Cristiane Neves Kasahara ANÁLISE DE FERRAMENTAS DE MINERAÇÃO DE DADOS

Tamanho: px
Começar a partir da página:

Download "Cristiane Neves Kasahara ANÁLISE DE FERRAMENTAS DE MINERAÇÃO DE DADOS"

Transcrição

1 Universidade Federal do Pará Instituto de Ciências Exatas e Naturais Faculdade de Computação Curso de Especialização em Sistemas de Banco de Dados Cristiane Neves Kasahara Fernando Wilson Sousa Conceição ANÁLISE DE FERRAMENTAS DE MINERAÇÃO DE DADOS Belém - PA 2008

2 Universidade Federal do Pará Instituto de Ciências Exatas e Naturais Faculdade de Computação Curso de Especialização em Sistemas de Banco de Dados Cristiane Neves Kasahara Fernando Wilson Sousa Conceição ANÁLISE DE FERRAMENTAS DE MINERAÇÃO DE DADOS Monografia apresentada à Universidade Federal do Pará como requisito parcial para obtenção do grau de Especialista em Sistemas de Banco de Dados. Professora Orientadora: MSc. Miriam Lúcia Campos Serra Domingues. Belém - PA 2008 ii

3 Universidade Federal do Pará Instituto de Ciências Exatas e Naturais Faculdade de Computação Curso de Especialização em Sistemas de Banco de Dados Cristiane Neves Kasahara Fernando Wilson Sousa Conceição Monografia apresentada para obtenção do título de Especialista em Sistemas de Banco de Dados. Atribuo conceito excelente à Monografia apresentada no dia 25 de abril de 2008, pelos alunos: Cristiane Neves Kasahara e Fernando Wilson Sousa Conceição, intitulada Análise de Ferramentas de Mineração de Dados. Belém, 25 de abril de Orientadora: Profª MSc. Miriam Lúcia C. S. Domingues Belém - PA 2008 iii

4 SUMÁRIO 1. INTRODUÇÃO MOTIVAÇÃO OBJETIVOS Geral Específico DESCRIÇÃO DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS OU MINERAÇÃO DE DADOS CONCEITO DE DCBD DEFINIÇÃO DE MINERAÇÃO DE DADOS ETAPAS DO PROCESSO DE MINERAÇÃO DE DADOS OU DCBD Identificação do Problema Pré-processamento Extração de Padrões Pós-processamento Utilização do conhecimento REGRAS ASSOCIATIVAS ALGORITMO APRIORI FERRAMENTAS WEKA TANAGRA ESTUDO DE CASO COMPREENSÃO DO DOMÍNIO DA APLICAÇÃO Cenário Dados gerais da empresa Definições dos testes bioquímicos utilizados ESCOLHA DAS FERRAMENTAS E TAREFAS UTILIZADAS DESCRIÇÃO DO PROCESSO DE MINERAÇÃO DE DADOS APLICADO AO PROBLEMA Identificação do Problema Pré-Processamento Extração e Integração Transformação Extração de Padrões Escolha da Tarefa Escolha do Algoritmo Parâmetros Utilizados Resultados AVALIAÇÃO DO RESULTADO COMPARAÇÃO DAS FERRAMENTAS Interface Facilidade de uso Apresentação dos Resultados Resultados obtidos CONSIDERAÇÕES FINAIS REFERÊNCIAS iv

5 LISTAS DE TABELAS Tabela Opções de Parâmetros Tabela Dados coletados Tabela Dados modificados v

6 LISTA DE FIGURAS Figura Fases de um processo de Mineração de Dados... 5 Figura Atividades e tarefas de Mineração de Dados Figura Algoritmo Apriori Figura Tela Inicial do Weka Figura Pré-processamento Figura Abrir arquivo Figura Base de Dados carregada Figura Filtros Figura Parâmetros de discretização Figura Interface do Associate Weka Figura Tela para alteração de parâmetros Figura Resultados obtidos do Associate Weka Figura Tela Inicial Tanagra Figura Abrir um arquivo novo Figura Diretório Figura Define Status Figura Define Atributos Figura a) Botão Adicionar b) Campos transferidos Figura Executa Definir Status Figura Visualizar os atributos Figura View Dataset Figura Define Status Figura ) Parâmetros 3) definir parâmetros 4) executar 5)Visualizar Figura Resultados obtidos Figura Valores de referência Figura Diferença entre artéria normal e artéria bloqueada Figura Tela de pré-processamento Figura Interface do Tanagra vi

7 LISTA DE ABREVIATURAS E SIGLAS DCBD - Descoberta de Conhecimento em Bases de Dados HDL - Colesterol de alta densidade IPAMB - Instituto de Previdência e Assistência do Município de Belém LDL - Colesterol de baixa densidade MD - Mineração de Dados KDD - Knowledge Discovery in Databases KNN - K-Nearest Neighbor URL - Uniforme Resource Locate VLDL - Colesterol de muito baixa densidade WEKA - Waikato Environment for Knowledge Analysis vii

8 RESUMO A Mineração de Dados tem sido muito utilizada por diversas empresas e instituições de pesquisa para obter conhecimento útil de suas bases de dados, que possa ser de extrema importância na tomada de decisões estratégicas em cada área de atuação. Para viabilizar este mecanismo, são necessárias ferramentas capazes de realizar tal procedimento. Com o propósito de suprir esta demanda, várias ferramentas foram desenvolvidas, outras estão em processo de desenvolvimento ou em fase de estudo. A partir dessas informações, resolvemos analisar duas ferramentas de Mineração de Dados, o Weka e o Tanagra, utilizando uma mesma base de dados, com os mesmos parâmetros, realizando a comparação da interface, da facilidade de uso, da apresentação dos resultados e dos resultados obtidos. O Weka apresentou melhor interface e maior facilidade de uso em relação ao Tanagra, na análise dos autores. Os resultados obtidos com as duas ferramentas foram considerados equivalentes. Palavras-chaves: Descoberta de Conhecimento em Bases de Dados, Mineração de Dados, Weka, Tanagra, Laboratório de Análises Clínicas. viii

9 ABSTRACT Data Mining has been widely used by various companies and research institutions to gain useful knowledge from their databases, which may be of extreme importance in making strategic decision in each area of activity. To facilitate this mechanism, capable tools are necessary that make such a procedure. In order to meet this demand, several tools were developed, some still in the process of development or in study phase. From this information, we analyze two Data Mining tools, the Weka and Tanagra, using the same database, with the same parameters, performing a comparison of the interface, ease of use, the presentation of results and the obtained results. The Weka presented better interface and ease of use in relation to Tanagra, in the authors analysis. The results obtained with the two tools were considered equivalent. Word-keys: Knowledge Discovery in Databases, Data Mining, Weka, Tanagra, Laboratory of Clinics Analysis. ix

10 1. INTRODUÇÃO A Mineração de Dados (MD) consiste na exploração e análise de dados, por meios automáticos e semi-automáticos, em grandes quantidades de dados, com o objetivo de descobrir regras ou padrões interessantes (descoberta de conhecimento) implícitos nesses dados. Pode ser aplicada nas mais diversas áreas do conhecimento. Neste estudo, a Mineração de Dados foi utilizada não somente para fornecer uma solução para um problema em um laboratório de análises clínicas, mas também para testar a performance das ferramentas em questão. 1.1 Motivação O avanço tecnológico e a evolução da computação proporcionaram um aumento na capacidade de armazenamento e processamento de dados, assim como o desenvolvimento de inúmeros softwares capazes de extrair padrões interessantes dessas bases de dados. Com os avanços das pesquisas para se construir ferramentas cada vez mais habilitadas para a obtenção de conhecimento útil, torna-se possível fazer a comparação das mesmas, utilizando-se uma mesma base de dados. 1.2 Objetivos Geral O objetivo geral é conhecer, estudar e comparar duas ferramentas de MD, mostrando suas funcionalidades e diferenças, vantagens e desvantagens Específico Os objetivos específicos são: comparar a interface, a facilidade de uso, a apresentação dos resultados e os resultados obtidos, utilizando para isso a tarefa de regras associativas em uma mesma base de dados: a base de dados do Instituto de Previdência e Assistência do Município de Belém (IPAMB), a qual contém dados de pacientes que são considerados de risco, de acordo com as alterações de testes bioquímicos que podem levar a um possível infarto. 10

11 1.3 Descrição O trabalho está dividido em seis capítulos: Neste capítulo, é apresentada uma introdução ao tema a ser abordado, a motivação, os objetivos do texto e uma breve descrição da disposição dos capítulos. O segundo capítulo é composto por uma fundamentação teórica sobre Descoberta de Conhecimento e Mineração de Dados. O terceiro capítulo trata da tarefa de Mineração de Dados utilizada nesta pesquisa, que é a tarefa de Regras Associativas realizada com o algoritmo Apriori. No quarto capítulo são apresentadas as ferramentas Weka e Tanagra, utilizadas durante o processo de MD, onde são abordadas suas características, forma de uso, etc. O quinto capítulo traz o estudo de caso realizado com os dados coletados no Laboratório de Análises Clínicas do IPAMB, com o propósito de comparar as ferramentas. No sexto capítulo são apresentadas as considerações finais da pesquisa. 11

12 2. DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS OU MINERAÇÃO DE DADOS Frente à grande demanda de informações geradas e armazenadas em diversos repositórios distribuídos e distintos, a Descoberta de Conhecimento em Bases de Dados - DCBD (Knowledge Discovery in Databases KDD), surge como uma solução para o bom aproveitamento de tanta informação, a qual precisa ser utilizada e propagada. Alguns autores consideram os termos DCBD e MD referentes a processos distintos, já que o segundo termo faz parte de um processo maior (DCBD). Porém a expressão Mineração de Dados é mais popular e muitas vezes utilizada como sinônimo de DCDB. 2.1 Conceito de DCBD O termo DCBD, formalizado em 1989, se refere ao amplo conceito de procurar conhecimento a partir de bases de dados. O principal objetivo de um processo de Descoberta de Conhecimento de Base de Dados foi resumido em um conceito proposto em 1996, que é aceito por diversos pesquisadores, em que a extração de conhecimento de base de dados é o processo utilizado para identificar padrões válidos, novos, potencialmente úteis e compreensíveis embutidos nos dados (Fayyad et al.,1996). Para melhor esclarecimento, será dada a definição de cada item citado acima: Dados: Conjunto de fatos ou casos em um repositório de dados. Como exemplo, os dados correspondem aos valores dos campos de um resultado de um exame laboratorial. Padrões: Por intermédio de um subconjunto dos dados, denota-se alguma abstração em alguma linguagem descritiva de conceitos. Processo: Refere-se às diversas etapas para a extração de conhecimento de bases de dados, como a preparação dos dados, busca por padrões e avaliação do conhecimento. 12

13 Válidos: Os padrões descobertos devem satisfazer funções ou limiares que garantam que os exemplos cobertos e os casos relacionados ao padrão encontrado sejam aceitáveis, ou seja, devem possuir algum grau de certeza. Novos: Novas informações sobre os dados utilizados devem ser fornecidas pelo padrão encontrado. O padrão encontrado deve ser novo ou inédito e isto é determinado pelo grau de novidade, que pode ser medido por meio de comparações entre as mudanças ocorridas nos dados ou no conhecimento anterior. Úteis: Os padrões descobertos no processo de extração de conhecimento devem ser incorporados para serem utilizados em ações de processos de tomada de decisões estratégicas. Compreensíveis: Encontrar padrões compreensíveis significa encontrá-los em alguma linguagem que pode ser compreendida pelos usuários permitindo, desta forma, uma análise mais profunda dos dados. Conhecimento: O conhecimento depende da área de estudo em questão e está relacionado fortemente com medidas de utilidade, originalidade e compreensão. 2.2 Definição de Mineração de Dados No presente estudo, a definição adotada está conforme Mount (2001), a qual define Mineração de Dados como uma técnica, cujo objetivo é proporcionar ao usuário final suporte à tomada de decisão, uma vez que se tem uma grande base de dados, mas impossível, ao analista humano, tomar por si só, uma decisão. Esse é um processo interativo entre homem e máquinas, no qual um precisa do outro, ou seja, após a mineração precisa-se de um especialista do domínio para fazer análise dos dados válidos, estabelecendo uma interdependência. 13

14 2.3 Etapas do Processo de Mineração de Dados ou DCBD A partir deste tópico, o termo DCBD será substituído por Mineração de Dados, uma vez que é o mais utilizado entre os autores e pesquisadores do ramo, como já citado acima. Não existe uma convenção que determine a quantidade exata de etapas do processo de mineração de dados. Os primeiros estudos, como o de Fayyad et al. (1996), descrevem o processo formado por nove etapas, outros descrevem cinco etapas (Mount, 2001) e outros em quatro fases (Weiss, 1998). As fases de Mineração de Dados que serão abordadas a seguir, terão como base Rezende (2003), que define o processo dividido em três grandes etapas préprocessamento, extração de padrões e pós-processamento (Figura 2.1). São incluídas nessa divisão uma fase anterior ao processo, que se refere ao conhecimento do domínio e identificação do problema e uma fase posterior, que se refere à utilização do conhecimento obtido. Utilização do Conhecimento COCOCCOCONHECI Conhecimento Pós-Processamento Extração de Padrões Escolha da Tarefa Escolha do Algoritmo Extração de Padrões Pré-Processamento Banco de Dados? Seleção Identificação do problema Extração e Integração Transformação Seleção e Redução de dados Figura 2.1 Fases de um processo de Mineração de Dados 14

15 2.3.1 Identificação do Problema Antes de iniciar as tarefas do processo de descoberta, é de fundamental importância adquirir conhecimento a respeito do domínio. Por este motivo, o especialista do domínio é um ponto chave para o processo de extração de conhecimento e no apoio aos analistas em seu objetivo de encontrar padrões. Conhecer o domínio é crucial para fornecer subsídios para todas as etapas do processo de extração e aos analistas, pois entendê-lo é um pré-requisito para extrair algo útil. Nesta fase é interessante analisar as principais metas do processo; os critérios de desempenho importantes; o conhecimento extraído, se é compreensível a seres humanos ou não; a relação entre a simplicidade e a precisão do conhecimento extraído Pré-processamento Nesta fase, aplicam-se métodos para tratamento, limpeza e redução do volume de dados, antes de iniciar a etapa de extração de padrões, já que os dados disponíveis para análise nem sempre estão em um formato adequado e podem apresentar problemas em razão de limitações de memória ou tempo de processamento dos computadores, muitas vezes não sendo possível a aplicação direta dos algoritmos de mineração de dados. A realização dessas modificações deverá ser feita com base nos objetivos do processo de extração. Essas alterações que podem ser efetuadas na etapa de préprocessamento são: extração e integração, transformação, limpeza, seleção e redução de dados. É válido ressaltar que nem todas essas modificações são necessárias Extração e Integração Na extração e integração, os dados disponíveis irão passar por um processo de unificação, já que os mesmos podem estar dispostos em diferentes fontes, como: arquivos-texto, arquivos no formato de planilhas, banco de dados ou Data Warehouses, sendo então essencial que esses dados sejam transformados para uma única fonte de dados no formato atributo-valor que será utilizada como entrada para os algoritmos de extração de padrões. 15

16 Transformação Após a fase de extração e integração dos dados, algumas transformações comuns podem ser aplicadas aos dados, a fim de que se tornem adequados para serem utilizados nos algoritmos de extração de padrões, e dentre elas tem-se: resumo, transformação de tipo e normalização de atributos contínuos, tornando assim os dados no formato apropriado para o processo de mineração Limpeza Os dados utilizados para a extração de padrões podem apresentar problemas oriundos do processo de coleta, que podem ser erros de digitação ou erro na leitura dos dados coletados. Nesta fase, é feita uma análise de integridade e consistência dos dados, removendo-se entradas espúrias e erros, preenchendo-se valores ausentes e solucionandose inconsistências entre as bases, de forma a gerar uma base única. A técnica de limpeza garante a qualidade dos dados, fator extremamente importante, já que o resultado do processo de extração, provavelmente, será utilizado em um processo de tomada de decisão Seleção e Redução de Dados A seleção e a redução de dados vêm solucionar o problema da inviabilidade da utilização de algoritmos de extração de padrões, devido o número de exemplos e atributos disponíveis ser inviáveis para análise, em virtude das restrições de espaço em memória ou tempo de processamento. Para isso, é necessária a aplicação de alguns métodos tais como redução do número de exemplos, do número de atributos ou do número de valores de um atributo, para diminuir a quantidade de dados antes de iniciar a busca pelos padrões Extração de Padrões Esta etapa tem como finalidade o cumprimento dos objetivos definidos na identificação do problema, compreendendo a escolha da tarefa de Mineração de Dados a ser empregada, a escolha do algoritmo a ser utilizado e a extração dos padrões propriamente dita. Por ser um processo iterativo, pode ser necessário que seja executada diversas vezes para ajustar o conjunto de parâmetros, tendo em vista a obtenção de 16

17 resultados mais adequados aos objetivos preestabelecidos. É nesta etapa que se submetem as bases de dados aos algoritmos de mineração escolhidos para extração dos padrões embutidos nos dados Escolha da Tarefa Segundo Rezende (2003), a escolha da tarefa depende dos objetivos desejáveis para a solução a ser encontrada e essas tarefas podem ser agrupadas em Atividades Preditivas e Descritivas. A Figura 2.2, abaixo mostra em como se divide estas atividades. Figura 2.2 Atividades e tarefas de Mineração de Dados - Atividades Preditivas...consistem na generalização de exemplos ou experiências passadas com respostas conhecidas em uma linguagem capaz de reconhecer a classe de um novo exemplo. Os dois principais tipos de tarefas para predição são classificação e regressão. A classificação consiste na predição de um valor categórico como, por exemplo, predizer se o cliente é bom ou mau pagador. Já na regressão, o atributo a ser predito consiste em um valor contínuo como, por exemplo, predizer o lucro ou perda em um empréstimo. (Rezende, 2003). - Atividades Descritivas 17

18 Consistem na identificação de comportamentos intrínsecos do conjunto de dados, que não possuem uma classe especificada. Algumas das tarefas de descrição são clustering, regras associativas e sumarização. Após a escolha da tarefa, será realizada a definição do algoritmo de extração e a posterior configuração de seus parâmetros Escolha do Algoritmo Segundo Rezende (2003): A escolha do algoritmo é realizada de forma subordinada à linguagem de representação dos padrões a serem encontrados. Essa escolha está diretamente relacionada às tarefas de MD, citadas acima, que serão utilizadas para a extração de padrões. Um ponto importante é a complexidade da solução encontrada pelo algoritmo de extração, diretamente relacionada à capacidade de representação do conceito embutido nos dados. Se o modelo resultante tiver uma precisão boa para o conjunto de treinamento, porém um desempenho ruim para novos exemplos, isso significa que os parâmetros do algoritmo estão ajustados para encontrar soluções mais complexas que o conceito efetivamente existente nos dados. Conclui-se então que o modelo é especifico para o conjunto de treinamento, ocorrendo overfitting 1 (Rezende, 2003). Em contra partida ocorrerá underfitting 2, se a solução que está sendo buscada não for suficiente para adequar o conceito representado nos dados, podendo não ser, portanto, o modelo induzido representativo. Nesse caso, é provável que o modelo encontrado não tenha bom desempenho, tanto nos exemplos disponíveis para o treinamento, como para novos exemplos. Devido a estes fatos, a configuração dos parâmetros do algoritmo deve ser feita de forma criteriosa (Rezende, 2003) Pós-processamento Segundo Rezende (2003) na maioria das vezes, o conhecimento extraído é utilizado na resolução de problemas da vida real, tanto por meio de um sistema 1 Overfiting (Mount, 2001): ocorre quando o erro (ou outra medida de desempenho) em um conjunto de treinamento evidencia um desempenho ruim de hipótese. 2 Underfiting (Mount, 2001): quando é possível induzir hipóteses que apresentem uma melhora muito pequena de desempenho no conjunto de treinamento, assim como em um conjunto de teste. 18

19 inteligente como por um ser humano, auxiliando algum processo de tomada de decisão. É necessário, portanto, verificar se os dados extraídos por um sistema computacional representam o conhecimento do especialista, visto que o mesmo pode diferir dos dados extraídos e em que parte o conhecimento do especialista está correto. Levando-se em consideração que os algoritmos podem gerar grandes quantidades de padrões, pode acontecer deles não serem importantes, em sua maioria, para o usuário final. Como não é viável e nem produtivo fornecer ao usuário final uma grande quantidade de padrões, torna-se de extrema importância desenvolver algumas técnicas de apoio no sentido de fornecer a eles apenas os padrões mais interessantes, já que, normalmente, procuram apenas uma pequena lista de padrões que sejam relevantes. Existem medidas para avaliação de conhecimento que têm por finalidade auxiliar o usuário no entendimento e na utilização do conhecimento adquirido, podendo ser divididas em dois tipos: medidas de qualidade e medidas de desempenho. Para o processo de extração de conhecimento, a compreensibilidade é um aspecto de máxima importância, relacionada à facilidade de interpretação dessas regras por um ser humano, uma vez que um dos principais objetivos desse processo são a compreensão e utilização do conhecimento descoberto. Uma maneira de avaliar a qualidade, na tentativa de estimar-se o quanto de conhecimento interessante existe, é a interessabilidade e deve realizar a combinação de fatores que venham refletir como o especialista julga o padrão. As medidas de interessabilidade baseiam-se em vários aspectos, principalmente, na utilidade que as regras representam para o usuário final, divididas em objetivas e subjetivas. As medidas objetivas estão relacionadas apenas com a estrutura dos padrões e do conjunto de dados de teste, sem levar em consideração as especificidades do usuário nem do conhecimento do domínio, para avaliar o padrão. Enquanto que as medidas subjetivas são fundamentais quando os usuários finais manifestam diferentes graus de interesse para um determinado padrão, pois estas medidas determinam que fatores específicos do conhecimento do domínio e de interesse dos usuários devem ser tratados ao selecionar um conjunto de regras interessantes aos usuários. 19

20 2.3.5 Utilização do conhecimento Após a análise do conhecimento, na etapa de Pós-Processamento, este conhecimento pode ser utilizado em um sistema inteligente ou como apoio em processos de tomada de decisão. Caso este não venha suprir as necessidades do usuário final, não cumprindo, portanto com os objetivos propostos, é necessário que o processo de extração seja repetido, ajustando-se assim os parâmetros ou melhorando o processo de escolha dos dados para obter resultados que realmente venham ser úteis numa próxima iteração. 20

21 3. REGRAS ASSOCIATIVAS As Regras Associativas são utilizadas para representar um padrão de relacionamento entre itens de dados do domínio da aplicação, que ocorrem com uma determinada freqüência na base de dados. Por exemplo, em um banco de dado que comporta milhares de itens, como aqueles existentes em grandes lojas de varejo, desejase descobrir associações importantes entre os itens comercializados, tal que a presença de alguns deles em uma transação (compra e venda) implique na presença de outros na mesma transação. O objetivo da tarefa de regras associativas é encontrar todas as regras que ofereçam informações relevantes, entre os itens W (antecedentes) e Z (conseqüentes) e que estes itens sejam significativos e freqüentes, ou seja, devem estar dispostos em quantidade no conjunto de dados com suporte acima de determinado valor e que caracterizem bem a associação, tendo bom grau de confiança. Assim conclui-se que as regras geradas devem atender a um suporte e confiança mínimos (Agrawal, 1993). A freqüência com que ocorrem os padrões por toda base para conjuntos de itens é chamada de suporte, ou seja, o número de transações que contêm esse conjunto de itens. Enquanto que a medida da força da regra é chamada de confiança, que é a precisão da regra. O suporte mínimo (minsup) é a fração das transações que satisfaz a união dos itens de Z com os de W, de forma que existam z % das transações no banco de dados. A confiança mínima (minconf) garante que ao menos w % das transações que satisfaçam W das regras também satisfaçam Z das regras. 3.1 Algoritmo Apriori O algoritmo Apriori proposto por Agrawal (1994) tem o objetivo de fazer a mineração de regras associativas em grandes e complexas bases de dados, sendo um dos algoritmos mais conhecidos quando o assunto é extrair relacionamentos importantes de tais bases de dados. É a partir dele que surgem todos os outros algoritmos de associação. A vantagem de se utilizar o Apriori está na simplicidade original em que foi desenvolvido e a versatilidade em minerar bases de dados robustas. 21

22 Antes de dar início ao processo de mineração, é necessário realizar a alteração de alguns parâmetros referentes ao algoritmo e essa parametrização é realizada pela atribuição dos percentuais de suporte mínimo e confiança mínima desejados. O algoritmo percorre várias vezes a base de dados a fim de selecionar todos os conjuntos de itens freqüentes, denominados itemsets freqüentes (Lk), sendo que, para cada passo é gerado, primeiramente, um conjunto de itens candidatos (Ck) e então determina se os candidatos satisfazem o suporte mínimo estabelecido por parâmetro. Após este procedimento, ocorre a podagem do conjunto de itens candidatos e a contagem do suporte, então os itens que poderão passar para a próxima passagem serão aqueles com suporte acima do estabelecido. A primeira passagem corresponde a k=1 e sendo k=2, k só será incrementado enquanto o conjunto obtido na passagem anterior não for vazio e consequentemente os itens retornados pela função Apriori-gen serão recebidos pelo conjunto candidato. O Apriori faz uso de duas funções: a função Apriori_gen, para gerar os candidatos e eliminar aqueles que não são freqüentes, e a função Genrules, utilizada para extrair as regras associativas. O funcionamento do algoritmo Apriori, utilizando a função Apriori_gen está resumidamente ilustrado na Figura 3.1. Figura 3.1 Algoritmo Apriori 22

23 O algoritmo Apriori gera inicialmente L1 que é o conjunto de grupos com somente um elemento. Na seqüência, em um laço com k passos, serão desenvolvidas duas tarefas basicamente: a primeira utiliza a função Apriori-gen para a geração do grupo de itens candidatos Ck, através dos itens gerados no passo anterior (conjunto de Lk-1). A segunda tarefa executada no laço k é a função Subset, que consisti num outro laço para contagem do suporte dos itens (c) do grupo candidato Ck, onde cada transação da base de dados é analisada. Neste momento, o Apriori utiliza uma função, estruturada na forma de uma hash-tree, onde cada nodo folha contém uma lista de itens ou o endereçamento para uma tabela hash, assim é possível encontrar todos os candidatos contidos na transação t de forma ágil. Cada candidato c terá ao final o seu suporte computado, e no próximo passo k, os itens que não obtiveram o suporte mínimo estabelecido são excluídos. A Função Apriori-gen apresenta duas finalidades descritas a seguir: A primeira consiste em formar a união dos conjuntos freqüentes, e então gerar o conjunto candidato Ck, assim os itens do conjunto candidato formado estarão ordenados lexicograficamente, eliminando aqueles que possuírem itens iguais. A segunda finalidade da função Apriori-gen é fazer a podagem do conjunto de itens candidatos, usando o princípio de que cada subconjunto de um conjunto de itens freqüente também deve ser freqüente. Esta regra é utilizada para reduzir o número de candidatos a serem comparados com cada transação na base de dados. Todos os candidatos gerados que contenham algum subconjunto que não seja freqüente são podados pela Apriori-gen. 23

24 4. FERRAMENTAS As ferramentas escolhidas para realizar a tarefa de mineração de dados foram o WEKA (Witten & Frank, 2005) e o TANAGRA (Rakotomalala, 2005). 4.1 WEKA O WEKA (Waikato Environment for Knowledge Analysis) é um ambiente gráfico que utiliza uma coleção de algoritmos de aprendizado de máquina e as tarefas de mineração de dados: classificação, agrupamento e regras associativas e apresenta uma interface gráfica bastante amigável para o usuário. Foi desenvolvido e implementado em Java, pelo Departamento de Ciência da Computação da Universidade de Waikato, na Nova Zelândia, constituindo-se como um software com código aberto (opensource). Devido à portabilidade da linguagem Java, o Weka pode ser executado em diversas plataformas. Por ser também uma linguagem orientada a objetos, Java proporcionou ao software vantagens como modularidade, polimorfismo, encapsulamento, reutilização de código entre outras. A ferramenta Weka está disponível para download em A versão estável mais recente é a Nesse endereço, se encontram também tutoriais, listas de discussões, informações sobre os autores e o código das classes implementadas para gerar essa ferramenta. Serão apresentadas a seguir as principais funcionalidades da ferramenta que se refere ao módulo utilizado em nossa pesquisa (Explorer), conforme Figura 4.1. Figura 4.1 tela inicial do Weka 24

25 O botão Simple CLI executa os algoritmos do Weka através de linha de comando. O botão Explorer executa o modulo gráfico para utilização dos algoritmos e será detalhado mais adiante. O botão Experimenter permite ao usuário criar, rodar, modificar e analisar experiências de uma maneira mais conveniente. O botão KnowledgeFlow é uma ferramenta gráfica que permite o planejamento de ações, na construção de um fluxo de processos de Mineração de Dados. Com o botão Explorer, a janela do módulo Explorer é aberta, a qual fornece as opções para iniciar o processo de mineração de dados no modo gráfico (Figura 4.2). Figura 4.2 Pré-processamento Por exemplo, para abrir um arquivo na ferramenta Weka no formato arff basta clicar no Open File e selecioná-lo, conforme a Figura 4.3 abaixo, podendo-se fazer alterações de várias formas, como discretizar atributos numéricos e também modificar valores do filtro de discretização. 25

26 Figura 4.3 Abrir arquivo Após ser selecionado o arquivo, a base de dados que será trabalhada no processo de MD é carregada na ferramenta (Figura 4.4). Figura 4.4 Base de dados carregada Na Figura 4.5 abaixo, podemos selecionar os tipos de filtros a serem utilizados na preparação de dados. 26

27 Figura 4.5 Filtros Na Figura 4.6 abaixo, podemos escolher os atributos a serem utilizados no filtro de discretização. Figura 4.6 Parâmetros de discretização 27

28 Cada aba do Weka será detalhada a seguir para melhor se entender a interface da ferramenta. Na aba Preprocess, encontram-se as opções para carregar a base de dados que será submetida aos algoritmos de mineração: Open file: apresenta uma caixa de diálogo que permite selecionar o arquivo especificado, dentro do disco rígido, nos formatos binary serialized instances, C45 name files, CSV (separado por vírgula) e o arquivo exclusivo do Weka, Arff. Open URL: apresenta uma caixa de diálogo que permite selecionar o arquivo especificado através de um endereço URL (Uniforme Resource Locator). Open BD: apresenta uma caixa de diálogo através da qual se pode fazer a ligação com um banco de dados, permitindo carregar os dados usando JDBC. O quadro Current Relation mostra as informações sobre o conjunto de dados: Relation: informa nome da relação (nome da base de dados). Instances: informa a quantidade de instâncias (linhas ou registros da base de dados). Atributes: informa o número de atributos existente do conjunto de dados. Ao selecionar um atributo em Attributes, o quadro Selected attribute fornece as informações sobre esse atributo, como o nome do atributo (Name); seu tipo (Type), podendo ser categórico (nominal) ou numérico; o número e a porcentagem de instâncias nos dados que possuem dados ausentes para este atributo (Missing); o número de valores diferentes que os dados possuem para este atributo (Distinct); e finalmente, o número e porcentagem de instâncias que possuem valores para este atributo que não se repetem em nenhuma outra instância (Unique). As abas que disponibilizam os algoritmos de mineração de dados são as seguintes: A aba Classify, que consiste no esquema de treinamento de aprendizado que executa os algoritmos de classificação ou regressão. 28

29 A aba Cluster, com os algoritmos de agrupamento. A aba Associate, com os algoritmos para a descoberta de regras associativas. Além dessas, a aba Select Attributes permite selecionar os atributos mais pertinentes no conjunto de dados. E a última opção, a aba Visualize, fornece visualizações de gráficos de duas dimensões dos dados. Detalhando a aba Associate, que contém o algoritmo usado neste trabalho, temos que com o botão Choose, é possível escolher um algoritmo capaz de gerar regras de associação (Figura 4.7). Figura 4.7 Interface do Associate Weka As principais opções de parâmetros para a extração de regras associativas com o algoritmo Apriori, no Weka, são mostradas na Tabela 4.1 a seguir: 29

30 Tabela 4.1 Opções de Parâmetros Opção t <training file> N <requered number of rules> C <minimum confidence of a rule> D <delta for minimum support> M <lower bound for minimum support> Função especifica o treinamento do arquivo especifica o número exigido de regras especifica a confiança mínima de uma regra especifica delta para diminuição de suporte mínimo especifica pequeno salto para suporte mínimo Após escolher o algoritmo, é possível alterar os parâmetros através da janela Weka.gui.GenericObjectEditorI (Figura 4.8). Figura 4.8 Tela para alteração de parâmetros Na Figura 4.9 é apresentado o resultado da descoberta de regras associativas utilizando o algoritmo Apriori. A leitura de uma regra associativa se dá da seguinte forma: 30

31 Como exemplo, a regra 3 da Figura 4.9: SE pacientes do sexo feminino apresentam ldl entre a (26 casos), ENTÃO apresentam situação normal (26 casos). Esta regra possui confiança de 100%. Figura 4.9 Resultado obtido do Associate Weka 31

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

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 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

Colesterol 3. Que tipos de colesterol existem? 3. Que factores afectam os níveis de colesterol? 4. Quando está o colesterol demasiado elevado?

Colesterol 3. Que tipos de colesterol existem? 3. Que factores afectam os níveis de colesterol? 4. Quando está o colesterol demasiado elevado? Colesterol Colesterol 3 Que tipos de colesterol existem? 3 Que factores afectam os níveis de colesterol? 4 Quando está o colesterol demasiado elevado? 4 Como reduzir o colesterol e o risco de doença cardiovascular?

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

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

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

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

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

Colesterol O que é Isso? Trabalhamos pela vida

Colesterol O que é Isso? Trabalhamos pela vida Colesterol O que é Isso? X O que é o Colesterol? Colesterol é uma gordura encontrada apenas nos animais Importante para a vida: Estrutura do corpo humano (células) Crescimento Reprodução Produção de vit

Leia mais

Conheça o lado bom e o lado ruim desse assunto. Colesterol

Conheça o lado bom e o lado ruim desse assunto. Colesterol Conheça o lado bom e o lado ruim desse assunto. Colesterol COLESTEROL O nome colesterol vem do grego e significa cálculo biliar. Ele foi batizado pelo químico francês Michel Eugene Chevreul, em 1815.

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

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

Data Mining Software Weka. Software Weka. Software Weka 30/10/2012

Data Mining Software Weka. Software Weka. Software Weka 30/10/2012 Data Mining Software Weka Prof. Luiz Antonio do Nascimento Software Weka Ferramenta para mineração de dados. Weka é um Software livre desenvolvido em Java. Weka é um É um pássaro típico da Nova Zelândia.

Leia mais

Os lipídios são substâncias com estrutura variada sendo muito abundantes em animais e vegetais;

Os lipídios são substâncias com estrutura variada sendo muito abundantes em animais e vegetais; Lipídios Os lipídios são substâncias com estrutura variada sendo muito abundantes em animais e vegetais; Eles compartilham a característica de apresentarem baixa solubilidade em água sendo solúveis em

Leia mais

Ferramenta: Spider-CL. Manual do Usuário. Versão da Ferramenta: 1.1. www.ufpa.br/spider

Ferramenta: Spider-CL. Manual do Usuário. Versão da Ferramenta: 1.1. www.ufpa.br/spider Ferramenta: Spider-CL Manual do Usuário Versão da Ferramenta: 1.1 www.ufpa.br/spider Histórico de Revisões Data Versão Descrição Autor 14/07/2009 1.0 15/07/2009 1.1 16/07/2009 1.2 20/05/2010 1.3 Preenchimento

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

COLESTEROL DEFINIÇÃO

COLESTEROL DEFINIÇÃO COLESTEROL DEFINIÇÃO Colesterol é um esterol (álcool) que pode ser encontrado nas membranas celulares sendo transportado no plasma ligado à proteínas, pois é insolúvel em água e, conseqüentemente, insolúvel

Leia mais

Conheça o Projeto. Apresentação. Finalidade. Objetivo

Conheça o Projeto. Apresentação. Finalidade. Objetivo Manual do Usuário Índice Conheça o Projeto...3 Apresentação...3 Finalidade...3 Objetivo...3 Histórico...4 Usando o Portal...5 Efetuando o cadastro na biblioteca digital...5 Logando na Biblioteca Digital...6

Leia mais

O HDL é conhecido como o bom colesterol porque remove o excesso de colesterol e traz de volta ao fígado onde será eliminado. O LDL-colesterol é o

O HDL é conhecido como o bom colesterol porque remove o excesso de colesterol e traz de volta ao fígado onde será eliminado. O LDL-colesterol é o DISLIPIDEMIA Introdução Dislipidemias, também chamadas de hiperlipidêmicas, referem-se ao aumento dos lipídios no sangue, principalmente do colesterol e dos triglicerídeos. O colesterol é uma substância

Leia mais

O QUE É COLESTEROL? Sinônimos: colesterol hdl, colesterol ldl

O QUE É COLESTEROL? Sinônimos: colesterol hdl, colesterol ldl O QUE É COLESTEROL? Sinônimos: colesterol hdl, colesterol ldl O colesterol pode ser considerado um tipo de lipídio (gordura) produzido em nosso organismo. Ele está presente em alimentos de origem animal

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

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

O QUE É COLESTEROL? TIPOS

O QUE É COLESTEROL? TIPOS O QUE É COLESTEROL? O colesterol pode ser considerado um tipo de lipídio (gordura) produzido em nosso organismo. Ele está presente em alimentos de origem animal (carne, leite integral, ovos etc.). Em nosso

Leia mais

Treinamento Auditor Fiscal. Instrutor: Jaime Naves Gestora: Adriana Nunes

Treinamento Auditor Fiscal. Instrutor: Jaime Naves Gestora: Adriana Nunes Treinamento Auditor Fiscal Instrutor: Jaime Naves Gestora: Adriana Nunes Conceito: O Auditor Fiscal WEB é uma solução que permite a usuários de qualquer segmento empresarial realizar auditorias sobre os

Leia mais

47 Por que preciso de insulina?

47 Por que preciso de insulina? A U A UL LA Por que preciso de insulina? A Medicina e a Biologia conseguiram decifrar muitos dos processos químicos dos seres vivos. As descobertas que se referem ao corpo humano chamam mais a atenção

Leia mais

Processo de Envio de email

Processo de Envio de email Processo de Envio de email Introdução O envio de documentos de forma eletrônica vem sendo muito utilizado, assim o envio de arquivos, relatórios, avisos, informações é realizado via e-mail. O sistema disponibiliza

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

KalumaFin. Manual do Usuário

KalumaFin. Manual do Usuário KalumaFin Manual do Usuário Sumário 1. DICIONÁRIO... 4 1.1 ÍCONES... Erro! Indicador não definido. 1.2 DEFINIÇÕES... 5 2. DESCRIÇÃO DO SISTEMA... 7 3. ACESSAR O SISTEMA... 8 4. PRINCIPAL... 9 4.1 MENU

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

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

MVREP- Manual do Gerador de Relatórios. ÍNDICE

MVREP- Manual do Gerador de Relatórios. ÍNDICE ÍNDICE ÍNDICE... 1 CAPÍTULO 01 PREPARAÇÃO DO AMBIENTE... 2 1.1 IMPORTAÇÃO DO DICIONÁRIO DE DADOS... 2 CAPÍTULO 02 CADASTRO E CONFIGURAÇÃO DE RELATÓRIOS... 4 2.1 CADASTRO DE RELATÓRIOS... 4 2.2 SELEÇÃO

Leia mais

SECRETARIA DE ESTADO DA FAZENDA. Documento de Arrecadação Estadual DAE. Manual do Usuário. Versão 1.0.0 SECRETARIA DE ESTADO DA FAZENDA

SECRETARIA DE ESTADO DA FAZENDA. Documento de Arrecadação Estadual DAE. Manual do Usuário. Versão 1.0.0 SECRETARIA DE ESTADO DA FAZENDA 1 SECRETARIA DE ESTADO DA FAZENDA Documento de Arrecadação Estadual DAE Manual do Usuário Versão 1.0.0 SECRETARIA DE ESTADO DA FAZENDA 66.053-000 Av. Visconde de Souza Franco, 110 Reduto Belém PA Tel.:(091)

Leia mais

MANUAL DO USUÁRIO SUMÁRIO

MANUAL DO USUÁRIO SUMÁRIO SUMÁRIO 1. Home -------------------------------------------------------------------------------------------------------- 7 2. Cadastros -------------------------------------------------------------------------------------------------

Leia mais

ÍNDICE. Sobre o SabeTelemarketing 03. Contato. Ícones comuns à várias telas de gerenciamento. Verificar registros 09. Tela de relatórios 09

ÍNDICE. Sobre o SabeTelemarketing 03. Contato. Ícones comuns à várias telas de gerenciamento. Verificar registros 09. Tela de relatórios 09 ÍNDICE Sobre o SabeTelemarketing 03 Ícones comuns à várias telas de gerenciamento Contato Verificar registros 09 Telas de cadastro e consultas 03 Menu Atalho Nova pessoa Incluir um novo cliente 06 Novo

Leia mais

4 Criação de macros e introdução à linguagem VBA

4 Criação de macros e introdução à linguagem VBA 4 Criação de macros e introdução à linguagem VBA Vinicius A. de Souza va.vinicius@gmail.com São José dos Campos, 2011. 1 Sumário Tópicos em Microsoft Excel 2007 Introdução à criação de macros...3 Gravação

Leia mais

BI Citsmart Fornece orientações necessárias para instalação, configuração e utilização do BI Citsmart.

BI Citsmart Fornece orientações necessárias para instalação, configuração e utilização do BI Citsmart. 16/08/2013 BI Citsmart Fornece orientações necessárias para instalação, configuração e utilização do BI Citsmart. Versão 1.0 19/12/2014 Visão Resumida Data Criação 19/12/2014 Versão Documento 1.0 Projeto

Leia mais

Colesterol. Você pode verificar os rótulos nutricionais (como este de uma lata de atum) para obter informações sobre o colesterol

Colesterol. Você pode verificar os rótulos nutricionais (como este de uma lata de atum) para obter informações sobre o colesterol Colesterol Fonte: http://hsw.uol.com.br/ Introdução Segundo a Associação Americana do Coração (em inglês), altos níveis de colesterol são fatores de risco para doenças do coração, principal motivo de mortes

Leia mais

Extração de Conhecimento & Mineração de Dados

Extração de Conhecimento & Mineração de Dados Extração de Conhecimento & Mineração de Dados Nesta apresentação é dada uma breve introdução à Extração de Conhecimento e Mineração de Dados José Augusto Baranauskas Departamento de Física e Matemática

Leia mais

Presskit Guia Rápido. Release 2.0. Presskit

Presskit Guia Rápido. Release 2.0. Presskit Presskit Guia Rápido Release 2.0 Presskit 06/07/2009 Sumário 1 Login 2 Login e Senha...................................... 2 Esqueci minha senha.................................. 2 Fale Com o Suporte...................................

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

Excel 2010 Modulo II

Excel 2010 Modulo II Excel 2010 Modulo II Sumário Nomeando intervalos de células... 1 Classificação e filtro de dados... 3 Subtotais... 6 Validação e auditoria de dados... 8 Validação e auditoria de dados... 9 Cenários...

Leia mais

Introdução ao X3. Exercício 1: Criando um registro de Contato

Introdução ao X3. Exercício 1: Criando um registro de Contato Introdução ao X3 Exercício 1: Criando um registro de Contato Inicie por adicionar um novo registro de Contato. Navegue para a tabela de Contato clicando na aba de Contato no alto da página. Existem duas

Leia mais

Desdobrável de informação ao paciente

Desdobrável de informação ao paciente Desdobrável de informação ao paciente Doença cardíaca coronária Secções para este tópico: Introdução Sintomas Causas Diagnóstico Tratamento Prevenção Hiperligações seleccionadas Introdução Para que funcione,

Leia mais

MANUAL DE INSTALAÇÃO E OPERAÇÃO

MANUAL DE INSTALAÇÃO E OPERAÇÃO MANUAL DE INSTALAÇÃO E OPERAÇÃO SInAE Sistema Integrado de Administração Escolar Fevereiro - 2006 Sumário INTRODUÇÃO... 2 APRESENTAÇÃO DOS MÓDULOS... 3 Módulo Acadêmico... 3 Módulo de Cofigurações da Escola...

Leia mais

Nota Fiscal Paulista. Manual do TD REDF (Transmissor de Dados Registro Eletrônico de Documentos Fiscais) GOVERNO DO ESTADO DE SÃO PAULO

Nota Fiscal Paulista. Manual do TD REDF (Transmissor de Dados Registro Eletrônico de Documentos Fiscais) GOVERNO DO ESTADO DE SÃO PAULO Nota Fiscal Paulista Manual do TD REDF (Transmissor de Dados Registro Eletrônico de Documentos Fiscais) Versão 1.1 15/02/2008 Página 1 de 17 Índice Analítico 1. Considerações Iniciais 3 2. Instalação do

Leia mais

Manual da Ferramenta Metadata Editor

Manual da Ferramenta Metadata Editor 4 de março de 2010 Sumário 1 Introdução 3 2 Objetivos 3 3 Visão Geral 3 3.1 Instalação............................. 3 3.2 Legenda.............................. 4 3.3 Configuração Inicial........................

Leia mais

CAPES - MEC COLETA DE DADOS 9.01 MANUAL SIMPLIFICADO DO USUÁRIO 2006

CAPES - MEC COLETA DE DADOS 9.01 MANUAL SIMPLIFICADO DO USUÁRIO 2006 CAPES - MEC COLETA DE DADOS 9.01 MANUAL SIMPLIFICADO DO USUÁRIO 2006 1 APRESENTAÇÃO...2 2 INSTALAÇÃO...2 3 IMPORTAÇÃO DO ARQUIVO ESPECÍFICO...3 4 IMPORTAÇÃO DE DADOS DO CADASTRO DE DISCENTES...4 5 PREENCHIMENTO

Leia mais

A.S. Sistemas Rua Prof. Carlos Schlottfeldt, 10A Clélia Bernardes Viçosa MG CEP 36570-000 Telefax: (31) 3892 7700 dietpro@dietpro.com.

A.S. Sistemas Rua Prof. Carlos Schlottfeldt, 10A Clélia Bernardes Viçosa MG CEP 36570-000 Telefax: (31) 3892 7700 dietpro@dietpro.com. Sumário Principais Características... 5 Configuração necessária para instalação... 6 Conteúdo do CD de Instalação... 7 Instruções para Instalação... 8 Solicitação da Chave de Acesso... 22 Funcionamento

Leia mais

A.S. Sistemas Rua Prof. Carlos Schlottfeldt, 10A Clélia Bernardes Viçosa MG CEP 36570-000 Telefax: (31) 3892 7700 dietpro@dietpro.com.

A.S. Sistemas Rua Prof. Carlos Schlottfeldt, 10A Clélia Bernardes Viçosa MG CEP 36570-000 Telefax: (31) 3892 7700 dietpro@dietpro.com. Sumário Principais Características...5 Configuração necessária para instalação...6 Conteúdo do CD de Instalação...7 Instruções para Instalação...8 Solicitação da Chave de Acesso...22 Funcionamento em Rede...26

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

MANUAL RASTREAMENTO 2013

MANUAL RASTREAMENTO 2013 MANUAL RASTREAMENTO 2013 Visão Geral O menu geral é o principal módulo do sistema. Através do visão geral é possível acessar as seguintes rotinas do sistema: Sumário, localização, trajetos, últimos registros.

Leia mais

Sistemas de controle para processos de bateladas

Sistemas de controle para processos de bateladas Sistemas de controle para processos de bateladas Por Alan Liberalesso* Há algum tempo os processos de batelada deixaram de ser um mistério nas indústrias e no ambiente de automação. O cenário atual nos

Leia mais

MANUAL DO PROGRAMA CSPSNet

MANUAL DO PROGRAMA CSPSNet MANUAL DO PROGRAMA CSPSNet Qualquer dúvida entre em contato: (33)32795093 01 USUÁRIO/CSPSNet O sistema CSPSNet está configurado para funcionar corretamente nos seguintes browsers: Internet Explorer 8.0,

Leia mais

2015 GVDASA Sistemas Administração dos Portais

2015 GVDASA Sistemas Administração dos Portais 2015 GVDASA Sistemas Administração dos Portais AVISO O conteúdo deste documento é de propriedade intelectual exclusiva da GVDASA Sistemas e está sujeito a alterações sem aviso prévio. Nenhuma parte desta

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

MANUAL DO SERVICE DESK SYSTEM

MANUAL DO SERVICE DESK SYSTEM Manual do Sumário Conhecendo o SERVICE DESK SYSTEM... 3 - A tela de Acesso ao sistema:... 3 - A tela do sistema após o acesso(exemplo):... 3 OCORRÊNCIAS... 4 - Abertura de chamados:... 4 - Atendendo um

Leia mais

HMR Marketing Receptivo. 12.1.x. abril de 2015. Versão: 2.0

HMR Marketing Receptivo. 12.1.x. abril de 2015. Versão: 2.0 HMR Marketing Receptivo 12.1.x abril de 2015 Versão: 2.0 1 Sumário 1 Objetivo... 3 2 Papéis e Usuários... 3 3 Fluxo Geral do HMR... 6 4 Manter Parâmetros Marketing Receptivo... 7 5 Manter Categoria de

Leia mais

Manual do Teclado de Satisfação Local Versão 1.4.1

Manual do Teclado de Satisfação Local Versão 1.4.1 Manual do Teclado de Satisfação Local Versão 1.4.1 26 de agosto de 2015 Departamento de Engenharia de Produto (DENP) SEAT Sistemas Eletrônicos de Atendimento 1. Introdução O Teclado de Satisfação é uma

Leia mais

O Processo de KDD. Data Mining SUMÁRIO - AULA1. O processo de KDD. Interpretação e Avaliação. Seleção e Pré-processamento. Consolidação de dados

O Processo de KDD. Data Mining SUMÁRIO - AULA1. O processo de KDD. Interpretação e Avaliação. Seleção e Pré-processamento. Consolidação de dados SUMÁRIO - AULA1 O Processo de KDD O processo de KDD Interpretação e Avaliação Consolidação de dados Seleção e Pré-processamento Warehouse Data Mining Dados Preparados p(x)=0.02 Padrões & Modelos Conhecimento

Leia mais

SisLegis Sistema de Cadastro e Controle de Leis

SisLegis Sistema de Cadastro e Controle de Leis Sistema de Cadastro e Controle de Leis Desenvolvido por Fábrica de Software Coordenação de Tecnologia da Informação Pág 1/22 Módulo: 1 Responsável: Desenvolvimento Ti Data: 01/11/2012 Versão: 1.0 Empresa:

Leia mais

MANUAL DO USUÁRIO MODULO ALMOXARIFADO SUAP

MANUAL DO USUÁRIO MODULO ALMOXARIFADO SUAP MANUAL DO USUÁRIO MODULO ALMOXARIFADO SUAP Pouso Alegre MG 2013 SUMÁRIO 1. Introdução.... 6 2. Efetuar Entrada de Material.... 8 2.1. Entrada de Material por Compra.... 8 2.1.1. Cadastro de Empenho...

Leia mais

Autor: Júlio Battisti www.juliobattisti.com.br

Autor: Júlio Battisti www.juliobattisti.com.br Autor: Júlio Battisti www.juliobattisti.com.br Livro: Aprenda com Júlio Battisti: Excel 2010 Avançado, Análise de Dados e Cenários, Tabelas e Gráficos Dinâmicos, Macros e Programação VBA - Através de Exemplos

Leia mais

O QUE SÃO OS TRIGLICERÍDEOS?

O QUE SÃO OS TRIGLICERÍDEOS? O QUE SÃO OS TRIGLICERÍDEOS? Franklim A. Moura Fernandes http://www.melhorsaude.org Introdução Os triglicerídeos, também chamados de triglicéridos, são as principais gorduras do nosso organismo e compõem

Leia mais

Centro de Computação - Unicamp Gerência de Atendimento ao Cliente (e-mail:apoio@turing.unicamp.br) Sumário

Centro de Computação - Unicamp Gerência de Atendimento ao Cliente (e-mail:apoio@turing.unicamp.br) Sumário Sumário Conceitos Microsoft Access 97... 01 Inicialização do Access... 02 Convertendo um Banco de Dados... 03 Criando uma Tabela... 06 Estrutura da Tabela... 07 Propriedades do Campo... 08 Chave Primária...

Leia mais

MANUAL EXPORTAÇÃO IMPORTAÇÃO

MANUAL EXPORTAÇÃO IMPORTAÇÃO MANUAL EXPORTAÇÃO IMPORTAÇÃO Diretoria de Vigilância Epidemiológica/SES/SC 2006 1 Módulo 04 - Exportação e Importação de Dados Manual do SINASC Módulo Exportador Importador Introdução O Sistema SINASC

Leia mais

Auto Treinamento. Versão 10.05.13

Auto Treinamento. Versão 10.05.13 Auto Treinamento Versão 10.05.13 Sumário 1. OBJETIVO... 3 2. CONCEITO DE BUSINESS INTELLIGENCE... 3 3. REALIZANDO CONSULTAS NO BI-PUBLIC... 4 3.2. Abrindo uma aplicação... 4 3.3. Seleções... 6 3.4. Combinando

Leia mais

Manual Laboratório. ICS Sistemas de Gestão em Saúde ICS 01/01/2014

Manual Laboratório. ICS Sistemas de Gestão em Saúde ICS 01/01/2014 2014 Manual Laboratório ICS Sistemas de Gestão em Saúde ICS 01/01/2014 Sumário Acesso ao Sistema... 2 Menu Cadastros... 4 Cadastro de usuários... 4 Inclusão de Novo Usuário... 5 Alteração de usuários...

Leia mais

SPSS Statistical Package for the Social Sciences Composto por dois ambientes:

SPSS Statistical Package for the Social Sciences Composto por dois ambientes: Introdução ao SPSS Essa serie de aulas sobre SPSS foi projetada para introduzir usuários iniciantes ao ambiente de trabalho do SPSS 15, e também para reavivar a memória de usuários intermediários e avançados

Leia mais

Manual Ilustrado Marketing Receptivo - HMR

Manual Ilustrado Marketing Receptivo - HMR Manual Ilustrado Marketing Receptivo - HMR Agosto/2014 Índice Título do documento 1. Objetivo... 3 2. Papéis e Usuários... 3 3. Fluxo Geral do HMR... 5 4. Manter Parâmetros Marketing Receptivo... 5 5.

Leia mais

Estatísticas e Relatórios. Treinamento OTRS Help Desk

Estatísticas e Relatórios. Treinamento OTRS Help Desk Estatísticas e Relatórios Treinamento OTRS Help Desk Sumário Estatística... 3 Visão Geral... 3 Gerando Relatórios... 4 Criação de Relatórios...5 Lista de Chamado... 7 Acumulação de Chamados...10 Tempo

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

Conectando Bancos de Dados Microsoft Access no BrOffice.org Base. fornecido pelo Projeto de Documentação do BrOffice.org

Conectando Bancos de Dados Microsoft Access no BrOffice.org Base. fornecido pelo Projeto de Documentação do BrOffice.org Conectando Bancos de Dados Microsoft Access no BrOffice.org Base fornecido pelo Projeto de Documentação do BrOffice.org Índice 1 Introdução...2 1.1 Versão... 2 1.2 Licenciamento...2 1.3 Mensagem do Projeto

Leia mais

COLESTEROL E TRIGLICÉRIDES

COLESTEROL E TRIGLICÉRIDES COLESTEROL E TRIGLICÉRIDES Muitas pessoas já ouviram falar deles. Algumas podem até imagine que colesterol e triglicérides sejam sinônimos de doença. Para desfazer a imagem de vilões que essas duas substâncias

Leia mais

Shop Control 8 Pocket. Guia do usuário

Shop Control 8 Pocket. Guia do usuário Shop Control 8 Pocket Guia do usuário Abril / 2007 1 Pocket O módulo Pocket permite fazer vendas dos produtos diretamente em handhelds Pocket PC, pelos vendedores externos da empresa. Os cadastros (clientes,

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

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

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

Sumário I. Acesso ao sistema CRMTEL II. Filtro de Clientes III. Atribuindo a Segmentação Atribuindo o Mailing VI.

Sumário I. Acesso ao sistema CRMTEL II. Filtro de Clientes III. Atribuindo a Segmentação Atribuindo o Mailing VI. Módulo Clientes 2 Sumário I. Acesso ao sistema CRMTEL... 4 II. Filtro de Clientes... 5 III. Atribuindo a Segmentação... 6 V. Atribuindo o Mailing... 10 VI. Encarteirando Clientes... 12 VII. Relatórios...

Leia mais

MANUAL DE INSTALAÇÃO CONFIGURAÇÃO IDE ECLIPSE

MANUAL DE INSTALAÇÃO CONFIGURAÇÃO IDE ECLIPSE MANUAL DE INSTALAÇÃO E CONFIGURAÇÃO IDE ECLIPSE T1011 GUILHERME RODRIGUES Ano 2015 MANUAL DE INSTALAÇÃO E CONFIGURAÇÃO DA IDE ECLIPSE. Neste documento aborda como instalar e configurar a IDE eclipse para

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

Aplicativo da Manifestação do Destinatário. Manual

Aplicativo da Manifestação do Destinatário. Manual Aplicativo da Manifestação do Destinatário Manual Novembro de 2012 1 Sumário 1 Aplicativo de Manifestação do Destinatário...4 2 Iniciando o aplicativo...4 3 Menus...5 3.1 Manifestação Destinatário...5

Leia mais

Manual de utilização do. sistema integrado de controle médico WWW.ISA.NET.BR

Manual de utilização do. sistema integrado de controle médico WWW.ISA.NET.BR Manual de utilização do sistema integrado de controle médico WWW.ISA.NET.BR Sistema integrado de controle médico Acesso... 3 Menu principal... 4 Cadastrar... 6 Cadastro de pacientes... 6 Convênios... 10

Leia mais

MANUAL C R M ÍNDICE. Sobre o módulo de CRM... 2. 1 Definindo a Campanha... 3

MANUAL C R M ÍNDICE. Sobre o módulo de CRM... 2. 1 Definindo a Campanha... 3 ÍNDICE Sobre o módulo de CRM... 2 1 Definindo a Campanha... 3 1.1 Incluir uma campanha... 3 1.2 Alterar uma campanha... 4 1.3 Excluir... 4 1.4 Procurar... 4 2 Definindo os clientes para a campanha... 4

Leia mais

Entendendo a lipodistrofia

Entendendo a lipodistrofia dicas POSITHIVAS Entendendo a lipodistrofia O que é a lipodistrofia? Lipodistrofia é quando o corpo passa a absorver e a distribuir as gorduras de maneira diferente. Diminui a gordura nas pernas, braços,

Leia mais

Obtenção de regras de associação sobre compras governamentais: Um estudo de caso 1

Obtenção de regras de associação sobre compras governamentais: Um estudo de caso 1 Obtenção de regras de associação sobre compras governamentais: Um estudo de caso 1 Keila Michelly Bispo da Silva 2, Starlone Oliverio Passos 3,Wesley Vaz 4 Resumo: O processo de compras governamentais

Leia mais

Ano III - Número 16. Versão 4.6.4

Ano III - Número 16. Versão 4.6.4 Versão 4.6.4 Sexta-feira, 08 de fevereiro de 2008 ÍNDICE 3 4 EDITORIAL NOVAS FUNCIONALIDADES 4 12 13 14 15 16 Novo Cronograma 4 5 5 6 7 8 8 9 9 10 10 Edição Rápida do Cronograma Recurso de Arrastar e Soltar

Leia mais

Padrões de Contagem de Pontos de Função

Padrões de Contagem de Pontos de Função Padrões de Contagem de Pontos de Função Contexto Versão: 1.0.0 Objetivo O propósito deste documento é apresentar os padrões estabelecidos para utilização da técnica de Análise de Pontos de Função no ambiente

Leia mais

Módulo 2. Definindo Soluções OLAP

Módulo 2. Definindo Soluções OLAP Módulo 2. Definindo Soluções OLAP Objetivos Ao finalizar este módulo o participante: Recordará os conceitos básicos de um sistema OLTP com seus exemplos. Compreenderá as características de um Data Warehouse

Leia mais

Como funciona? SUMÁRIO

Como funciona? SUMÁRIO SUMÁRIO 1. Introdução... 2 2. Benefícios e Vantagens... 2 3. Como utilizar?... 2 3.1. Criar Chave / Senha de Usuário... 2 3.2. Recursos da Barra Superior... 2 3.2.1. Opções... 3 3.2.1.1. Mover Para...

Leia mais

Grifon Alerta. Manual do Usuário

Grifon Alerta. Manual do Usuário Grifon Alerta Manual do Usuário Sumário Sobre a Grifon Brasil... 4 Recortes eletrônicos... 4 Grifon Alerta Cliente... 4 Visão Geral... 4 Instalação... 5 Pré-requisitos... 5 Passo a passo para a instalação...

Leia mais

Iremos apresentar alguns conselhos para o ajudar a prevenir estes factores de risco e portanto a evitar as doenças

Iremos apresentar alguns conselhos para o ajudar a prevenir estes factores de risco e portanto a evitar as doenças FACTORES DE RISCO Factores de risco de doença cardiovascular são condições cuja presença num dado indivíduo aumentam a possibilidade do seu aparecimento. Os mais importantes são o tabaco, a hipertensão

Leia mais

manual Versão 0.3 Português do Brasil (Brazilian Portuguese) FunTester 0.7c

manual Versão 0.3 Português do Brasil (Brazilian Portuguese) FunTester 0.7c manual Versão 0.3 Português do Brasil (Brazilian Portuguese) FunTester 0.7c Versões deste documento 0.3 Melhoria da Introdução; Descritos detalhes sobre Instalação e Extensões de Arquivos; Descritos tópicos

Leia mais

MANUAL DO ADMINISTRADOR DO MÓDULO

MANUAL DO ADMINISTRADOR DO MÓDULO MANUAL DO ADMINISTRADOR DO MÓDULO ÍNDICE Relatórios Dinâmicos... 3 Requisitos de Sistema... 4 Estrutura de Dados... 5 Operadores... 6 Tabelas... 7 Tabelas x Campos... 9 Temas... 13 Hierarquia Relacionamento...

Leia mais

Manual do Teclado de Satisfação Online Web Opinião Versão 1.0.5

Manual do Teclado de Satisfação Online Web Opinião Versão 1.0.5 Manual do Teclado de Satisfação Online Web Opinião Versão 1.0.5 09 de julho de 2015 Departamento de Engenharia de Produto (DENP) SEAT Sistemas Eletrônicos de Atendimento 1. Introdução O Teclado de Satisfação

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

Identificação de Padrões em Registros de Doenças com Técnicas de Mineração de Dados

Identificação de Padrões em Registros de Doenças com Técnicas de Mineração de Dados Identificação de Padrões em Registros de Doenças com Técnicas de Mineração de Dados Resumo. Nas últimas décadas, tem aumentado à necessidade de um processo automatizado para a descoberta de informações

Leia mais

MANUAL DO USUÁRIO DO M3

MANUAL DO USUÁRIO DO M3 MANUAL DO USUÁRIO DO M3 1 CADASTROS 1.1 Clientes Abre uma tela de busca na qual o usuário poderá localizar o cadastro dos clientes da empresa. Preencha o campo de busca com o nome, ou parte do nome, e

Leia mais

Manual de Administração

Manual de Administração Manual de Administração Produto: n-mf Xerox Versão do produto: 4.7 Autor: Bárbara Vieira Souza Versão do documento: 1 Versão do template: Data: 04/04/01 Documento destinado a: Parceiros NDDigital, técnicos

Leia mais