UNIVERSIDADE CATÓLICA DE GOIÁS DEPARTAMENTO DE COMPUTAÇÃO GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO

Tamanho: px
Começar a partir da página:

Download "UNIVERSIDADE CATÓLICA DE GOIÁS DEPARTAMENTO DE COMPUTAÇÃO GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO"

Transcrição

1 UNIVERSIDADE CATÓLICA DE GOIÁS DEPARTAMENTO DE COMPUTAÇÃO GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO MINERAÇÃO DE DADOS VISÃO GERAL E UMA APLICAÇÃO NO ATLETISMO ALEXANDRE VIEIRA MYTO PAULO ROGÉRIO ASSIS LACERDA NOVEMBRO 2007

2 UNIVERSIDADE CATÓLICA DE GOIÁS DEPARTAMENTO DE COMPUTAÇÃO GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO MINERAÇÃO DE DADOS VISÃO GERAL E UMA APLICAÇÃO NO ATLETISMO Trabalho de Projeto Final de Curso apresentado por Alexandre Vieria Myto e Paulo Rogério Assis Lacerda à Universidade Católica de Goiás, como requisito parcial para obtenção do título de Bacharel em Ciência da Computação aprovado em 27/11/2007 pela Banca Examinadora: Professor Sibelius Lellis Vieira, Dr. - Orientador Professor Wellington Santos Martins, Ph.D. - Examinador Professor Thierson Couto Rosa, M.Sc. - Examinador

3 MINERAÇÃO DE DADOS VISÃO GERAL E UMA APLICAÇÃO NO ATLETISMO ALEXANDRE VIEIRA MYTO PAULO ROGÉRIO ASSIS LACERDA Trabalho de Projeto Final de Curso apresentado por Alexandre Vieira Myto e Paulo Rogério Assis Lacerda à Universidade Católica de Goiás, como parte dos requisitos para obtenção do título de Bacharel em Ciência de Computação. Professor Sibelius Lellis Vieira Professor Jeová Martins Ribeiro Orientador Coordenador Projeto Final de Curso

4 AGRADECIMENTOS Primeiramente a Deus. À nossa família pelo apoio, gratidão e carinho por conduzir nossas vidas nos caminhos da sabedoria e do conhecimento. Ao Professor Sibelius, pelo apoio e confiança depositada. À Coordenação do Departamento de Computação da Universidade Católica de Goiás por ter ajudado de forma inestimável a execução deste trabalho. Ao Professor Ernesto Flávio Batista Borges Pereira pela colaboração e apoio.

5 RESUMO Neste trabalho é apresentada uma descrição sobre a mineração de dados. A mineração de dados tem muitas aplicações atualmente, visto que uma grande quantidade de dados são produzidos, armazenados e necessitam de processamentos para a descoberta de conhecimentos. Em particular, o estudo feito é aplicado em um problema de atletismo, fatores intervenientes na chegada dos cem metros rasos livre. Os dados foram obtidos através de um questionário aplicado em alguns atletas do Brasil. Os resultados foram analisados com auxílio da ferramenta Weka usando duas aplicações de mineração de dados, classificação e associação. Na classificação foi utilizado o algoritmo J.48 e na associação foi utilizado o algoritmo Apriori. Palavras-Chave: Mineração de Dados, Ferramenta Weka, Classificação, Associação.

6 ABSTRACT It is presented in this work a description of data mining. The data mining has many applications nowadays, since a large amount of data is generated, stored and need processing for the discovery of knowledge. In particular, the study is applied on an athletics problem, factors involving the arrival of a hundred meters free. The data was obtained through a questionnaire applied on some athletes from Brazil. The results were analyzed using the tool Weka using two applications of data mining: classification and association. In the classification, the J.48 algorithm was used and in the association the algorithm Apriori was used. Key Words: Data Mining, Tool Weka, Classification, Association.

7 MINERAÇÃO DE DADOS VISÃO GERAL E UMA APLICAÇÃO NO ATLETISMO SUMÁRIO LISTA DE FIGURAS xiv LISTAS DE TABELAS xvi LISTA DE ABREVIATURAS xvii 1. INTRODUÇÃO Justificativa Objetivo Estrutura 4 2. MINERAÇÃO DE DADOS Processo de descoberta de conhecimento Conceituação de mineração de dados Métodos de Mineração de Dados Classificação Associação Apriori Clusterização (Agrupamento) K-Means Padrões seqüenciais/temporais Técnicas de Mineração de Dados Árvore de decisão C Aplicações de mineração de dados Problemas com a obtenção de um banco de dados FATORES INTERVENIENTES NA CHEGADA DOS CEM METROS RASOS Evolução da prova Descrição do problema Base de dados Seleção dos dados Preparação dos dados Construção do modelo Avaliação do modelo 33

8 4. FERRAMENTA DE MINERAÇÃO DE DADOS WEKA Ambiente Weka Arquivo ARFF Explorer Características dos atributos Associação Weka Classificação Weka Atributos utilizados Arquivo no formato ARFF APLICAÇÃO Aplicando as regras A Base de dados Premissas estabelecidas Problemas para executar o método de classificação Novas premissas estabelecidas Resultados obtidos pelo método classificação Matriz de confusão Matriz de confusão para objeto em estudo Associação Problemas para executar o método de associação Resultados obtidos pelo método de associação CONCLUSÕES REFERÊNCIAS BIBLIOGRÁFICAS GLOSSÁRIO APÊNDICE 108

9 LISTA DE FIGURAS Figura Processo de KDD prosto por Fayyad, Piatetsky-Shapiro e Smyth (1996) 31 Figura Forma de Representação de uma Árvore de Decisão 33 Figura Weka GUI Chooser 52 Figura Weka Explorer (Preprocess) 75 Figura Weka Explorer (Classify) 88 Figura Weka Explorer (Cluster) 88 Figura Weka Explorer (Associate) 88 Figura Weka Explorer (Slect attributes) 88 Figura Weka Explorer (Visualize) 88 Figura Weka Explorer (Log) 88 Figura Weka Explorer (Preprocess) 88 Figura Weka Explorer (Visualize All) 88 Figura Arquivo no formato ARFF 88 Figura Árvore de decisão gerada pelo atributo melhor marca 100m 88 Figura Matriz de confusão gerada pelo atributo melhor marca 100m 88 Figura Melhores regras encontradas pelo apriori 88 Figura Exemplo de resultado que resultou em descoberta de informação 88

10 LISTA DE TABELAS Tabela Os 15 melhores tempos de sempre masculino 17 Tabela Os 12 melhores tempos de sempre feminino 83 Tabela Classificação dos pesos para pessoas 88 Tabela 5.2 Classificação dos atletas segundo a fórmula utilizada 88

11 LISTA DE ABREVIATURAS E SIGLAS ARFF CLI cm HPF HPP KDD Kg LMD LME OMS PRODERJ QTDE UCG URL 100m/r 2D Attribute Relation File Format Interface Commad Line centímetro História patológica Familiar História Patológica Pessoal Discovering Knowledge in Data Quilograma Lado da Mão Direita Lado da Mão Esquerda Organização Mundial da Saúde Órgão de Tecnologia da Informação do Estado do Rio de Janeiro Quantidades Universidade Católica de Goiás Uniform Resoucer Locator Cem metros rasos Segunda Dimensão

12 MINERAÇÃO DE DADOS FATORES QUE INFLUENCIAM NA CHEGADA DOS 100M/R CAPÍTULO I INTRODUÇÃO 1.1. Justificativa A mineração de dados ou data mining se refere a mineração ou a descoberta de novas informações em função de padrões ou regras em grandes quantidades de dados. Para ser útil, na prática, a mineração de dados precisa ser realizada eficientemente em grandes arquivos e banco de dados. O volume de dados armazenado nos sistemas das organizações é cada vez maior. Este fenômeno dá-se pela queda no custo dos dispositivos de armazenamento e avanços na área de tecnologia da informação. Devido a incapacidade do ser humano em analisar tamanho volume de dados, muitas informações, possivelmente úteis e importantes, podem não estar sendo devidamente aproveitadas. Em conseqüência disto, surge a necessidade de se desenvolver novas ferramentas e técnicas de extração automática de conhecimento a partir de dados armazenados [16]. Embora recente, a história da mineração de dados já tem casos bem conhecidos. O mais divulgado é o da cadeia norte-americana Wal-Mart, que identificou um hábito curioso dos consumidores. Ao procurar eventuais relações entre o volume de vendas e os dias da semana, o software apontou que, às sextas-feiras, as vendas de cervejas cresciam na mesma proporção que as de fraldas. Crianças bebendo cerveja? Não. Uma investigação mais detalhada revelou que, ao comprar fraldas para seus bebês, os pais aproveitavam para abastecer as reservas de cerveja para o final de semana [35]. Cada classe de aplicação em mineração de dados tem como base um conjunto de algoritmos que serão usados na extração de relações relevantes dentro de uma massa de

13 dados tais como: a classificação, a estimativa, o agrupamento por afinidade, a previsão e a segmentação [32]. Cada uma destas propostas difere quanto à classe de problemas que o método será capaz de resolver. As tecnologias de mineração de dados podem ser aplicadas em grande variedade de contextos de tomada de decisão empresariais. Em particular, áreas de significativo retorno de investimento esperado incluem: Marketing Aplicações como análises do comportamento do consumidor baseadas em padrões de consumo; a definição de estratégias de marketing está presente em propagandas, bem como em localização de lojas, e também em mala direta direcionada; segmentação de clientes, lojas ou produtos; e projeto de catálogos, layouts de lojas e campanhas de publicidade. Finanças Aplicações incluem análise de crédito de clientes, segmentação de contas a receber, análise de performance de investimentos financeiros como ações, bonds e fundos mútuos; avaliação de opções de financiamento; e detecção de fraudes. Produção Aplicações envolvem otimização de recursos como máquinas, força de trabalho e materiais; projeto ótimo de processos de fabricação, layouts de chão de fábrica, e projeto de produto, como de automóveis baseados nos requisitos dos clientes. Saúde Aplicações incluem descoberta de padrões em imagens radiológicas, análise de dados experimentais em microarray (gene-chip) para relação com doenças, análise de efeitos colaterais de remédios e efetividade de certos tratamentos; otimização de processos dentro de um hospital, relação de saúde do paciente com qualificações do médico. Além das áreas citadas acima a mineração de dados pode ser aplicada a várias áreas como: esporte, ciência, tecnologia, web, governo, banco, comércio etc. Atualmente, as ferramentas de mineração de dados utilizam técnicas para extração de conhecimento. Tais técnicas incluem regras de associação, agrupamento (clustering), redes neurais, seqüenciamento e análise estatística. Também utilizam-se as

14 árvores de decisão, que são a representação das regras usadas na classificação ou no agrupamento, e análise estatística, que podem incluir regressão e muitas outras técnicas [26]. Essas técnicas, devido a grande importância dos seus resultados e da grande base de dados, têm sido implementadas em ferramentas de mineração de dados, inclusive em algumas gratuitas, como a ferramenta Weka, que é utilizada neste trabalho Objetivo A mineração de dados pode ser aplicada em varias áreas, inclusive na área do esporte. Detalhes podem decidir uma competição tais como: o treinamento, a alimentação, o porte físico, o nervosismo, a saúde e outros. Umas das competições mais importantes no mundo do atletismo e do esporte é a corrida dos cem metros rasos (100m/r). A mineração de dados pode ser aplicada e útil na análise nesta categoria de atletismo, analisando os fatores do histórico que podem influenciar no resultado e assim, buscando padrões que podem auxiliar na preparação do atleta dos cem metros rasos 100m/r. A corrida dos cem metros rasos (100m/r) é uma modalidade olímpica de atletismo, considerada a prova mais importante das corridas de velocidade, para muitos cheios de nervosismo e de grande tensão emocional. Em razão do alto nível dos atletas e da distância, a prova leva em torno de apenas dez segundos. O objetivo deste trabalho é elaborar um estudo, utilizando técnicas de mineração de dados para analisar um conjunto de fatores dos atletas de cem metros rasos (100m/r) utilizando a ferramenta de mineração de dados Weka. Esta ferramenta oferece execuções de algoritmos de aprendizagem que podem ser facilmente aplicados os dados a serem estudados, além de possuir uma interface amigável e de fácil entendimento Estrutura No capítulo II é descrito o processo de mineração de dados, que é um processo

15 de descoberta de conhecimento (KDD-Discovering Knowledge in Data), sendo apresentada sua definição, seus métodos, técnicas e algumas áreas onde pode ser aplicado. No capítulo III são descritos os fatores intervenientes na chegada dos cem metros rasos, apresentando um pouco sobre a história das corridas dos 100m/r, os problemas a serem tratados, a geração da base de dados, como foram feitas as seleções dos dados que fizeram parte dos processos, quais as análises preliminares foram feitas com os dados, a construção do modelo a ser tratado e a avaliação do modelo. No capítulo IV são apresentadas a ferramenta Weka, algumas propriedades e funções, e como a ferramenta pode ser utilizada. São apresentadas características gerais do Weka, janelas, aplicativos e como utilizar atributos. No capítulo V são apresentados os experimentos, resultados, e problemas recorrentes dos métodos utilizados, o algoritmo Apriori para a associação e o j48 para a classificação. Todos os resultados foram possíveis utilizando a ferramenta Weka (freeware) disponibilizada para fins educativos. futuros. No capítulo VI é apresentado a conclusão do projeto e possíveis trabalhos

16 CAPÍTULO II MINERAÇÃO DE DADOS 2.1. Processo de descoberta de conhecimentos O processo de descoberta de conhecimento de dados surgiu na década de 80, época essa que devido aos novos meios de tecnologias, observou-se um grande crescimento no volume das bases de dados existentes. Alguns dos sistemas que surgiram e contribuíram neste período para o começo deste processo foram os sistemas de reservas de passagens aéreas, sistemas bancários e de cartões de créditos internacionais. Isso despertou a necessidade de extrair conhecimento a partir dessas grandes bases de dados. Essa estratégia é mais conhecida como KDD - Knowledge Data Discovering ou descoberta do conhecimento em dados. O KDD tem como objetivo principal explorar e extrair informações não-triviais em uma base de dados relacional de uma maneira otimizada, passando por algumas fases até chegar em algo consistente para que a partir dela possa obter conhecimento. Com a chegada da globalização, a competitividade entre as empresas no mundo dos negócios vem aumentando intensamente nos últimos anos. As empresas contemporâneas, cientes da necessidade de adaptação a esse cenário, têm investido na captação, no armazenamento, no tratamento e na aplicação da informação com diferencial estratégico e competitivo na condução dos negócios. Recursos da área da Tecnologia da Informação têm sido fundamentais nesse processo. Em particular, muitos sistemas de informação vêm sendo desenvolvidos e utilizados em diversas aplicações [27]. Os bancos de dados contêm informações detalhadas que permitem às empresas acompanhar e controlar processos operacionais. Por outro lado, existe uma demanda cada vez maior por sistemas de informação que auxiliem no processo de tomada de decisão. Gerentes e executivos necessitam de recursos computacionais que forneçam subsídios para apoio ao processo decisório das empresas [27].

17 Conceitualmente, um Data Warehouse é um grande armazém de dados, integrado, não volátil, variável em relação ao tempo, e destinado a auxiliar em decisões de negócios. A orientação à assunto, aliada ao aspecto de integração, permite reunir dados corporativos em um mesmo ambiente de forma a consolidar e apresentar informações sobre um determinado tema. Os dados são não voláteis, pois uma vez carregados no Data Warehouse, estes não podem mais sofrer alterações. Cada conjunto de dados, ao ser carregado em um Data Warehouse, fica vinculado a um rótulo temporal que o identifica dentre os demais. Cada rótulo temporal fica associado, portanto, a uma visão instantânea e sumarizada dos dados operacionais que corresponde ao momento de carga do Data Warehouse. Desta forma, na medida em que o Data Warehouse vai sendo carregado com tais visões, pode-se realizar análises de tendências a partir dos dados [27]. Obter conhecimentos em base de dados é uma área de pesquisa crescente que atrai esforços de pesquisadores. Fundamenta-se no fato de que as grandes bases de dados podem ser uma fonte de conhecimento útil, porém não explicitamente representado, cujo objetivo é desenvolver e validar técnicas, metodologias e ferramentas capazes de extrair o conhecimento implícito nesses dados e representá-lo de forma acessível aos usuários [13]. Transformar os dados em informações que possam auxiliar a tomada de decisões é um processo complexo [20] e pode ser organizado em cinco etapas, conforme ilustra a Figura 2.1.

18 Figura 2.1. Processo de KDD [6]. O primeiro passo no processo de KDD é entender o domínio da aplicação, identificar o problema e definir os objetivos a serem atingidos. O processo inicia com os dados brutos (Base de Dados) e finaliza com a extração de conhecimento, como resultado das seguintes etapas: conjunto-alvo de dados; 1. Seleção: é a extração dos dados visando à aplicação, ou seja, criação de um 2. Pré-Processamento: Engloba qualquer tipo de tratamento que venha a ser realizado nos dados que foram selecionados na fase anterior a fim de assegurar a qualidade (completude, veracidade e integridade). As informações consideradas desnecessárias são removidas. Se os erros não forem descobertos nessa etapa, poderão contribuir para a obtenção de resultados de baixa qualidade [22]. Um exemplo simples pode ser o de corrigir CEPs errados ou até mesmo retirar registros com prefixos de telefones errados [26]; 3. Transformação: identificação de características úteis para representar os da-

19 dos, conforme o objetivo definido, e realizar a redução ou transformação da dimensionalidade dos dados. Nesta fase, os dados devem ser codificados para que possam ficar em uma forma adequada a fim de que o algoritmo de mineração de dados escolhido tenha a interpretação correta dos registros para o seu padrão de uso [27] ou até mesmo pode ser executado para a redução da quantidade de dados [26]. A codificação pode ser: Numérica Categórica, que transforma valores reais em categoria ou intervalos; ou Categórica Numérica que representa numericamente valores de atributos categóricos [27]; 4. Mineração de dados (data mining): combinar os objetivos do processo de KDD com um método particular de mineração de dados e realizar a análise exploratória e seleção de modelo e hipótese, buscando padrões de interesse; 5. Interpretação/Avaliação: validar o conhecimento extraído da base de dados, identificar padrões e interpretá-los, transformando-os em conhecimentos que possam apoiar as decisões [12]; Como exemplo de processo de KDD, imagine um banco de dados mantido por um comerciante. Considere que os dados do cliente incluem nome, CEP, telefone, data da compra, código do item, preço, quantidade e valor total. Várias informações sobre o cliente podem ser obtidas pelo processamento KDD nesse banco de dados. Durante a seleção de dados, podem ser levantados itens específicos ou categorias de itens, ou de lojas em uma dada região ou área de um país. O processo de limpeza dos dados pode corrigir CEPs errados ou eliminar registros com prefixos de telefone errados. O enriquecimento incrementa os dados com fontes adicionais de informações. Por exemplo, pelo telefone ou pelo nome do cliente, a loja pode adquirir outros dados, como idade, renda, risco de crédito, e incluí-los em cada registro. A transformação dos dados e codificação pode ser executada para reduzir a quantidade de dados. Por exemplo, novos códigos podem ser agrupados em categorias de produto como: áudio, vídeo, materiais, dispositivos eletrônicos, câmeras, acessórios, e assim por diante. CEPs podem ser agrupados em regiões geográficas, impostos podem ser divididos em faixas, e assim por diante. Se a mineração de dados é baseado em um data warehouse existente para essa loja, esperamos que a limpeza já tenha sido aplicada. Somente depois desse préprocessamento é que as técnicas de mineração de dados são usadas para extrair diferentes regras e padrões [26].

20 2.2. Conceituação de Mineração de Dados. Como o nome indica, o mineração de dados se refere à mineração ou a descoberta de novas informações em função de padrões ou regras em grandes quantidades de dados. Para ser útil, na prática, a mineração de dados precisa ser realizada eficientemente em grandes arquivos e banco de dados [26]. A mineração de dados é a parte mais importante dentre os processos KDD, pois é nela que se concentra a busca efetiva das novas informações em função de padrões ou regras que há armazenados em grandes arquivos de banco de dados [27]. A mineração de dados é fundamentalizada na união de três grandes tecnologias: estatística clássica, inteligência artificial e machine learning (aprendizado de máquina). Para cada uma dessas tecnologias a mineração de dados se utiliza de meios que possa tirar proveito na busca por padrões. Com o resultado da Mineração de Dados podem ser descobertas as regras de associação, padrões seqüências e as árvores de classificação Métodos de Mineração de Dados Os métodos de Mineração de Dados podem ser classificados pela função que executam ou de acordo com a classe de aplicação em que podem ser usados [12]. Cada classe de aplicação tem como base um conjunto de algoritmos que serão usados na extração de relações relevantes dentro de uma massa de dados (Classificação, Associação, Clusterização, Previsão de Série Seqüências/Temporais) Classificação Para classificar é necessário selecionar um atributo alvo, chamado variável dependente ou classe, cujo valor é usado para elaborar regras de classificação e as variáveis in-

21 dependentes ou atributos preditores [15]. A classificação utiliza dados sobre o passado para encontrar padrões significantes de forma a induzir regras sobre o futuro, isto é, regras que predizem o valor do atributo alvo, através da combinação dos valores dos atributos preditores [4]. A precisão do resultado da classificação é medida pela taxa de erro, que é o percentual de registros classificados incorretamente [4]. A técnica de classificação geralmente utiliza métodos de indução com aprendizado supervisionado. No aprendizado supervisionado, a entrada e saída desejadas são fornecidas por um supervisor externo. Os métodos de indução supervisionados podem ser classificados em conexionistas e simbólicos. Como exemplo podemos citar são as redes neurais, que criam modelos implícitos que são representados em uma arquitetura de nós e ligações com pesos. Já os métodos simbólicos, como exemplo árvores de decisão e regras, criam modelos explícitos [6]. Uma técnica de classificação é considerada útil para mineração de dados se tiver três características [30]: 1. Capacidade de produzir modelos de alta qualidade mesmo quando os dados no conjunto de treinamento estão incompletos. 2. Gerar modelos compreensíveis e explanáveis, de forma a que o usuário possa entender como o sistema toma decisões. 3. Reconhecer o domínio no qual está aplicando a indução e melhorar a qualidade do modelo induzido Associação A regra de associação é uma das principais tecnologias em mineração de dados. Nesta podemos considerar o fato de que se antecedente, então conseqüente ou seja, pode

22 ser entendida da seguinte forma X => Y onde X={x 1, x 2,..., x n }, e Y = {y 1,y 2,..., y n } são conjunto de itens, com x i e y j, que contém itens distintos para todo i e j. Isso na prática implica que possivelmente um cliente que compre X estará sujeito a comprar Y como conseqüência. Por exemplo, em uma padaria um cliente que compre pão geralmente ele também compra leite. [26] Normalmente, regras de associação possuem a forma LME (lado da mão esquerda) => LDM (lado da mão direita), onde LME e LMD são conjuntos de itens, e através da união de LME e LDM representa-se o conjunto de todos os itens comprados pelo cliente. Para que a regra de associação seja interessante, a regra precisa satisfazer algumas medidas. Duas medidas de interesse comuns são suporte e confiança [26]. O suporte é o percentual de transações que contém todos os itens na própria relação LME U LMD. Se o suporte é baixo isso implica que não existe nenhuma evidência significativa que os itens LME U LMD ocorram juntos, já que o conjunto de itens ocorre em apenas uma pequena fração de transações [26]. A confiança da regra é calculada com o suporte (LME U LMD)/suporte(LMD). Podemos analisar a possibilidade de que os itens do LME sejam comprados dado que os itens do LMD foram comprados por um cliente [26]. Existem diversos algoritmos desenvolvidos especificamente para aplicação de descoberta de associações, dentre eles: Apriori (utilizado neste trabalho), DHP (Direct Hashing an Pruning), Partition, DIC (Dynamic Itemset Couting), Eclat, MaxEclat, Clique, MaxClique, Cumulate e EstMerge [27]. As aplicações de técnicas de associação têm seu uso mais difundido na área de marketing, em que se pretende descobrir as associações existentes entre os produtos vendidos. A tecnologia possibilitou às organizações coletar e armazenar grandes quantidades de dados, como é o caso da tecnologia de código de barras sobre os dados de vendas [2]. As grandes redes varejistas estudam as compras dos clientes para descobrir quais as vendas são normalmente realizadas ao mesmo tempo, chamando isso de market basket analysis. Essa análise pode determinar, por exemplo, os produtos que devem estar expostos juntos,

23 objetivando incrementar as vendas [7] Apriori O Apriori é um algoritmo clássico de Mineração de Regras de Associação [2]. Diversos algoritmos tais como GSP, DHP, Partition, DIC, Eclat, MaxEclat, Clique e MaxClique foram inspirados no funcionamento do Apriori e se baseiam no princípio da antimonotonicidade do suporte [27]. Os algoritmos que são utilizados para encontrar regras de associação utilizam as propriedades de fechamento por baixo e antimonotonocidade. No fechamento por baixo é feita a inferência de um superconjunto para um subconjunto. Na antimonotonicidade ajuda a reduzir o espaço de busca por possíveis soluções. Isto é, uma vez que um item for considerado pequeno, qualquer extensão para aquele conjunto de itens, formado pela adição de um ou mais itens ao conjunto, será também um conjunto pequeno [26]. duas etapas [27]: Os algoritmos mencionados a cima podem ser decompostos basicamente em a) Encontrar todos os conjuntos de itens freqüentes (que satisfazem à condição de suporte mínimo), ou seja, encontrar conjunto de itens que mais se relaciona com outro item. b) A partir do conjunto de itens freqüentes, gerar as regras de associação (que satisfazem à condição de confiança mínima) Clusterização (Agrupamento) A clusterização ou agrupamento é um processo de partição de uma população heterogênea em vários subgrupos ou clusters mais homogêneos [13]. No agrupamento, não há classes predefinidas, e os registros são agrupados de acordo com a semelhança, o que a diferencia da tarefa de classificação.

24 Exemplos de agrupamento: agrupar os clientes por região do país, agrupar clientes com comportamento de compra similar [15]; agrupar seções de usuários Web para prever comportamento futuro de usuário [27] K-Means O algoritmo k-means é um método popular da tarefa de Clusterização. Tomase, randomicamente, k pontos de dados (dados numérico) como sendo os elementos centrais dos cluster. Em seguida a cada ponto (ou registro da base de dados) é atribuído um cluster cuja distância deste ponto em relação ao elemento central do cluster é menor para esse ponto. Em seguida para cada cluster é computado o novo elemento central desse cluster, caracterizando a configuração do cluster para iteração seguinte. O processo termina quando os elementos centrais dos clusters param de se modificar, ou após um número limitado de interações que tenha sido especificado pelo usuário [27]. A execução do algoritmo k-means consiste em, primeiro, selecionar aleatoriamente k objetos, que inicialmente representam cada um a média de um cluster. Para cada um dos objetos remanescentes, é feita a atribuição ao cluster ao qual o objeto é mais similar, baseado na distância entre o objeto e a média do cluster. A partir de então, o algoritmo computa as novas médias para cada cluster. Este processo se repete até que uma condição de parada seja atingida [27] Padrões seqüenciais/temporais Este método procura eventos ou compras que ocorrem seqüencialmente em um período de tempo, determinando tendências [12]. Uma aplicação típica é a venda por mala direta, que agrega os dados sobre os produtos adquiridos em cada compra. A descoberta de seqüência irá analisar este conjunto e detectar padrões de produtos comprados durante um determinado tempo. Pode ser útil também para identificar os itens que precedem a compra de um determinado produto [27;20].

25 Técnicas de Mineração de Dados As técnicas utilizadas atualmente em mineração de dados são extensões de métodos analíticos já conhecidos há algum tempo. O que as diferenciam são que as técnicas aqui são mais voltadas a encontrar estratégias para os negócios. Isto acontece graças ao aumento do desempenho dos computadores. As técnicas apresentadas a seguir são extraídas de [14] Árvore de decisão Árvores de decisão dividem os dados em subgrupos com base nos valores das variáveis. O resultado é uma hierarquia de declarações do tipo Se...então..., que são utilizadas principalmente para classificar dados. Há uma onda de interesse em produtos baseados em árvore de decisão, principalmente porque eles são mais rápidos que as redes neurais para alguns problemas organizacionais, e também é mais fácil compreender o seu funcionamento [32]. Árvores de decisão expressam uma forma simples de lógica condicional buscando a representação de uma série de questões que estão escondidas sob a base da dados. Em uma árvore de decisão existem dois tipos de atributos: o decisivo, que é aquele que contém o resultado ao qual queremos chegar, e os não-decisivos que contêm os valores que conduzem a uma decisão. Com a utilização da entropia como ganho de informação, são realizados cálculos sobre os atributos não-decisivos, denominados classes, nos quais é escolhido um nó inicial também chamado raiz. A partir deste nó, será realizada uma série de novos cálculos com o objetivo de decidir a estrutura de formação da árvore a ser gerada. Este processo é repetido até que todos os atributos a serem processados estejam perfeitamente classificados ou caso se tenham processado todos os atributos. Os três principais algoritmos conhecidos que implementam árvores de decisão, são ID3, C4.5 e PERT, sendo que os algoritmo C4.5 e PERT são um aperfeiçoamentos do algoritmo ID3, com alguns conceitos avançados de podagem (técnica de cortar nós da árvore

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

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

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

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

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

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

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

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

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

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

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

Leia mais

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

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

Sistemas de Informação James A. O Brien Editora Saraiva Capítulo 5

Sistemas de Informação James A. O Brien Editora Saraiva Capítulo 5 Para entender bancos de dados, é útil ter em mente que os elementos de dados que os compõem são divididos em níveis hierárquicos. Esses elementos de dados lógicos constituem os conceitos de dados básicos

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

3 Market Basket Analysis - MBA

3 Market Basket Analysis - MBA 2 Mineração de Dados 3 Market Basket Analysis - MBA Market basket analysis (MBA) ou, em português, análise da cesta de compras, é uma técnica de data mining que faz uso de regras de associação para identificar

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

Data Warehouses Uma Introdução

Data Warehouses Uma Introdução Data Warehouses Uma Introdução Alex dos Santos Vieira, Renaldy Pereira Sousa, Ronaldo Ribeiro Goldschmidt 1. Motivação e Conceitos Básicos Com o advento da globalização, a competitividade entre as empresas

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

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

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

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

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

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 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

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

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

Leia mais

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

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

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

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

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

Manual de Utilização das Funções Básicas do Sistema ClinicWeb

Manual de Utilização das Funções Básicas do Sistema ClinicWeb Manual de Utilização das Funções Básicas do Sistema ClinicWeb Dezembro/2012 2 Manual de Utilização das Funções Básicas do Sistema ClinicWeb Sumário de Informações do Documento Título do Documento: Resumo:

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

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

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

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

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

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

Leia mais

INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA

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

Leia mais

SUMÁRIO 1. INTRODUÇÃO... 2 2. O QUE É DATA WAREHOUSE?... 2 3. O QUE DATA WAREHOUSE NÃO É... 4 4. IMPORTANTE SABER SOBRE DATA WAREHOUSE... 5 4.

SUMÁRIO 1. INTRODUÇÃO... 2 2. O QUE É DATA WAREHOUSE?... 2 3. O QUE DATA WAREHOUSE NÃO É... 4 4. IMPORTANTE SABER SOBRE DATA WAREHOUSE... 5 4. SUMÁRIO 1. INTRODUÇÃO... 2 2. O QUE É DATA WAREHOUSE?... 2 3. O QUE DATA WAREHOUSE NÃO É... 4 4. IMPORTANTE SABER SOBRE DATA WAREHOUSE... 5 4.1 Armazenamento... 5 4.2 Modelagem... 6 4.3 Metadado... 6 4.4

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

Material desenvolvido por Melissa Lima da Fonseca. melissa.mlf@gmail.com.br - (031) 9401-4041. www.melissalima.com.br Página 1

Material desenvolvido por Melissa Lima da Fonseca. melissa.mlf@gmail.com.br - (031) 9401-4041. www.melissalima.com.br Página 1 EXCEL BÁSICO Material desenvolvido por Melissa Lima da Fonseca melissa.mlf@gmail.com.br - (031) 9401-4041 www.melissalima.com.br Página 1 Índice Introdução ao Excel... 3 Conceitos Básicos do Excel... 6

Leia mais

Exemplo de Aplicação do DataMinig

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

Leia mais

DATA WAREHOUSE. Introdução

DATA WAREHOUSE. Introdução DATA WAREHOUSE Introdução O grande crescimento do ambiente de negócios, médias e grandes empresas armazenam também um alto volume de informações, onde que juntamente com a tecnologia da informação, a correta

Leia mais

Guia de Uso. O Pro-Treino tem uma divisão clara de funções, apresentada a seguir: E três tipos de usuários que executam as funções descritas acima:

Guia de Uso. O Pro-Treino tem uma divisão clara de funções, apresentada a seguir: E três tipos de usuários que executam as funções descritas acima: Sumário 1. Introdução... 2 2. Conceitos básicos... 2 2.1. Fluxo do sistema... 3 2.2. Acesso ao sistema... 4 2.2.1. Login... 4 2.2.2. Logoff... 4 2.2.3. Esqueci minha senha... 5 2.3. Conhecendo o Sistema...

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

Engenharia de Software I

Engenharia de Software I Engenharia de Software I Rogério Eduardo Garcia (rogerio@fct.unesp.br) Bacharelado em Ciência da Computação Aula 05 Material preparado por Fernanda Madeiral Delfim Tópicos Aula 5 Contextualização UML Astah

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

Por que o gerenciamento de ativos de software é tão difícil e como simplificá-lo

Por que o gerenciamento de ativos de software é tão difícil e como simplificá-lo DOCUMENTAÇÃO TÉCNICA Melhores práticas de gerenciamento de ativos de software JUNHO DE 2013 Por que o gerenciamento de ativos de software é tão difícil e como simplificá-lo John Fulton CA IT Business Management

Leia mais

Edições Edge do SAP InfiniteInsight Visão geral Viabilizando insights preditivos apenas com cliques de mouse, sem códigos de computador

Edições Edge do SAP InfiniteInsight Visão geral Viabilizando insights preditivos apenas com cliques de mouse, sem códigos de computador Soluções de análise da SAP Edições Edge do SAP InfiniteInsight Visão geral Viabilizando insights preditivos apenas com cliques de mouse, sem códigos de computador Índice 3 Um caso para análise preditiva

Leia mais

Unidade 1: O Painel de Controle do Excel *

Unidade 1: O Painel de Controle do Excel * Unidade 1: O Painel de Controle do Excel * material do 2010* 1.0 Introdução O Excel nos ajuda a compreender melhor os dados graças à sua organização em células (organizadas em linhas e colunas) e ao uso

Leia mais

SCNES - Sistema de Cadastro Nacional de Estabelecimentos de Saúde

SCNES - Sistema de Cadastro Nacional de Estabelecimentos de Saúde Ministério da Saúde Secretária Executiva Departamento de Informática do SUS SCNES - Sistema de Cadastro Nacional de Estabelecimentos de Saúde Manual de Operação Versão 1.0 M 01 Rio de Janeiro 2006 GARANTIAS

Leia mais

Apostilas OBJETIVA Escrevente Técnico Judiciário TJ Tribunal de Justiça do Estado de São Paulo - Concurso Público 2015. Índice

Apostilas OBJETIVA Escrevente Técnico Judiciário TJ Tribunal de Justiça do Estado de São Paulo - Concurso Público 2015. Índice Índice Caderno 2 PG. MS-Excel 2010: estrutura básica das planilhas, conceitos de células, linhas, colunas, pastas e gráficos, elaboração de tabelas e gráficos, uso de fórmulas, funções e macros, impressão,

Leia mais

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

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

Leia mais

Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados

Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Um Sistema Gerenciador de Banco de Dados (SGBD) é constituído por um conjunto de dados associados a um conjunto de programas para acesso a esses

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

Prova INSS RJ - 2007 cargo: Fiscal de Rendas

Prova INSS RJ - 2007 cargo: Fiscal de Rendas Prova INSS RJ - 2007 cargo: Fiscal de Rendas Material de Apoio de Informática - Prof(a) Ana Lucia 53. Uma rede de microcomputadores acessa os recursos da Internet e utiliza o endereço IP 138.159.0.0/16,

Leia mais

Microsoft Excel 2003

Microsoft Excel 2003 Associação Educacional Dom Bosco Faculdades de Engenharia de Resende Microsoft Excel 2003 Professores: Eduardo Arbex Mônica Mara Tathiana da Silva Resende 2010 INICIANDO O EXCEL Para abrir o programa Excel,

Leia mais

Introdução à Programação de Computadores

Introdução à Programação de Computadores 1. Objetivos Introdução à Programação de Computadores Nesta seção, vamos discutir os componentes básicos de um computador, tanto em relação a hardware como a software. Também veremos uma pequena introdução

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

Aula 01 - Formatações prontas e condicionais. Aula 01 - Formatações prontas e condicionais. Sumário. Formatar como Tabela

Aula 01 - Formatações prontas e condicionais. Aula 01 - Formatações prontas e condicionais. Sumário. Formatar como Tabela Aula 01 - Formatações prontas e Sumário Formatar como Tabela Formatar como Tabela (cont.) Alterando as formatações aplicadas e adicionando novos itens Removendo a formatação de tabela aplicada Formatação

Leia mais

Universidade Federal de Santa Catarina CAPÍTULO 6 GRÁFICOS NO EXCEL.

Universidade Federal de Santa Catarina CAPÍTULO 6 GRÁFICOS NO EXCEL. CAPÍTULO 6 GRÁFICOS NO EXCEL. Um gráfico no Excel é uma representação gráfica dos números de sua planilha - números transformados em imagens. O Excel examina um grupo de células que tenham sido selecionadas.

Leia mais

Guia definitivo da pesquisa de mercado online

Guia definitivo da pesquisa de mercado online Guia definitivo da pesquisa de mercado online Noções básicas de pesquisa de mercado e um guia para usar o Opinion Box Índice Introdução 3 1. O que é pesquisa de mercado 4 2. Como fazer uma pesquisa de

Leia mais

PROJETO DE REDES www.projetoderedes.com.br

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

Leia mais

Manual do Sistema "Venda - Gerenciamento de Vendas, Estoque, Clientes e Financeiro" Editorial Brazil Informatica

Manual do Sistema Venda - Gerenciamento de Vendas, Estoque, Clientes e Financeiro Editorial Brazil Informatica Manual do Sistema "Venda - Gerenciamento de Vendas, Estoque, Clientes e Financeiro" Editorial Brazil Informatica I Venda - Gerenciamento de Vendas, Estoque, Clientes e Financeiro Conteúdo Part I Introdução

Leia mais

Licenciamento de Uso

Licenciamento de Uso Licenciamento de Uso Este documento é propriedade intelectual 2002 do Centro de Computação da Unicamp e distribuído sob os seguintes termos: 1. As apostilas publicadas pelo Centro de Computação da Unicamp

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

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

FAQ. Erros, e dúvidas frequentes

FAQ. Erros, e dúvidas frequentes FAQ Erros, e dúvidas frequentes Sumário ERROS CONHECIDOS... 2 1. Botões desabilitados ou Congelados... 2 Resolução 2... 2 2. Erro de cadastro... 3 3. Célula com o campo #VALOR... 3 4. Erro em tempo de

Leia mais

Manual do Usuário. Sistema Financeiro e Caixa

Manual do Usuário. Sistema Financeiro e Caixa Manual do Usuário Sistema Financeiro e Caixa - Lançamento de receitas, despesas, gastos, depósitos. - Contas a pagar e receber. - Emissão de cheque e Autorização de pagamentos/recibos. - Controla um ou

Leia mais

geral@centroatlantico.pt www.centroatlantico.pt Impressão e acabamento: Inova 1ª edição: Novembro de 2004

geral@centroatlantico.pt www.centroatlantico.pt Impressão e acabamento: Inova 1ª edição: Novembro de 2004 FICHEIROS COM EXEMPLOS Envie um e-mail* para software@centroatlantico.pt para conhecer os endereços de Internet de onde poderá fazer o download dos ficheiros com os exemplos deste livro. Reservados todos

Leia mais

1º. Semestre de 2006 Marcelo Nogueira São José dos Campos - SP

1º. Semestre de 2006 Marcelo Nogueira São José dos Campos - SP 1. Objetivo da ListEx ou Lab: ITA Instituto Tecnológico de Aeronáutica Realizar, de forma apropriada, algumas operações em Bancos de Dados como usuário final de alto nível, utilizando-se de Softwares de

Leia mais

Noções de Informática

Noções de Informática Noções de Informática 2º Caderno Conteúdo Microsoft Excel 2010 - estrutura básica das planilhas; manipulação de células, linhas e colunas; elaboração de tabelas e gráficos; inserção de objetos; campos

Leia mais

Microsoft Excel 2000. Alan Cleber Borim - alan.borim@poli.usp.br. http://www.pcs.usp.br/~alan

Microsoft Excel 2000. Alan Cleber Borim - alan.borim@poli.usp.br. http://www.pcs.usp.br/~alan Microsoft Excel 2000 Alan Cleber Borim - alan.borim@poli.usp.br http://www.pcs.usp.br/~alan Microsoft Índice 1.0 Microsoft Excel 2000 3 1.1 Acessando o Excel 3 1.2 Como sair do Excel 3 1.3 Elementos da

Leia mais

Manual Easy Chat Data de atualização: 20/12/2010 16:09 Versão atualizada do manual disponível na área de download do software.

Manual Easy Chat Data de atualização: 20/12/2010 16:09 Versão atualizada do manual disponível na área de download do software. 1 - Sumário 1 - Sumário... 2 2 O Easy Chat... 3 3 Conceitos... 3 3.1 Perfil... 3 3.2 Categoria... 4 3.3 Ícone Específico... 4 3.4 Janela Específica... 4 3.5 Ícone Geral... 4 3.6 Janela Geral... 4 4 Instalação...

Leia mais

SISTEMAS DE NEGÓCIOS B) INFORMAÇÃO GERENCIAL

SISTEMAS DE NEGÓCIOS B) INFORMAÇÃO GERENCIAL 1 SISTEMAS DE NEGÓCIOS B) INFORMAÇÃO GERENCIAL 1. SISTEMAS DE INFORMAÇÃO GERENCIAL (SIG) Conjunto integrado de pessoas, procedimentos, banco de dados e dispositivos que suprem os gerentes e os tomadores

Leia mais

MICROSOFT WORD 2007. George Gomes Cabral

MICROSOFT WORD 2007. George Gomes Cabral MICROSOFT WORD 2007 George Gomes Cabral AMBIENTE DE TRABALHO 1. Barra de título 2. Aba (agrupa as antigas barras de menus e barra de ferramentas) 3. Botão do Office 4. Botão salvar 5. Botão de acesso à

Leia mais

SENAI São Lourenço do Oeste. Introdução à Informática. Adinan Southier Soares

SENAI São Lourenço do Oeste. Introdução à Informática. Adinan Southier Soares SENAI São Lourenço do Oeste Introdução à Informática Adinan Southier Soares Informações Gerais Objetivos: Introduzir os conceitos básicos da Informática e instruir os alunos com ferramentas computacionais

Leia mais

Centro Federal de Educação Tecnológica da Bahia Curso Excel Avançado Índice

Centro Federal de Educação Tecnológica da Bahia Curso Excel Avançado Índice Índice Apresentação...2 Barra de Título...2 Barra de Menus...2 Barra de Ferramentas Padrão...2 Barra de Ferramentas de Formatação...3 Barra de Fórmulas e Caixa de Nomes...3 Criando um atalho de teclado

Leia mais

Migrar para o Excel 2010

Migrar para o Excel 2010 Neste Guia Microsoft O aspecto do Microsoft Excel 2010 é muito diferente do Excel 2003, pelo que este guia foi criado para ajudar a minimizar a curva de aprendizagem. Continue a ler para conhecer as partes

Leia mais

Manual de Utilização da Ferramenta de Envio e Gerenciamento de SMS. GFILA OPS Network

Manual de Utilização da Ferramenta de Envio e Gerenciamento de SMS. GFILA OPS Network Manual de Utilização da Ferramenta de Envio e Gerenciamento de SMS GFILA OPS Network Índice 1 Entrando no Sistema... 3 2 Logado como usuário Revenda... 3 3 Logado como usuário Cliente... 5 4 Tipos de campanhas

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

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

MANUAL DO PRESTADOR FATURAMENTO WEB

MANUAL DO PRESTADOR FATURAMENTO WEB MANUAL DO PRESTADOR FATURAMENTO WEB 0 Sumário Introdução... 2 Funcionalidades... 2 Requisitos Necessários... 2 Faturamento Web... 3 Faturamento Simplificado... 4 Faturamento Detalhado... 9 Faturamento

Leia mais

MANUAL E DICAS ASSISTENTE VIRTUAL (AV) ADS DIGITAL (WWW.ADSDIGITAL.COM.BR) VERSÃO DO ASSISTENTE VIRTUAL: 1.3.1 POR

MANUAL E DICAS ASSISTENTE VIRTUAL (AV) ADS DIGITAL (WWW.ADSDIGITAL.COM.BR) VERSÃO DO ASSISTENTE VIRTUAL: 1.3.1 POR MANUAL E DICAS DO ASSISTENTE VIRTUAL (AV) POR ADS DIGITAL (WWW.ADSDIGITAL.COM.BR) VERSÃO DO ASSISTENTE VIRTUAL: 1.3.1 ÍNDICE Introdução...3 Requisitos e Restrições do Assistente...3 Diferenças da Versão

Leia mais

Modelo de dados do Data Warehouse

Modelo de dados do Data Warehouse Modelo de dados do Data Warehouse Ricardo Andreatto O modelo de dados tem um papel fundamental para o desenvolvimento interativo do data warehouse. Quando os esforços de desenvolvimentos são baseados em

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

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

Departamento de Tecnologia da Informação DTI Coordenadoria de Relacionamento com o Cliente CRC. Treinamento Básico do Correio Eletrônico

Departamento de Tecnologia da Informação DTI Coordenadoria de Relacionamento com o Cliente CRC. Treinamento Básico do Correio Eletrônico Departamento de Tecnologia da Informação DTI Coordenadoria de Relacionamento com o Cliente CRC Treinamento Básico do Correio Eletrônico Brasília Março de 2012 SUMÁRIO 1. Introdução... 3 1.1 Como acessar

Leia mais

INFORMÁTICA APLICADA

INFORMÁTICA APLICADA INFORMÁTICA APLICADA MODULO I Área: Mecânica 1 PARTE I EXCEL AVANÇADO 2 SUMÁRIO 1- INTRODUÇÃO...04 2- OBJETIVO DO EXCEL AVANÇADO NA DISCIPLINA...05 3- CRIANDO UM GERENCIADOR DE PLANILHAS...06 3.1 Exercício

Leia mais

Geração e execução de scripts de teste em aplicações web a partir de casos de uso direcionados por comportamento 64

Geração e execução de scripts de teste em aplicações web a partir de casos de uso direcionados por comportamento 64 direcionados por comportamento 64 5 Estudo de caso Neste capítulo serão apresentadas as aplicações web utilizadas na aplicação da abordagem proposta, bem como a tecnologia em que foram desenvolvidas, o

Leia mais

PROPOSTA ELETRÔNICA DA INVESTORS TRUST PARA CONSULTORES

PROPOSTA ELETRÔNICA DA INVESTORS TRUST PARA CONSULTORES PROPOSTA ELETRÔNICA DA INVESTORS TRUST PARA CONSULTORES GUIA DO USUÁRIO www.investors-trust.com f Acessando a Plataforma de Proposta Eletrônica para Consultores Para acessar a plataforma de Proposta Eletrônica

Leia mais

TRIBUNAL DE JUSTIÇA - SC. MICROSOFT OFFICE - EXCEL 2007 Pág.: 1

TRIBUNAL DE JUSTIÇA - SC. MICROSOFT OFFICE - EXCEL 2007 Pág.: 1 EXCEL 2007 O Excel 2007 faz parte do pacote de produtividade Microsoft Office System de 2007, que sucede ao Office 2003. Relativamente à versão anterior (Excel 2003), o novo programa introduz inúmeras

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

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence É um conjunto de conceitos e metodologias que, fazem uso de acontecimentos e sistemas e apoiam a tomada de decisões. Utilização de várias fontes de informação para se definir estratégias de competividade

Leia mais

Lidar com números e estatísticas não é fácil. Reunir esses números numa apresentação pode ser ainda mais complicado.

Lidar com números e estatísticas não é fácil. Reunir esses números numa apresentação pode ser ainda mais complicado. , ()! $ Lidar com números e estatísticas não é fácil. Reunir esses números numa apresentação pode ser ainda mais complicado. Uma estratégia muito utilizada para organizar visualmente informações numéricas

Leia mais

Pesquisa Operacional

Pesquisa Operacional GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com

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

CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE

CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE CONSIDERAÇÕES SOBRE ATIVIDADES DE IDENTIFICAÇÃO, LOCALIZAÇÃO E TRATAMENTO DE DADOS NA CONSTRUÇÃO DE UM DATA WAREHOUSE Fabio Favaretto Professor adjunto - Programa de Pós Graduação em Engenharia de Produção

Leia mais

Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1

Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1 Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1 SISTEMA DE APOIO À DECISÃO Grupo: Denilson Neves Diego Antônio Nelson Santiago Sabrina Dantas CONCEITO É UM SISTEMA QUE AUXILIA O PROCESSO DE DECISÃO

Leia mais