A CLUSTERIZAÇÃO E CLASSIFICAÇÃO NO PROCESSO DE DATA DE GRADUAÇÃO

Tamanho: px
Começar a partir da página:

Download "A CLUSTERIZAÇÃO E CLASSIFICAÇÃO NO PROCESSO DE DATA DE GRADUAÇÃO"

Transcrição

1 UNIVERSIDADE DO EXTREMO SUL CATARINENSE - UNESC CURSO DE PÓS-GRADUAÇÃO ESPECIALIZAÇÃO EM MBA GERENCIAMENTO EM BANCO DE DADOS ANNE MARIE SCOSS A CLUSTERIZAÇÃO E CLASSIFICAÇÃO NO PROCESSO DE DATA MINING PARA ANÁLISE DO DESEMPENHO DOCENTE NO ENSINO DE GRADUAÇÃO CRICIÚMA, AGOSTO DE 2006

2 ANNE MARIE SCOSS A CLUSTERIZAÇÃO E CLASSIFICAÇÃO NO PROCESSO DE DATA MINING PARA ANÁLISE DO DESEMPENHO DOCENTE NO ENSINO DE GRADUAÇÃO Monografia apresentada à Diretoria de Pósgraduação da Universidade do Extremo Sul Catarinense- UNESC, para a obtenção do título de especialista em MBA Gerenciamento em Banco de Dados. Orientadora: Profª. MSc. Merisandra Côrtes de Mattos CRICIÚMA, AGOSTO DE 2006

3 À minha família, amigos e colegas de trabalho.

4 AGRADECIMENTOS Expresso meu sentimento de gratidão as pessoas importantes para a conclusão deste trabalho: Aos meus pais, Marcelo de Morais Scoss e Janete Maria Minotto Scoss, pelo carinho, apoio e compreensão. A orientadora Profª. M.Sc. Merisandra Côrtes de Mattos, pela dedicação, paciência e grande incentivo na realização desta monografia. A UNESC, a Diretoria de Pós-Graduação e aos colegas da Comissão de Avaliação Institucional da Unesc (COMAVI), em especial os professores Sandra Regina da Silva Fabris, Heliete Rocha dos Santos e José dos Passos Fernandes pela compreensão e apoio durante o processo que durou este trabalho. Aos colegas da Diretoria da Informática, Franco Espíndola de Bom e Fabrízio Colombo pela ajuda junto a base de avaliação e a tecnologia Java. Aos meus amigos espalhados pelo país, que sempre me apoiaram e torceram pelo sucesso desta empreitada, em busca do conhecimento. E, finalmente, gostaria também de agradecer aos novos e inesquecíveis amigos que fiz durante a Pós-Graduação, Eliana Lorenzi dos Santos, Reginaldo José da Rosa e Eroni Américo.

5 Estamos afogados em informação, mas morrendo de fome por conhecimento. John Naisbett

6 RESUMO Esta pesquisa apresenta a análise do desempenho docente, por área de conhecimento, no contexto da Avaliação Institucional do Ensino de Graduação de 2005 da Universidade do Extremo Sul Catarinense (UNESC). Na realização desta análise empregou-se a descoberta de conhecimento em base de dados no que se refere ao processo de data mining. Inicialmente aplicou-se a tarefa de clusterização, por meio do algoritmo de particionamento k-means. Posteriormente, o conhecimento descoberto foi submetido a tarefa de classificação pelo método de regras ZeroR. No processo de data mining utilizou-se a ferramenta de código aberto Waikato Environment for Knowledge Analysis (WEKA), desenvolvida em Java e disponibilizada gratuitamente na internet.. Palavras-chave: Data mining; Clusterização; Algoritmo k-means; Classificação; Algoritmo ZeroR; WEKA; Avaliação institucional..

7 LISTA DE ILUSTRAÇÕES Figura 1 Etapas do processo operacional do KDD...25 Figura 2 Classificação de registros Figura 3 Exemplo de árvore de clusters no método hierárquico...42 Figura 4 Tela do WEKA Explorer executando o método k-means...57 Figura 5 Resultado da aplicação da tarefa de clusterização...60 Figura 6 Resultado da aplicação da tarefa de classificação...62

8 LISTA DE TABELAS Tabela 1 - Tarefas de Data mining e Exemplos de Uso...30 Tabela 2 - Comparativo das Ferramentas de Data mining...37

9 LISTA DE ABREVIATURAS E SIGLAS ABESC - Associação Brasileira das Escolas Católicas ABRUEM - Associação Brasileira das Universidades Estaduais e Municipais ACE - Avaliação das Condições de Ensino ACG - Avaliação dos Cursos de Graduação (ACG) ANDIFES - Associação Nacional dos Dirigentes das Instituições Federais de Ensino Superior ANUP - Associação das Universidades Particulares AVALIES - Avaliação das Instituições de Educação Superior CEA - Comissão Especial de Avaliação CEE-SC Conselho Estadual de Educação de Santa Catarina COMAVI - Comissão de Avaliação Institucional da UNESC CONAES - Comissão Nacional de Avaliação de Ensino Superior CPA - Comissão Própria de Avaliação Institucional ENADE - Avaliação Nacional de Desempenho do Estudante ENC - Exame Nacional de Cursos FECEA - Faculdade Estadual de Ciências Econômicas de Apucarana IA - Inteligência Artificial IES - Instituição de Ensino Superior IME - Instituto Militar de Engenharia JVM - Java Virtual Machine KDD - Knowledge Discovery in Databases KDD-NMS - Knowledge Discovery and Data mining in Network Management System

10 MEC - Ministério da Educação e do Desporto PAIUB - Programa de Avaliação Institucional das Universidades Brasileiras PAIUNESC - Programa de Avaliação Institucional da UNESC PUCMGMT - Grupo de Gerência de Redes PUC-RIO - Pontifícia Universidade Católica do Rio de Janeiro SESU - Secretaria de Educação Superior SINAES - Sistema Nacional de Avaliação da Educação Superior UNESC - Universidade do Extremo Sul Catarinense UNISUL - Universidade do Sul de Santa Catarina WEKA - Waikato Environment for Knowledge Analysis

11 SUMÁRIO 1 INTRODUÇÃO Objetivo Geral Objetivos Específicos Justificativa Estrutura do Trabalho CONHECIMENTO DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS Etapas do KDD DATA MINING Metodologias para Data mining Tarefas de Data mining Associação Clusterização Classificação Estimativa Previsão Métodos de Data mining Exemplos da Utilização Inteligência obtida pela aplicação de data mining em base de teses francesas no Brasil KDD-NMS: Um Sistema de Descoberta de Conhecimento e Mineração em Bases de Dados de Sistemas de Gerência de Redes Avaliação Institucional: uma relação entre avaliação docente e discente um estudo de caso Descobertas de Padrões usando Técnicas de Extração de Conhecimento Utilização de Técnicas de Mineração de Dados na Análise das Informações de Uma Universidade Data mining em Saúde Bucal por meio da Técnica de Clusterização e do Algoritmo K-means...34

12 4.4 Ferramentas de Data mining WEKA A TAREFA DE CLUSTERIZAÇÃO EM DATA MINING Métodos de Particionamento para Clusterização O Algoritmo K-means A TAREFA DE CLASSIFICAÇÃO Classificação por meio de Regras Algoritmo ZeroR AVALIAÇÃO INSTITUCIONAL Avaliação Institucional segundo o SINAES Avaliação Institucional na Unesc APLICANDO DATA MINING NA AVALIAÇÃO DO ENSINO DE GRADUAÇÃO Metodologia Resultados obtidos Clusterização Classificação CONCLUSÃO...64 REFERÊNCIAS...66 Referências Complementares...71 APÊNDICES...72 APÊNDICE A - RESULTADOS DA CLUSTERIZAÇÃO...73 APÊNDICE B - RESULTADOS DA CLASSIFICAÇÃO...79 APÊNDICE C RESULTADOS DOS CLUSTERS POR ÁREA...84 ANEXO...85 ANEXO A RELAÇÃO DOS CURSOS DE GRADUAÇÃO...86

13 13 1 INTRODUÇÃO Tem sido possível constatar um crescente acúmulo de informações nas bases de dados das empresas. Essas informações, quando bem utilizadas, servem de apoio para as tomadas de decisões, pois indicam padrões e convergências. A grande quantidade de informações que são armazenadas em base de dados mostram a inviabilidade de se fazer qualquer análise de forma manual, devido ao tempo, recursos humanos e financeiros que seriam despendidos. Com a Avaliação Institucional da Universidade do Extremo Sul Catarinense (UNESC) também ocorre essa dificuldade com relação a sua base de dados que contém muitas informações, uma vez que a Instituição preocupa-se em realizar uma avaliação sistemática e diagnóstica na busca da qualidade de seu ensino e serviços, gerando um banco de dados muito rico em informações. Devido as exigências definidas pela Lei Federal /2004 1, as atividades de ordem burocrática, inerentes a qualquer setor/departamento institucional e o número limitado de pessoas envolvidas na avaliação, originam dificuldades na análise mais aprofundada dos resultados obtidos, uma vez que essa modalidade de avaliação é aplicada nos cursos de graduação, com a participação de todos os alunos e professores. Entendendo o quanto esse processo avaliativo é importante, pois, segundo Belloni (2000, p. 41), a avaliação institucional é um processo sistemático de busca de subsídios para melhoria e aperfeiçoamento da qualidade da instituição 1 Lei nº de 14 de abril de Institui o Sistema Nacional de Avaliação da Educação Superior - SINAES

14 14 em face de sua missão científica e social, buscou-se, com esta pesquisa, uma alternativa para que fosse possível realizar uma análise mais detalhada dos resultados obtidos pela avaliação institucional da Unesc, com o intuito de contribuir com a mesma e com sua missão institucional que é "Promover o desenvolvimento regional para melhorar a qualidade do ambiente de vida". Reconhecendo sua relevância para uma Instituição de Ensino Superior (IES), entendeu-se que só é possível realizar ou propor melhorias quando ocorre a aquisição de conhecimento sobre a realidade acadêmica em que se está inserido. Uma forma de aquisição desse conhecimento seria com o apoio da aplicação do instrumento de avaliação institucional, onde é possível, até certo ponto, verificar junto aos principais sujeitos envolvidos (docentes e discentes) o que ocorre no processo de ensino-aprendizagem. A outra, seria por meio da aplicação, sobre os resultados obtidos pela avaliação, de uma técnica que reúne conhecimentos oriundos das áreas de banco de dados, inteligência artificial, aprendizado de máquina e estatística, denominada data mining. Desse modo, esta pesquisa compreendeu a descoberta de conhecimento por meio do processo de data mining, empregando-se as tarefas de Clusterização e Classificação na base de dados da avaliação do ensino de graduação de 2005 com o objetivo de analisar o perfil do desempenho docente, por área. 1.1 Objetivo Geral Aplicar as tarefas de clusterização e classificação no processo de data mining para análise por área do perfil do desempenho docente no contexto da Avaliação Institucional do Ensino de Graduação da UNESC.

15 Objetivos Específicos Os objetivos específicos desta pesquisa consistem em: a) compreender o processo de descoberta do conhecimento e data mining; b) aplicar a tarefa de clusterização e o método k-means; c) aplicar, no resultado obtido, a tarefa de classificação e o método ZeroR; d) analisar os resultados obtidos com a aplicação dessas tarefas. 1.3 Justificativa A Avaliação Institucional na UNESC, implantada a partir de 1995, possui caráter pedagógico, cujo objetivo é buscar subsidiar os gestores da Instituição com dados quantitativos e qualitativos, como ferramenta de apoio as tomadas de decisão (UNESC, 2003, p.13). Para trabalhar essa modalidade de avaliação na Instituição existe a Comissão de Avaliação Institucional da UNESC (COMAVI), cujo papel principal é de coordenar a execução de todo o processo avaliativo da UNESC, que vem sendo construído coletivamente (COMAVI, 2003, p. 28). Uma das avaliações desenvolvidas pela COMAVI é a do Ensino de Graduação. Atualmente esse processo é informatizado, o que agiliza sobremaneira o processamento e coleta dos dados, bem como sua tabulação, pois é automática. Uma vez que o acadêmico ou o professor realizem sua avaliação acessando o link na Internet previamente disponibilizado durante o período determinado para se realizar a avaliação, o dado é armazenado diretamente no banco de dados.

16 16 A análise desses dados obtidos é importante, pois seu resultado permite conhecer a realidade da IES nos aspectos referentes ao ensino-aprendizagem dos cursos de graduação da Universidade. No sentido de aprofundar mais esse conhecimento, a presente pesquisa realizou o processo de data mining, que segundo Gonçalves (1999, p. 14), tem sido descrito como a descoberta do conhecimento desconhecido e implícito em uma base de dados. Na realização deste processo de data mining aplicou-se primeiramente a tarefa de clusterização, pois segundo Serra (2002) agrupa as informações disponíveis em conjuntos definidos e homogêneos baseando-se em atributos específicos, podendo ser aplicada a itens não numéricos. Serra (2002) ainda esclarece que os resultados provenientes da clusterização podem ser utilizados para outras tarefas, como por exemplo, a classificação, visto que um cluster é um grupo menor e por tanto mais fácil de ser trabalhado por meio dos algoritmos de classificação. 1.4 Estrutura do Trabalho A presente pesquisa é composta por nove Capítulos, sendo que o Capítulo 1, a introdução, reflete de forma geral o trabalho, bem como seus objetivos geral e específicos e a justificativa para a realização da mesma. O Capítulo 2 apresenta o conceito de conhecimento, um breve resumo dos seus níveis e a sua relação com a descoberta do conhecimento em bases de dados. No Capítulo 3 é abordado o Knowledge Discovery in Databases (KDD) e

17 17 suas etapas, enquanto o Capítulo 4 aborda o processo de data mining, suas metodologias, tarefas, métodos e a ferramenta WEKA, bem como um levantamento sobre algumas pesquisas que utilizaram esta tecnologia. O Capítulo 5 trata mais especificamente sobre a tarefa de clusterização e o algoritmo k-means, enquanto o Capítulo 6 refere-se a tarefa de classificação e o algoritmo ZeroR. Estas tarefas e métodos foram empregadas no desenvolvimento desta pesquisa. A Avaliação Institucional é apresentada no Capítulo 7, tendo-se um breve histórico do contexto nacional, do SINAES e da avaliação do ensino de graduação da UNESC, no que se refere ao docente. No Capítulo 8 é abordado o desenvolvimento da pesquisa, os resultados obtidos. Finalmente, no Capítulo 9 tem-se a conclusão da pesquisa bem como a indicação de trabalhos futuros.

18 18 2 CONHECIMENTO A palavra conhecimento, segundo Luft (1987, p.139), significa a ação ou efeito de conhecer. Também pode advir de experiências ou vivências que possam proporcionar conhecimento sobre um ou mais fatores relacionados a aspectos pessoais, sociais ou profissionais. Outra definição aponta que o conhecimento é a relação que se forma entre aquele que conhece ou deseja conhecer algo (objeto) e o objeto que será conhecido ou que se possibilita conhecer (ROSAS, 2003). Ainda segundo Rosas (2003), na Grécia Antiga já existiam diversas visões e métodos de conhecimento como os de Sócrates, que era baseado na ironia 2 e na maiêutica 3 ; os de Platão, que afirmava que a ciência era baseada na opinião; e os de Aristóteles, que entendia ser a ciência baseada na observação (experiência). Rezende (2003, p. 4) esclarece que a condição base que impele em direção a ação do desenvolvimento é o conhecimento, mas antes de se realizar qualquer vínculo entre conhecimento e as tecnologias de registro e processamento, é importante efetuar uma distinção entre dado, informação e conhecimento: a) dado: é considerado o elemento puro, que pode ser quantificado em determinada situação. Na maioria das vezes ele é usado em ambiente 2 A palavra ironia, no dia-a-dia, quer dizer deboche, escárnio, sarcasmo, entre outros. Quando se refere a ironia socrática seu sentindo é completamente diferente, pois no grego ironia significa interrogação, sendo que Sócrates interrogava seus discípulos quanto ao que imaginavam saber. Pode-se citar as perguntas O que é o bem? e O que é a justiça? como exemplos de alguns dos questionamentos feitos por Sócrates. < 3 Processo pedagógico indutivo que, a partir de caso particular, leva o aluno a generalizar e conceituar por meio de perguntas sucessivas (LUFT, 1987, p. 355).

19 19 funcional, podendo ser armazenado, escolhido e recuperado em uma base de dados ou em outra forma de registro documental. O dado sozinho não oferece nenhuma base para a compreensão de uma situação. Um exemplo de dado seria o faturamento de vendas e o valor do dólar em um determinado dia; b) informação: quando um conjunto de dados é analisado e interpretado, ele se transforma em informação. Pode-se citar como exemplo a análise do faturamento de vendas de determinada empresa que possua filial na região A e outra na região B. Se a filial da região A tem previsão de faturamento de R$ 300,00 e seu faturamento de fato foi de R$ 500,00 e a filial da região B teve o faturamento previsto de R$ 2.000,00 e faturou na realidade R$ 1.000,00, pode-se concluir que o desempenho da filial A foi superior a B; c) conhecimento: baseado em uma informação, é possível realizar tomadas de decisões importantes. Essa ação é realizada a partir do conhecimento que se obteve da informação recebida. O exemplo que se pode apresentar seria o de um empresário, ao receber a informação sobre os faturamentos de suas filiais da região A e B, começar a desenvolver e traçar objetivos e ações para que as dificuldades encontradas na filial B possam ser superadas. Ainda tratando do conhecimento, com o objetivo de refletir brevemente, Mattar (2005, p. 2) indica que o mesmo pode ser dividido nos seguintes níveis: a) conhecimento popular ou empírico: também denominado de bom senso ou senso comum, é o conhecimento que se adquire e desenvolve no dia-a-dia. O exemplo que se pode apontar é o chá

20 20 preparado pelas avós, quando se está doente. Esse é um tipo de conhecimento que é passado ao longo das gerações; b) conhecimento religioso ou teológico: baseia-se na fé, ou seja, devese crer no que a religião ensina mesmo que a ciência comprove o inverso. Neste tipo de conhecimento o exemplo que pode ser citado é o de determinadas passagens registradas em livros sagrados ou religiosos e que a ciência vem mostrando haver controvérsias em alguns dos seus textos. Essas contestações apontadas pelos cientistas muitas vezes não são aceitas pelas religiões; c) conhecimento filosófico: o saber filosófico procura separar-se dos mitos, da retórica, dos sofismas 4, das tragédias e dos poetas, estabelecendo a liberdade do pensamento. Seu raciocínio é considerado mais abstrato e valorativo em contrapartida aos métodos científicos, embora essa distinção não esteja muito clara, pois os primeiros cientistas também foram os primeiros filósofos. Aqui pode-se citar Galileu Galilei 5 que a partir de uma luneta astronômica fez análise sobre a Via Láctea, os Satélites de Júpiter, as manchas do Sol, entre outros; d) conhecimento científico: assim como o filosófico, esse conhecimento é racional, com o desejo de desvendar a realidade de uma forma sistemática. O exemplo deste conhecimento seria a descoberta da vacina para determinada enfermidade. 4 Sofisma significa argumentação falsa com aparência de verdadeira. (LUFT, 1897, 519) 5 Galileu Galilei foi um notável físico, matemático e astrônomo italiano. É considerado um dos maiores gênios da história da humanidade, como Leonardo da Vinci, Isaac Newton e Albert Einstein, tendo seu QI estimado em cerca de 240 < >.

21 21 Analisando o conceito de conhecimento e seus diferentes tipos, pode-se observar que, embora todo o conhecimento reflita um determinado padrão de informações, não é todo padrão que pode ser entendido como conhecimento. O padrão deve ser previsível para tornar-se conhecimento, sendo que ele também pode ser apresentado em forma documental, cujos registros vão se acumulando com o decorrer do tempo, tornando complexo seu manuseio e recuperação (GARCIA; VAREJÃO; FERRAZ, 2003, p. 85). Garcia, Varejão e Ferraz (2003, p. 85) também esclarecem que a fim de se ter uma alternativa com o objetivo de resolver a dificuldade apresentada pelo complexo manuseio e recuperação de registros, a Inteligência Artificial (IA) dispõe dos sistemas baseados em conhecimento que tem-se mostrado um recurso eficiente, uma vez que permite também sua disponibilização a diferentes pessoas e instituições. Também utilizando recursos de IA, o KDD possibilita a extração do conhecimento em base de dados, cujo grande volume de informações não tornava mais viável sua análise manual. No próximo capítulo será abordado como é possível adquirir o conhecimento em base de dados, cujos registros podem apresentar terabytes de informações.

22 22 3 DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS Com o avanço da tecnologia, tem-se vivido na chamada Era da Informação. Anualmente milhares de informações são acumuladas em bancos de dados de empresas, instituições e organizações em todo o mundo. Essas informações, que são ponto chave para a instituição no sentido de dar-lhe subsídios para as tomadas de decisões apontando tendências e padrões, estão, na grande maioria das vezes, implícitas no meio dos dados armazenados (FIGUEIRA, 1998 apud GONÇALVES, 1999, p.3). Ainda citando Gonçalves (1999, p.4) ele aponta também que, devido a essa quantidade expressiva de dados, a habilidade técnica e a capacidade humana já não conseguem realizar a contento as interpretações das informações armazenadas. Frente a esses novos acontecimentos surgiu uma área inovadora para atender a necessidade de analisar essas informações armazenadas, cujo processo envolve banco de dados, inteligência artificial e estatística, denominada Knowledge Discovery in Databases (KDD) ou Descoberta de Conhecimento em Base de Dados (DCBD). Esse termo foi formalizado em 1989 e refere-se ao conceito de buscar o conhecimento em dados (HERDT, 2001, p. 6). Fayyad et al (1996, p. 40) propôs a definição KDD is the nontrivial process of identifying valid, novel, potentially useful, and ultimateand ly understandable patterns in data 6, e que foi aceita por diversos pesquisadores. Goldschmidt e Passos (2005, p. 5) esclarecem que há diversas atividades 6 KDD é o processo não trivial de identificação de padrões válidos, novos, potencialmente úteis e compreensíveis embutidos nos dados (Tradução: OLIVEIRA, 2000)

23 23 relacionadas ao KDD, sendo que esse se originou de várias áreas, podendo-se destacar: estatística, inteligência computacional, aprendizado de máquina, reconhecimento de padrões e banco de dados. As atividades do KDD, mencionadas no parágrafo anterior, podem ser ordenadas em três grandes grupos (GOLDSCHMIDT; PASSOS, 2005, p. 6): a) desenvolvimento tecnológico: engloba os aspectos referentes as iniciativas de concepção, refinamento e desenvolvimento de algoritmos, ferramentas e tecnologias que possam ser empregadas em bases de dados, na busca por novos conhecimentos; b) execução de KDD: consiste, efetivamente, no que se refere a busca do conhecimento na base de dados; c) aplicação dos resultados: implica na utilização das informações úteis obtidas dos resultados alcançados pelo processo de KDD. Goldschimidt e Passos (2005, pág.15) também indicam que o ponto de partida do processo de KDD deve ser a análise da base de dados onde se quer extrair o conhecimento. A partir dessa apreciação é possível, junto aos especialistas da área em que se irá analisar os dados, determinar os objetivos que devem ser alcançados neste processo e que deverão nortear todo o procedimento. No próximo subitem serão abordadas as etapas que compõe o processo de KDD. 3.1 Etapas do KDD KDD é caracterizado como um processo interativo contendo várias etapas operacionais, representadas na Figura 1, como a seleção; pré-processamento;

24 24 transformação; data mining; interpretação e avaliação (FAYYAD et al,1996, p. 42). Estas etapas consistem em: a) seleção de dados: é realizada uma identificação de quais informações realmente se vai trabalhar na base de dados (GOLDSCHMIDT; PASSOS, 2005, p. 26); b) pré-processamento: neste processo realiza-se uma avaliação da base de dados que será trabalhada, verificando as inconsistências das informações ali armazenadas, como por exemplo: dados duplicados, faltantes, impossíveis de serem analisados, entre outros (OLIVEIRA, 2000, p. 16); c) transformação: também conhecida como etapa de organização. Para essa etapa é necessário o acompanhamento de especialista na área, tornando assim o processo mais confiável e preciso, pois ocorre a alocação dos dados de maneira mais eficiente (OLIVEIRA, 2000, p. 18); d) data mining: realiza-se a busca por informações efetivamente úteis, aplicando-se algoritmos para extrair o conhecimento da base de dados. Segundo Goldschimidt e Passos (2005, p.51) muitas vezes esta etapa é considerada como sinônimo do processo de KDD; e) interpretação e avaliação: consiste no tratamento (visualização, análise e interpretação) do conhecimento minerado. De forma geral, nesta etapa é que o especialista do domínio de aplicação e o engenheiro do conhecimento analisam os resultados abstraídos (GOLDSCHIMIDT; PASSOS, 2005, p.55).

25 25 Figura 1. Etapas do processo operacional do KDD Fonte: FAYYAD, U. et al (1996, p. 41) A etapa de data mining, por ser muito importante e o foco do presente estudo, será tratada de forma mais detalhada no próximo capítulo.

26 26 4 DATA MINING Segundo Han e Kamber (2001, p. 33) Data mining é o processo de descoberta de conhecimento interessante a partir de grandes quantidades de dados armazenados tanto em bancos de dados, Data Warehouses, ou outro repositório de informação. Seifert (2004, p. 2) afirma que cada vez mais o uso de data mining tem-se tornado corriqueira, tanto em setores públicos quanto privados. Os exemplos que se podem citar de instituições que vem utilizando data mining com o objetivo de minimizar seus custos, pesquisa e incrementar as vendas são as que trabalham com seguros, operações bancárias, medicina, entre outros. Navega (2002, p. 1) esclarece que nesta etapa são aplicados algoritmos diversos, que processam os dados na base, em busca de informações relevantes. Ele ainda aponta que, apesar dos algoritmos serem capazes de identificar dados válidos e novos, ainda não existe uma solução para determinar padrões valiosos. Nesse sentido a participação de especialistas é fundamental para completar o processo de extração do conhecimento, determinar e conduzir a exploração da base. Objetivando compreender um pouco mais a etapa de data mining, a próxima seção aborda as metodologias para o mesmo. 4.1 Metodologias para Data mining Conforme Carvalho (2001, pág. 17), data mining pode ser realizada por

27 27 meio de três diferentes metodologias, tendo-se: a) descoberta não supervisionada de relações: há pouco conhecimento do que se quer encontrar e existe busca por novas relações; b) testagem da hipótese: baseia-se na busca por relações que podem ou não comprovar uma hipótese, podendo validá-la ou não; c) modelagem matemática de dados: esta forma é realizada por meio do conhecimento, que irá validar os dados obtidos. Independente da metodologia escolhida, ela necessitará da utilização de tarefas já existentes e que possibilitam resolver o problema estudado. Para tanto é importante identificar as tarefas que são mais indicadas à aplicação que se deseja realizar. 4.2 Tarefas de Data mining Embora os autores que versam sobre esse tema definam mais tarefas, serão apresentados a seguir as que foram consideradas mais pertinentes a este estudo, que são: associação; clusterização; classificação, estimativa e previsão Associação Essa tarefa baseia-se na ação de encontrar um grupo de itens afins, ou seja, que ocorram concomitantemente e de forma repetida em uma base de dados (GOLDSCHIMIDT; PASSOS, 2005, pág.59). Pode-se utilizar, para expressar essas afinidades na forma de regras, o

28 28 seguinte exemplo, onde 72% de todos os registros que contém os itens A, B, e C também contêm D e E. Esse percentual de ocorrências simula o fator de confiança da regra, sendo usado habitualmente para suprimir padrões inexpressivos (GIMENES, 2000) Clusterização Também chamada de agrupamento, essa tarefa é utilizada para particionar os registros de uma base de dados em clusters (subconjuntos) de forma a permitir que os dados de um cluster possam usufruir um grupo de propriedades comuns, mas que os diferenciem dos dados de outros clusters (GOLDSCHIMIDT; PASSOS, 2005, pág.74). Dias (2001, p. 10), apresenta exemplos de aplicação da tarefa de clusterização, tais como: agrupar clientes por região do país; agrupar clientes com comportamento de compra similar e agrupar seções de usuários Web para prever comportamento futuro de usuário Classificação Considerada uma das tarefas mais importantes e populares, a classificação consiste em, basicamente, buscar por uma função que permita integrar corretamente cada registro de dado de um conjunto de informações a um único rótulo de um conjunto de classes, conforme pode-se observar na Figura 2 (GOLDSCHIMIDT; PASSOS, 2005, pág.65).

29 29 Figura 2: Classificação de registros Fonte: GOLDSCHIMIDT, R.; PASSOS, E. (2005, p.67). Como aplicação de classificação, podem ser apresentados alguns exemplos, tais como: elucidar pedidos fraudulentos de seguros; fazer uma classificação - utilizando uma escala de baixo, médio e alto risco - para pedidos de créditos; a partir do histórico de uma classe de pacientes, identificar o tipo de tratamento que é mais indicado a um paciente (DIAS, 2001, p. 9) Estimativa A estimação ou regressão é similar a tarefa de classificação, porém restringe-se a atributos numéricos. Ela busca por funções, sejam lineares ou não, que possam mapear registros de um banco de dados (GOLDSCHIMIDT; PASSOS, 2005, p. 71). Barreto (2004a) informa que esta técnica pode ser utilizada nas seguintes situações, analisando cadastros ou formulários previamente preenchidos: a) estimar a inclinação à inadimplência de um cliente que solicite empréstimo; b) estimar, a partir de bens pessoais (com durabilidade de ao menos

30 30 três anos), a renda média de uma família; c) estimar o tempo provável de vida dos clientes de uma seguradora Previsão Como o próprio nome esclarece, esta tarefa relaciona-se a previsão de um valor para uma determinada variável, baseando seu juízo nos dados históricos armazenados (BARRETO, 2004a). Na Tabela 1 é possível ter-se uma visão geral das tarefas que o data mining executa, analisando suas descrições e exemplos de uso, possibilitando assim averiguar qual ou quais se adequam ao problema proposto. Tabela 1. Tarefas de Data mining e Exemplos de Uso Tarefa Descrição Exemplos Classificação Constrói um modelo de algum tipo que possa Classificar pedidos de crédito; ser aplicado a dados não classificados a fim Esclarecer pedidos de seguros de categorizá-los em classes, o objetivo é fraudulentos; descobrir um relacionamento entre um atributo meta (cujo valor será previsto) e um Identificar a melhor forma de tratamento de um paciente. conjunto de atributos de previsão Estimativa (ou Regressão) Usada para definir um valor para alguma variável contínua desconhecida Estimar o número de filhos ou a renda total de uma família; Estimar o valor em tempo de vida de um cliente; Estimar a probabilidade de que um paciente morrerá baseando-se nos resultados de diagnósticos médicos; Prever a demanda de um consumidor para um novo produto. Associação Usada para determinar quais itens tendem a ser adquiridos juntos em uma mesma transação Determinar que produtos costumam ser colocados juntos em um carrinho de supermercado. Segmentação (ou Clusterização) Processo de partição de uma população heterogênea em vários subgrupos ou grupos mais homogêneos Fonte: DIAS, M (2002, p. 1717) Agrupar clientes por região do país; Agrupar clientes com comportamento de compra similar; Agrupar seções de usuários Web para prever comportamento futuro de usuário. Neste Capítulo tratou-se de data mining, bem como as metodologias e tarefas relacionadas a este processo. A seguir são apresentados alguns métodos de data mining.

Prof. Msc. Paulo Muniz de Ávila

Prof. Msc. Paulo Muniz de Ávila Prof. Msc. Paulo Muniz de Ávila O que é Data Mining? Mineração de dados (descoberta de conhecimento em bases de dados): Extração de informação interessante (não-trivial, implícita, previamente desconhecida

Leia mais

APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA

APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA Lizianne Priscila Marques SOUTO 1 1 Faculdade de Ciências Sociais e Aplicadas

Leia mais

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para

Leia mais

Sistema 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 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 mais

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka 1 Introdução A mineração de dados (data mining) pode ser definida como o processo automático de descoberta de conhecimento em bases de

Leia mais

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é? KDD Conceitos o que é? Fases limpeza etc Datamining OBJETIVOS PRIMÁRIOS TAREFAS PRIMÁRIAS Classificação Regressão Clusterização OBJETIVOS PRIMÁRIOS NA PRÁTICA SÃO DESCRIÇÃO E PREDIÇÃO Descrição Wizrule

Leia mais

Planejamento Estratégico de TI. Prof.: Fernando Ascani

Planejamento Estratégico de TI. Prof.: Fernando Ascani Planejamento Estratégico de TI Prof.: Fernando Ascani Data Warehouse - Conceitos Hoje em dia uma organização precisa utilizar toda informação disponível para criar e manter vantagem competitiva. Sai na

Leia mais

Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining

Pós-Graduação Lato Sensu Especialização em Análise de Dados e Data Mining Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining Inscrições Abertas Início das Aulas: 24/03/2015 Dias e horários das aulas: Terça-Feira 19h00 às 22h45 Semanal Quinta-Feira 19h00

Leia mais

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS Tácio Dias Palhão Mendes Bacharelando em Sistemas de Informação Bolsista de Iniciação Científica da FAPEMIG taciomendes@yahoo.com.br Prof.

Leia mais

Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS

Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS Sumário Conceitos / Autores chave... 3 1. Introdução... 3 2. Tarefas desempenhadas por Técnicas de 4 Mineração de Dados...

Leia mais

Mineração de Dados: Introdução e Aplicações

Mineração de Dados: Introdução e Aplicações Mineração de Dados: Introdução e Aplicações Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br Apresentação Luiz Merschmann Engenheiro

Leia mais

Extração de Conhecimento a partir dos Sistemas de Informação

Extração de Conhecimento a partir dos Sistemas de Informação Extração de Conhecimento a partir dos Sistemas de Informação Gisele Faffe Pellegrini & Katia Collazos Grupo de Pesquisa em Eng. Biomédica Universidade Federal de Santa Catarina Jorge Muniz Barreto Prof.

Leia mais

MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO

MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO MINERAÇÃO DE DADOS EDUCACIONAIS: UM ESTUDO DE CASO APLICADO AO PROCESSO SELETIVO DO IFSULDEMINAS CÂMPUS MUZAMBINHO Fernanda Delizete Madeira 1 ; Aracele Garcia de Oliveira Fassbinder 2 INTRODUÇÃO Data

Leia mais

IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES ENTRE PRODUTOS DE UMA BASE DE DADOS REAL

IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES ENTRE PRODUTOS DE UMA BASE DE DADOS REAL Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES

Leia mais

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

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

Leia mais

SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI LEARNING SYSTEMS FOR IDENTIFICATION OF PEQUI FRUIT SEEDS NUMBER

SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI LEARNING SYSTEMS FOR IDENTIFICATION OF PEQUI FRUIT SEEDS NUMBER SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI Fernando Luiz de Oliveira 1 Thereza Patrícia. P. Padilha 1 Conceição A. Previero 2 Leandro Maciel Almeida 1 RESUMO O processo

Leia mais

INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA

INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA Marcelo DAMASCENO(1) (1) Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte/Campus Macau, Rua das Margaridas, 300, COHAB, Macau-RN,

Leia mais

KDD UMA VISAL GERAL DO PROCESSO

KDD UMA VISAL GERAL DO PROCESSO KDD UMA VISAL GERAL DO PROCESSO por Fernando Sarturi Prass 1 1.Introdução O aumento das transações comerciais por meio eletrônico, em especial as feitas via Internet, possibilitou as empresas armazenar

Leia mais

ADM041 / EPR806 Sistemas de Informação

ADM041 / EPR806 Sistemas de Informação ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes

Leia mais

Introdução. Capítulo 1

Introdução. Capítulo 1 Capítulo 1 Introdução Em computação, muitos problemas são resolvidos por meio da escrita de um algoritmo que especifica, passo a passo, como resolver um problema. No entanto, não é fácil escrever um programa

Leia mais

UTILIZANDO O SOFTWARE WEKA

UTILIZANDO O SOFTWARE WEKA UTILIZANDO O SOFTWARE WEKA O que é 2 Weka: software livre para mineração de dados Desenvolvido por um grupo de pesquisadores Universidade de Waikato, Nova Zelândia Também é um pássaro típico da Nova Zelândia

Leia mais

Professor: Disciplina:

Professor: Disciplina: Professor: Curso: Esp. Marcos Morais de Sousa marcosmoraisdesousa@gmail.com Sistemas de informação Disciplina: Introdução a SI Noções de sistemas de informação Turma: 01º semestre Prof. Esp. Marcos Morais

Leia mais

Utilização de Ferramentas de KDD para Integração de Aprendizagem e Tecnologia em Busca da Gestão Estratégica do Conhecimento na Empresa

Utilização de Ferramentas de KDD para Integração de Aprendizagem e Tecnologia em Busca da Gestão Estratégica do Conhecimento na Empresa 1 Utilização de Ferramentas de KDD para Integração de Aprendizagem e Tecnologia em Busca da Gestão Estratégica do Conhecimento na Empresa Fabiano Saldanha Gomes de Alfredo Nazareno Pereira Boente José

Leia mais

SISTEMAS DE APOIO À DECISÃO SAD

SISTEMAS DE APOIO À DECISÃO SAD SISTEMAS DE APOIO À DECISÃO SAD Conceitos introdutórios Decisão Escolha feita entre duas ou mais alternativas. Tomada de decisão típica em organizações: Solução de problemas Exploração de oportunidades

Leia mais

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO @ribeirord FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO Rafael D. Ribeiro, M.Sc,PMP. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br Lembrando... Aula 4 1 Lembrando... Aula 4 Sistemas de apoio

Leia mais

PROJETO DE REDES www.projetoderedes.com.br

PROJETO DE REDES www.projetoderedes.com.br PROJETO DE REDES www.projetoderedes.com.br Centro Universitário de Volta Redonda - UniFOA Curso Tecnológico de Redes de Computadores 5º período Disciplina: Tecnologia WEB Professor: José Maurício S. Pinheiro

Leia mais

LICENCIATURA EM COMPUTAÇÃO

LICENCIATURA EM COMPUTAÇÃO Coordenador: Duração: Carga Horária: LICENCIATURA EM COMPUTAÇÃO Victor Emanuel Corrêa Lima 6 semestres 2800 horas Situação Legal: Reconhecido pela Portaria MEC nº 503 de 15/02/2006 MATRIZ CURRICULAR Primeiro

Leia mais

Sumário. Parte l. 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3

Sumário. Parte l. 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3 Sumário Parte l 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3 2. Entrevistas 5 2.1 Tipos de entrevistas 8 2.2 Preparação e condução

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem

Leia mais

Psicologia: Eixos estruturantes e ênfases curriculares

Psicologia: Eixos estruturantes e ênfases curriculares Psicologia: Eixos estruturantes e ênfases curriculares Resumo Andréia Silva da Mata 1 Márcia Regina F. de Brito 2 O presente estudo teve como objetivo principal analisar o desempenho dos estudantes dos

Leia mais

4. Que tipos de padrões podem ser minerados. 5. Critérios de classificação de sistemas de Data Mining. 6. Tópicos importantes de estudo em Data Mining

4. Que tipos de padrões podem ser minerados. 5. Critérios de classificação de sistemas de Data Mining. 6. Tópicos importantes de estudo em Data Mining Curso de Data Mining - Aula 1 1. Como surgiu 2. O que é 3. Em que tipo de dados pode ser aplicado 4. Que tipos de padrões podem ser minerados 5. Critérios de classificação de sistemas de Data Mining 6.

Leia mais

FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO:

FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO: FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO: Bacharelado em Sistemas de Informação DISCIPLINA: Fundamentos de Sistemas de Informação PROFESSOR: Paulo de Tarso Costa de Sousa TURMA: BSI 2B

Leia mais

GESTÃO DE CONHECIMENTO PARA PROGRAMAS DE MONITORIA UMA ABORDAGEM SISTEMÁTICA SOBRE O MÓDULO DE GESTÃO E GERAÇÃO DE CONHECIMENTO...

GESTÃO DE CONHECIMENTO PARA PROGRAMAS DE MONITORIA UMA ABORDAGEM SISTEMÁTICA SOBRE O MÓDULO DE GESTÃO E GERAÇÃO DE CONHECIMENTO... GESTÃO DE CONHECIMENTO PARA PROGRAMAS DE MONITORIA UMA ABORDAGEM SISTEMÁTICA SOBRE O MÓDULO DE GESTÃO E GERAÇÃO DE CONHECIMENTO... 589 GESTÃO DE CONHECIMENTO PARA PROGRAMAS DE MONITORIA UMA ABORDAGEM SISTEMÁTICA

Leia mais

Pós-Graduação em Engenharia Elétrica Inteligência Artificial

Pós-Graduação em Engenharia Elétrica Inteligência Artificial Pós-Graduação em Engenharia Elétrica Inteligência Artificial João Marques Salomão Rodrigo Varejão Andreão Inteligência Artificial Definição (Fonte: AAAI ): "the scientific understanding of the mechanisms

Leia mais

CONTEXTUALIZAÇÃO, RESOLUÇÃO DE PROBLEMAS E EDUCAÇÃO MATEMÁTICA

CONTEXTUALIZAÇÃO, RESOLUÇÃO DE PROBLEMAS E EDUCAÇÃO MATEMÁTICA CONTEXTUALIZAÇÃO, RESOLUÇÃO DE PROBLEMAS E EDUCAÇÃO MATEMÁTICA Edda Curi Resumo Os Parâmetros Curriculares Nacionais de Matemática dos Ensinos Fundamental e Médio enfatizam como um critério essencial para

Leia mais

Projeto Pedagógico do Curso

Projeto Pedagógico do Curso Projeto Pedagógico do Curso Fundamentação Diretrizes curriculares do MEC Diretrizes curriculares da SBC Carta de Princípios da UNICAP Projeto Pedagógico Institucional da UNICAP Diretrizes Curriculares

Leia mais

IC Inteligência Computacional Redes Neurais. Redes Neurais

IC Inteligência Computacional Redes Neurais. Redes Neurais Universidade Federal do Rio de Janeiro PÓS-GRADUAÇÃO / 2008-2 IC Inteligência Computacional Redes Neurais www.labic.nce.ufrj.br Antonio G. Thomé thome@nce.ufrj.br Redes Neurais São modelos computacionais

Leia mais

MINERAÇÃO DE DADOS APLICADA PARA LEVANTAMENTO DO PERFIL DOS ALUNOS DOS CURSOS TÉCNICOS OFERECIDOS PELO CAMPUS CAMPOS DO JORDÃO DO IFSP

MINERAÇÃO DE DADOS APLICADA PARA LEVANTAMENTO DO PERFIL DOS ALUNOS DOS CURSOS TÉCNICOS OFERECIDOS PELO CAMPUS CAMPOS DO JORDÃO DO IFSP MINERAÇÃO DE DADOS APLICADA PARA LEVANTAMENTO DO PERFIL DOS ALUNOS DOS CURSOS TÉCNICOS OFERECIDOS PELO CAMPUS CAMPOS DO JORDÃO DO IFSP 1 Data de entrega dos originais à redação em 15/03/2013 e recebido

Leia mais

Complemento II Noções Introdutória em Redes Neurais

Complemento II Noções Introdutória em Redes Neurais Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

Data Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento

Data Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento Data Mining Prof Luiz Antonio do Nascimento Data Mining Ferramenta utilizada para análise de dados para gerar, automaticamente, uma hipótese sobre padrões e anomalias identificadas para poder prever um

Leia mais

Utilizando a Planilha Calc no Estudo de Estatística Descritiva

Utilizando a Planilha Calc no Estudo de Estatística Descritiva São Luís/MA - 2007 Utilizando a Planilha Calc no Estudo de Estatística Descritiva Wagner Luis MARTINS (1); Silvia Cristina BATISTA (2); Gilmara BARCELOS (3)* (1) Licenciando em Matemática CEFET CAMPOS;

Leia mais

APLICAÇÃO DE DATA MINING NA IDENTIFICAÇÃO DE PADRÕES EM CRIANÇAS RESPIRADORAS BUCAIS E NASAIS 1.

APLICAÇÃO DE DATA MINING NA IDENTIFICAÇÃO DE PADRÕES EM CRIANÇAS RESPIRADORAS BUCAIS E NASAIS 1. APLICAÇÃO DE DATA MINING NA IDENTIFICAÇÃO DE PADRÕES EM CRIANÇAS RESPIRADORAS BUCAIS E NASAIS 1. SQUIZANI, Cleonice Schell 2 ; MORALES, Yuri 2 ; VIEIRA, Sylvio André Garcia 2 1 Trabalho de pesquisa - UNIFRA

Leia mais

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

Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão:

Leia mais

A Computação e as Classificações da Ciência

A Computação e as Classificações da Ciência A Computação e as Classificações da Ciência Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Classificações da Ciência A Computação

Leia mais

Exemplo de Aplicação do DataMinig

Exemplo de Aplicação do DataMinig Exemplo de Aplicação do DataMinig Felipe E. Barletta Mendes 19 de fevereiro de 2008 INTRODUÇÃO AO DATA MINING A mineração de dados (Data Mining) está inserida em um processo maior denominado Descoberta

Leia mais

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

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

Leia mais

Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado

Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado Alessandro Ferreira Brito 1, Rodrigo Augusto R. S. Baluz 1, Jean Carlo Galvão Mourão 1, Francisco das Chagas Rocha 2

Leia mais

Marcio Cataldi 1, Carla da C. Lopes Achão 2, Bruno Goulart de Freitas Machado 1, Simone Borim da Silva 1 e Luiz Guilherme Ferreira Guilhon 1

Marcio Cataldi 1, Carla da C. Lopes Achão 2, Bruno Goulart de Freitas Machado 1, Simone Borim da Silva 1 e Luiz Guilherme Ferreira Guilhon 1 Aplicação das técnicas de Mineração de Dados como complemento às previsões estocásticas univariadas de vazão natural: estudo de caso para a bacia do rio Iguaçu Marcio Cataldi 1, Carla da C. Lopes Achão

Leia mais

http://www.publicare.com.br/site/5,1,26,5480.asp

http://www.publicare.com.br/site/5,1,26,5480.asp Página 1 de 7 Terça-feira, 26 de Agosto de 2008 ok Home Direto da redação Última edição Edições anteriores Vitrine Cross-Docking Assine a Tecnologística Anuncie Cadastre-se Agenda Cursos de logística Dicionário

Leia mais

Portaria Inep nº 249, de 02 de junho de 2014. Publicada no Diário Oficial da União em 04 de junho de 2014.

Portaria Inep nº 249, de 02 de junho de 2014. Publicada no Diário Oficial da União em 04 de junho de 2014. Portaria Inep nº 249, de 02 de junho de 2014. Publicada no Diário Oficial da União em 04 de junho de 2014. O Presidente do Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep),

Leia mais

A Preparação dos Dados

A Preparação dos Dados A Preparação dos Dados Escolhas Básicas Objetos, casos, instâncias Objetos do mundo real: carros, arvores, etc Ponto de vista da mineração: um objeto é descrito por uma coleção de características sobre

Leia mais

IMPLEMENTAÇÃO DE UM MÓDULO DE MINERAÇÃO DE DADOS EM UM ERP

IMPLEMENTAÇÃO DE UM MÓDULO DE MINERAÇÃO DE DADOS EM UM ERP IMPLEMENTAÇÃO DE UM MÓDULO DE MINERAÇÃO DE DADOS EM UM ERP Luiz Paulo Rech Guindani Prof. Christiano Cadoná Universidade Luterana do Brasil (ULBRA) Curso de Análise

Leia mais

Sistema Tutor Inteligente baseado em Agentes. Pedagógicas da Universidade Aberta do Piauí. Prof. Dr. Vinicius Ponte Machado

Sistema Tutor Inteligente baseado em Agentes. Pedagógicas da Universidade Aberta do Piauí. Prof. Dr. Vinicius Ponte Machado Sistema Tutor Inteligente baseado em Agentes na Plataforma MOODLE para Apoio às Atividades Pedagógicas da Universidade Aberta do Piauí Prof. Dr. Vinicius Ponte Machado Parnaíba, 14 de Novembro de 2012

Leia mais

Relatório Parcial de Autoavaliação Institucional. Ciclo Avaliativo 2013 2015

Relatório Parcial de Autoavaliação Institucional. Ciclo Avaliativo 2013 2015 Relatório Parcial de Autoavaliação Institucional Ciclo Avaliativo 2013 2015 Cascavel 2014 CPA Comissão Própria de Avaliação Presidente Prof. Gelson Luiz Uecker Representante Corpo Docente Profa. Anália

Leia mais

SISTEMAS INTELIGENTES DE APOIO À DECISÃO

SISTEMAS INTELIGENTES DE APOIO À DECISÃO SISTEMAS INTELIGENTES DE APOIO À DECISÃO As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas

Leia mais

CURSO DE SISTEMAS DE INFORMAÇÃO

CURSO DE SISTEMAS DE INFORMAÇÃO 1 CURSO DE SISTEMAS DE INFORMAÇÃO EMENTÁRIO DAS DISCIPLINAS 2011.1 BRUSQUE (SC) 2015 2 SUMÁRIO 1ª FASE... 4 01 ARQUITETURA DE COMPUTADORES... 4 02 FILOSOFIA... 4 03 FUNDAMENTOS MATEMÁTICOS PARA COMPUTAÇÃO...

Leia mais

INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por

INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática (1) Data Mining Conceitos apresentados por 1 2 (2) ANÁLISE DE AGRUPAMENTOS Conceitos apresentados por. 3 LEMBRE-SE que PROBLEMA em IA Uma busca

Leia mais

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

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

Leia mais

Gerenciamento de Qualidade

Gerenciamento de Qualidade UNIVERSIDADE ESTADUAL PAULISTA INSTITUTO DE BIOCIÊNCIAS, LETRAS E CIÊNCIAS EXATAS DEPARTAMENTO DE CIÊNCIAS DE COMPUTAÇÃO E ESTATÍSTICA Gerenciamento de Qualidade Engenharia de Software 2o. Semestre de

Leia mais

INF 1771 Inteligência Artificial

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

Leia mais

Unidade III PLANEJAMENTO ESTRATÉGICO DE. Prof. Daniel Arthur Gennari Junior

Unidade III PLANEJAMENTO ESTRATÉGICO DE. Prof. Daniel Arthur Gennari Junior Unidade III PLANEJAMENTO ESTRATÉGICO DE TECNOLOGIA DA INFORMAÇÃO Prof. Daniel Arthur Gennari Junior Sobre esta aula Gestão do conhecimento e inteligência Corporativa Conceitos fundamentais Aplicações do

Leia mais

Banco de Dados I. Apresentação (mini-currículo) Conceitos. Disciplina Banco de Dados. Cont... Cont... Edson Thizon (edson@esucri.com.

Banco de Dados I. Apresentação (mini-currículo) Conceitos. Disciplina Banco de Dados. Cont... Cont... Edson Thizon (edson@esucri.com. Sistemas da Informação Banco de Dados I Edson Thizon (edson@esucri.com.br) 2008 Apresentação (mini-currículo) Formação Acadêmica Mestrando em Ciência da Computação (UFSC/ ) Créditos Concluídos. Bacharel

Leia mais

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais.

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais. 1. Introdução A previsão de vendas é fundamental para as organizações uma vez que permite melhorar o planejamento e a tomada de decisão sobre o futuro da empresa. Contudo toda previsão carrega consigo

Leia mais

Módulo 6: Inteligência Artificial

Módulo 6: Inteligência Artificial Módulo 6: Inteligência Artificial Assuntos: 6.1. Aplicações da IA 6.2. Sistemas Especialistas 6.1. Aplicações da Inteligência Artificial As organizações estão ampliando significativamente suas tentativas

Leia mais

UNIVERSIDADE PRESBITERIANA MACKENZIE

UNIVERSIDADE PRESBITERIANA MACKENZIE UNIVERSIDADE PRESBITERIANA MACKENZIE MARCELO VIANA DONI ANÁLISE DE CLUSTER: MÉTODOS HIERÁRQUICOS E DE PARTICIONAMENTO São Paulo 4 MARCELO VIANA DONI ANÁLISE DE CLUSTER: MÉTODOS HIERÁRQUICOS E DE PARTICIONAMENTO

Leia mais

MESTRADO EM PESQUISA DE MERCADOS 2006 2007

MESTRADO EM PESQUISA DE MERCADOS 2006 2007 MESTRADO EM PESQUISA DE MERCADOS 2006 2007 PROGRAMA DAS DISCIPLINAS 1 1º trimestre PESQUISA DE MERCADOS Objectivos Pretende-se que os alunos: (a) adquiram os conceitos e semântica próprios do tema, (b)

Leia mais

3. PARADIGMA ORIENTADO A OBJETOS

3. PARADIGMA ORIENTADO A OBJETOS Paradigmas de Linguagens I 1 3. PARADIGMA ORIENTADO A OBJETOS Este paradigma é o que mais reflete os problemas atuais. Linguagens orientada a objetos (OO) são projetadas para implementar diretamente a

Leia mais

Determinação dos Fatores Críticos na Análise de Desempenho de Alunos de Pósgraduação Utilizando Metodologia de Mineração de Dados

Determinação dos Fatores Críticos na Análise de Desempenho de Alunos de Pósgraduação Utilizando Metodologia de Mineração de Dados Resumo Determinação dos Fatores Críticos na Análise de Desempenho de Alunos de Pósgraduação Utilizando Metodologia de Mineração de Dados Autoria: Elizabeth de Oliveira Carpenter, Gerson Lachtermacher O

Leia mais

Padrões de Qualidade para os Cursos de Graduação em Direito

Padrões de Qualidade para os Cursos de Graduação em Direito MINISTÉRIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO SUPERIOR COORDENAÇÃO DAS COMISSÕES DE ESPECIALISTAS DE ENSINO COMISSÃO DE ESPECIALISTAS DE ENSINO DE DIREITO APRESENTAÇÃO: Padrões de Qualidade para os Cursos

Leia mais

Data Mining: Conceitos e Técnicas

Data Mining: Conceitos e Técnicas Data Mining: Conceitos e Técnicas DM, DW e OLAP Data Warehousing e OLAP para Data Mining O que é data warehouse? De data warehousing para data mining Data Warehousing e OLAP para Data Mining Data Warehouse:

Leia mais

A Utilização de Software Livre na Análise de QoS em Redes IP Utilizando Mineração de Dados

A Utilização de Software Livre na Análise de QoS em Redes IP Utilizando Mineração de Dados A Utilização de Software Livre na Análise de QoS em Redes IP Utilizando Mineração de Dados Maxwel Macedo Dias 1, Edson M.L.S. Ramos 2, Luiz Silva Filho 3, Roberto C. Betini 3 1 Faculdade de Informática

Leia mais

Introdução à Computação

Introdução à Computação Aspectos Importantes - Desenvolvimento de Software Motivação A economia de todos países dependem do uso de software. Cada vez mais, o controle dos processos tem sido feito por software. Atualmente, os

Leia mais

UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO (Bacharelado)

UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO (Bacharelado) UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO (Bacharelado) SISTEMA INTERNO INTEGRADO PARA CONTROLE DE TAREFAS INTERNAS DE UMA EMPRESA DE DESENVOLVIMENTO

Leia mais

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

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

Leia mais

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

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

Leia mais

2. GESTÃO DA CADEIA DE SUPRIMENTOS

2. GESTÃO DA CADEIA DE SUPRIMENTOS 1. Conceito de cadeia de suprimentos e seus autores: impactos das vendas e dos custos no lucro da cadeia. competição entre cadeias de suprimento. fluxos logísticos (informação, materiais/produtos, financeiro)

Leia mais

Aplicação A. Aplicação B. Aplicação C. Aplicação D. Aplicação E. Aplicação F. Aplicação A REL 1 REL 2. Aplicação B REL 3.

Aplicação A. Aplicação B. Aplicação C. Aplicação D. Aplicação E. Aplicação F. Aplicação A REL 1 REL 2. Aplicação B REL 3. Sumário Data Warehouse Modelagem Multidimensional. Data Mining BI - Business Inteligence. 1 2 Introdução Aplicações do negócio: constituem as aplicações que dão suporte ao dia a dia do negócio da empresa,

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

Data Warehouse Mineração de Dados

Data Warehouse Mineração de Dados Data Warehouse Mineração de Dados Profa. Roberta Macêdo M. Gouveia robertammg@gmail.com 1 18/12/2014 Data Warehouse Data Mining Big Data A mina de ouro debaixo dos bits 2 Data Warehouse: A Memória da Empresa

Leia mais

Tópico 7 Planejamento e Projetos. O que você deverá saber. Ao final do estudo do Tópico 7 você deverá:

Tópico 7 Planejamento e Projetos. O que você deverá saber. Ao final do estudo do Tópico 7 você deverá: Tópico 7 Planejamento e Projetos n. O que você deverá saber Ao final do estudo do Tópico 7 você deverá: - ser capaz de elaborar e orientar projetos de serviços e projetos de pesquisa; - ter adquirido conhecimentos

Leia mais

Padrões de Competências para o Cargo de Coordenador Pedagógico

Padrões de Competências para o Cargo de Coordenador Pedagógico Padrões de Competências para o Cargo de Coordenador Pedagógico O Coordenador Pedagógico é o profissional que, na Escola, possui o importante papel de desenvolver e articular ações pedagógicas que viabilizem

Leia mais

AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS

AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS Hugo Marques Casarini Faculdade de Engenharia de Computação

Leia mais

DESENVOLVIMENTO DE UM MÉTODO HÍBRIDO INTEGRANDO OS MÉTODOS: HIERARCHICAL CLUSTERING E BISECTING K-MEANS

DESENVOLVIMENTO DE UM MÉTODO HÍBRIDO INTEGRANDO OS MÉTODOS: HIERARCHICAL CLUSTERING E BISECTING K-MEANS DESENVOLVIMENTO DE UM MÉTODO HÍBRIDO INTEGRANDO OS MÉTODOS: HIERARCHICAL CLUSTERING E BISECTING K-MEANS BENTO, Renan Delazari 1 CHICON, Patricia Mariotto Mozzaquatro 2 Resumo: O presente artigo apresenta

Leia mais

Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI)

Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI) Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI) Apresentação O programa de Pós-graduação Lato Sensu em Business Intelligence Inteligência Competitiva tem por fornecer conhecimento

Leia mais

Data, Text and Web Mining

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

Leia mais

BUSINESS INTELLIGENCE, O ELEMENTO CHAVE PARA O SUCESSO DAS ORGANIZAÇÕES.

BUSINESS INTELLIGENCE, O ELEMENTO CHAVE PARA O SUCESSO DAS ORGANIZAÇÕES. Encontro de Ensino, Pesquisa e Extensão, Presidente Prudente, 22 a 25 de outubro, 2012 88 BUSINESS INTELLIGENCE, O ELEMENTO CHAVE PARA O SUCESSO DAS ORGANIZAÇÕES. Andrios Robert Silva Pereira, Renato Zanutto

Leia mais

RELATÓRIO PARCIAL DA AUTO-AVALIAÇÃO INSTITUCIONAL 2010/10. Curso tecnológico em Redes de Computadores

RELATÓRIO PARCIAL DA AUTO-AVALIAÇÃO INSTITUCIONAL 2010/10. Curso tecnológico em Redes de Computadores CENTRO UNIVERSITÁRIO DO ESTADO DO PARÁ COMISSÃO PRÓPRIA DE AVALIAÇÃO RELATÓRIO PARCIAL DA AUTO-AVALIAÇÃO INSTITUCIONAL 2010/10 Curso tecnológico em Redes de Computadores CATEGORIAS & DIMENSÕES AVALIADAS:

Leia mais

2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução

2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução 2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução De acordo com [FAYY96], o conceito de descoberta de conhecimento em bases de dados pode ser resumido como o processo não-trivial de identificar

Leia mais

PROJETO DE PESQUISA SOBRE A UTILIZAÇÃO DE AMBIENTES VIRTUAIS DE APRENDIZAGEM COMO APOIO AO ENSINO SUPERIOR EM IES DO ESTADO DE SÃO PAULO

PROJETO DE PESQUISA SOBRE A UTILIZAÇÃO DE AMBIENTES VIRTUAIS DE APRENDIZAGEM COMO APOIO AO ENSINO SUPERIOR EM IES DO ESTADO DE SÃO PAULO 552 PROJETO DE PESQUISA SOBRE A UTILIZAÇÃO DE AMBIENTES VIRTUAIS DE APRENDIZAGEM COMO APOIO AO ENSINO SUPERIOR EM IES DO ESTADO DE SÃO PAULO Silvio Carvalho Neto (USP) Hiro Takaoka (USP) PESQUISA EXPLORATÓRIA

Leia mais

AUTOAVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO DA UNISC. Ana Karin Nunes* Rosângela Gabriel** Christian Ricardo Rohr* Maria Elisa Baumhardt**

AUTOAVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO DA UNISC. Ana Karin Nunes* Rosângela Gabriel** Christian Ricardo Rohr* Maria Elisa Baumhardt** AUTOAVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO DA UNISC Ana Karin Nunes* Rosângela Gabriel** Christian Ricardo Rohr* Maria Elisa Baumhardt** * Assessoria de Avaliação Institucional da Universidade de Santa

Leia mais

LEVANTAMENTO DE REQUISITOS SEGUNDO O MÉTODO VOLERE

LEVANTAMENTO DE REQUISITOS SEGUNDO O MÉTODO VOLERE LEVANTAMENTO DE REQUISITOS SEGUNDO O MÉTODO VOLERE RESUMO Fazer um bom levantamento e especificação de requisitos é algo primordial para quem trabalha com desenvolvimento de sistemas. Esse levantamento

Leia mais

Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas

Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas 22 - Encontro Anual de Tecnologia da Informação Aplicativo de Mineração de Dados Aplicado em Bases de Dados Acadêmicas Elisa Maria Vissotto1, Adriane Barbosa Camargo2 1 Universidade Regional Integrada

Leia mais

Estatística Básica via MySQL para Pesquisas On-Line

Estatística Básica via MySQL para Pesquisas On-Line Estatística Básica via MySQL para Pesquisas On-Line Gabriel Ramos Guerreiro - DEs, UFSCar 1 2 Anderson Luiz Ara-Souza - DEs, UFSCar 1 3 Francisco Louzada-Neto - DEs, UFSCar 1 4 1. INTRODUÇÃO Segundo Cavalcanti

Leia mais

AMBIENTE VIRTUAL DE APOIO AO LETRAMENTO ESTATÍSTICO AVALE

AMBIENTE VIRTUAL DE APOIO AO LETRAMENTO ESTATÍSTICO AVALE AMBIENTE VIRTUAL DE APOIO AO LETRAMENTO ESTATÍSTICO AVALE Irene Maurício Cazorla Universidade Estadual de Santa Cruz icazorla@uol.com.br Resumo: O AVALE é um projeto de pesquisa e desenvolvimento da UESC,

Leia mais

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan Faculdade INED Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan 1 Unidade 4.5 2 1 BI BUSINESS INTELLIGENCE BI CARLOS BARBIERI

Leia mais

Extensão do WEKA para Métodos de Agrupamento com Restrição de Contigüidade

Extensão do WEKA para Métodos de Agrupamento com Restrição de Contigüidade Extensão do WEKA para Métodos de Agrupamento com Restrição de Contigüidade Carlos Eduardo R. de Mello, Geraldo Zimbrão da Silva, Jano M. de Souza Programa de Engenharia de Sistemas e Computação Universidade

Leia mais

Recorte de um estudo dos cursos de formação inicial de professores de Matemática do Estado de São Paulo Brasil

Recorte de um estudo dos cursos de formação inicial de professores de Matemática do Estado de São Paulo Brasil Recorte de um estudo dos cursos de formação inicial de professores de Matemática do Estado de São Paulo Brasil Marcelo Dias Pereira Universidade Municipal de São Caetano do Sul, Faculdades Integradas de

Leia mais

Anais do II Seminário de Atualização Florestal e XI Semana de Estudos Florestais. Deise Regina Lazzarotto

Anais do II Seminário de Atualização Florestal e XI Semana de Estudos Florestais. Deise Regina Lazzarotto SISTEMA DE INFORMAÇÕES GEOGRÁFICAS APLICADO AOS DADOS DO GRUPO DE PESQUISA BIODIVERSIDADE E SUSTENTABILIDADE DE ECOSSISTEMAS FLORESTAIS DE IRATI PR. Deise Regina Lazzarotto Departamento de Engenharia Florestal

Leia mais

Unidade 4: Contextualização de Objetos de Aprendizagem

Unidade 4: Contextualização de Objetos de Aprendizagem Coordenação: Juliana Cristina Braga Autoria: Rita Ponchio Você aprendeu na unidade anterior a importância da adoção de uma metodologia para a construção de OA., e também uma descrição geral da metodologia

Leia mais