ANÁLISE E MINERAÇÃO DE DADOS EM UM JOGO DE EMPRESAS PARA APOIO AO ENSINO DE CONCEITOS DE GESTÃO DA PRODUÇÃO, VENDAS E ESTRATÉGIAS DE NEGÓCIOS

Tamanho: px
Começar a partir da página:

Download "ANÁLISE E MINERAÇÃO DE DADOS EM UM JOGO DE EMPRESAS PARA APOIO AO ENSINO DE CONCEITOS DE GESTÃO DA PRODUÇÃO, VENDAS E ESTRATÉGIAS DE NEGÓCIOS"

Transcrição

1 ANÁLISE E MINERAÇÃO DE DADOS EM UM JOGO DE EMPRESAS PARA APOIO AO ENSINO DE CONCEITOS DE GESTÃO DA PRODUÇÃO, VENDAS E ESTRATÉGIAS DE NEGÓCIOS Daniel Ferreira de Barros Junior (UNINOVE ) JOSE DOMINGOS ESTIVALLI (UNINOVE ) Felipe Amendola (UNINOVE ) Sidnei Alves de Araujo (UNINOVE ) Este trabalho teve como objetivo investigar a existência de padrões nas decisões tomadas por grupos de jogadores de um jogo de empresas utilizado como ferramenta de apoio ao ensino de conceitos de gestão da produção, vendas e estratégias dee negócios no curso de Administração de Empresas de uma universidade particular da cidade de São Paulo. Para tanto, foram utilizadas técnicas de mineração de dados para análise, classificação e associação de dados relativos às tomadas de decisões dos grupos que utilizaram o jogo. Os resultados experimentais mostraram que a abordagem proposta é de grande utilidade em jogos de empresas já que propicia a análise do perfil dos jogadores, a partir da descoberta de informações importantes que podem auxiliar tanto os jogadores quanto os professores que utilizam o jogo. Palavras-chaves: Mineração de dados, Jogos de Empresa, Gestão da Produção, Inteligência Computacional

2 1. Introdução Jogo de empresas pode se definido como uma simulação na qual as pessoas participam ativamente como tomadores de decisões dentro do sistema organizacional simulado (NAYLOR, 1971). Segundo Gramigna (1993), as simulações caracterizam-se por uma situação em que o cenário simulado representa modelos reais, tornando possível a reprodução do cotidiano. De acordo com Sauaia (2006), os jogos de empresas são ferramentas educacionais direcionadas ao processo de aprendizagem, de forte apelo ao aprendizado vivencial e que auxiliam na percepção da visão sistêmica e na experimentação do processo de tomada de decisão empresarial. Atualmente é cada vez mais presente e relevante o uso de jogos de empresas em universidades como uma importante ferramenta de apoio ao ensino e aprendizagem (OLIVEIRA, 2009). Observa-se que tomadas de decisões, para uso em jogos de empresas, requer do aluno o resgate de conceitos apresentados durante o curso, os quais muitas vezes são fragmentados. O uso do jogo permite que as informações se enriqueçam por meio da dinâmica empregada, da visão sistêmica necessária à resolução dos problemas, da participação coletiva dos alunos e da relação de causa e efeito diante das decisões tomadas. O conteúdo e análise a ser desenvolvida, necessários para realizar as tomadas de decisão, variam de acordo com o curso ou especialidade do aluno. Há aplicações de jogos de empresa voltados para temas nas áreas de logística, recursos humanos, administração geral, gestão da produção industrial, tecnologia da informação, dentre outras (SILVESTRE, 2004). Dado o volume de dados gerados nas simulações, torna-se impraticável a realização de inferências pelo professor, no momento da aplicação do jogo, no sentido de classificar e tipificar as ações tomadas pelos participantes. Tais inferências possibilitariam uma melhor orientação, direcionamento e acompanhamento de tomadas de decisões futuras. Não obstante, o professor poderia utilizar-se destas inferências para enriquecer o jogo e também balizar as avaliações. 2

3 Neste contexto, as técnicas de mineração de dados podem auxiliar na descoberta de informações extraídas dos dados relativos às tomadas de decisões dos jogadores que utilizam o jogo, permitindo aprofundar uma análise sobre suas características e o quanto suas decisões são similares diante de um mesmo cenário. Este trabalho visa realizar uma investigação das decisões tomadas por grupos de jogadores de um jogo de empresas utilizado como ferramenta de apoio ao ensino de conceitos de gestão da produção, vendas e estratégias de negócios no curso de Administração de Empresas de uma universidade particular da cidade de São Paulo. O simulador em questão emprega o Balanced Score Card - BSC (COSTA, 2006) para medir o desempenho da empresa virtual, bem como as metas previamente estabelecidas, as quais são utilizadas para composição da nota do aluno. A ideia é descobrir informações que estratifiquem características que permitirão classificar grupos de participantes visando o enriquecimento do jogo. Além disso, este trabalho pode propiciar a criação de uma metodologia de mineração de dados aplicável a outros jogos com características semelhantes. Para tanto, foram conduzidos dois experimentos, um com foco na análise da variabilidade dos valores das variáveis de decisão e o outro com base nos valores médios das variáveis de decisão de cada grupo com relação aos valores médios destas mesmas variáveis considerando todos os grupos de jogadores. 2. Descrição do Jogo de Empresas considerado no trabalho O jogo considerado neste trabalho é utilizado como ferramenta de apoio ao ensino de conceitos de gestão da produção, vendas e estratégias de negócios no último semestre do curso de Administração de Empresas em uma universidade particular da cidade de São Paulo, na qual somente o curso de Administração tem cerca de alunos matriculados. No segundo semestre de 2012, de onde se originaram os dados analisados neste trabalho, mais de alunos participaram desta simulação. A simulação permite ao aluno ponderar e decidir sobre múltiplos desafios e visões, tais como, recursos humanos, produção, vendas, marketing, com o apoio de indicadores de desempenho, apresentados pelo BSC. O jogo se dá com a participação em grupo, sendo esta dinâmica um desafio a mais para ser superado. 3

4 Este jogo de empresa visa simular a operação anual de uma fábrica de eletrodomésticos, na qual há duas linhas de produção em série a serem administradas, Produto A e Produto B, sendo o primeiro com mais recursos tecnológicos (Luxo) e o segundo mais simples (Standard). A fase inicial compreende o reconhecimento do simulador e a elaboração do planejamento orçamentário anual diante do cenário exposto. Os dados do planejamento orçamentário compõem o plano de metas no simulador. As metas objetivas são representadas por resultados mensuráveis, por meio do BSC, a cada período e obtendo-se um valor final resultante da média anual. A divisão em doze períodos de tomada de decisão, simulando um ano fiscal, visa dar um caráter temporal à simulação. As metas mensuráveis nesta simulação são: faturamento, lucro, quantidade de produtos entregue, lucratividade e investimento em qualidade e produtividade. Há ainda as metas relacionadas aos investimentos em qualidade e produtividade (quatro primeiros itens da Tabela 1), as quais têm relações diretas e indiretas no resultado da empresa. A soma destes investimentos permite a empresa virtual conquistar níveis de classificação, determinado pelo número de estrelas, que varia de zero a cinco. Esta classificação se apresenta como diferenciação estratégia ou operacional. Os índices de desempenho no BSC são calculados pelo percentual entre as metas, definidas na fase inicial e o realizado no decorrer da simulação. O início do ano fiscal se dá com uma apresentação do cenário atual, exposto pelo professor, no intuito de contextualizar a simulação. As variáveis de decisão, apresentadas na Tabela 1, são os valores que representam o cerne do problema e que o jogador deve decidir para atingir seu objetivo no jogo, orientando-se por suas metas pré-estabelecidas. Algumas destas variáveis influenciam diretamente na demanda atendida, ou seja, na quantidade de produtos vendidos, enquanto outras influenciam nos custos operacionais e resultados financeiros. A demanda atendida de cada empresa virtual é determinada pelo professor, coordenador da simulação. Este leva em consideração as ofertas (preço de venda e características da empresa) e o cenário externo vigente. A flexibilidade de cenários externos possibilita propor diferentes níveis de desafios e dificuldades na simulação. 4

5 Após a realização de suas vendas, o grupo obtém os resultados de sua operação mensal, possibilitando uma análise do cumprimento de metas no BSC. O ciclo de decisões se reinicia até a conclusão do ano fiscal. Para a determinação da nota final de cada grupo na simulação (NOTA_GRUPO), considera-se a razão entre as metas mensuráveis no BSC e os valores obtidos pelo grupo. Assim, se o grupo atingir 100% ou mais das metas estabelecidas obterá nota máxima. Tabela 1. Variáveis de decisão do jogo. Descrição da variável Investimentos em processos relativos à gestão ambiental Investimento em melhorias de processos de fabricação Investimentos em tecnologia e desenvolvimento de produto Investimentos em Publicidade Preço de venda produto Luxo Preço de venda produto Standard Contratação de funcionários para linha de produção Luxo Contratação de funcionários para linha de produção Standard Demissão de funcionários da linha de produção Luxo Demissão de funcionários da linha de produção Standard Compra de matéria prima para a produção de produtos Luxo Compra de matéria prima para a produção de produtos Standard Nome da variável MA TPROC TPROD PUBL PVL PVS CL CS DL DS CMPL CMPS Os nomes das variáveis apresentados na segunda coluna da Tabela 1 são utilizados nos experimentos conduzidos no trabalho. 3. Mineração de Dados A Mineração de Dados (MD) ou Data Mining pode ser definida como o processo de exploração e análise de grandes quantidades de dados, utilizando estratégias automatizadas, com o objetivo de descobrir padrões ou regras que permitam uma melhor compreensão da 5

6 informação contida nos mesmos (CARVALHO, 2005; FAYYAD et al., 1996; HAN; KAMBER, 2001). A MD baseia-se na utilização de algoritmos estatísticos e de inteligência artificial capazes de vasculhar grandes bases de dados de modo eficiente e revelar padrões interessantes e consistentes, tais como agrupamentos, hipóteses e regras de associação, visando detectar relacionamentos sistemáticos entre variáveis e auxiliando na descoberta de conhecimento. As ferramentas de MD visam prever futuras tendências e comportamentos, auxiliando as empresas no processo de tomada de decisão, com base no conhecimento acumulado e muitas vezes desprezado, contido em seus próprios bancos de dados. Existem diversas funcionalidades ou tarefas de MD. Cada uma delas determina o tipo de problema que será resolvido. As principais são: classificação, descoberta de regras de associação e agrupamento de dados. O principal objetivo da classificação é examinar o conjunto de dados de entrada e produzir descrições das características destes dados para cada classe. Para tanto é empregado um algoritmo classificador para determinar as regras de classificação. Com base nestas regras novos conjuntos de dados podem ser classificados de forma automática (FAYYAD et al., 1996). Na descoberta de regras de associação, os padrões descobertos são apresentados na forma de regras de alto nível do tipo SE...ENTÃO. Normalmente os algoritmos empregados nesta tarefa produzem uma grande quantidade de regras e cabe ao usuário selecionar aquelas que ele julga serem mais úteis para uma determinada aplicação. A tarefa de agrupamento ou clustering de dados objetiva agrupar automaticamente um conjunto de dados em dois ou mais grupos, utilizando alguma medida de similaridade entre os valores das variáveis que constituem cada padrão do conjunto. São muitos os algoritmos empregados nas tarefas de MD anteriormente descritas. Alguns amplamente utilizados são: Redes Bayesianas, Algoritmos Genéticos, Lógica Fuzzy, K- vizinhos mais próximos (KNN), Máquinas de Vetores-Suporte, Redes Neurais Artificiais e Árvores de Decisão. As Árvores de Decisão e as Redes Neurais Artificiais, por exemplo, são técnicas muito poderosas e utilizadas em tarefas de classificação e associação (RUSSEL; NORVIG, 1995; 6

7 MITCHELL, 1997). A primeira é amplamente utilizada nestas tarefas devido ao fato do conhecimento adquirido ser representado por meio de regras que facilitam o entendimento do usuário. Por outro lado, diferentemente das Redes Neurais Artificiais, esta técnica nem sempre usa todos os atributos (variáveis) que representam um padrão para a criação das regras. Isso porque a criação da árvore é baseada na importância dos atributos para a classificação dos padrões. 4. Metodologia Neste trabalho foram realizados dois experimentos principais, um com foco na análise da variabilidade dos valores das variáveis de decisão (Experimento 1) e o outro com base nos valores médios das variáveis de decisão de cada grupo com relação aos valores médios destas variáveis considerando todos os grupos de jogadores (Experimento 2). Os dois conjuntos de dados utilizados nos experimentos foram denominados Conjunto 1 e Conjunto 2. Para realização dos testes empregou-se o WEKA (HALL et al., 2009), uma das mais populares ferramentas de mineração de dados em ambiente acadêmico, e que disponibiliza diversos algoritmos provenientes da estatística e da inteligência artificial. Em uma primeira fase procedeu-se o processo de extração, limpeza e tratamento dos dados brutos dos simuladores do jogo de empresas com a finalidade de compor os dois conjuntos de dados a serem analisados pelos algoritmos de MD. Para tanto, foram extraídos os dados de 180 grupos de jogadores relativos às tomadas de decisões ao longo do segundo semestre de Em seguida, foram retirados os registros dos grupos que não jogaram em dois ou mais meses consecutivos ao longo do ano. A partir desta operação, restaram os dados de 129 grupos de jogadores. Para cada experimento, os valores das variáveis mostradas na Tabela 1, os quais compõem os conjuntos de dados, foram transformados, normalizados, discretizados e categorizados, de acordo com o objetivo do experimento, conforme descrito nas subseções 4.1 e 4.2. Ambos os conjuntos de dados foram compostos por 129 registros (padrões), cada um deles com 13 atributos, 12 representando as variáveis de decisão (Tabela 1) e um atributo representando a classe do padrão. 4.1 Tratamento dos dados para composição do Conjunto 1 7

8 Transformação: calculou-se, para cada grupo, o desvio padrão de cada uma das variáveis de decisão considerando os valores informados nos doze períodos; Normalização: dividiu-se o valor de cada variável de decisão pelo valor máximo encontrado para a mesma variável considerando os 129 grupos. Assim, os valores das variáveis foram normalizados para o intervalo [0,1]. Discretização e categorização: com base no histograma de cada variável de decisão, foram definidos três intervalos, os quais foram categorizados como {Pequeno, Médio, Grande}. A variável NOTA_GRUPO, a qual define a classe do padrão, foi categorizada como {Baixa, Média, Alta}. 4.2 Tratamento dos dados para composição do Conjunto 2 Transformação: calculou-se, para cada grupo, um coeficiente dividindo-se o valor médio de cada variável ao longo de doze períodos pela média geral da mesma variável considerando os 129 grupos de jogadores. Este coeficiente serviu, por exemplo, para posicionar o valor médio de uma variável de decisão praticado por um grupo considerando os valores médios praticados pelos seus concorrentes. Assim, valores próximos de 1 indicavam que o valor praticado pelo grupo estava na média geral. Valores muito maiores que 1, acima da média geral e valores muito menores que 1, abaixo da média geral. Normalização: Não foi necessária, pois o resultado da transformação já permitiu categorizar os dados. Discretização e categorização: com base no histograma de cada variável, foram definidos três intervalos, os quais foram categorizados como {Abaixo, Média, Acima}. A exemplo do conjunto anterior a variável NOTA_GRUPO foi categorizada como {Baixa, Média, Alta}. 4.3 Avaliação do desempenho dos classificadores utilizados Para a avaliação do desempenho dos algoritmos empregados nos experimentos realizados neste trabalho (árvores de decisão ID3 e redes neurais artificiais Multilayer Perceptron) empregou-se a taxa de acertos (equação 1). 8

9 Taxa VP de Acertos(TA) 100 VP FN (1) A taxa de acertos é calculada a partir da matriz de confusão ou tabela de contingência (FAWCETT, 2005) mostrada na Tabela 2 e pode ser definida como a razão entre o número de classificações corretas realizadas pelo algoritmo e o total de padrões analisados. Tabela 2. Matriz de confusão. Classe predita Classe verdadeira pelo algoritmo Positivo Negativo Positivo Verdadeiro Positivo (VP) Falso Positivo (FP) Negativo Falso Negativo (FN) Verdadeiro Negativo (VN) Com base na matriz de confusão também são derivadas as medidas precisão, acurácia, curvas recall-precision e curvas ROC (Receiver Operating Characteristic), entre outras. 5. Resultados experimentais Nas subseções 5.1 e 5.2 são apresentados os resultados dos experimentos com os conjuntos de dados 1 e 2. Nos dois experimentos foram realizadas tarefas classificação dos dados e geração de regras de associação. A classificação teve como objetivo avaliar a similaridade dos dados pertencente à mesma classe (definida pela variável NOTA_GRUPO) em cada conjunto. Já nos experimentos envolvendo as regras de associação procurou-se descobrir associações e correlações entre os dados visando derivar novos conhecimentos a partir dos conjuntos de dados analisados. Na subseção 5.3 apresenta-se uma discussão acerca dos experimentos Experimento 1 - Análise da similaridade dos padrões com relação à variabilidade dos valores das variáveis de decisão Neste experimento considerou-se o conjunto de dados 1, no qual os atributos representam os desvios padrões das variáveis de decisão. As tabelas 3 e 4 mostram as matrizes de confusão das classificações feitas pela árvore de decisão (algoritmo ID3) e pela rede neural Multilayer Perceptron (MLP). Tabela 3. Matriz de confusão da classificação dos dados do conjunto 1 Tabela 4. Matriz de confusão da classificação dos dados do conjunto 1 9

10 pela árvore de decisão ID3 Classe predita Classe verdadeira pelo algoritmo Baixa Média Alta Baixa Média Alta pela rede neural MLP Classe predita Classe verdadeira pelo algoritmo Baixa Média Alta Baixa Média Alta Nas matrizes de confusão mostradas nas tabelas 3 e 4 as classificações corretas são localizadas nas diagonais principais. Como pode ser visto nestas tabelas, embora os acertos tenham sido diferentes entre as classes, ID3 e MLP tiveram a mesmo número de acertos 99. Isso reflete uma taxa de acertos de 76,7% (99/129). A questão do número de acertos de ID3 e MLP serem diferentes para uma mesma classe está relacionada ao número e ordem das variáveis de decisão utilizadas no processo de classificação. Pode-se perceber também que, para ambos os classificadores, o número de erros para a classe Baixa foi muito mais alto que para as demais classes. Isso significa que, utilizando os desvios padrões das variáveis de decisão, fica difícil predizer a tendência de aproveitamento de um grupo para padrões similares aos da classe Baixa. Com relação às regras de associação, aplicando o algoritmo Predictive Apriori do WEKA no conjunto 1, foram geradas 100 regras das quais selecionamos as 5 mencionadas a seguir: 1. SE TPROC=Pequeno E PUBL=Medio ENTÃO NOTA_GRUPO=Alta (TA=94%) 2. SE MA=Grande E TPROC=Medio E PUBL=Grande ENTÃO NOTA_GRUPO=Alta (TA=89%) 3. SE TPROC=Medio E Tecnol_Prod=Pequeno ENTÃO NOTA_GRUPO=Baixa (TA=86%) 4. SE PVL=Medio E CMPL=Medio ENTÃO NOTA_GRUPO=Media (TA=78%) 5. SE PVS=Pequeno E CMPS=Medio ENTÃO NOTA_GRUPO=Alta (TA=64%) Estas e outras regras geradas poderiam ser utilizadas no jogo tanto para auxiliar os grupos quanto o professor, já que revelam conhecimentos que não estão explícitos no conjunto de dados Experimento 2 - Análise da similaridade dos padrões com relação ao posicionamento dos valores das variáveis de decisão 10

11 Neste experimento considerou-se o conjunto de dados 2, no qual os atributos representam os posicionamentos dos valores médios das variáveis de decisão de cada grupo com relação às médias gerais destas variáveis (considerando os 129 grupos). As tabelas 5 e 6 mostram as matrizes de confusão das classificações feitas pela árvore de decisão e pela rede neural. Tabela 5. Matriz de confusão da classificação dos dados do conjunto 2 pela árvore de decisão ID3 Classe predita Classe verdadeira pelo algoritmo Baixa Média Alta Baixa Média Alta Tabela 6. Matriz de confusão da classificação dos dados do conjunto 2 pela rede neural MLP Classe predita Classe verdadeira pelo algoritmo Baixa Média Alta Baixa Média Alta Os resultados descritos nas tabelas 5 e 6 mostram que os acertos de ID3 (123/129 ou 95,3%) foram ligeiramente maiores que os de MLP (122/129 ou 94.6%). A alta taxa de acertos para ambos os classificadores sinaliza que, utilizando os posicionamentos dos valores médios das variáveis de decisão com relação às médias gerais, pode-se predizer, com alto grau de certeza, a tendência de aproveitamento de um grupo a partir do segundo período de simulação. Com relação às regras de associação, aplicando o algoritmo Predictive Apriori do WEKA no conjunto 2, foram geradas 100 regras das quais selecionamos as 5 mencionadas a seguir: 1. SE MA=Acima E TPROC=Media ENTÃO NOTA_GRUPO=Alta (TA=91%) 2. SE MA=Acima E TPROC=Acima E PUBL=Media ENTÃO NOTA_GRUPO=Media (TA=91%) 3. SE PVL=Abaixo E CL=Abaixo E CMPL=Abaixo ENTÃO NOTA_GRUPO=Baixa (TA=95%) 4. SE PVS=Media E CMPS=Acima ENTÃO NOTA_GRUPO=Alta (TA=99%) 5. SE PVS=Abaixo E CMPS=Abaixo ENTÃO NOTA_GRUPO=Baixa (TA=87%) A exemplo das regras geradas a partir do conjunto 1, estas regras poderiam ser utilizadas no jogo para auxiliar tanto os grupos quanto o professor Discussão dos resultados 11

12 Com base nos resultados apresentados, pode-se dizer que a metodologia na composição do conjunto 2 é melhor para predição de tendências no jogo. Assim, desde o lançamento de dados relativos ao segundo mês no jogo, é possível predizer a tendência de aproveitamento do grupo. As regras geradas pelos classificadores são de extrema importância porque, uma vez aplicadas ao jogo, podem enriquecer sua dinâmica no sentido de torná-lo inteligente ao ponto de dar indícios para os jogadores sobre seus rendimentos com relação às suas metas. Cabe ressaltar estas regras, principalmente as de associação, podem também auxiliar o professor na proposição de novos cenários. 6. Conclusões Este trabalho teve como objetivo investigar, por meio da utilização de técnicas de mineração de dados, as decisões tomadas por grupos de jogadores de um jogo de empresas utilizado no ensino de conceitos de gestão da produção, vendas e estratégias de negócios. Nos experimentos realizados, principalmente no experimento 2, foi possível encontrar informações que permitem classificar os grupos de participantes e fazer predição de tendências quanto ao rendimento de um jogador a partir do segundo período de simulação. Além disso, este trabalho pode propiciar a criação de uma metodologia de mineração de dados aplicável a outros jogos com características semelhantes. Em trabalhos futuros pretende-se acoplar as técnicas de mineração de dados investigadas ao jogo abordado neste trabalho e fazer uma nova análise do rendimento dos jogadores com intuito de avaliar o quanto elas contribuíram para a melhoria do jogo. REFERÊNCIAS CARVALHO, Luis A.V. Datamining: A mineração de dados no marketing, medicina, economia, engenharia e administração. Rio de Janeiro: Ciência Moderna, COSTA, Rosenei Novachadlo da. Balanced scorecard: Um aplicativo para ser usado em sala de aula. Dissertação (Mestrado em Ciências Contábeis) Programa de Pós-Graduação em Ciências Contábeis da Universidade Regional de Blumenal, Blumenal, FAWCETT, Tom. An introduction to ROC analysis. Pattern Recognition Letters. v. 27, n. 8, p ,

13 FAYYAD, U; PIATETSKY-SHAPIRO G; SMYTH, P; UTHURUSAMY, R. Advances in knowledge discovery and data mining. American Association for Artificial Intelligence. Menlo Park: MIT Press; GRAMIGNA, Maria Rita M. Jogos de empresa. São Paulo: Makron Books, HALL, Mark; FRANK, Eibe; HOLMES, Geoffrey; PFAHRINGER, Bernhard; REUTEMANN Peter; WITTEN, Ian H. The WEKA Data Mining Software: An Update. SIGKDD Explorations, v. 11, n. 1, p , HAN, Jiawei; KAMBER, Micheline. Data Mining: Concepts and Techniques. Morgan Kaufmann, MITCHELL, T. M. Machine Learning. New York: McGraw-Hill, NAYLOR, Thomas H. et al. Técnicas de simulação em computadores. Petrópolis: Vozes, SAUAIA, Antônio Carlos A. Conhecimento Versus Desempenho das Organizações: Um Estudo Empírico com Jogos de Empresas. Revista de Administração, v.12, n.1, edição 49, OLIVEIRA, Murilo Alvarenga. Implantando o laboratório de gestão: Um programa integrado de educação gerencial e pesquisa em administração. Tese (Doutorado), Faculdade de Economia, Administração e Contabilidade, FEA/USP, São Paulo, RUSSEL, Sturat; NORVIG, Peter. Artificial intelligence a modern approach. New Jersey: Prentice Hall, SILVESTRE, Daniel Ângelo. Proposta de um novo modelo de jogos de empresas. Dissertação (Mestrado), Curso de Pós Graduação em Sistemas de Gestão. UFRJ, Niterói,

JOGOS EMPRESARIAIS Conceitos e Fundamentos

JOGOS EMPRESARIAIS Conceitos e Fundamentos UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL (UFMS) CAMPUS DE BONITO/MS, CURSO DE ADMINISTRAÇÃO JOGOS EMPRESARIAIS Conceitos e Fundamentos Prof. Ana Cristina Trevelin Conceitos Simulação Jogos de Empresa

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

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

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

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

Mineração de dados em triagem de risco de saúde

Mineração de dados em triagem de risco de saúde Mineração de dados em triagem de risco de saúde Thales Vaz Maciel 1 ; Vinicius Rosa Seus 2 ; Karina dos Santos Machado 3 ; Eduardo Nunes Borges 4 1234 Centro de Ciências Computacionais, Fundação Universidade

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

Gestão da Informação. Gestão da Informação. AULA 3 Data Mining

Gestão da Informação. Gestão da Informação. AULA 3 Data Mining Gestão da Informação AULA 3 Data Mining Prof. Edilberto M. Silva Gestão da Informação Agenda Unidade I - DM (Data Mining) Definição Objetivos Exemplos de Uso Técnicas Tarefas Unidade II DM Prático Exemplo

Leia mais

MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES

MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES Kelton Costa; Patricia Ribeiro; Atair Camargo; Victor Rossi; Henrique Martins; Miguel Neves; Ricardo Fontes. kelton.costa@gmail.com; patriciabellin@yahoo.com.br;

Leia mais

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

UNIVERSIDADE NOVE DE JULHO - UNINOVE PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO DANIEL FERREIRA DE BARROS JUNIOR

UNIVERSIDADE NOVE DE JULHO - UNINOVE PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO DANIEL FERREIRA DE BARROS JUNIOR UNIVERSIDADE NOVE DE JULHO - UNINOVE PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO DANIEL FERREIRA DE BARROS JUNIOR APLICAÇÃO DE TÉCNICAS DE INTELIGÊNCIA COMPUTACIONAL NO APOIO À DECISÃO EM JOGO

Leia mais

Estudo e Análise da Base de Dados do Portal Corporativo da Sexta Região da Polícia Militar com vista à aplicação de Técnicas de Mineração de Dados1

Estudo e Análise da Base de Dados do Portal Corporativo da Sexta Região da Polícia Militar com vista à aplicação de Técnicas de Mineração de Dados1 Estudo e Análise da Base de Dados do Portal Corporativo da Sexta Região da Polícia Militar com vista à aplicação de Técnicas de Mineração de Dados1 Rafaela Giroto, 10º módulo de Ciência da Computação,

Leia mais

UNIVERSIDADE NOVE DE JULHO - UNINOVE PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO DANIEL FERREIRA DE BARROS JUNIOR

UNIVERSIDADE NOVE DE JULHO - UNINOVE PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO DANIEL FERREIRA DE BARROS JUNIOR UNIVERSIDADE NOVE DE JULHO - UNINOVE PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO DANIEL FERREIRA DE BARROS JUNIOR APLICAÇÃO DE TÉCNICAS DE INTELIGÊNCIA COMPUTACIONAL NO APOIO À DECISÃO EM JOGO

Leia mais

KDD E MINERAÇÃO DE DADOS:

KDD E MINERAÇÃO DE DADOS: KDD E MINERAÇÃO DE DADOS: Introdução e Motivação Prof. Ronaldo R. Goldschmidt ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt Fatos: Avanços em TI e o crescimento

Leia 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

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

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

Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados

Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2006.2 Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento

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

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala [quinta-feira, 7:30 12:00] Atendimento Segunda

Leia 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

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

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

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

Técnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques

Técnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques Técnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques Sidnei Alves de Araújo André Felipe Henriques Librantz

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

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 Mining II Modelos Preditivos

Data Mining II Modelos Preditivos Data Mining II Modelos Preditivos Prof. Doutor Victor Lobo Mestre André Melo Mestrado em Estatística e Gestão de Informação Objectivo desta disciplina Fazer previsões a partir de dados. Conhecer os principais

Leia mais

Pós-Graduação Lato Sensu em ENGENHARIA DE MARKETING

Pós-Graduação Lato Sensu em ENGENHARIA DE MARKETING Pós-Graduação Lato Sensu em ENGENHARIA DE MARKETING Inscrições Abertas: Início das aulas: 28/03/2016 Término das aulas: 10/12/2016 Dias e horários das aulas: Segunda-Feira 18h30 às 22h30 Semanal Quarta-Feira

Leia mais

FUNDAÇÃO DE ENSINO EURÍPIDES SOARES DA ROCHA CENTRO UNIVERSITÁRIO EURÍPIDES DE MARÍLIA UNIVEM CURSO DE BACHARELADO EM SISTEMAS DE INFORMAÇÃO

FUNDAÇÃO DE ENSINO EURÍPIDES SOARES DA ROCHA CENTRO UNIVERSITÁRIO EURÍPIDES DE MARÍLIA UNIVEM CURSO DE BACHARELADO EM SISTEMAS DE INFORMAÇÃO FUNDAÇÃO DE ENSINO EURÍPIDES SOARES DA ROCHA CENTRO UNIVERSITÁRIO EURÍPIDES DE MARÍLIA UNIVEM CURSO DE BACHARELADO EM SISTEMAS DE INFORMAÇÃO DANIEL DA SILVA DISNER MINERAÇÃO DE DADOS PARA OBTENÇÃO DE CONHECIMENTO

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

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

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

Utilização de Técnicas de Mineração de Dados como Auxílio na Detecção de Cartéis em Licitações Carlos Vinícius Sarmento Silva Célia Ghedini Ralha

Utilização de Técnicas de Mineração de Dados como Auxílio na Detecção de Cartéis em Licitações Carlos Vinícius Sarmento Silva Célia Ghedini Ralha WCGE II Workshop de Computação Aplicada em Governo Eletrônico Utilização de Técnicas de Mineração de Dados como Auxílio na Detecção de Cartéis em Licitações Carlos Vinícius Sarmento Silva Célia Ghedini

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

Ferramentas Livres de Armazenamento e Mineração de Dados

Ferramentas Livres de Armazenamento e Mineração de Dados Ferramentas Livres de Armazenamento e Mineração de Dados JasperBI, Pentaho, Weka 09/2009 Eng. Pablo Jorge Madril pmadril@summa.com.br Summa Technologies www.summa.com.br Eng. Pablo Jorge Madril pmadril@summa.com.br

Leia mais

Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II. Mineração de Dados. Sylvio Barbon Junior barbon@uel.br. 26 de junho de 2015 DC-UEL Sylvio Barbon Jr 1

Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II. Mineração de Dados. Sylvio Barbon Junior barbon@uel.br. 26 de junho de 2015 DC-UEL Sylvio Barbon Jr 1 Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II Mineração de Dados Sylvio Barbon Junior barbon@uel.br 26 de junho de 2015 DC-UEL Sylvio Barbon Jr 1 Sumário Etapa I Etapa II Inteligência de Negócios Visão

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

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

ÊNFASE EM GESTÃO DO CONHECIMENTO E INTELIGÊNCIA EMPRESARIAL

ÊNFASE EM GESTÃO DO CONHECIMENTO E INTELIGÊNCIA EMPRESARIAL MBA DESENVOLVIMENTO AVANÇADO DE EXECUTIVOS ÊNFASE EM GESTÃO DO CONHECIMENTO E INTELIGÊNCIA EMPRESARIAL O MBA Desenvolvimento Avançado de Executivos possui como característica atender a um mercado altamente

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

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

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

Mineração de Dados Meteorológicos pela Teoria dos Conjuntos Aproximativos para Aplicação na Previsão de Precipitação Sazonal

Mineração de Dados Meteorológicos pela Teoria dos Conjuntos Aproximativos para Aplicação na Previsão de Precipitação Sazonal Anais do CNMAC v.2 ISSN 1984-820X Mineração de Dados Meteorológicos pela Teoria dos Conjuntos Aproximativos para Aplicação na Previsão de Precipitação Sazonal Juliana Aparecida Anochi Instituto Nacional

Leia mais

MBA em Gestão Estratégica da Informação.

MBA em Gestão Estratégica da Informação. MBA em Gestão Estratégica da Informação. Apresentação O MBA em Gestão Estratégica da Informação (MBA-GEI), denominado anteriormente de Curso de Especialização em Gerência Estratégica da Informação (GEI),

Leia mais

ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD

ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD RESUMO Thereza P. P. Padilha Fabiano Fagundes Conceição Previero Laboratório de Solos

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

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

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

Modelos, Métodos e Técnicas de Planejamento

Modelos, Métodos e Técnicas de Planejamento UNIVERSIDADE ESTADUAL PAULISTA Faculdade de Filosofia e Ciências Câmpus de Marília Departamento de Ciência da Informação Modelos, Métodos e Técnicas de Planejamento Profa. Marta Valentim Marília 2014 Modelos,

Leia mais

CEAG Curso de Especialização em Administração para Graduados EMENTAS DAS DISCIPLINAS E CARGA HORÁRIA

CEAG Curso de Especialização em Administração para Graduados EMENTAS DAS DISCIPLINAS E CARGA HORÁRIA CEAG Curso de Especialização em Administração para Graduados EMENTAS DAS DISCIPLINAS E CARGA HORÁRIA Habilidades Computacionais 32 h/a Oferece ao administrador uma visão sobre as potencialidades da tecnologia

Leia mais

Web Data Mining com R: design de projetos para criação de modelos preditivos

Web Data Mining com R: design de projetos para criação de modelos preditivos Web Data Mining com R: design de projetos para criação de modelos preditivos Fabrício Jailson Barth Faculdade BandTec e VAGAS Tecnologia Junho de 2013 Sumário e Objetivos Etapas em estudos preditivos Escolha

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

Mineração de dados em triagem de risco de saúde

Mineração de dados em triagem de risco de saúde Mineração de dados em triagem de risco de saúde Thales Vaz Maciel 1 Vinicius Rosa Seus 1 Karina dos Santos Machado 1 Eduardo Nunes Borges 1 Resumo: Com a grande quantidade de dados gerados por sistemas

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

Web Data mining com R: aprendizagem de máquina

Web Data mining com R: aprendizagem de máquina Web Data mining com R: aprendizagem de máquina Fabrício Jailson Barth Faculdade BandTec e VAGAS Tecnologia Junho de 2013 Sumário O que é Aprendizagem de Máquina? Hierarquia de aprendizado. Exemplos de

Leia mais

PROJETO UTILIZANDO QLIKVIEW PARA ESTUDO / SIMULAÇÃO DE INDICADORES

PROJETO UTILIZANDO QLIKVIEW PARA ESTUDO / SIMULAÇÃO DE INDICADORES PROJETO UTILIZANDO QLIKVIEW PARA ESTUDO / SIMULAÇÃO DE INDICADORES Fábio S. de Oliveira 1 Daniel Murara Barcia 2 RESUMO Gerenciar informações tem um sido um grande desafio para as empresas diante da competitividade

Leia mais

Nathalie Portugal Vargas

Nathalie Portugal Vargas Nathalie Portugal Vargas 1 Introdução Trabalhos Relacionados Recuperação da Informação com redes ART1 Mineração de Dados com Redes SOM RNA na extração da Informação Filtragem de Informação com Redes Hopfield

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

Administração de Sistemas de Informação Gerenciais UNIDADE IV: Fundamentos da Inteligência de Negócios: Gestão da Informação e de Banco de Dados Um banco de dados é um conjunto de arquivos relacionados

Leia mais

Microsoft Innovation Center

Microsoft Innovation Center Microsoft Innovation Center Mineração de Dados (Data Mining) André Montevecchi andre@montevecchi.com.br Introdução Objetivo BI e Mineração de Dados Aplicações Exemplos e Cases Algoritmos para Mineração

Leia mais

Informativo Bimestral da Siqueira Campos Associados agosto de 2013 - ano VII - Número 21. Catálogo de Treinamentos 2013

Informativo Bimestral da Siqueira Campos Associados agosto de 2013 - ano VII - Número 21. Catálogo de Treinamentos 2013 Informativo Bimestral da Siqueira Campos Associados agosto de 2013 - ano VII - Número 21 Nesta edição Lean Office - Dez dicas para economizar tempo no trabalho Estatística Seis Sigma - Estatística não

Leia mais

Aplicação de Técnicas de Mineração de Dados no Processo de Aprendizagem na Educação a Distância

Aplicação de Técnicas de Mineração de Dados no Processo de Aprendizagem na Educação a Distância Aplicação de Técnicas de Mineração de Dados no Processo de Aprendizagem na Educação a Distância Maxwel Macedo Dias 1, Luiz Alberto da Silva Filho 2, Adriano Del Pino Lino 1, Eloi Luiz Favero 2, Edson Marcos

Leia mais

O que é a ciência de dados (data science). Discussão do conceito. Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.

O que é a ciência de dados (data science). Discussão do conceito. Luís Borges Gouveia Universidade Fernando Pessoa Versão 1. O que é a ciência de dados (data science). Discussão do conceito Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.3, Outubro, 2015 Nota prévia Esta apresentação tem por objetivo, proporcionar

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

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

OS JOGOS DE EMPRESAS NO PROCESSO DE AVALIAÇÃO CONTINUADA

OS JOGOS DE EMPRESAS NO PROCESSO DE AVALIAÇÃO CONTINUADA OS JOGOS DE EMPRESAS NO PROCESSO DE AVALIAÇÃO CONTINUADA Curitiba Paraná março 2012 Walmar Rodrigues da Silva Fatec Internacional walmar.r@grupouninter.com.br Nelson Pereira Castanheira Fatec Internacional

Leia mais

Curva ROC. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE

Curva ROC. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Curva ROC George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Introdução ROC (Receiver Operating Characteristics) Curva ROC é uma técnica para a visualização e a seleção de classificadores baseado

Leia mais

Padronização de Processos: BI e KDD

Padronização de Processos: BI e KDD 47 Padronização de Processos: BI e KDD Nara Martini Bigolin Departamento da Tecnologia da Informação -Universidade Federal de Santa Maria 98400-000 Frederico Westphalen RS Brazil nara.bigolin@ufsm.br Abstract:

Leia mais

Sistema. Atividades. Sistema de informações. Tipos de sistemas de informação. Everson Santos Araujo everson@everson.com.br

Sistema. Atividades. Sistema de informações. Tipos de sistemas de informação. Everson Santos Araujo everson@everson.com.br Sistema Tipos de sistemas de informação Everson Santos Araujo everson@everson.com.br Um sistema pode ser definido como um complexo de elementos em interação (Ludwig Von Bertalanffy) sistema é um conjunto

Leia mais

Estatística Aplicada. Gestão de TI. Evanivaldo Castro Silva Júnior

Estatística Aplicada. Gestão de TI. Evanivaldo Castro Silva Júnior Gestão de TI Evanivaldo Castro Silva Júnior Porque estudar Estatística em um curso de Gestão de TI? TI trabalha com dados Geralmente grandes bases de dados Com grande variabilidade Difícil manipulação,

Leia mais

Data mining na descoberta de padrões de sintomas com foco no auxílio ao diagnóstico médico

Data mining na descoberta de padrões de sintomas com foco no auxílio ao diagnóstico médico Data mining na descoberta de padrões de sintomas com foco no auxílio ao diagnóstico médico Alexander Rivas de Melo Junior 1, Márcio Palheta Piedade 1 1 Ciência da Computação Centro de Ensino Superior FUCAPI

Leia mais

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Tiago Mendes Dantas t.mendesdantas@gmail.com Departamento de Engenharia Elétrica,

Leia mais

UNIVERSIDADE FEDERAL DE MINAS GERAIS BACHARELADO EM SISTEMAS DE INFORMAÇÃO

UNIVERSIDADE FEDERAL DE MINAS GERAIS BACHARELADO EM SISTEMAS DE INFORMAÇÃO UNIVERSIDADE FEDERAL DE MINAS GERAIS BACHARELADO EM SISTEMAS DE INFORMAÇÃO Proposta de Formação Complementar: BUSINESS INTELLIGENCE E SUA APLICAÇÃO À GESTÃO Aluno: Yussif Tadeu de Barcelos Solange Teixeira

Leia mais

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados slide 1 1 Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall Objetivos de estudo Como um banco de dados

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

Tecnologias e Sistemas de Informação

Tecnologias e Sistemas de Informação Universidade Federal do Vale do São Francisco Curso de Administração Tecnologia e Sistemas de Informação - 02 Prof. Jorge Cavalcanti jorge.cavalcanti@univasf.edu.br www.univasf.edu.br/~jorge.cavalcanti

Leia mais

Gestão do Conhecimento. Capitulo 11

Gestão do Conhecimento. Capitulo 11 Gestão do Conhecimento Capitulo 11 Gestão do Conhecimento Objetivos da aula Gestão de Conhecimento Sistemas de Gestão de Conhecimento Por que hoje as empresas necessitam de programas de gestão do conhecimento

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

AVALIAÇÃO QUALITATIVA DE COST DRIVERS PELO MÉTODO AHP

AVALIAÇÃO QUALITATIVA DE COST DRIVERS PELO MÉTODO AHP AVALIAÇÃO QUALITATIVA DE COST DRIVERS PELO MÉTODO AHP Edson de Oliveira Pamplona, Dr. Escola Federal de Engenharia de Itajubá Av. BPS, 1303 Itajubá, MG CEP: 37500-000 e-mail: pamplona@iem.efei.br Prof.

Leia mais

Aprendizado de classificadores das ementas da Jurisprudência do Tribunal Regional do Trabalho da 2ª. Região - SP

Aprendizado de classificadores das ementas da Jurisprudência do Tribunal Regional do Trabalho da 2ª. Região - SP Aprendizado de classificadores das ementas da Jurisprudência do Tribunal Regional do Trabalho da 2ª. Região - SP Thiago Ferauche, Maurício Amaral de Almeida Laboratório de Pesquisa em Ciência de Serviços

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

Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse

Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse Definição escopo do projeto (departamental, empresarial) Grau de redundância dos dados(ods, data staging) Tipo de usuário alvo (executivos, unidades) Definição do ambiente (relatórios e consultas préestruturadas

Leia mais

Descoberta de Conhecimento em uma Base de Dados de Bilhetes de Tarifação: Estudo de Caso em Telefonia Celular

Descoberta de Conhecimento em uma Base de Dados de Bilhetes de Tarifação: Estudo de Caso em Telefonia Celular Descoberta de Conhecimento em uma Base de Dados de Bilhetes de Tarifação: Estudo de Caso em Telefonia Celular Elionai Sobrinho 1,3, Jasmine Araújo 1,3, Luiz A. Guedes 2, Renato Francês 1 1 Departamento

Leia mais

Potencial de técnicas de mineração de dados para modelos de alerta da ferrugem do cafeeiro

Potencial de técnicas de mineração de dados para modelos de alerta da ferrugem do cafeeiro Potencial de técnicas de mineração de dados para modelos de alerta da ferrugem do cafeeiro Cesare Di Girolamo Neto 1, Luiz Henrique Antunes Rodrigues 2, Thiago Toshiyuki Thamada 1, Carlos Alberto Alves

Leia mais

PARADIGMAS DA INTELIGÊNCIA ARTIFICIAL EM JOGOS ELETRÔNICOS

PARADIGMAS DA INTELIGÊNCIA ARTIFICIAL EM JOGOS ELETRÔNICOS PARADIGMAS DA INTELIGÊNCIA ARTIFICIAL EM JOGOS ELETRÔNICOS João Antônio Bezerra Rodrigues¹, Késsia Rita da C. Marchi¹, Jaime William Dias¹ ¹Universidade Paranaense (Unipar) Paranavaí PR Brasil joaoabrodrigues@outlook.com

Leia mais

Aula 15. Tópicos Especiais I Sistemas de Informação. Prof. Dr. Dilermando Piva Jr.

Aula 15. Tópicos Especiais I Sistemas de Informação. Prof. Dr. Dilermando Piva Jr. 15 Aula 15 Tópicos Especiais I Sistemas de Informação Prof. Dr. Dilermando Piva Jr. Site Disciplina: http://fundti.blogspot.com.br/ Conceitos básicos sobre Sistemas de Informação Conceitos sobre Sistemas

Leia mais

A FUNÇÃO CONTROLE. Orientação do controle

A FUNÇÃO CONTROLE. Orientação do controle A FUNÇÃO CONTROLE O controle é a ultima função da administração a ser analisadas e diz respeito aos esforços exercidos para gerar e usar informações relativas a execução das atividades nas organizações

Leia mais

Data Mining na Web para Inteligência Competitiva

Data Mining na Web para Inteligência Competitiva Data Mining na Web para Inteligência Competitiva Simone de Almeida (CEFET/PR) simonea@pg.cefetpr.br Rui Francisco Martins Marçal (CEFET/PR) marcal@pg.cefetpr.br Luciano Scandelari (CEFET/PR) luciano@cefetpr..br

Leia mais

DIFERENÇAS ENTRE CONTABILIDADE GERENCIAL E CONTABILIDADE FINANCEIRA

DIFERENÇAS ENTRE CONTABILIDADE GERENCIAL E CONTABILIDADE FINANCEIRA Olá, pessoal! Hoje trago uma aula sobre as principais características da Contabilidade Gerencial e suas diferenças em relação à Contabilidade Financeira, que é o outro nome da Contabilidade Geral. Trata-se

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS Acerca dos conceitos básicos de gerenciamento de projetos e considerando o PMBOK, julgue os itens a seguir. 51 No gerenciamento de um projeto, deve-se utilizar não apenas as ferramentas

Leia mais

3) Descreva resumidamente a função do módulo de Compras do ERP da Microsiga e qual é a sua relação com o conceito de e-procurement.

3) Descreva resumidamente a função do módulo de Compras do ERP da Microsiga e qual é a sua relação com o conceito de e-procurement. Professor:José Alves Disciplina:SIG/ Atividade Nota Nome Aluno(a) Nºs Exercícios SIG 1) Defina, com suas palavras, o que é ERP? 2) Marque V para as afirmações verdadeiras em relação a um ERP e F para as

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

Uma comparação do Estado da Arte de técnicas de

Uma comparação do Estado da Arte de técnicas de Uma comparação do Estado da Arte de técnicas de classificação com aplicações em finanças Porthos R. A. Motta 1 1 Universidade Federal de Goiás (UFG) Caixa Postal 131 74.001-970 Goiânia GO Brazil {porthos.motta}@gmail.com

Leia mais

Profs. Luiz Laranjeira, Nilton Silva, e Fabrício Braz

Profs. Luiz Laranjeira, Nilton Silva, e Fabrício Braz Laboratório de Dependabilidade e Segurança Lades Profs. Luiz Laranjeira, Nilton Silva, e Fabrício Braz RENASIC/CD-CIBER CD Ciber CTC - Comitê Técnico Científico RENASIC CD Comitê Diretor ASTECA VIRTUS

Leia mais

CURSO DE GRADUAÇÃO PRESENCIAL SISTEMAS DE INFORMAÇÃO

CURSO DE GRADUAÇÃO PRESENCIAL SISTEMAS DE INFORMAÇÃO FUNDAÇÃO UNIVERSIDADE DO TOCANTINS CURSO DE GRADUAÇÃO PRESENCIAL SISTEMAS DE INFORMAÇÃO Identificação do Curso Nome do Curso: Sistemas de Informação Titulação: Bacharelado Modalidade de ensino: Presencial

Leia mais

Renato Maia Silva. Redes Neurais Artificiais aplicadas à Detecção de Intrusão em Redes TCP/IP. Dissertação de Mestrado

Renato Maia Silva. Redes Neurais Artificiais aplicadas à Detecção de Intrusão em Redes TCP/IP. Dissertação de Mestrado Renato Maia Silva Redes Neurais Artificiais aplicadas à Detecção de Intrusão em Redes TCP/IP Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do grau de Mestre pelo

Leia mais

Ementa do MBA Executivo em Gestão Empresarial com ênfase em Locação de Equipamento Turma: SINDILEQ

Ementa do MBA Executivo em Gestão Empresarial com ênfase em Locação de Equipamento Turma: SINDILEQ Um jeito Diferente, Inovador e Prático de fazer Educação Corporativa Ementa do MBA Executivo em Gestão Empresarial com ênfase em Locação de Equipamento Turma: SINDILEQ Objetivo: Auxiliar o desenvolvimento

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

As pesquisas podem ser agrupadas de acordo com diferentes critérios e nomenclaturas. Por exemplo, elas podem ser classificadas de acordo com:

As pesquisas podem ser agrupadas de acordo com diferentes critérios e nomenclaturas. Por exemplo, elas podem ser classificadas de acordo com: 1 Metodologia da Pesquisa Científica Aula 4: Tipos de pesquisa Podemos classificar os vários tipos de pesquisa em função das diferentes maneiras pelo qual interpretamos os resultados alcançados. Essa diversidade

Leia mais