo de dados por meio da distribuição por frequência, gerando amostra de uma característica na base de dados e a variabilidade das medidas de uma característica dos grupos em torno da média. Partindo dessa definição decidiu-se fazer Histogramas das variáveis mais importantes para essa pesquisa. 4. Análise dos Clusters O primeiro cluster analisado foi o Cluster0 com todas as variáveis. O primeiro histograma é frequência em cada série presente no cluster, representado na Figura 1.
5 Figura 1. Frequência de Séries Cluster0 Nota-se que a concentração de 1 ª e 2ª séries é maior nesse cluster, mas as outras séries estão equilibradas. A Figura 2 mostra a frequência de séries no Cluster1. Figura 2. Frequência de Séries Cluster1 Nesse cluster nota-se que o número de 1ª e 2ª séries diminui, e o número de 3ª séries aumenta. A Figura 3 mostra a frequência de séries no Cluster2
6 Figura 3. Frequência de Séries Cluster2 No Cluster2 verifica-se que o número de 4ª séries é maior comparado aos outros clusters, além do número de 1ª,2ª e 3ª séries ser mais equilibrado. Com os histogramas da variável série conclui-se que, no Cluster0 o número de alunos matriculados na 1ª e 2ª séries é maior, observa-se que a 3ª série foi mais representada no Cluster1, e que o número de matriculados na 4ª série no Cluster2 é maior. A próxima variável analisada será o total de alunos matriculados por sala no Cluster0, representado pela Figura 4. Figura 4. Total alunos matriculados Cluster0 Nota-se que a frequência maior de alunos matriculados é entre 32 a 35 alunos, analisando juntamente com o histograma de séries por cluster verifica-se que as 1ª e 2ª séries possuem esse total de alunos por sala. Na Figura 5 têm o total de alunos matriculados por sala no Cluster1.
7 Figura 5. Total alunos matriculados Cluster1 Nesse cluster é possível notar que o total de alunos matriculados por sala é mais distribuído quando comparado com o Cluster0. A Figura 6 possui o total de alunos matriculados no Cluster2. Nota-se que o número de alunos matriculados é mais equilibrado entre 28 a 30 alunos. Figura 6. Total alunos matriculados Cluster2 A próxima variável são os alunos reprovados por rendimento insuficiente nos três clusters. A Figura 7 representa essa informação para o Cluster0. Nesse cluster é possível notar claramente que o número de reprovados por rendimento na 1ª e 2ª séries é de pelo menos um por sala.
8 Figura 7. Alunos reprovados Cluster0 Na Figura 8 a seguir é apresentada a variável reprovados por rendimento no Cluster1. Figura 8. Alunos reprovados Cluster1 Nota-se que a frequência de alunos reprovados nos Cluster0 e Cluster1 é de aproximadamente 400 alunos. No Cluster1 a quantidade de alunos reprovados por sala aumenta, comparado com os outros clusters, quando o número de alunos reprovados por sala é maior que um. Verifica-se que no Cluster2 a quantidade de um aluno reprovado é maior, de aproximadamente 600 alunos conforme apresentado na Figura 9. Entretanto observando-se a Figura 10 pode ser notado que o maior número de reprova por sala concentra-se no Cluster1. Observando o histograma apresentado na Figura 1, com a variável série, sabe-se que o número maior de alunos matriculados no Cluster1 é da 3ª série, logo o índice de reprova nas 3ª séries é maior que o índice de reprova das demais séries.
9 Figura 9. Alunos reprovados Cluster2 Figura 10. Total de reprova Cluster0, Cluster1 e Cluster2 A variável a seguir será o período em que o aluno foi matriculado. O Cluster0 está representado pela Figura 11.
10 Figura 11. Período matricula dos alunos Cluster0 Nota-se que o Cluster0 é formado por alunos cadastrados no período Matutino e poucas turmas matriculadas em outros períodos. A Figura 12 tem os períodos mais frequentes no Cluster1. Figura 12. Período matricula dos alunos Cluster1 Percebe-se que no Cluster1 os períodos matutino e vespertino são dominantes, mas o número de matriculados no período integral e noturno já é maior do que no Cluster0. Como vemos abaixo no Cluster2 representado pela Figura 13, os dois períodos dominantes são iguais ao do Cluster1, mas o número de alunos no período noturno é maior, comparado aos dois outros clusters.
11 Figura 13. Período matricula dos alunos Cluster2 4.1Análise dos algoritmos de Classificação sobre os clusters A técnica de classificação tem como objetivo buscar uma função que associe corretamente cada registro da base de dados a um único rótulo, uma vez identificado, essa função pode ser aplicada a novos registros capaz de prever a classe em que tais registros se enquadram. Neste trabalho foi utilizada para verificar a capacidade preditiva do modelo de clusters. Para técnica de classificação foram utilizadas as seguintes técnicas: Árvore de decisão, classificador Bayesiano, K- Nearest Neighboor(K-NN), Redes Neurais e Support Vector Machine SMO. No Quadro 1 são descritos os classificadores de cada técnica utilizada. Quadro 1. Descrição dos classificadores Técnica Árvore de Decisão Classificador Bayesiano K-Nearest Neighboor Redes Neurais Support Vector Machine SMO Classificador J48 Naive Bayes IBK MultilayerPerceptron SMO Na Tabela 1 tem-se as acurácias obtidas a partir do modelo de clusters gerados. Acurácia é a porcentagem de acerto de cada classificador. A primeira tabela tem o resultado da função Cross Validation, que divide os dados em partes, separa uma parte para teste e faz o treinamento com as demais. Este procedimento é repetido para todas as partes. A acurácia final do modelo é a medida das acurácias parciais calculadas para
12 cada parte. A validação cruzada apresenta bons resultados quando o conjunto de dados é pequeno. Tabela 1. Acurácia dos classificadores Cross Validation Classificador Acurácia J % Naive Bayes % IBK % Multilayer Perceptron % SMO % Nota-se que o algoritmo Support Vector Machine SMO teve a melhor acurácia comparado aos outros classificadores, resultando em aproximadamente 94.5% de precisão. A Tabela 2 apresenta a acurácia dos classificadores utilizando a função Percentage Split, divide a base de dados em duas partes: uma parte para treinamento e a outra para teste. Geralmente esta abordagem utiliza dois terços para o conjunto de treinamento e um terço para o conjunto de teste. Tabela 2. Acurácia dos classificadores Percentage Split Classificador Acurácia J % Naive Bayes 80 % IBK % Multilayer Perceptron % SMO % Pode-se observar que a função Percentage Split obteve melhores resultados com os classificadores, Naive Bayes, Multilayer Perceptron e Support Vector Machine- SMO. O algoritmo Naive Bayes funciona melhor para variáveis independentes, sendo assim o resultado acima para esse classificador pode indicar a dependência entre os dados utilizados. O algoritmo Multilayer Perceptron possui a precisão de classificação alta, esta técnica normalmente apresenta bons resultados de classificação, entretanto o tempo de processamento desse algoritmo é muito maior que o tempo gasto pela maioria
13 dos algoritmos de classificação. Por fim, o algoritmo SMO que obteve o melhor resultado de acurácia nas duas funções realizadas. Esse classificador possui um bom desempenho no reconhecimento de padrões em grande volume de dados e assim como o algoritmo Multilayer Perceptron possui tempo de processamento mais elevado. Ressalta-se que todos os classificadores obtiveram porcentagem de acerto muito boa, indicando que o modelo de clusters obtido pela ferramento WEKA é realmente adequado. 5.Conclusões Essa pesquisa apresentou tarefas e técnicas de Mineração de Dados aplicadas em dados das escolas de ensino básico do município de Indaiatuba. Os dados analisados são referentes ao acompanhamento anual dos alunos de Janeiro de 2007 a Dezembro de Nesta pesquisa foram escolhidas as tarefas Clusterização e Classificação. A tarefa de Clusterização foi utilizada para particionar a base de dados em clusters (grupos), para realização dessa divisão foi aplicado o algoritmo K-Means. A base de dados foi dividida em três diferentes clusters, este número foi definido após várias realizações de testes com diferentes tamanhos de clusters. Uma vez efetuada a clusterização, foram realizadas análises sobre todos os clusters gerados. Utilizou-se uma função estatística denominada Histograma para medição da frequência de cada variável presente nos clusters. De acordo com a variável de alunos reprovados temos as seguintes análises: No Cluster0 o número de reprovados por rendimento na 1ª e 2ª séries é de pelo menos um por sala; No Cluster2 verifica-se que o número de 4ª séries é maior comparado aos outros clusters, além do número de 1ª,2ª e 3ª séries ser mais equilibrado. No Cluster2 é possível notar claramente que o número de reprovados por rendimento na 1ª e 2ª séries é de pelo menos um por sala. A frequência de alunos reprovados nos Cluster0 e Cluster1 é de aproximadamente 400 alunos. Verifica-se que no Cluster2 a quantidade de um aluno reprovado é maior, de aproximadamente 600 alunos. Nota-se que o Cluster0 é formado por alunos cadastrados no período Matutino e poucas turmas matriculadas em outros períodos. Percebe-se que no Cluster1 os períodos matutino e vespertino são dominantes, mas o número de matriculados no período integral e noturno já é maior do que no Cluster0. No Cluster2, os dois períodos dominantes são iguais ao do Cluster1, mas o número de alunos no período noturno é maior, comparado aos dois outros clusters. O principal resultado gerado a partir da análise dos clusters é que: o Cluster1 tem o maior índice de reprova e a série predominante neste cluster é a 3ª série. A partir desse resultado pode-se dizer que os alunos matriculados na 3ª série do ensino básico tiveram o maior índice de reprova de 2007 a A maior reprovação na 3ª série pode ser explicada pelo fato dos alunos não serem retidos nas 1ª e 2ª séries. Pôde-se verificar também que o período que o aluno frequenta (Matutino e Vespertino) não influenciam no aproveitamento, uma vez que o Cluster1 possui aproximadamente 50% de alunos em cada período. Para verificar a capacidade preditiva dos clusters gerados foram aplicados os algoritmos classificadores: Redes Neurais, Árvore de Decisão, K-Nearest Neighbor, Classificadores Bayesianos e Support Vector Machine em duas funções da ferramenta
14 WEKA, a função Cross Validation e Percentage Split. A melhor acurácia resultante em todos os algoritmos e nas duas funções foi o algoritmo SMO, que representa o classificador Support Vector Machine apresentando a precisão de predição de aproximadamente 95%. O algoritmo de clusterização utilizado neste trabalho possibilitou a caracterização de grupos distintos formados a partir de dados de rendimento acadêmico de alunos do ensino básico e obteve resultados interessantes que poderão auxiliar os gestores da Secretaria de Educação nas tomadas de decisão. Desta forma pode-se afirmar que os objetivos deste trabalho foram alcançado. 6.Bibliografia BAKER, R.; ISOTANI, S.; de CARVALHO, A.. Mineração de Dados Educacionais: Oportunidades para o Brasil. Revista Brasileira de Informática na Educação,v.19, n 2, Disponível em: < Acesso em 30/08/2012 COSTA,E; et al. Mineração de Dados Educacionais: Conceitos, Técnicas, Ferramentas e Aplicações. Jornada de Atualização em Informática na Educação, Disponível em: < Acesso em 07/03/2013 GOLDSCHMIDT, Ronaldo; PASSOS, Emmanuel. Data Mining: Um guia Prático. Rio de Janeiro: Campos, HAN, J. ; KAMBER, M. Data Mining: Concepts And Techniques. Second Edition, Morgan Kaufmann, MANHÃES,L; et al. Identificação dos Fatores que Influenciam a Evasão em Cursos de Graduação Através de Sistemas Baseados em Mineração de Dados: Uma Abordagem Quantitativa.VIII Simpósio Brasileiro de Sistemas de Informação, Disponível em: < > Acesso em 07/03/2013. REZENDE, Solange Oliveira. Sistemas Inteligentes: Fundamentos e Aplicações. São Paulo: Manole, 2005.
¹Faculdade de Tecnologia de Indaituba FATEC-ID, Rua D.Pedro I, 65, Cidade Nova, Indaiatuba, SP
Aplicação de Técnicas de Mineração de Dados para Caracterização de Grupos de Cidades Produtoras de Cana-De- Acúcar do Estado de São Paulo e Definição de Políticas Especificas Maria das Graças J.M. Tomazela
Leia maisMineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra
Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra Padrões e processos em Dinâmica de uso e Cobertura da Terra Introdução 1 2 3 4 Capacidade de Armazenamento X Análise e Interpretação
Leia maisUma Estratégia de Preparação de Dados para Aumento de Precisão de Modelos de Classificação da Produtividade de Cana-de-açucar
Uma Estratégia de Preparação de Dados para Aumento de Precisão de Modelos de Classificação da Produtividade de Cana-de-açucar Maria das Graças J.M. Tomazela¹, Luiz Antônio Daniel¹ ¹Faculdade de Tecnologia
Leia maisAprendizado de Máquina
Aprendizado de Máquina Introdução ao WEKA Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://web.inf.ufpr.br/luizoliveira Luiz S. Oliveira (UFPR) Aprendizado de
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 maisExtração de Conhecimento & Mineração de Dados
Extração de Conhecimento & Mineração de Dados Nesta apresentação é dada uma breve introdução à Extração de Conhecimento e Mineração de Dados José Augusto Baranauskas Departamento de Física e Matemática
Leia maisFACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS
FACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS PROJETO PEDAGÓGICO CAMPO LIMPO PAULISTA 2015 1. Público
Leia maisProf. Daniela Barreiro Claro
O volume de dados está crescendo sem parar Gigabytes, Petabytes, etc. Dificuldade na descoberta do conhecimento Dados disponíveis x Análise dos Dados Dados disponíveis Analisar e compreender os dados 2
Leia maisAnálise do Desempenho Acadêmico Utilizando Redes Bayesianas: um estudo de caso
Análise do Desempenho Acadêmico Utilizando Redes Bayesianas: um estudo de caso Danilo Raniery Alves Coutinho, Thereza Padilha Departamento de Ciências Exatas - Universidade Federal da Paraíba (UFPB) Campus
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 maisMineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães.
Mineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães. O que é mineração de dados Mineração de Dados é um passo no processo de KDD que consiste na aplicação de análise de dados e algoritmos
Leia maisRelatório Técnico - SVM na base Breast Cancer Wisconsin
Relatório Técnico - SVM na base Breast Cancer Wisconsin Matheus Gutoski Universidade Tecnológica Federal do Paraná - CPGEI/PPGCA Mineração de Dados 4 de novembro de 2016 1 Objetivo O objetivo deste trabalho
Leia maisEstudo de Caso. Índice. Descrição da Área. Daniel Gomes Dosualdo Solange Oliveira Rezende
Estudo de Caso Daniel Gomes Dosualdo Solange Oliveira Rezende Índice Descrição da Área Identificação do Problema Descrição do Conjunto de Dados Pré-Processamento Extração de Padrões Pós-Processamento Disponibilização
Leia maisAplicação das técnicas de mineração de dados sobre as características reprodutivas de suínos: estudo de caso de uma granja do estado de São Paulo.
Aplicação das técnicas de mineração de dados sobre as características reprodutivas de suínos: estudo de caso de uma granja do estado de São Paulo. Luiz Fernando C. Felix 1, Ms. Maria das Graças J. M. Tomazela
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisAPRENDENDO COM O LUDO AÇÃO E RADICAL
ESCOLA ESTADUAL LUIS VAZ DE CAMÕES IPEZAL/ANGÉLICA- MS APRENDENDO COM O LUDO AÇÃO E RADICAL Ipezal/Angélica MS Abril 2012 ESCOLA ESTADUAL LUIS VAZ DE CAMÕES IPEZAL/ANGÉLICA- MS APRENDENDO COM O LUDO AÇÃO
Leia maisClassificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si
Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências
Leia maisData Mining. Rodrigo Leite Durães
Rodrigo Leite Durães rodrigo_l_d@yahoo.com.br Processo de mineração de dados e descoberta de informações relevantes em grandes volumes de dados. "... processo não-trivial de identificar, em dados, padrões
Leia maisFigura 1: Metodologia de Reconhecimentos de Padrões desenvolvida na UFC
Uma Solução para o GISSA: Análise Comparativa entre Algoritmos de Aprendizagem de Máquina Aplicados em um Dataset Relacionado ao Óbito Infantil Joyce Quintino Alves (1) ; Cristiano Lima da Silva (2); Antônio
Leia maisANÁLISE DE UMA BASE DE DADOS DE COMPRAS E VENDAS DE UMA EMPRESA UTILIZANDO UMA FERRAMENTA DE BI 1
ANÁLISE DE UMA BASE DE DADOS DE COMPRAS E VENDAS DE UMA EMPRESA UTILIZANDO UMA FERRAMENTA DE BI 1 Júnior Löwe 2, Ildo Corso 3, Vera Lucia Lorenset Benedetti 4. 1 Análise de Dados de uma Empresa Utilizando
Leia maisWEKA: Prática Carregando a base de dados no Weka
WEKA: Prática 2 1. Introdução O objetivo desta prática é utilizar a ferramenta Weka para comparar dois algoritmos de aprendizagem de máquina em um problema de detecção de SPAM. Os algoritmos a serem comparados
Leia maisManual do Tutor PIRELLI TYRE CAMPUS
Manual do Tutor PIRELLI TYRE CAMPUS Sumário 1 Apresentação... 4 1.1 Características e Funcionalidades... 4 1.2 Grupos de Usuários... 5 1.3 Portabilidade... 5 2 Usuários... 6 2.1 Alunos... 6 2.1.1 Pesquisa...
Leia maisNORMATIVA DE AVALIAÇÃO NOS CURSOS TÉCNICOS DE NÍVEL MÉDIO DO IF CATARINENSE CÂMPUS ARAQUARI CAPÍTULO I DA ORGANIZAÇÃO DO ENSINO
NORMATIVA DE AVALIAÇÃO NOS CURSOS TÉCNICOS DE NÍVEL MÉDIO DO IF CATARINENSE CÂMPUS ARAQUARI Estabelece e regulamenta o processo de avaliação nos Cursos Técnicos de Nível Médio nas formas Integrado e Subsequente
Leia maisProcedimentos de Pesquisa em Ciências Sociais
1 Procedimentos de Pesquisa em Ciências Sociais Ana Maria Doimo Ernesto F. L. Amaral 21 de setembro de 2009 www.ernestoamaral.com/met20092.html Fonte: Banco Mundial. Monitorização e Avaliação: algumas
Leia maisWeka. Universidade de Waikato - Nova Zelândia. Coleção de algoritmos de aprendizado de máquina para resolução de problemas de Data Mining
Weka Universidade de Waikato - Nova Zelândia Coleção de algoritmos de aprendizado de máquina para resolução de problemas de Data Mining implementado em Java open source software http://www.cs.waikato.ac.nz/ml/weka/
Leia maisB A N C O D E D A D O S G E O G R Á F I C O S M A R C O N I D E A R R U D A P E R E I R A
Mineração de Dados Espaciais B A N C O D E D A D O S G E O G R Á F I C O S M A R C O N I D E A R R U D A P E R E I R A Roteiro 2 Introdução Mineração de Dados Estado da Arte Artigo apresentado Conclusão
Leia maisCENTRO UNIVERSITÁRIO DO NORTE REITORIA ACADÊMICA COORDENAÇÃO DE PÓS GRADUAÇÃO REGULAMENTO GERAL DOS CURSOS DE PÓS-GRADUAÇÃO LATO SENSU
CENTRO UNIVERSITÁRIO DO NORTE REITORIA ACADÊMICA COORDENAÇÃO DE PÓS GRADUAÇÃO REGULAMENTO GERAL DOS CURSOS DE PÓS-GRADUAÇÃO LATO SENSU Aprovado pelo CONSUNI Nº15 em 24/05/2016 ÍNDICE CAPITULO I Da Constituição,
Leia maisRedes Neurais no WEKA
Redes Neurais WEKA http://www.cs.waikato.ac.nz/ml/weka/ Redes Neurais no WEKA Introdução ao WEKA Base Benchmark Estudo de Casos Análise de Crédito Bancário 1 Redes Neurais no Weka WEKA (Waikaito Environment
Leia maisAplicação da técnica de mineração de dados por meio do algoritmo J48 para definição de limiares de imagens de sensoriamento remoto
Aplicação da técnica de mineração de dados por meio do algoritmo J48 para definição de limiares de imagens de sensoriamento remoto Rodrigo Rodrigues Antunes e Israel Rodrigues Gonçalves Resumo: O objetivo
Leia maisControle - 3. Realizar o Controle da Qualidade Relatório de Desempenho. Mauricio Lyra, PMP
Controle - 3 Realizar o Controle da Qualidade Relatório de Desempenho 1 Realizar o Controle da Qualidade Preocupa-se com o monitoramento dos resultados do trabalho, a fim de verificar se estão sendo cumpridos
Leia maisAVALIAÇÃO DE MÉTODOS DE SELEÇÃO DE ATRIBUTOS PARA CLASSIFICAÇÃO DE SOLOS
AVALIAÇÃO DE MÉTODOS DE SELEÇÃO DE ATRIBUTOS PARA CLASSIFICAÇÃO DE SOLOS Fernando Attique Maximo Embrapa Informática Agropecuária Stanley Robson de Medeiros Oliveira Embrapa Informática Agropecuária Maria
Leia maisREGIMENTO DE DEPENDÊNCIA E/OU ADAPTAÇÃO Faculdade Metropolitana São Carlos - FAMESC
REGIMENTO DE DEPENDÊNCIA E/OU ADAPTAÇÃO Faculdade Metropolitana São Carlos - FAMESC Bom Jesus do Itabapoana Atualizado em 2017 REGIMENTO DE DEPENDÊNCIA E/OU ADAPTAÇÃO Art. 1º - O presente Regimento tem
Leia maisMineração de Dados. Curso de Especialização em Sistemas de Banco de Dados. Centro de Ciências Exatas e Naturais. Universidade Federal do Pará
Universidade Federal do Pará Centro de Ciências Exatas e Naturais Departamento de Informática Mineração de Dados Profa. MSc. Miriam Lúcia Domingues Curso de Especialização em Sistemas de Banco de Dados
Leia maisAnálise Sintática de Frases utilizando Gramáticas Livres de Contexto Probabilísticas
Universidade de São Paulo Mestrado em Ciência da Computação Instituto de Matemática e Estatística Disciplina MAC5725 Lingüística Computacional Análise Sintática de Frases utilizando Gramáticas Livres de
Leia maisDIAGNÓSTICO SOBRE AS CAUSAS DA EVASÃO E RETENÇÃO NO IFAL
DIAGNÓSTICO SOBRE AS CAUSAS DA EVASÃO E RETENÇÃO NO IFAL TERMO DE ABERTURA DO PROJETO AMPLIADO Portfólio de Projetos Estratégicos de 201 Objetivo Estratégico: PR01 - Reduzir as taxas de evasão e retenção
Leia maisFundação Escola de Sociologia e Política de São Paulo Faculdade de Biblioteconomia e Ciência da Informação PLANO DE ENSINO (2015)
Fundação Escola de Sociologia e Política de São Paulo Faculdade de Biblioteconomia e Ciência da Informação PLANO DE ENSINO (2015) I. IDENTIFICAÇÃO DISCIPLINA ESTATÍSTICA APLICADA CARGA HORÁRIA 46 CURSO
Leia maisR E S O L U Ç Ã O Nº 011/2010-CEP O CONSELHO DE ENSINO, PESQUISA E EXTENSÃO APROVOU E EU, REITOR, SANCIONO A SEGUINTE RESOLUÇÃO:
R E S O L U Ç Ã O Nº 011/2010-CEP CERTIDÃO Certifico que a presente resolução foi afixada em local de costume, nesta Reitoria, no dia 24/8/2010. Isac Ferreira Lopes, Secretário. Aprova Normas para Renovação
Leia maisDADOS DO PROJETO. VINCULAÇÃO CONFORME SUBITEM 1.2 Disciplina: Processamento da Informação (BCM )
DADOS DO PROJETO TÍTULO DO PROJETO Recursos e estratégias metacognitivas para apoiar a construção do pensamento lógico. VINCULAÇÃO CONFORME SUBITEM 1.2 Disciplina: Processamento da Informação (BCM0505-15)
Leia maisFonte [1] A LDB, nos artigos 22 a 38, detalha no Capítulo II a Educação Básica (EB), a qual, consoante o art. 22, objetiva, in verbis, (...) desenvolv
ESTRUTURA, POLÍTICA E GESTÃO EDUCACIONAL AULA 02: LEGISLAÇÃO, SISTEMA, NÍVEIS E MODALIDADES DE ENSINO, FORMAÇÃO PROFISSIONAL DA EDUCAÇÃO. TÓPICO 03: OS NÍVEIS DE ENSINO O Título V, da LDB, com os artigos
Leia maisSistema de mineração de dados para descobertas de regras e padrões em dados médicos
Sistema de mineração de dados para descobertas de regras e padrões em dados médicos Pollyanna Carolina BARBOSA¹; Thiago MAGELA² 1Aluna do Curso Superior Tecnólogo em Análise e Desenvolvimento de Sistemas
Leia maisMineração de dados: Por que? O que é? O processo de descoberta de conhecimento. Tarefas de mineração: preditivas, descritivas
Mineração de dados: Por que? O que é? O processo de descoberta de conhecimento Tarefas de mineração: preditivas, descritivas Ponto de vista comercial Quantidades gigantescas de dados são coletados e armazenados
Leia maisAgregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta
Agregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta (luizfsc@icmc.usp.br) Sumário 1. Motivação 2. Bagging 3. Random Forest 4. Boosting
Leia mais1.1. Trabalhos Realizados na Área
1 1 Introdução Várias formas de tratamento de lesões de úlceras de perna têm sido empregadas hoje em dia. O método de tratamento dependerá da origem da úlcera bem como de seu estado patológico. Com o objetivo
Leia maisControle estatístico de processo na Indústria Têxtil
Projeto Pedagógico do Curso de Formação Inicial e Continuada (FIC) em Controle estatístico de processo na Indústria Têxtil Modalidade: presencial Projeto Pedagógico do Curso de Formação Inicial e Continuada
Leia maisCOMPLEXO EDUCACIONAL MILLENIUM LTDA FACULDADE MILLENIUM (FAMIL)
COMPLEXO EDUCACIONAL MILLENIUM LTDA FACULDADE MILLENIUM (FAMIL) CAE CENTRO DE APOIO AO ESTUDANTE REGIMENTO DO PROGRAMA DE NIVELAMENTO 2015 1 APRESENTAÇÃO Diante do panorama atual da Educação Básica, é
Leia maisBonificação por Desempenho
Bonificação por Desempenho Sistema Educacional do Estado de São Paulo Número de alunos Ensino Fundamental (1ª a 8ª séries) 2.900.000 Ensino Médio (1ª a 3ª séries) 1.500.000 EJA 700.000 Total 5.100.000
Leia maisNormas ISO:
Universidade Católica de Pelotas Tecnólogo em Análise e Desenvolvimento de Sistemas Disciplina de Qualidade de Software Normas ISO: 12207 15504 Prof. Luthiano Venecian 1 ISO 12207 Conceito Processos Fundamentais
Leia mais1.6. MATRÍCULA Número de registro e identificação do discente a ser gerado após o seu cadastro na instituição.
OBJETO 1: ALUNO 1.1. DISCENTE Nome do graduando. 1.2. CPF 1.3. CURSO Nome e código do curso 1.4. TURNO 1.5. COLOCAÇÃO NO VESTIBULAR Critério de desempate a ser utilizado pelo sistema na etapa de escolha
Leia maisPalavras-chave: Ferramentas da Qualidade. Qualidade. Revisão Bibliográfica.
ANÁLISE DE APLICAÇÕES DAS SETES FERRAMENTAS DA QUALIDADE: UMA ABORDAGEM TEÓRICA Raphaelly Antunes Alves¹, Paulo Henrique Paulista² (1) Acadêmico do curso de Engenharia de Produção do Centro Universitário
Leia maisREGULAMENTO INTEGRALIZAÇÃO DE DISCIPLINAS EM CARÁTER ESPECIAL
REGULAMENTO INTEGRALIZAÇÃO DE DISCIPLINAS EM CARÁTER ESPECIAL Recife / PE, 2013 Institui as normas para integralização de disciplinas dos cursos de graduação em caráter especial CAPÍTULO I - DAS NORMAS
Leia maisData Mining. O Processo de KDD. Mauricio Reis
1 Data Mining O Processo de KDD Mauricio Reis prof_uva@mreis.info http://mreis.info/uva-2016-9-datamining 2 ROTEIRO 1. Definição 2. Aplicação KDD problema recursos resultados 3. Área de origem 4. Histórico
Leia maisMÉTODO ROCK APLICADO NA DETECÇÃO AUTOMÁTICA DE RESPOSTAS EM UM SISTEMA EDUCACIONAL
MÉTODO ROCK APLICADO NA DETECÇÃO AUTOMÁTICA DE RESPOSTAS EM UM SISTEMA EDUCACIONAL PEDROTTI, Tales 1 CHICON, Patricia Mariotto Mozzaquatro 2 Resumo: Atualmente, a expansão e utilização de plataformas Web
Leia maisMAE116 Noções de Estatística
Exercício 01 MAE116 Noções de Estatística base freq. absoluta Antes do treinamento freq. relativa (%) densidade de freq. freq. absoluta Depois do treinamento freq relativa (%) densidade de freq. 0 -- 2
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia maisSUMÁRIO REGIMENTO INTERNO E ESTRUTURA CURRICULAR DO MESTRADO PROFISSIONALIZANTE EM CIÊNCIA DA COMPUTAÇÃO
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE PERNAMBUCO BOLETIM OFICIAL NÚMERO ESPECIAL SUMÁRIO REGIMENTO INTERNO E ESTRUTURA CURRICULAR DO MESTRADO PROFISSIONALIZANTE EM CIÊNCIA DA COMPUTAÇÃO B. O.
Leia maisU n i v e r s i d a d e Es t a d u a l d e M a r i n g á
R E S O L U Ç Ã O Nº 022/2012-CEP CERTIDÃO Certifico que a presente resolução foi afixada em local de costume, nesta Reitoria, no dia 4/10/2012. Isac Ferreira Lopes, Secretário. Aprova Normas para Renovação
Leia mais5 Usando as Representações de Design Rationale
5 Usando as Representações de Design Rationale Como mencionamos anteriormente, representar design rationale em uma linguagem formal usando o modelo formal dos artefatos nos permite atribuir semântica ao
Leia maisCENSO ESCOLAR 2016 Notas Estatísticas. Brasília-DF Fevereiro de 2017
CENSO ESCOLAR 216 Notas Estatísticas Brasília-DF Fevereiro de 217 O DESAFIO DA UNIVERSALIZAÇÃO O dever do Estado com a educação será efetivado mediante a garantia de igualdade de condições para o acesso
Leia maisTreinamento Matrícula Inicial
SAGRES Acadêmico Treinamento Matrícula Inicial Objetivo Qualificar os participantes para uso das funções da Matricula Inicial. Agenda 1. Objetivo do Treinamento de Matricula Inicial 2. Cadastro de Alunos
Leia maisExercício Área - SPRING
Exercício Área - SPRING Figura 01 - Visualização dos dados contidos no projeto ativo. Comentários - Nesta etapa foi aberto o banco de dados, neste caso denominado São Paulo e foi definido o projeto, também
Leia maisKDD E MINERAÇÃO DE DADOS:
KDD E MINERAÇÃO DE DADOS: Introdução e Motivação Prof. Ronaldo R. Goldschmidt ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt Fatos: Avanços em TI e o crescimento
Leia maisProcesso de Rematrículas para 2017/01. Disciplinas na Modalidade de Educação à Distância
Processo de Rematrículas para 2017/01 Informativo para os cursos de graduação: Disciplinas na Modalidade de Educação à Distância Com base na Portaria 1134/2016 (DOU nº 196, terça-feira, 11 de outubro de
Leia maisPrincípios da Engenharia de Software aula 03
Princípios da Engenharia de Software aula 03 Prof.: José Honorato Ferreira Nunes Material cedido por: Prof.: Franklin M. Correia Na aula anterior... Modelos de processos de software: Evolucionário Tipos
Leia maisPROCEDIMENTO PASSO A PASSO: TUTORIA. Programa Ensino Integral
PROCEDIMENTO PASSO A PASSO: TUTORIA Programa Ensino Integral PROCEDIMENTO PASSO A PASSO: TUTORIA VERSÃO 04 02 15 Definição: a Tutoria é uma das metodologias do Programa que tem como finalidade atender
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 maisQUESTÕES DE CONCURSOS PÚBLICOS ESTATÍSTICA DESCRITIVA
QUESTÕES DE CONCURSOS PÚBLICOS ESTATÍSTICA DESCRITIVA 1) Um pesquisador que ordena uma lista de cidades segundo o ritmo de vida, do mais lento para o mais acelerado, está operando no nível de medida: (A)
Leia mais4 SISTEMA DE CLASSIFICAÇÃO DE UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA
94 4 SISTEMA DE CLASSIFICAÇÃO DE UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA 4.1 INTRODUÇÃO Conforme dito no capítulo 1, a diminuição das perdas técnicas e comerciais é uma das principais prioridades das
Leia maisUnidade I ESTATÍSTICA. Prof. Celso Ribeiro Campos
Unidade I ESTATÍSTICA Prof. Celso Ribeiro Campos Visão geral da estatística Estatística: Conjunto de métodos e processos destinados a permitir o entendimento de um universo submetido a certas condições
Leia maisFerramenta para cálculo de métricas em softwares orientados a objetos codificados em Object Pascal
Ferramenta para cálculo de métricas em softwares orientados a objetos codificados em Object Pascal Patrícia Regina Ramos da Silva Seibt (FURB) patrícia@benner.com.br Marcel Hugo (FURB) marcel@furb.br Everaldo
Leia maisRESOLUÇÃO CONSEPE N.º 15, DE 31 DE OUTUBRO DE 2014
RESOLUÇÃO CONSEPE N.º 15, DE 31 DE OUTUBRO DE 2014 Estabelece procedimentos para o Estudo Dirigido no âmbito das Faculdades Ponta Grossa. A Presidente do Conselho de Ensino, Pesquisa e Extensão das Faculdades
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia maisEnglish version at the end of this document
English version at the end of this document Ano Letivo 2016-17 Unidade Curricular ESTATÍSTICA APLICADA ÀS CIÊNCIAS SOCIAIS Cursos GESTÃO DE ANIMAÇÃO TURÍSTICA Unidade Orgânica Escola Superior de Gestão,
Leia maisComo usar Tabela Dinâmica (Pivot Table) Exemplo Prático. Este conteúdo faz parte da série: Excel Tabelas e Tabelas Dinâmicas Ver 5 posts dessa série
Este conteúdo faz parte da série: Excel Tabelas e Tabelas Dinâmicas Ver 5 posts dessa série O Excel é um aplicativo poderoso do pacote Microsoft Office que pode ser empregado em diversas áreas do conhecimento:
Leia maisMineração de padrões frequentes
Mineração de padrões frequentes Fabrício J. Barth fabricio.barth@gmail.com Setembro de 2016 Objetivos Os objetivos desta aula são: Apresentar e discutir métodos para identificar associações úteis em grandes
Leia maisPROGRAMA DE DISCIPLINA
DIVISÃO DE ASSUNTOS ACADÊMICOS Secretaria Geral de Cursos PROGRAMA DE DISCIPLINA DEPARTAMENTO DE CIÊNCIAS EXATAS CÓDIGO: EXA832 DISCIPLINA: SISTEMAS DISTRIBUÍDOS CARGA HORÁRIA: 60h EMENTA: Conceitos e
Leia maisCHAMADA PÚBLICA 06/2017
CHAMADA PÚBLICA 06/2017 CHAMADA PÚBLICA PARA CURSOS DE FORMAÇÃO INICIAL E CONTINUADA O (IFG) Câmpus Senador Canedo faz saber, pela presente Chamada Pública, que estarão abertas no período de 31 de julho
Leia maisGuia Rápido de Relatórios
Guia Rápido de Relatórios 1 Índice 1 Monitor de Pedidos... 3 2 Pedidos... 4 3 Estatísticas de Pedidos... 5 4 Acesso e Consumo... 8 5 Pedidos por Emissor... 11 6 Performance de Atendimento... 11 7 Vendas.....
Leia maisIV Encontro Pedagógico do IFAM 2016 DIRETORIA DE ENSINO MÉDIO E TÉCNICO SISTÊMICA DET/PROEN
DIRETORIA DE ENSINO MÉDIO E TÉCNICO SISTÊMICA DET/PROEN AVALIAÇÃO DOS CURSOS TÉCNICOS DE NÍVEL MÉDIO DO IFAM Lei Nª 11.872/2008 Art. 7ª - Objetivos dos Institutos Federais: I - ministrar educação profissional
Leia maisProjeto de POO. onde N1N2N3 representa os nomes dos integrantes. Exemplo: prjgrpchristinaviniciuscarlos
Projeto de POO Data de Entrega: 14/06/2011 (ADS-Diurno) 16/06/2011 (ADS-Noturno) 18/06/2011 (Alunos Dispensados de Freqüência) Natureza do Trabalho: - em grupo (3 alunos) para os alunos presenciais - em
Leia maisMEC. Censo Escolar 2015 Notas Estatísticas. Brasília-DF março de 2016
MEC Censo Escolar 215 Notas Estatísticas Brasília-DF março de 216 MEC Agenda O desafio da universalização Educação infantil Creche e Pré-escola Ensino fundamental Anos iniciais e anos finais Ensino médio
Leia maisb. Comprovante de regularidade de matrícula em nível superior na instituição de origem (original); c. Histórico Escolar do curso de origem contendo ca
EDITAL FATEC MAUÁ Nº. 01/2017 de 25 de novembro de 2016. O Diretor da Fatec-Mauá - Faculdade de Tecnologia de Mauá, no uso de suas atribuições legais, faz saber que estão abertas inscrições para participação
Leia maisTURMA VIRTUAL DOCENTE SIGAA
TURMA VIRTUAL DOCENTE SIGAA Universidade Federal de Sergipe Núcleo de Tecnologia da Informação 2016 www.ufs.br NTI - 2105-6583 / 2105-6584 DAA 2105-6503 Turma virtual Docente: Objetivo Auxiliar aos docentes
Leia maisRICALDES, Daltron Maurício UFMT DARSIE, Marta Maria Pontin UFMT
ÍNDICE DE DESENVOLVIMENTO DA EDUCAÇÃO BÁSICA E AS POLÍTICAS EDUCACIONAIS: ENCONTROS E DESENCONTROS NAS AVALIAÇÕES DE MATEMÁTICA E LÍNGUA PORTUGUESA DA PROVA BRASIL Resumo RICALDES, Daltron Maurício UFMT
Leia maisConceito de Estatística
Conceito de Estatística Estatística Técnicas destinadas ao estudo quantitativo de fenômenos coletivos, observáveis. Unidade Estatística um fenômeno individual é uma unidade no conjunto que irá constituir
Leia maisMINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA SECRETARIA DE IMPLANTAÇÃO DO CAMPUS EDITAL Nº 01, DE 21 DE AGOSTO DE 2017
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA SECRETARIA DE IMPLANTAÇÃO DO CAMPUS EDITAL Nº 01, DE 21 DE AGOSTO DE 2017 CONSIDERANDO a Lei nº 11.778/08 e a RESOLUÇÃO CONSUN
Leia maisRESOLUÇÃO N o 211 DE 28/11/ CAS
RESOLUÇÃO N o 211 DE 28/11/2016 - CAS Estabelece normas para a realização das Atividades Complementares nos Cursos de Graduação da Universidade Positivo (UP). O CONSELHO ACADÊMICO SUPERIOR (CAS), órgão
Leia maisPlano de Trabalho Docente Ensino Técnico
Plano de Trabalho Docente 2014 Ensino Técnico Etec Etec: Paulino Botelho EE Esterina Placo (Extensão) Código: 091.01 Município: São Carlos Eixo Tecnológico: Gestão e Negócios Habilitação Profissional:
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 mais2284-ELE/5, 3316-IE/3. Universidade da Beira Interior, Departamento de Informática
INTELIGÊNCIA ARTIFICIAL 2284-ELE/5, 3316-IE/3 Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2007/2008 Aprendizagem A aprendizagem é um aspecto crucial da Inteligência
Leia maisPORTARIA DO DIRETOR DA FACULDADE DE MEDICINA n 236 de 10 de maio de 2010
PORTARIA DO DIRETOR DA FACULDADE DE MEDICINA n 236 de 10 de maio de 2010 REGULAMENTA A CONCESSÃO DE ESTÁGIO CURRICULAR NÃO REMUNERADO A ESTUDANTES DE INSTITUIÇÕES NACIONAIS DE ENSINO NA FACULDADE DE MEDICINA
Leia maisRelatórios de Matrículas
Relatórios de Matrículas Relatório de Histórico de Matrículas por Unidade (HTML e EXCEL) Exibe o totalizador de matrículas por unidade em um determinado período. É utilizado como referência para cobrança
Leia maisSISTEMA CAÇA-TALENTOS MANUAL DE OPERAÇÃO PERFIL SECRETARIA
SISTEMA CAÇA-TALENTOS MANUAL DE OPERAÇÃO PERFIL SECRETARIA O Sistema Caça-Talentos tem o objetivo de aprimorar o negócio e fornecer um controle informatizado dos processos de captação dos alunos. Ele possui
Leia maisEnsino Médio Noturno
Ensino Médio Noturno - Uma análise da disparidade entre o aprendizado dos alunos e a qualidade de ensino no período da noite em comparação com o turno matutino - Instituto Ayrton Senna São Paulo, 2015
Leia maisCurso de Especialização Lato Sensu - Ensino de Ciências - EaD
Curso de Especialização Lato Sensu - Ensino de Ciências - EaD CÂMPUS FLORIANÓPOLIS MATRIZ CURRICULAR Módulo 1 Carga horária total: 210 Introdução ao Estudo a Distância Introdução à Pesquisa em Ensino de
Leia maisIntrodução a Sistemas Inteligentes
Introdução a Sistemas Inteligentes Conceituação Prof. Ricardo J. G. B. Campello ICMC / USP Créditos Parte do material a seguir consiste de adaptações e extensões dos originais gentilmente cedidos pelo
Leia maisDados de identificação do Acadêmico: Nome: Login: CA: Cidade: UF Assinatura: CARTÃO RESPOSTA
ANÁLISE E DESENVOLVIMENTO DE SISTEMAS TURMA 2008 4º PERÍODO 7º MÓDULO AVALIAÇÃO A2 DATA 08/10/2009 ESTATÍSTICA 2009/2 Dados de identificação do Acadêmico: Nome: Login: CA: Cidade: UF Assinatura: CARTÃO
Leia maisPlanejamento e Desempenho de Custos. Disciplina: Gerenciamento de Projetos Docente: Cristina Almeida
Planejamento e Desempenho de Custos Disciplina: Gerenciamento de Projetos Docente: Cristina Almeida O que é um orçamento? É o planejamento financeiro para um determinado projeto. Objetivo da aula: apresentar
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Avaliação de Paradigmas Alessandro L. Koerich Mestrado/Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisPROJETO DE PROGRAMAS. Projeto de Programas PPR0001
PROJETO DE PROGRAMAS Projeto de Programas PPR0001 Desenvolvimento de Software 2 3 Desenvolvimento de Software Análise de Requisitos Distinguir e dividir o sistema em componentes: Analisar os componentes
Leia mais