Nicolas P. Boa Vista 1, Michele F. Fiqueiró 2, Patricia M. Mozzaquatro 3. Cruz Alta RS Brazil
|
|
- Ana Lívia Canela Abreu
- 6 Há anos
- Visualizações:
Transcrição
1 Técnicas de mineração de dados aplicadas aos microdados do ENADE para avaliar o desempenho dos acadêmicos do curso de Ciência da Computação no Rio Grande do Sul utilizando o software R Nicolas P. Boa Vista 1, Michele F. Fiqueiró 2, Patricia M. Mozzaquatro 3 1,2,3 Ciência da Computação Universidade de Cruz Alta (UNICRUZ) Cruz Alta RS Brazil {nicolaspastorio@yahoo.com.br, mferrazfigueiro@gmail.com, pmozzaquatro@unicruz.edu.br} Resumo. O presente trabalho de conclusão de curso apresenta como objetivo a aplicação de técnicas de mineração de dados nos microdados do ENADE para extrair informações referentes ao desempenho dos acadêmicos do curso de Ciência da Computação no Rio Grande do Sul. Para a obtenção dos resultados, esta pesquisa utiliza a técnica de clusterização Hierarchical Clustering (Agrupamento Hierárquico), a qual faz parte da mineração de dados, para obter o agrupamento dos dados baseando-se na dissimilaridade entre os mesmos utilizando o software estatístico R. Com base nos resultados obtidos neste estudo, foi possível descrever as instituições que apresentaram bons e ruins desempenhos acadêmicos, de modo que poderão ser tomadas decisões que resultem na melhoria no ensino de nível superior brasileiro. Abstract. The present term paper aims to the application of data mining techniques in the microdata of the ENADE to extract information regarding the performance of the students of the course of Computer Science in Rio Grande do Sul. To obtain the results, this research uses the Hierarchical Clustering technique, which is part of the data mining, using the statistical software R to obtain the grouping of the data based on the dissimilarity between the data. Based on the results obtained in this study, it was possible to describe the institutions that presented good and bad academic performances, so that decisions can be taken that result in the improvement in Brazilian higher education. 1. Introdução Esta pesquisa tem como objetivo aplicar técnicas de mineração de dados nos microdados do ENADE para analisar o desempenho dos acadêmicos do curso de Ciência da Computação no Rio Grande do Sul. Com base nos resultados obtidos neste estudo, será possível descrever as instituições que apresentaram bons e ruins desempenhos acadêmicos, de modo que será possível tomar decisões que resultem numa melhoria no ensino de nível superior brasileiro. Buscar melhorar a qualidade de ensino é algo que se deseja cada vez mais, pois quanto mais capacitado o aluno sai da universidade, maior será sua chance de sucesso no mercado de trabalho. Mas como saber quais aspectos devem ser melhorados pelas instituições? Para responder esta questão, é preciso ter um meio de quantificar o desempenho acadêmico destes estudantes. Para tanto, pode-se utilizar os microdados do Exame Nacional de Desempenho de
2 2 Estudantes (ENADE), cujo um dos objetivos é melhorar a qualidade do ensino de nível superior brasileiro. As técnicas de mineração de dados que serão aplicadas aos microdados do ENADE serão os métodos de agrupamento K-Means e Hierárquico para analisar o desempenho acadêmico dos estudantes do curso de Ciência da Computação do estado do Rio Grande do Sul, visando comparar estes resultados entre as instituições públicas e privadas do estado, bem como verificar a possibilidade de melhorar o desempenho acadêmicos dos alunos e das instituições. 2. Mineração de Dados A Mineração de Dados (Data Mining em inglês, ou MD) segundo Amo (2004), simplesmente, trata-se de extrair ou minerar conhecimento de grandes volumes de dados. Em outras palavras, é o processo de analisar dados de diferentes perspectivas, categorizar estes dados e identificar relações entre estes, com a intenção de extrair informações uteis. Apesar de o termo Mineração de Dados ser relativamente novo, a tecnologia não é, a ideia surgiu e existe desde os anos sessenta, porém, somente durante os anos oitenta que o termo Mineração de Dados (Data Mining) se consolidou. Durante anos, empresas de várias áreas tem utilizado a mineração de dados para a extração de conhecimento. Pode-se citar um exemplo de detecção de padrões (compras, pagamentos, etc.) de um cliente em um supermercado, visando melhorar a interação da empresa com o cliente. A continua evolução no poder computacional e dos softwares de estatística que vem acontecendo durante os anos, vem aumentando consideravelmente a precisão dos resultados e a diminuição dos custos. A MD prove um método automático para descobrir padrões em dados, sem a tendenciosidade e a limitação de uma análise baseada meramente na intuição humana (BRAGA, 2005). Basicamente o processo de encontrar relações ou padrões em grandes bases de dados relacionadas. Amo (2004) cita que muitas pessoas consideram o termo Mineração de Dados como sinônimo de Descoberta de Conhecimento em Bases de Dados (Knowledge Discovery in Databases, ou KDD), mas na verdade, KDD é um processo mais amplo, que consiste de algumas etapas, definidas como: Limpeza dos dados, integração dos dados, seleção e transformação dos dados, mineração, avaliação dos resultados e a visualização dos resultados. Na primeira etapa, a limpeza dos dados, os dados são verificados com a intenção de se remover ruídos ou dados inconsistentes na base de dados, ou seja, são descartados dados desnecessários ou com erros. Após é feita a integração dos dados, onde várias bases de dados podem ser mescladas, formando assim uma única grande base de dados. A próxima etapa é a de seleção, nesta etapa, apenas os dados que que interessam são selecionados, ou seja, apenas aquilo que é relevante ao usuário, de acordo com a pesquisa a ser desenvolvida por este. Com os dados relevantes a pesquisa selecionados e limpos através dos passos anteriores, o próximo passo é transformar estes dados de maneira que se possam ser aplicados os algoritmos de mineração de dados, isto é feito na etapa de transformação dos dados. Bento (2015) define que a fase de transformação de dados é responsável pela adequação dos dados processados pelas etapas anteriores. Após as etapas anteriores, com os dados já limpos, selecionados e transformados, são aplicadas as técnicas de Mineração de Dados, para se obter novos dados (conhecimento, padrões relevantes, etc.). Esta etapa é essencial para o processo, pois somente a partir dela que são gerados os novos conhecimentos. As duas etapas seguintes consistem na avaliação e visualização dos resultados obtidos através das técnicas de mineração de dados. Na parte de avaliação, os dados obtidos são
3 3 avaliados para a identificação de padrões relevantes, de acordo com a exigência do usuário. E a seguir os resultados finais são apresentados ao usuário. Bento (2015) exalta que caso os resultados obtidos não sejam satisfatórios, deve-se fazer uma revisão de todos os processos envolvidos no KDD, e até mesmo repetido quantas vezes for necessário. 3. Análise de Agrupamento Analise de Agrupamento (Clusterização, ou Clustering em inglês) é o termo designado para técnicas computacionais as quais tem por objetivo separar dados em grupos, com base nas características destes dados, ou seja, agrupar dados semelhantes em um mesmo grupo (ou cluster) baseando em um critério dado por uma função de similaridade, ou dissimilaridade, funções estas que serão abordadas posteriormente neste trabalho. O propósito de identificar clusters é obter a partição de um banco de dados de registros tal que os registros possuam similaridade entre si. Com isso, permite obter características de cada clusters formados (BENTO, 2015). Nesta seção serão introduzidos os tipos de análise de agrupamentos (Clusterização ou Clustering em ingles) Hierárquico e Não-hierárquico O Agrupamento Hierárquico é baseado em um simples conceito: agrupar variáveis (observações, elementos, dado ou objeto) passo a passo, de maneira hierárquica. Segundo Bento (2015), o algoritmo Hierarchical Clustering foi desenvolvido por King na década de 60, porém somente na mesma década que se tornou conhecido através de Johnson. A principal vantagem desta técnica, consiste no fato de que não se faz necessário qualquer parâmetro de entrada para o início do processo. Linden (2009), cita que os algoritmos hierárquicos criam uma hierarquia de relacionamentos entre os elementos, e que existem duas versões, a aglomerativa e a divisiva. O K-Means (também conhecido como K-Médias) é uma heurística de agrupamento não hierárquico que busca minimizar a distância dos elementos a um conjunto de n clusters de forma iterativa. (Linden, 2009). O K-Means, utilizado para classificar dados em um número N de grupos (clusters) através de um método iterativo, é o método mais comum de agrupamento particional. Vale (2005) cita que, diferente dos métodos hierárquicos, o K-Means não cria uma estrutura em arvore para descrever o agrupamento dos dados, e é mais adequado para grande quantidade de dados. O método K-Means depende de um parâmetro, indicado pelo usuário para sua execução, este parâmetro que deve ser indicado, consiste no número de clusters (k clusters) a serem considerados. A escolha deste parâmetro, feita pelo usuário, pode afetar a qualidade dos resultados obtidos ao final do processo. 4. Software Estatístico Nesta seção serão abordados o software estatístico utilizado nesta pesquisa, o Software R e sua IDE, o RStudio. O Software R foi desenvolvido pela empresa Bell Laboratories, sendo originalmente escrito por Ross Ihaka e Robert Gentleman em meados dos anos 90, porém a partir de 1997, vem sendo desenvolvido por uma grande comunidade de voluntários desenvolvedores, que vem crescendo com o passar dos anos. R é um software open-source desenvolvido para os sistemas operacionais Linux, Windows e Mac e faz parte do projeto GNU (coleção de softwares open-source).
4 4 R é um software estatístico (linguagem e ambiente integrado) voltado para a manipulação e análise de dados, realização de cálculos e desenvolvimento de gráficos. Os resultados obtidos utilizando-se o software R são exibidos em formas de texto e gráficos. O software R é uma ferramenta estatística poderosa, porém não a mais fácil de ser utilizada. Apesar de o software R possuir uma interface gráfica, esta é muito básica e limitada, por este motivo, o RStudio foi desenvolvido com o intuito de oferecer um ambiente de trabalho mais fácil, intuitivo e mais produtivo, além de prover algumas funções adicionais aos usuários do software R. RStudio deve ser considerado como uma IDE (sigla em inglês para Integrated Development Environment ou Ambiente de Desenvolvimento Integrado) mais voltado para programação. Foi desenvolvido por J.J. Allaire e sua equipe na linguagem de programação C++ no ano de 2008 e continua em processo de desenvolvimento/atualização até a presente data. Assim como o Software R, RStudo é open-source e freeware e sua versão desktop está disponível para as plataformas Windows, Mac OS e Linux. 5. Exame Nacional de Desempenho de Estudantes O ENADE (Exame Nacional de Desempenho de Estudantes) é um dos métodos de avaliação do Sinaes (Sistema Nacional de Avaliação da Educação Superior) que é realizado pelo Inep (Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira), o qual é uma autarquia federal vinculada ao MEC (Ministério da Educação), com base nas diretrizes definidas pelo CONAES (Comissão Nacional de Avaliação da Educação Superior), órgão colegiado de coordenação e supervisão do Sinaes. O ENADE tem como seu objetivo, acompanhar e avaliar o rendimento dos alunos concluintes, de cursos de graduação, levando em consideração o conteúdo previsto nas diretrizes curriculares do respectivo curso em que o aluno está matriculado. Sendo um componente curricular obrigatório, o estudante habilitado e selecionado deve realizar a prova, pois o registro da regularidade fica registrado no histórico escolar, e a não realização da prova, implica na impossibilidade da expedição do diploma pela instituição até que a situação seja regularizada junto ao ENADE, logo o estudante não consegue se formar antes da regularização da situação. 6. Procedimento Metodológico Esta pesquisa tem caráter quantitativo, método este que conforme Richardson (1989), caracteriza-se pela quantificação, em ambas as modalidades de coleta de informações, e no tratamento dessas informações através de técnicas estatísticas, desde as mais simples até as mais complexas. Ainda se classifica como técnica de coleta de dados, utilizando dados secundários (Base de Dados do ENADE 2014). É pesquisa aplicada, pois tem como objetivo, de maneira exploratória e descritiva, resolver um problema especifico através da aplicação pratica dos conhecimentos gerados, utilizando procedimentos de estudo de caso. Nesta pesquisa, serão aplicadas técnicas estatísticas univariadas e multivariadas em banco de dados. Estas analises serão aplicadas nos microdados do ENADE de 2014 das universidades gaúchas que ofertam o curso de ciência da computação. Para a análise univariada, serão apresentadas as medidas descritivas das variáveis quantitativas notas objetivas e discursivas da formação geral e especifica. Para análise multivariada, será utilizada a técnica de agrupamento hierárquico com aglomeração com o objetivo de formar grupos das universidades gaúchas que apresentam similaridade nas notas do ENADE do curso de ciência da computação de Todas as analise estatísticas serão realizadas no software estatístico R. O projeto está subdivido nas seguintes etapas:
5 5 Projeto: - Realizar um estudo sobre mineração de dados - Pesquisar sobre a técnica de agrupamento abordando os métodos K-Means e Hierarchical Clustering; - Analisar e escrever sobre a técnica de Redução de Dimensionalidade conceituando o método de Análise de Componentes Principais; - Descrever o software de análise estatística R Statistics; Modelagem: - Desenvolver o diagrama de caso de uso; - Construir o diagrama de atividades e sequencia; - Importação da base de dados do ENADE; Validação: - Validar os resultados obtidos utilizando o software estatístico R Statistics. - Medida da consistência interna dos Microdados do ENADE utilizando o coeficiente alfa de Cronbach. - Apresentar os resultados obtidos na forma de tabelas e gráficos. 7. Desenvolvimento Após a definição do tema e área do trabalho, o desenvolvimento começa com o estudo teórico dos elementos necessários para a realização da proposta do trabalho, já apresentados de forma detalhada nas seções anteriores. A Mineração de Dados, sendo a área principal do foco do trabalho, foi a primeira a ser explorada, realizando o estudo de todo o processo de KDD (Descoberta de Conhecimento em Bases de Dados), que engloba a Mineração de Dados. O processo de KDD de faz necessário para a preparação dos dados e posteriormente, a extração de conhecimento destes dados utilizando técnicas de mineração de dados. A técnica abordada e utilizada neste trabalho, foi a técnica de Agrupamento Hierárquico com Aglomeração (Aglomerative Hierarchical Clustering), bem como as medidas de similaridade e dissimilaridade, as medidas de distância, dentre as quais, a utilizada pela pesquisa, após testes realizados, foi a Medida de Distância Chebychev, e as funções de ligação, responsáveis por gerar a hierarquia dos agrupamentos, onde devido a pesquisa realizada, foi definida a utilização da função de ligação Ward. Também foi realizado o estudo dos dendogramas, forma de apresentação dos resultados gerados pela técnica de agrupamento hierárquico aglomerativo. Foi realizada uma pesquisa sobre o ENADE (Exame Nacional de Desempenho dos Estudantes) de 2014, e também sobre o software no qual a técnica de mineração seria aplicada, o Software R, juntamente com a IDE RStudio.
6 6 Figura 1 - Fluxograma da proposta do trabalho. Fonte: Desenvovido pelo autor O fluxograma apresentado pela Figura 1, detalha a proposta do presente trabalho em várias etapas necessárias para a obtenção dos resultados. Figura 2 - Fluxograma de aplicação da técnica de MD. Fonte: Desenvovido pelo autor A Figura 2, por sua vez, apresenta um fluxograma detalhado sobre a técnica utilizada, realçando o caminho traçado por este trabalho para a obtenção dos resultados. Conforme o fluxograma informa, a técnica de mineração de dados utilizada foi a de Clusterização, na forma hierárquica, este Agrupamento Hierárquico, como é chamado, possui duas variantes, que operam de maneira reversa uma a outra, a Aglomerativa e a Divisiva, conforme observado, a utilizada foi a técnica com aglomeração (ou Aglomerativa). Esta funciona calculando, primeiramente, as distancias (dissimilaridade) entre os objetos, que representam um cluster cada ao início do processo. A partir desta matriz de dissimilaridade, a função de ligação gera a hierarquia dos agrupamentos, agrupando os dois elementos (clusters) mais distantes (dissimilares) e então
7 7 recalculando a distância entre estes clusters, para em seguida, repetir o processo ate o ponto em que todos os elementos se encontrem em apenas um cluster. Todos estes passos (algoritmo) são executados utilizando o Software R em cima dos dados do ENADE, preparados previamente, e ao final do processo os agrupamentos resultantes são apresentados em forma de um dendograma. 8. Resultados Parciais Esta seção apresenta os resultados parciais obtidos, primeiramente fazendo uma análise univariada das variáveis e dados presentes na base de dados do ENADE 2014 e posteriormente efetuando a multivariada dos dados e resultados obtidos. Primeiramente, é apresentada uma análise univariada das variáveis e dos dados do ENADE 2014, extraida pelo autor da pesquisa. A Tabela 1 apresenta as variáveis referentes ao ENADE 2014, bem como as medidas descritivas dos dados. Variáveis ENADE Tabela 1 Medidas descritivas Medidas Descritivas Mínimo Máximo Media Q1 Mediana Q3 Desvio Padrão Coeficiente de Variação (%) Inscritos ,13 23,50 34,00 51,00 29,87 70,89 Participantes ,74 22,50 33,00 42,00 26,45 70,07 Nota bruta FG Nota padronizada FG Nota bruta CE Nota padronizada CE Nota bruta geral Nota padronizada geral Conceito ENADE Continuo 30, ,45 58,25 61,10 64,85 07,81 12,93 0 3,90 2,64 2,30 2,64 3,15 0,80 30,48 24,50 50,20 38,62 33,00 38,20 44,95 8,15 21,11 0,60 4,40 2,27 1,60 2,20 3,15 0,97 42,88 26,10 59,00 44,10 39,80 42,20 49,75 7,48 16,95 0 4,30 2,10 1,80 2,10 3,15 0,98 41,43 0,43 4,15 2,36 1,83 42,20 49,75 0,88 37,23
8 8 Conceito ENADE 1 5 2, ,50 0,97 33,45 Fonte: Desenvovido pelo autor De acordo com a Tabela 1, conclui-se que: Inscritos: Os números mínimo e máximo de inscritos no ENADE 2014 para o curso de ciência da computação foram de 8 (UCPEL) e 145 (UFRGS), respectivamente. A média de inscritos foi de 42,13 com desvio padrão 29,87. 25% do número de inscritos foi inferior a 23,50, 50% foi inferior a 34, enquanto que 75% foi inferior a 51 inscritos. Participantes: O número mínimo e máximo de participantes no ENADE 2014 para o curso de ciência da computação foi de 6 (UCPEL) e 130 (UFRGS), respectivamente. A média de participantes foi de 34,74 com desvio padrão 26,45. 25% do número de participantes foi inferior a 22,50, 50% foi inferior a 33, enquanto que 75% foi inferior a 42 participantes. Nota bruta FG: O número mínimo e máximo da Nota bruta FG no ENADE 2014 para o curso de ciência da computação foi de 30,80 (UCPEL) e (Unisinos), respectivamente. A média da Nota bruta FG foi de 60,45 com desvio padrão 07,81. 25% da Nota bruta FG foi inferior a 58,25, 50% foi inferior a 61,10, enquanto que 75% foi inferior a 64,85. Nota padronizada FG: O número mínimo e máximo da Nota padronizada FG no ENADE 2014 para o curso de ciência da computação foi de 0 (UCPEL) e 3,90 (Unisinos), respectivamente. A média da Nota padronizada FG foi de 2,64 com desvio padrão 0,80. 25% do número da Nota padronizada FG foi inferior a 2,30, 50% foi inferior a 2,64, enquanto que 75% foi inferior a 3,15. Nota bruta CE: O número mínimo e máximo da Nota bruta CE no ENADE 2014 para o curso de ciência da computação foi de 24,50 (UCPEL) e 50,20 (UFRGS), respectivamente. A média da Nota bruta CE foi de 38,62 com desvio padrão 8,15. 25% do número da Nota bruta CE foi inferior a 33,00, 50% foi inferior a 38,20, enquanto que 75% foi inferior a 44,95. Nota padronizada CE: O número mínimo e máximo da Nota padronizada CE no ENADE 2014 para o curso de ciência da computação foi de 0,60 (UCPEL) e 4,40 (UFRGS), respectivamente. A média da Nota padronizada CE foi de 2,27 com desvio padrão 0,97. 25% do número da Nota padronizada CE foi inferior a 1,60, 50% foi inferior a 2,20, enquanto que 75% foi inferior a 3,15. Nota bruta geral: O número mínimo e máximo da Nota bruta geral no ENADE 2014 para o curso de ciência da computação foi de 26,10 (UCPEL) e 59,00 (UFRGS), respectivamente. A média da Nota bruta geral foi de 44,10 com desvio padrão 7,48. 25% do número da Nota bruta geral foi inferior a 39,80, 50% foi inferior a 42,20, enquanto que 75% foi inferior a 49,75. Nota padronizada geral: O número mínimo e máximo da Nota padronizada geral no ENADE 2014 para o curso de ciência da computação foi de 0 (UCPEL) e 4,30 (UFRGS), respectivamente. A média da Nota padronizada geral foi de 2,10 com desvio padrão 0,98. 25% do número da Nota padronizada geral foi inferior a 1,80, 50% foi inferior a 2,10, enquanto que 75% foi inferior a 3,15. Em seguida, é apresentada a Analise Multivariada, que aborda a comparação feita entre as medidas de distância Euclidiana, Euclidiana Quadratica, Minkowsky, Manhattan, Canberra e Chebychev, utilizando a função de ligação Ward. A definição de qual medida apresenta um melhor resultado será feita a partir do valor obtido utilizando o coeficiente Cophenet. A comparação estre estas medidas de distância, foi feita para a obtenção dos resultados, e tal comparação foi executada utilizando os dados do ENADE Estas comparações foram feitas utilizando-se apenas a função de ligação (linkage) Ward, pelo fato de, após realizada uma pesquisa bibliográfica, foi constatado que a grande
9 9 maioria dos artigos na literatura especifica, vêm fazendo o uso desta função, e também pelo fato desta gerar clusters da maneira mais homogênea possível. Além disso, a função de ligação Ward leva em consideração dados que apresentam grande variabilidade, como é o caso da base de dados do ENADE 2014 utilizada. Por estes motivos, não foram testadas outras medidas para este trabalho. Através dos resultados obtidos, pode-se definir que o melhor agrupamento aconteceu utilizando a medida de distância Chebychev, baseando-se no coeficiente Cophenet. Figura 3 - Grupos identificados no dendograma de Chebychev com Ward. Fonte: Desenvovido pelo autor Os dados do ENADE obtidos por estas IES, em relação aos grupos formados são descritos a seguir. Grupo 1: Este grupo é constituído por nove IES sendo elas UNISC, Unipampa, Unijui- Ijui, Feevale, URI-Erechin, UCS, UFSM, Unisinos e Unijui-Santa Rosa, onde seis destas IES obtiveram Conceito ENADE igual a 3 (Feevale, UNISC, URI-Erechin, Unijui-Ijui, Unijui- Santa Rosa e Unipampa) e três obtiveram conceito 4 (UCS, Unisinos, UFSM). As medias das notas brutas FG, CE e Total foram de 64.94, e 48.34, respectivamente. As médias de inscritos e de participantes foram de e 32.00, respectivamente. A média do Conceito ENADE Continuo foi de 2,86 Grupo 2: Este grupo é constituído por dez IES, sendo elas Unifra, URI-Frederico Westphalen, URI-Santiago, Uri-Santo Ângelo, FAACS, Unilasalle,Ulbra-Canoas, Ulbra- Gravatai, UPF, Unicruz, onde sete destas obtiveram conceito ENADE igual a 2 (UPF, URI- Frederico Westphalen, URI-Santiago, URI-Santo Ângelo, Unicruz, Ulbra-Canoas, FAACS e Ulbra-Gravataí) e somente duas obtiveram conceito ENADE igual a 3 (Unilasalle e Unifra). As medias das notas brutas FG, CE e Total, foram de 58.59, e 39,12, respectivamente. As médias de inscritos e de participantes foram de e 29,70, respectivamente. A média do conceito ENADE continuo foi de 1,74. Grupo 3: O grupo 3 é constituído de apenas uma IES, a UCPEL que obteve o conceito ENADE 1. As notas brutas de FG, CE e Total foram de 30.8, 24.5 e 26.1, respectivamente. Os inscritos e participantes foram de 8 e 6, respectivamente. A nota do conceito ENADE continuo foi de 0,43. Grupo 4: Este grupo é constituído por três IES, PUCRS, UFRGS e UFPEL das quais duas obtiveram o conceito ENADE 4 (PUCRS e UFPEL) e apenas uma obteve o conceito ENADE 5 (UFRGS). As médias das notas brutas FG, CE e Total foram de 63,03, 50,90 e 53,93, respectivamente. As médias de inscritos e de participantes foram de 102,33 e 92,33, respectivamente. A média do conceito ENADE continuo foi de 3.53
10 10 As IES presentes no Subgrupo 6 são PUCRS e UFPEL, e ambas obtiveram Conceito ENADE 4. As medias das notas brutas FG, CE e total foram de 60.75, e 51.40, respectivamente. As médias de inscritos e de participantes foram de e 83.50, respectivamente. A média do Conceito ENADE Continuo foi de Considerações Parciais 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 Figura 4 Gráfico de notas dos grupos. Conceito ENADE Continuo Grupo 1 Grupo 2 Grupo 3 Grupo 4 Fonte: Desenvolvido pelo autor. A partir dos resultados obtidos, pode-se observar que as IES contidas no grupo 4 foram as que obtiveram os melhores resultados no exame do ENADE 2014, pelo fato de terem obtido a nota de Conceito ENADE Continuo mais alta na escala de 0 a 5, seguidas pelas IES contidas no grupo 1, que apresentaram bons resultados. As IES presentes no Grupo 2 apresentaram resultados mediano, não tão satisfatórios quantos as dos grupos 4 e 1, e a única IES presente no grupo 3 apresentou o pior resultado, por este motivo ficou isolada em seu cluster. 9. Referências AMO, Sandra de. Técnicas de Mineração de Dados f. Curso de Faculdade de Computação, Universidade Federal de Uberlândia, Uberlândia, BRAGA, Luis Paulo Vieira. Introdução á Mineração de Dados: 2ª edição revisada e ampliada. 2. ed. Rio de Janeiro: E-papers Serviços Editoriais, p. BENTO, Renan Delazari. validação da técnica de clusterização hierarchical clustering: comparação entre os metodos median, single e ward integrantes da função linkage f. TCC (Graduação) - Curso de Ciência da Computação, Universidade de Cruz Alta Unicruz, Cruz Alta- Rs, LINDEN, Ricardo. Tecnicas de Agrupamento. Revista de Sistemas de Informação da Fsma, Macaé, v. 4, n. 4, p.18-36, jan
11 VALE, Marcos Neves do. Agrupamento de Dados: Avaliação de Metodos e Desenvolvimento de Aplicativo para Análise de Grupos f. Dissertação (Mestrado) - Curso de Engenharia Elétrica, Programa de Pós-Graduação, Puc-rio, Rio de Janeiro,
Análise de Agrupamento Hierárquico aplicada aos microdados do ENADE do curso de graduação em Ciência da Computação
Análise de Agrupamento Hierárquico aplicada aos microdados do ENADE do curso de graduação em Ciência da Computação Nicolas P. B. Vista 1, João B. Barasuol 1, Michele F. Figueiró 1,2, Patrícia M. M. Chicon
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 maisMineração de Dados. Arthur Emanuel de O. Carosia Cristina Dutra de Aguiar Ciferri
Mineração de Dados Arthur Emanuel de O. Carosia Cristina Dutra de Aguiar Ciferri 1 Motivação Aumento da capacidade de processamento e de armazenamento de dados; Baixo custo; Grande quantidade de dados
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 maisTrilha Learning Machine Cluster Analysis em 4 passos Marco Siqueira Campos
Trilha Learning Machine Cluster Analysis em 4 passos Marco Siqueira Campos Marco Siqueira Campos Sócio fundador Siqueira Campos Associados e sos-stat Estatístico UFRGS Certificado Data Science Specialization
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 maisResultados relacionados com o IGC 2012 Todo o País
Universida Feral do Rio Gran do Sul Secretaria Avaliação Institucional SAI Resultados relacionados com o IGC 2012 Todo o País Posição Universida UF IGC - Conceito - IGC da do Mestrado do da Pós- 1º UFRGS
Leia maisKDD, Mineração de Dados e Algoritmo Apriori
Universidade Federal de São Carlos - UFSCar Departamento de Computação - DC Programa de Pós-Graduação em Ciência da Computação - PPGCC KDD, Mineração de Dados e Algoritmo Apriori Aluno: Rodrigo Moura J.
Leia maisMinistério da Educação Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira n. alunos presente s Enade
Área Sigla IES Município Rede (funcionamento do curso) Ministério da Educação Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira n. alunos presente s Enade Particip antes Ingressa ntes
Leia maisAnálise de Agrupamento. Cluster Analysis
Análise de Agrupamento Cluster Analysis Objetivo Classificar objetos, itens ou indivíduos de acordo com as suas semelhanças. Os objetos semelhantes são alocados em um mesmo grupo e, portanto, aqueles que
Leia maisSENSOMETRIA. Adilson dos Anjos. Curitiba, PR 21 de maio de Departamento de Estatística Universidade Federal do Paraná
SENSOMETRIA Adilson dos Anjos Departamento de Estatística Universidade Federal do Paraná aanjos@ufpr.br Curitiba, PR 21 de maio de 2015 1 / 7 SENSOMETRIA SEGMENTAÇÃO 2 / 7 Introdução Análise de agrupamentos->
Leia maisA Figura 28 mostra a representação gráfica dos dados presentes na base de dados fcmdata do Matlab de dimensão 140x2 dividida em 2 grupos.
84 5 Estudos de Caso A seguir serão apresentados três estudos de caso. Os dois primeiros estudos de caso têm por objetivo demonstrar a facilidade de uso do aplicativo, e o último estudo de caso é focado
Leia maisSUZEL LISIANE JANSEN BITTENCOURT Orientador: Prof. Dr. Octávio Augusto Camargo Conceição
SUZEL LISIANE JANSEN BITTENCOURT Orientador: Prof. Dr. Octávio Augusto Camargo Conceição NOVAS HABILIDADES MÃO-DE- OBRA QUALIFICA DA NOVAS IDEIAS INSTITUIÇÕES DE ENSINO SUPERIOR: INOVAÇÃO PRODU- TIVIDADE
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 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 maisData Mining. Felipe E. Barletta Mendes. 21 de maio de 2008
21 de maio de 2008 O foco principal deste material não é apresentar em minúcia todo o contexto de, muito menos o sobre o processo KDD em que a mineração de dados usualmente está inserida. O objetivo é
Leia maisANÁLISE DE AGRUPAMENTOS (Cluster Analysis) Flávia F. Feitosa
ANÁLISE DE AGRUPAMENTOS (Cluster Analysis) Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 ANÁLISE DE AGRUPAMENTOS É uma técnica analítica pra identificar
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 maisNíveis descritivos de testes estatísticos de variabilidade como medidas de similaridade entre objetos em análises de agrupamento
Níveis descritivos de testes estatísticos de variabilidade como medidas de similaridade entre objetos em análises de agrupamento Luiz Roberto Martins Pinto 1 Leonardo Evangelista Moraes 2 Priscila Ramos
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 maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Agrupamento de Dados Tópicos Agrupamento de dados Análise de cluster Dificuldades em agrupamento Algoritmos
Leia maisInteligência Artificial Agrupamento de Dados. prof. Dr. Rogério R. de Vargas. Universidade Estadual de Santa Cruz - UESC. Ilhéus-Ba, Outubro de 2013
Inteligência Artificial de prof. Dr. Rogério R. de Vargas Universidade Estadual de Santa Cruz - UESC Ilhéus-Ba, Outubro de 2013 http://rogerio.in slide 1 Introdução http://rogerio.in slide 2 Como agrupar?
Leia maisAnálise de dados multivariados I
Análise de dados multivariados I Tópico: Análise de Conglomerados ou Agrupamentos (ou ainda, Cluster Analysis) Bibliografia: R.A. Johnson, Applied Multivariate Statistical Analysis, Prentice Hall, 199
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 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 - Contextualização. Fonte: Prof. Fabrício J. Barth -
Mineração de Dados - Contextualização Fonte: Prof. Fabrício J. Barth - http://fbarth.net.br/ Mineração de Dados - Contextualização Uso da informação Síntese do conhecimento; Manter, disseminar, organizar,
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multivariados 1 Análise de componentes principais 2 Aplicações de análise
Leia maisCONTRIBUIÇÃO DA ANÁLISE MULTIVARIADA PARA OS INDICADORES DE AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO: uma análise na área de Matemática
CONTRIBUIÇÃO DA ANÁLISE MULTIVARIADA PARA OS INDICADORES DE AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO: uma análise na área de Matemática Renata Cristina Gutierres Castanha (UNESP) regutierres@gmail.com
Leia maisTópicos Especiais em Informática Fatec Indaiatuba 13/07/2017
Inteligência de Negócios Fatec Indaiatuba Prof. Piva Compreender as definições e conceitos básicos da Mineração de Dados (MD) Entender o processo KDD (Knowledge Discovery Data) e MD Descrever as etapas
Leia maisSEMINÁRIOS INTEGRADOS EM SISTEMAS DE INFORMAÇÃO. Luiz Leão
SEMINÁRIOS INTEGRADOS EM SISTEMAS DE INFORMAÇÃO Unidade 1 O ciclo SINAES (Sistema Nacional de Avaliação da Educação Superior) Luiz Leão luizleao@gmail.com http://www.luizleao.com Conteúdo Programático
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 maisPERGUNTAS FREQUENTES. A legislação que envolve as diretrizes e definições gerais acerca do Enade se baseia nas seguintes normas judiciais:
PERGUNTAS FREQUENTES 1. Enade 1.1 O que é o Enade e qual o seu objetivo? O Exame Nacional de Desempenho dos Estudantes (Enade) é uma das avaliações que compõem o Sistema Nacional de Avaliação da Educação
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 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 maisMANUAL DE REFERÊNCIA DE ANÁLISE DE CONGLOMERADOS
MANUAL DE REFERÊNCIA DE ANÁLISE DE CONGLOMERADOS INTRODUÇÃO... 2 MEDIDAS DE SIMILARIDADE [2,3]... 3 2. MEDIDAS DE CORRELAÇÃO... 4 2.2 MEDIDAS DE DISTÂNCIA... 6 2.2. TIPOS DE MEDIDAS DE DISTÂNCIA... 7 2.3
Leia maisKDD E MINERAÇÃO DE DADOS
KDD E MINERAÇÃO DE DADOS O Processo de KDD: Visão Geral Prof. Ronaldo R. Goldschmidt ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt CARACTERIZAÇÃO ÁREAS DE ORIGEM
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 18 Aprendizado Não-Supervisionado Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia mais2 Mineração de Dados Processo de Busca de Conhecimento (KDD) 2 Mineração de Dados
2 Mineração de Dados 2 Mineração de Dados A mineração de dados, ou data mining, é uma das principais etapas do processo de busca de conhecimento. Este conceito é utilizado para identificar técnicas avançadas
Leia maisA procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP
A procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP Lúcia Sousa Escola Superior de Tecnologia e Gestão, Instituto Politécnico de Viseu Fernanda Sousa Faculdade de Engenharia
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 maisTCE Informática Pré-Processamento de Dados Prof. Marcelo Ribeiro
TCE Informática Pré-Processamento de Dados Prof. Marcelo Ribeiro www.acasadoconcurseiro.com.br Informática PRÉ-PROCESSAMENTO DE DADOS EM DATA MINING Técnicas de pré-processamento e transformação de dados
Leia maisBrasília, 12 de março de 2009
Avaliação dos Cursos de Ciências Contábeis pelo ENADE 2009 Prof. Dr. Valcemiro Nossa Brasília, 12 de março de 2009 ENADE Exame Nacional de Desempenho de Estudantes integra o Sistema Nacional de Avaliação
Leia maisCÁLCULO DO TAMANHO AMOSTRAL EM R SHINY. Calculation of the Sample Size in R Shiny
CÁLCULO DO TAMANHO AMOSTRAL EM R SHINY Calculation of the Sample Size in R Shiny BARASUOL, João B. 1 ; GELATTI, Gabriel A. 2 ; JOCHIMS, Gabriel S. 3 ; NASCIMENTO; Antonielli D. do 4 ; ANSUJ, Angela P.
Leia maisLes-0773: ESTATÍSTICA APLICADA III ANÁLISE DE AGRUPAMENTO. Junho de 2017
Les-0773: ESTATÍSTICA APLICADA III ANÁLISE DE AGRUPAMENTO AULA 4 02/06/17 Prof a Lilian M. Lima Cunha Junho de 2017 DEFINIÇÃO Análise de conglomerados (Cluster Analysis) é uma das técnicas de análise multivariada
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 16 Aprendizado Não-Supervisionado Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
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 maisAgrupamentos de Dados: Avaliação de Métodos e Desenvolvimento de Aplicativo para Análise de Grupos
Marcos Neves do Vale Agrupamentos de Dados: Avaliação de Métodos e Desenvolvimento de Aplicativo para Análise de Grupos Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção
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 mais3 Estado da arte. 3.1 A linguagem de consultas SPARQL
Estado da arte 24 3 Estado da arte Nesse capítulo serão discutidas ferramentas, tecnologias e soluções existentes na área da web semântica. Na seção 3.1 e 3.2 deste capítulo serão discutidas abordagens
Leia maisINSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA. Exame Nacional de Desempenho dos Estudantes ENADE
INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA DIRETORIA DE AVALIAÇÃO DA EDUCAÇÃO SUPERIOR Exame Nacional de Desempenho dos Estudantes ENADE SINAES AVALIAÇÃO DE IES AVALIAÇÃO DE
Leia maisANALYTICINT FERRAMENTA WEB PARA AVALIAR O PERFIL ACADÊMICO DOS CURSOS TÉCNICOS INTEGRADO DO IFC-VIDEIRA
ANALYTICINT FERRAMENTA WEB PARA AVALIAR O PERFIL ACADÊMICO DOS CURSOS TÉCNICOS INTEGRADO DO IFC-VIDEIRA Autores : Autor 1, Autor 2, Autor 3, Autor 4 1 Autor 2 Autor 3 Autor 4 Autor Introdução Com o objetivo
Leia maisANALYTICS: Dados e Atenção
ANALYTICS: Dados e Atenção O CONCEITO DE ANALYTICS NA INTERNET DAS COISAS BASEIA-SE NA CONSTANTE GERAÇÃO DE DADOS Por Nazareno Andrade Deyvison Bruno, Icaro Ramires, Joabe Pinheiro 1 Agenda Informações
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 maisDESCOBERTA DO CONHECIMENTO COM O USO DE TEXT MINING APLICADA AO SAC TEXT MINING. Aluno José Lino Uber. Orientador Paulo Roberto Dias
DESCOBERTA DO CONHECIMENTO COM O USO DE TEXT MINING APLICADA AO SAC TEXT MINING Aluno José Lino Uber Orientador Paulo Roberto Dias Dezembro/2004 Roteiro Introdução Objetivo Conceitos Motivação / Tipos
Leia maisImplementação de um Modelo para Previsão de Evasão Escolar no IFSULDEMINAS
6ª Jornada Científica e Tecnológica e 3º Simpósio de Pós-Graduação do IFSULDEMINAS 04 e 05 de novembro de 2014, Pouso Alegre/MG Implementação de um Modelo para Previsão de Evasão Escolar no IFSULDEMINAS
Leia maisPortaria Inep nº 245 de 04 de agosto de 2011 Publicada no Diário Oficial de 05 de agosto de 2011, Seção 1, págs. 55 e 56
Portaria Inep nº 245 de 04 de agosto de 2011 Publicada no Diário Oficial de 05 de agosto de 2011, Seção 1, págs. 55 e 56 A Presidenta do Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira
Leia maisGESTÃO DE DADOS NAS ORGANIZAÇÕES. Prof. Robson Almeida
GESTÃO DE DADOS NAS ORGANIZAÇÕES Prof. Robson Almeida INFRA-ESTRUTURA DE SISTEMAS DE INFORMAÇÃO 3 CONCEITOS Bit: Menor unidade de dados; dígito binário (0,1) Byte: Grupo de bits que representa um único
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 maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 02 Representação dos dados Pré-processamento Max Pereira Tipo de Dados Os atributos usados para descrever objetos de dados podem ser de diferentes tipos: Quantitativos
Leia maisConsistência de agrupamentos de acessos de alho via análise discriminante
Consistência de agrupamentos de acessos de alho via análise discriminante 1 Introdução 1 Anderson Rodrigo da Silva 1 Paulo Roberto Cecon 1 Mário Puiatti 2 Moysés Nascimento 1 Fabyano Fonseca e Silva 1
Leia maisDESENVOLVIMENTO E IMPLEMENTAÇÃO DE SOFTWARE EDUCACIONAL NA ÁREA DE ESTATÍSTICA PARA O ENSINO BÁSICO 1
DESENVOLVIMENTO E IMPLEMENTAÇÃO DE SOFTWARE EDUCACIONAL NA ÁREA DE ESTATÍSTICA PARA O ENSINO BÁSICO 1 Vinícius Fleck 2, Matheus Reis De Almeida 3, Antônio Édson Corrente 4, Peterson Cleyton Avi 5, Tania
Leia maisUm Comparativo entre Ferramentas para o Desenvolvimento de Jogos Educativos Computacionais Rogério Paulo Marcon Júnior, Giani Petri
281 Um Comparativo entre Ferramentas para o Desenvolvimento de Jogos Educativos Computacionais Rogério Paulo Marcon Júnior, Giani Petri Curso de Tecnologia em Sistemas para Internet(TSI) Universidade Federal
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 maisENADE Relatório da IES UNIVERSIDADE FEDERAL DO PARANÁ CURITIBA. Instituto Nacional de Estudos e Pesquisas Educacionais
ENADE 2011 Relatório da IES G Instituto Nacional de Estudos e Pesquisas Educacionais UNIVERSIDADE FEDERAL DO PARANÁ CURITIBA O V E R N O F E D E R A L PAÍS RICO É PAÍS SEM POBREZA Apresentação O Exame
Leia maisANÁLISE DE BIG DATA E INTELIGÊNCIA ARTIFICIAL PARA A ÁREA MÉDICA
CURTA DURAÇÃO ANÁLISE DE BIG DATA E INTELIGÊNCIA ARTIFICIAL PARA A ÁREA MÉDICA CARGA HORÁRIA: 80 horas COORDENAÇÃO: Prof.ª Dr.ª Alessandra de Ávila Montini OBJETIVOS Introduzir o conceito de Big Data,
Leia maisPORTARIA Nº 828, DE 16 DE ABRIL DE 2019
PORTARIA Nº 828, DE 16 DE ABRIL DE 2019 Estabelece o regulamento do Exame Nacional de Desempenho dos Estudantes - Enade 2019. O MINISTRO DE ESTADO DA EDUCAÇÃO, no uso da atribuição que lhe confere o art.
Leia maisEscalonamento Multidimensional
Programa de Pós-Graduação em Administração de Organizações (PPGAO) Análise de dados multivariados I Escalonamento Multidimensional Escalonamento Multidimensional (EMD) CAPÍTULO 9 Escalonamento Multidimensional
Leia maisANÁLISE COMPARATIVA DO DESEMPENHO NO ENADE DOS ESTUDANTES DE GRADUAÇÃO DO CENTRO DE CIÊNCIAS E EXATAS E DE TECNOLOGIA DA UFSCAR
ANÁLISE COMPARATIVA DO DESEMPENHO NO ENADE DOS ESTUDANTES DE GRADUAÇÃO DO CENTRO DE CIÊNCIAS E EXATAS E DE TECNOLOGIA DA UFSCAR Cirdêmia Costa Feitosa cirdemia.costa@gmail.com UFSCar, Departamento de Estatística
Leia maisENADE Relatório da IES UNIVERSIDADE FEDERAL DE SANTA CATARINA FLORIANÓPOLIS. Instituto Nacional de Estudos e Pesquisas Educacionais
ENADE 2011 Relatório da IES G Instituto Nacional de Estudos e Pesquisas Educacionais UNIVERSIDADE FEDERAL DE SANTA CATARINA FLORIANÓPOLIS O V E R N O F E D E R A L PAÍS RICO É PAÍS SEM POBREZA Apresentação
Leia maisRoteiro. PCC142 / BCC444 - Mineração de Dados. Cenário
Roteiro PCC142 / BCC444 - Mineração de Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br www.decom.ufop.br/luiz Introdução Tarefas
Leia maisArmazém de dados para o Censo da Educação Superior: uma experiência no Centro de Computação da UFMG
Armazém de dados para o Censo da Educação Superior: uma experiência no Centro de Computação da UFMG Patrícia Nascimento Silva 1, Josemar Pereira dos Santos 1, Vitor Fonseca de Melo 1 1 Centro de Computação
Leia maisGuilherme Augusto Bauer GERAÇÃO DE CONHECIMENTO ATRAVÉS DE DADOS DA PLATAFORMA LATTES COM O USO DE TÉCNICAS DE MINERAÇÃO DE DADOS
Guilherme Augusto Bauer GERAÇÃO DE CONHECIMENTO ATRAVÉS DE DADOS DA PLATAFORMA LATTES COM O USO DE TÉCNICAS DE MINERAÇÃO DE DADOS Trabalho de conclusão apresentado ao curso de Ciência da Computação da
Leia mais- Quem deve fazer o Enade?
- O que é o Enade? O Exame Nacional de Desempenho de Estudantes (Enade), que integra o Sistema Nacional de Avaliação da Educação Superior (Sinaes), tem o objetivo de aferir o rendimento dos alunos dos
Leia maisUniversidade Federal do Rio Grande do Sul Município: Porto Alegre
ENGENHARIA DE COMPUTAÇÃO Universidade Federal do Rio Grande do Sul Município: Porto Alegre Apresentação O Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP) apresenta o Relatório
Leia maisVII CONGRESSO INTERNACIONAL DE ENSINO DA MATEMÁTICA
VII CONGRESSO INTERNACIONAL DE ENSINO DA MATEMÁTICA ULBRA Canoas Rio Grande do Sul Brasil. 04, 05, 06 e 07 de outubro de 2017 Minicurso UTILIZAÇÃO DE PLANILHA ELETRÔNICA NO PROCESSO DE ENSINO E APRENDIZAGEM
Leia maisA MINERAÇÃO DE DADOS APLICADA A AVALIAÇÃO DA INFLUENCIA DA MEDIAÇÃO DO TUTOR NOS CURSOS DE GRADUAÇÃO EM EAD DO CEAR/ UEG
A MINERAÇÃO DE DADOS APLICADA A AVALIAÇÃO DA INFLUENCIA DA MEDIAÇÃO DO TUTOR NOS CURSOS DE GRADUAÇÃO EM EAD DO CEAR/ UEG Noeli Antônia Pimental Vaz 1, Pollyana dos Reis Fanstone 2, Neyde Maria da Silva
Leia maisResultado do Enade 2016
Resultado do Enade 2016 Diretoria de Avaliação Institucional - Comissão Própria de Avaliação (CPA) da UFMG Indicadores de Qualidade da Educação Superior São indicadores de qualidade da Educação Superior,
Leia maisUniversidade Estadual de Ponta Grossa Município: Ponta Grossa
ENGENHARIA DE COMPUTAÇÃO Universidade Estadual de Ponta Grossa Município: Ponta Grossa Apresentação O Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP) apresenta o Relatório
Leia maisSistemas de Informação e Decisão. Douglas Farias Cordeiro
Sistemas de Informação e Decisão Douglas Farias Cordeiro Decisão Tomamos decisões a todo momento! O que é uma decisão? Uma decisão consiste na escolha de um modo de agir, entre diversas alternativas possíveis,
Leia maisMANUAL DO ESTUDANTE ENADE 2018
INSTITUIÇÃO DE ENSINO SUPERIOR FACULDADE DOM ALBERTO MANUAL DO ESTUDANTE ENADE 2018 CURSOS: ADMINISTRAÇÃO, CIÊNCIAS CONTÁBEIS E DIREITO 1 Sumário 1. Enade... 4 1.1. O que é o Enade e qual o seu objetivo?...
Leia maisMineração de Dados Aplicada no Contexto Educacional
Giana da Silva Bernardino ¹ e Alexandre Leopoldo Gonçalves Universidade Federal de Santa Catarina ¹gianagsb@gmail.com RESUMO Este trabalho faz uso da mineração de dados com o objetivo de encontrar informações
Leia maisUNIVERSIDADE FEDERAL DE RORAIMA PRÓ-REITORIA DE PLANEJAMENTO DIRETORIA DE AVALIAÇÃO E INFORMAÇÃO. ENADE Exame Nacional de Desempenho de Estudantes
UNIVERSIDADE FEDERAL DE RORAIMA PRÓ-REITORIA DE PLANEJAMENTO DIRETORIA DE AVALIAÇÃO E INFORMAÇÃO ENADE Exame Nacional de Desempenho de Estudantes Boa Vista-RR Outubro/07 Ord. Este documento explana, analisa
Leia maisENADE Relatório da IES UNIVERSIDADE FEDERAL DE GOIÁS GOIÂNIA. Instituto Nacional de Estudos e Pesquisas Educacionais
ENADE 2011 Relatório da IES G Instituto Nacional de Estudos e Pesquisas Educacionais UNIVERSIDADE FEDERAL DE GOIÁS GOIÂNIA O V E R N O F E D E R A L PAÍS RICO É PAÍS SEM POBREZA Apresentação O Exame Nacional
Leia maisDescrição do Método de Análise de Clusters
ANÁLISE DE CLUSTERS A análise de Clusters designa uma série de procedimentos estatísticos sofisticados que podem ser usados para classificar objectos e pessoas por observação das semelhanças e dissemelhanças
Leia maisEngenharia de Software
Engenharia de Software Requisitos de Software Professor: Charles Leite Engenharia de requisitos Os requisitos de um sistema são as descrições do que o sistema deve fazer, os serviços que oferece e as restrições
Leia maisENADE 2015 PERGUNTAS E RESPOSTAS
ENADE 2015 PERGUNTAS E RESPOSTAS 1) O QUE É O ENADE? O Exame Nacional de Desempenho dos Estudantes (ENADE) é uma avaliação que objetiva aferir o desempenho dos estudantes em relação aos conteúdos programáticos
Leia maisFundamentos de Mineração de Dados
Fundamentos de Mineração de Dados Prof. Ricardo Fernandes ricardo.asf@ufscar.br O que é Mineração de Dados? Uso de ferramentas matemáticas, clássicas ou inteligentes, no processo de descoberta de conhecimento
Leia mais7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS
7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS Autor(es) LIDIA MARTINS DA SILVA Orientador(es) ANA ESTELA ANTUNES DA SILVA 1. Introdução
Leia maisENADE 2012 INFORMAÇOES IMPORTANTES PROACAD - UFPE DIRETORIA DE GESTÃO ACADÊMICA JUNHO 2012
ENADE 2012 INFORMAÇOES IMPORTANTES PROACAD - UFPE DIRETORIA DE GESTÃO ACADÊMICA JUNHO 2012 1 Documentos 2 Estudantes ingressantes e concluintes para o ENADE 2012 3 Regularização dos estudantes em situação
Leia maisModelagem em Experimentos Mistura-Processo para Otimização de Processos Industriais 15
Modelagem em Experimentos Mistura-Processo para Otimização de Processos Industriais 15 1 Introdução Na indústria moderna há uma contínua busca da otimização dos níveis de produção e da melhoria da qualidade
Leia maisPlugin da Ferramenta TestComplete para integração com a ferramenta TestLink
UNIVERSIDADE REGIONAL DE BLUMENAU CURSO DE SISTEMAS DE INFORMAÇÃO Plugin da Ferramenta TestComplete para integração com a ferramenta TestLink DOUGLAS DE OLIVEIRA WALTRICK Orientador: Everaldo Artur Grahl
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 maisENADE Relatório da IES FUNDAÇÃO UNIVERSIDADE FEDERAL DA GRANDE DOURADOS DOURADOS. Instituto Nacional de Estudos e Pesquisas Educacionais
ENADE 2011 Relatório da IES G Instituto Nacional de Estudos e Pesquisas Educacionais FUNDAÇÃO UNIVERSIDADE FEDERAL DA GRANDE DOURADOS DOURADOS O V E R N O F E D E R A L PAÍS RICO É PAÍS SEM POBREZA Apresentação
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Segmentação. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Segmentação Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir os conceitos básicos de segmentação
Leia maisInformações Relevantes aos Estudantes
Informações Relevantes aos Estudantes Qual a legislação pertinente ao Enade? Lei nº 10.861, de 14 de abril de 2004: Criação do Sistema Nacional de Avaliação da Educação Superior (Sinaes); Portaria nº 2.051,
Leia maisENADE Relatório da IES UNIVERSIDADE FEDERAL DE GOIÁS JATAÍ. Instituto Nacional de Estudos e Pesquisas Educacionais PAÍS RICO É PAÍS SEM POBREZA
ENADE 2011 Relatório da IES G Instituto Nacional de Estudos e Pesquisas Educacionais UNIVERSIDADE FEDERAL DE GOIÁS JATAÍ O V E R N O F E D E R A L PAÍS RICO É PAÍS SEM POBREZA Apresentação O Exame Nacional
Leia maisSensometria, Segmentação. Adilson dos Anjos
Segmentação Adilson dos Anjos Segmentação Objetivo O objetivo dessa aula é apresentar alguns métodos de Segmentação. As análises serão realizadas com uso do R; Pacotes utilizados nessa aula FactoMineR
Leia maisENADE Relatório da IES UNIVERSIDADE FEDERAL DE GOIÁS CATALÃO. Instituto Nacional de Estudos e Pesquisas Educacionais
ENADE 2011 Relatório da IES G Instituto Nacional de Estudos e Pesquisas Educacionais UNIVERSIDADE FEDERAL DE GOIÁS CATALÃO O V E R N O F E D E R A L PAÍS RICO É PAÍS SEM POBREZA Apresentação O Exame Nacional
Leia mais18º Congresso de Iniciação Científica INCORPORAÇÃO DA TAREFA DE CLASSIFICAÇÃO NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA
18º Congresso de Iniciação Científica INCORPORAÇÃO DA TAREFA DE CLASSIFICAÇÃO NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA Autor(es) MIRELA TEIXEIRA CAZZOLATO Orientador(es) MARINA TERESA PIRES VIEIRA Apoio
Leia maisEnade O Enade é obrigatório? Qual o objetivo do Enade? Quais os instrumentos básicos do Enade?
Enade O Enade é obrigatório? Conforme disposição do art. 5º, 5º, da Lei nº. 10.861/2004, o Enade constitui-se componente curricular obrigatório, sendo inscrita no histórico escolar do estudante somente
Leia mais