Estudo de Técnicas e Utilização de Mineração de Dados em uma Base de Dados da Saúde Pública
|
|
- Amália Estrela Gabeira
- 6 Há anos
- Visualizações:
Transcrição
1 Estudo de Técnicas e Utilização de Mineração de Dados em uma Base de Dados da Saúde Pública Autor: Gercely da Silva e Silva 1 1 Universidade Luterana do Brasil ULBRA Canoas, RS Brasil Resumo do Trabalho de Conclusão de Curso Acadêmico: Jackson Luiz Silva 2 Orientador: José Francisco Fletes 2 Banca avaliadora: Luiz Carlos Zancanella 2, José Eduardo De Lucca 2 2 Departamento de Informática e Estatística Universidade Federal de Santa Catarina (UFSC) Florianópolis, SC Brasil {jluiz, fletes, zancanella}@inf.ufsc.br Resumo Este trabalho apresenta um estudo das principais técnicas de Data Mining, e aplicação de uma das técnicas em uma base de dados da área da saúde. Abstract This work presents a study of the main techniques of Data Mining, and application of one of the techniques on a database of the health area. 1. Introdução A cada ano que passa, as empresas acumulam muitas informações em seus bancos de dados, contendo verdadeiros tesouros de informações, sendo que, podem ser usada para melhorar o processo da empresa, detectar tendências e características que estão disfarçadas. Mineração de Dados é uma técnica que permite explorar uma grande base de dados e descobrir relações, padrões e tendências, nestas informações que estão aparentemente escondidas. Mineração de Dados é a procura por relações e padrões globais que existem em grandes bancos de dados, mas estão escondidos na vasta quantia de dados, como uma relação entre os dados de um paciente e seu diagnóstico médico. Análises estatísticas, visualizações, árvores de decisões, redes neurais para explorar grandes bases de dados, além de métodos matemáticos, algoritmos e heurísticas, são técnicas utilizadas em Mineração de Dados. 1.1 Motivação
2 Atualmente as empresas têm mostrado-se eficientes em capturar, organizar e armazenar grande quantidade de dados, estão informatizando cada vez mais seus dados, e essas informações estão ficando armazenadas em bases de dados com um aumento gigantesco. Devido à rápida taxa de inovação nas tecnologias, o mercado está exigindo que os profissionais estejam preparados e atualizados para enfrentar desafios, por esse motivo, Mineração de Dados está sendo cada vez mais usado como ferramenta de gerenciamento de informação, para revelar estrutura de conhecimento e apoio as decisões. Mineração de Dados irá possibilitar a descoberta de informações em bases de dados que aparentemente não existem ou estão ocultas. Uma aplicação de Mineração de Dados se tornará visível às informações e ajudará o profissional da área nas tomadas de decisões, e análise de prováveis irregularidades nas internações Objetivos Realizar um estudo das técnicas de Mineração de Dados para obter o conhecimento da área e aplicar a técnica de construção de árvore de decisão implementada na ferramenta SIPINA em dados da saúde. Para isso, será necessário fazer um pré-processamento dos dados para adaptá-los a ferramenta, visto que existe muita impureza nos dados. Após a aplicação da ferramenta já existente, serão avaliados os resultados com o objetivo de encontrar fraudes em internações realizadas pelo Sistema Único de Saúde no Estado do Rio Grande do Sul. 2. Descoberta de Conhecimento em Banco de Dados O termo, Descoberta de Conhecimento em Base de Dados (DCBD), ou Knowledge Discovery in Databases (KDD), foi desenvolvido com a finalidade de encontrar informações úteis em grandes bases de dados, as quais não estão visíveis ao ser humano. 2.1 Processo de DCBD O processo de DCBD foi proposto em 1989 para referir-se às etapas que produzem conhecimentos a partir dos dados e, principalmente, à etapa de mineração de dados, que é a fase que transforma dados em informações [FAY96]. Todas descritas a seguir, segundo Han [HAN01] e Cabena [CAB97]: Definição e Entendimento do Problema O início do Processo de Descoberta de Conhecimento em Base de Dados (DCBD), é feito pela definição e domínio do problema que se deseja resolver. Nesta fase é feita uma análise das atividades, com a finalidade de atingir os objetivos propostos. Assim garante-se que os resultados obtidos no processo não serão inúteis. O problema deve ser definido pelo analista de mineração, juntamente com o especialista da área, tendo como finalidade especificar o problema de melhor forma possível, para chegar-se a resultados positivos e úteis.
3 2.1.2 Pré-processamento No pré-processamento são realizadas as seguintes etapas: a) Limpeza dos dados: é realizada remoção de ruídos e inconsistências dos dados. b) Integração dos dados: podem ser combinadas fontes de dados múltiplas. c) Seleção de dados: nesta etapa os dados relevantes para a aplicação de Mineração de Dados são identificados e reunidos, formando um subconjunto do banco de dados. d) Transformação de dados: refere-se a transformação ou consolidação dos dados em forma apropriadas para mineração Mineração de dados e) Mineração de dados: a principal etapa do processo DCDB, sua finalidade é extrair padrões dos dados Pós-processamento f) Avaliação dos padrões: nesta etapa são identificados os padrões realmente interessantes, que representem conhecimento baseado em algumas medidas de interesses. g) Apresentação do conhecimento: as técnicas de visualização e representação de conhecimento são usadas com a finalidade de apresentar o conhecimento minerado ao usuário. 2.2 Mineração de Dados Nos dias de hoje, Mineração de Dados não se refere apenas como uma etapa do processo de DCBD, o qual envolve a aplicação de métodos para a extração de padrões dos dados. Devido ao interesse da área comercial de tecnologia da informação Mineração de Dados, está sendo visto como uma forma mais abrangente, um sinônimo de DCBD Tipos de padrões que podem ser minerados A Mineração de Dados dispõe de tarefas básicas, classificadas em duas categorias: descritivas e preditivas. As descritivas se concentram em encontrar padrões que descrevam os dados de forma interpretável pelos seres humanos. As preditivas realizam interferência nos dados para construir modelos que serão usados para predições do comportamento de novos dados [FAY96, HAN01]. A seguir, são descritas as funcionalidades de Mineração de Dados, bem como os tipos padrões que essas funcionalidades podem descobrir, as quais serão descritas conforme Han [HAN01]:
4 a) Descrição de Classe/Conceito: Caracterização e Discriminação: em um Banco de Dados, os dados podem estar associados a classes ou conceitos. Sendo que as descrições de classes/conceitos são úteis para a sumarização, concisão e precisão de termos e podem ser obtidas por meio de: Caracterização de dados, que é dada pela sumarização das características gerais ou atributos de uma classe alvo de dados. Discriminação de dados, que é realizada pela comparação dos atributos gerais dos objetos da classe alvo com os atributos gerais de objetos de uma ou de um conjunto de classes comparativas. Ou ambas as opções, citadas acima. b) Análise Associativa: é a descoberta de regras associativas que mostram condições de atributo-valor que ocorrem freqüentemente juntas em um determinado conjunto de dados. c) Classificação e Predição: a classificação é o processo de encontrar um conjunto de modelos que descrevem e distinguem classes de dados ou conceitos. Esses modelos são usados para predição de objetos cujas classes são desconhecidas, baseadas na análise de um conjunto de dados de treinamento. O modelo gerado pode ser representado sob forma de regras de classificação (se-então), árvore de decisão, fórmulas matemáticas ou redes neurais. d) Análise de Agrupamento: agrupamento ou clustering analisa objetos cujos rótulos de classes são desconhecidos. Os agrupamentos de objetos são formados de maneira que dentro de um agrupamento possuem alta similaridade entre si, sendo que dentro de agrupamentos diferentes apresentam alta dissimilaridade. e) Análise de Outlier: outliers são objetos de um banco de dados que não acompanham o comportamento ou modelo de dados. Existem muitos métodos de Mineração de Dados que descartam os outliers como ruídos ou exceções, mas em aplicação de detecção de fraudes, podem ser bastante interessantes. f) Análise de Evolução de Dados: este descreve e modela regularidades ou tendências para objetos cujo comportamento se modifica com o passar do tempo Mineração de Dados e Estatística Conforme Cabena [CAB97], dentre as muitas técnicas usadas na análise tradicional de dados, a estatística é a que mais se aproxima de mineração de dados. A estatística é vista como base da maioria das tecnologias de Mineração de Dados e envolve conceitos como distribuição normal, variância, análise de regressão, desvio simples, análise de conjuntos, análises discriminantes e intervalos de confiança, usados para estudar os dados e relacionamentos entre eles.
5 A maioria das técnicas estatísticas requer o desenvolvimento de uma hipótese prévia. Os estatísticos, têm que desenvolver manualmente equações que casam com as hipóteses [CAB97, PYL99]. 3. Mineração de Dados Mineração de Dados é a etapa do Processo de Descoberta de Conhecimento em Banco de Dados (DCBD), responsável pela mineração dos dados e a extração de padrões interessantes. Mineração de Dados é uma metodologia que está sendo usada com objetivo de melhorar a qualidade e eficiência nas tomadas de decisões, pois com esta metodologia é possível complementar ou substituir outras ferramentas de apoio a decisões como, por exemplo: análises estatísticas e relatórios. Existem dois objetivos fundamentais na Mineração de Dados que são: a predição e descrição. A primeira utiliza algumas variáveis que encontram-se no banco de dados, com a finalidade de prever valores desconhecidos ou futuros de outras variáveis que sejam de interesse. A descrição, busca por padrões que descrevem os dados, de forma que possam ser interpretáveis pelos usuários. 3.1 Tarefas Primárias de Mineração de Dados A seguir serão apresentadas as principais tarefas de Mineração de Dados que são: clusterização, classificação, associação e padrões seqüenciais Clusterização Clusterização é a tarefa comum da descrição onde existe um número finito de categorias ou agrupamentos (clusters) para descrever os dados. Esta técnica pode ser aplicada em atividades de marketing com a finalidade de identificar segmentos de mercado, para encontrar estrutura significantes nos dados e na descoberta de fraudes ou dados incorretos Classificação A classificação tem como função examinar um conjunto de registros rotulados e elaborar descrições das características dos registros em cada uma das classes. As descrições podem ser usadas para rotular novos registros determinando em que classe de encontram-se. A classificação é também denominada de aprendizado supervisionado, pois a entrada e a saída desejadas são fornecidas previamente por um supervisor externo [FAU94] Associação
6 Uma associação pode ser analisada da seguinte maneira: dado um conjunto de registros e uma coleção de itens, cada um deles identificados com alguns números de itens e de uma coleção, a função de associação é retornar afinidades que existem na coleção de itens deste conjunto de registros. As afinidades podem ser expressas através de regras, como por exemplo, 80% dos registros que contém os itens A e B, também contém os C e D. Em um banco de dados podem ser encontradas várias regras de associação Padrões Seqüenciais Os padrões seqüenciais são obtidos através de análise, contidos em um determinado conjunto de dados. Podem ser aplicados em um conjunto de dados onde constam informações de compras dos consumidores para verificar os conjuntos de produtos comprados pelos mesmos, bem como analisar o perfil dos consumidores. 3.2 Principais Técnicas de Mineração de Dados Entre as várias técnicas de Mineração de Dados, podemos destacar: Árvore de Decisão, Redes Neurais, Indução de Regra, Visualização, Regressão, Análises de Séries Temporais e Algoritmo Genético. A seguir, serão descritas às três principais: Árvore de Decisão, Redes Neurais e Algoritmo Genético Árvore de Decisão As árvores de decisões utilizam um tipo de algoritmo de aprendizado de máquina baseado na abordagem de dividir para conquistar. Uma árvore de decisão é um modelo de função discreta no qual é determinado o valor de uma variável, com base neste valor é executada alguma ação Redes Neurais As redes neurais foram criadas com base no estudo do cérebro humano. Assim sendo, sua principal característica é dada pela capacidade de aprender com base na exposição de exemplos. Sendo que a construção de uma rede neural se constitui na configuração de sua arquitetura interna, ou seja, uma rede interligada de neurônios, e no treinamento desta rede com base em exemplos, até que a rede consiga aprender como resolver o problema, melhorando desta forma seu desempenho Algoritmos Genéticos Algoritmos genéticos são aqueles que simulam o processo de seleção natural proposto por Charles Darwin em De acordo com a teoria de Darwin, pode-se dizer que os organismos são equivalentes às estruturas de dados, enquanto os cromossomos são equivalentes às cadeias de bits, surgindo mais de um conjunto de considerações inteiramente diferentes que podem ser usados numa mesma solução do problema. É muito difícil existir uma solução matematicamente ótima para um problema, porem existem
7 soluções muito próximas da ótima, ou aceitáveis. Algoritmos genéticos são mais facilmente aplicados em problemas com muitas variáveis e restrições. 4. Estudo de Caso Neste capítulo foi apresentado o domínio da aplicação, bem como funcionamento, problemas enfrentados e importância da utilização da Mineração de Dados. 5. Conclusão Após concluir este trabalho, foi possível constatar as possibilidades de ganhos que a Mineração de Dados pode proporcionar em decisões que são consideradas estratégicas. Mas para a utilização de Mineração de Dados é necessário ter o entendimento completo do domínio da aplicação, caso contrário o processo torna-se difícil. A Mineração de Dados está sendo utilizada pelas organizações de uma forma crescente, devido ao acúmulo de informações armazenadas nas bases de dados, pois com a utilização de Mineração de Dados tem-se a possibilidade de obter conhecimento útil e interessante, o qual poderá ser utilizado como base concreta, auxiliando na tomada de decisão. Ao utilizar esta técnica, as empresas, podem descrever características do passado, como também predizer tendências do futuro, garantindo desta forma uma vantagem competitiva diferenciada. A Mineração de Dados apresenta-se como uma técnica eficiente, ágil, confiável e capaz de capturar informações, as quais são consideradas importantes, pois encontram-se escondidas em grandes volumes de dados. As descobertas obtidas com o uso da ferramenta de Mineração de Dados foram consideradas positivas pelos analistas do domínio da aplicação, e estas serão utilizadas pelos mesmos com a finalidade de melhorar o processo de análise e liberação das AIHs pela Secretaria Estadual de Saúde do Estado do Rio Grande do Sul, visando constatar as possíveis irregularidades. Assim sendo, o processo ficará mais confiável e conseqüentemente ganhará mais agilidade, baseando-se em conhecimentos concretos e não em hipóteses. Para o futuro, pretende-se testar outras bases de dados, como por exemplo: a realização de estudos referentes à mortalidade infantil, buscando conhecer as principais causas e idades em que ocorrem, tornando possível encontrar novos meios de prevenção. Referências [BIG00] N. M. Bigolin. Data Mining: Conceitos e Técnicas. Escola de Informática da SBC Sul. Maio, P [BUN96] W. Buntine. Graphical Models For Discovering Knowledge. In Advances In Knowledge Discovery And Data Mining, eds. U.M. Fayyad, G.
8 Piatetsky-Shapiro, P. Smyth, and R. Uthurusamy, AAAI Press/The MIT Press, Menlo Park, CA., 1996, pp [ENG01] Engel, Paulo M. Sistemas de Informações Inteligentes: Notas de aula. Porto Alegre-RS: CPGCC da UFRGS, [EST97] M. Ester, H.-P. Kriegel, and J. Sander. Spatial data mining: A database approach. Proc. 5th Symp. on Spatial Databases, Berlin, Germany, [GAN87] J. G. Ganascia, J.-G CHARADE: A rule learning system In Proc. 10th International Joint Conference in Artificial Intelligence, Milan, pg , [INT00] Introdução Data Mining - Centro de Estudos e Sistemas Avançados do Recife Ano II Número 32 - Maio/Junho de Disponível em acessado em abril/2003. [JOH97] G. H. John Enhancements to the Data Mining Process. Stanford, EUA: Stanford University, [LUC02] A. M. Lucas. Utilização de Técnicas de Mineração de Dados considerando os Aspectos Temporais. Porto Alegre: PPGC da UFRGS, p. ( Mestrado em Informática) [MAN97] J. R. Manzini. O Segredo da Produtividade está no uso da informação. Computerword, 20 a 30 Abr., p , [WIT99] Witten, Ian H.; Frank, Elibe. Data mining: pratical machine learning tools and techniques with Java implementations. San Francisco: Morgan Kaufmann Publishers, 1999.
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 maisMineração de Dados. Eduardo Raul Hruschka. Baseado no curso de Gregory Piatetsky-Shapiro, disponível no sítio
Mineração de Dados Eduardo Raul Hruschka Baseado no curso de Gregory Piatetsky-Shapiro, disponível no sítio http://www.kdnuggets.com Visão Geral: Introdução: motivação, aplicações, conceitos básicos. Agrupamento
Leia maisSBC - Sistemas Baseados em Conhecimento
Siglas, Símbolos, Abreviaturas DW - Data Warehouse KDD Knowledge Discovery in Database MD Mineração de Dados OLAP - On-line analytical processing SBC - Sistemas Baseados em Conhecimento 1. INTRODUÇÃO O
Leia maisMineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra
Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra Padrões e processos em Dinâmica de uso e Cobertura da Terra Introdução 1 2 3 4 Capacidade de Armazenamento X Análise e Interpretação
Leia mais18º Congresso de Iniciação Científica INCORPORAÇÃO DA TAREFA DE CLASSIFICAÇÃO NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA
18º Congresso de Iniciação Científica INCORPORAÇÃO DA TAREFA DE CLASSIFICAÇÃO NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA Autor(es) MIRELA TEIXEIRA CAZZOLATO Orientador(es) MARINA TERESA PIRES VIEIRA Apoio
Leia maisMineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães.
Mineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães. O que é mineração de dados Mineração de Dados é um passo no processo de KDD que consiste na aplicação de análise de dados e algoritmos
Leia maisData Mining. Rodrigo Leite Durães
Rodrigo Leite Durães rodrigo_l_d@yahoo.com.br Processo de mineração de dados e descoberta de informações relevantes em grandes volumes de dados. "... processo não-trivial de identificar, em dados, padrões
Leia maisMineração de Dados. Curso de Especialização em Sistemas de Banco de Dados. Centro de Ciências Exatas e Naturais. Universidade Federal do Pará
Universidade Federal do Pará Centro de Ciências Exatas e Naturais Departamento de Informática Mineração de Dados Profa. MSc. Miriam Lúcia Domingues Curso de Especialização em Sistemas de Banco de Dados
Leia maisFACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS
FACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS PROJETO PEDAGÓGICO CAMPO LIMPO PAULISTA 2015 1. Público
Leia maisB A N C O D E D A D O S G E O G R Á F I C O S M A R C O N I D E A R R U D A P E R E I R A
Mineração de Dados Espaciais B A N C O D E D A D O S G E O G R Á F I C O S M A R C O N I D E A R R U D A P E R E I R A Roteiro 2 Introdução Mineração de Dados Estado da Arte Artigo apresentado Conclusão
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 18 Aprendizado Não-Supervisionado Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL Engenharia da Computação Professor: Rosalvo Ferreira de Oliveira Neto Dados pessoais Rosalvo Ferreira de Oliveira Neto Dr. em ciência da computação (UFPE) rosalvo.oliveira@univasf.edu.br
Leia maisPÓS-GRADUAÇÃO ANÁLISE DE DATA MINING
PÓS-GRADUAÇÃO ANÁLISE DE DATA MINING OBJETIVOS Na era da informação, as empresas capturam e armazenam muitos dados, e existe a real necessidade da aplicação de técnicas adequadas para a rápida tomada de
Leia maisPREDIÇÃO DE CASOS DE ALTÍSSIMO CUSTO E DETECÇÃO AUTOMÁTICA DE IMPROPRIEDADES EM CONTAS MÉDICAS. Marcelo Rosano Dallagassa
PREDIÇÃO DE CASOS DE ALTÍSSIMO CUSTO E DETECÇÃO AUTOMÁTICA DE IMPROPRIEDADES EM CONTAS MÉDICAS Marcelo Rosano Dallagassa 2 INTRODUÇÃO Apresentar os conceitos sobre IA Mineração de Dados Detalhar o processo
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisAVALIAÇÃO DE MÉTODOS DE SELEÇÃO DE ATRIBUTOS PARA CLASSIFICAÇÃO DE SOLOS
AVALIAÇÃO DE MÉTODOS DE SELEÇÃO DE ATRIBUTOS PARA CLASSIFICAÇÃO DE SOLOS Fernando Attique Maximo Embrapa Informática Agropecuária Stanley Robson de Medeiros Oliveira Embrapa Informática Agropecuária Maria
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular WEKA Tópicos Introdução Simuladores de MD Principais módulos André C. P. L. F. de Carvalho Monitor: Váléria Carvalho André Ponce de Leon de Carvalho 2 Usando MD
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Roteiro da aula Conceitos básicos sobre reconhecimento de padrões Visão geral sobre aprendizado no projeto de classificadores Seleção
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisModelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:
Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização
Leia maisFigura 1: Metodologia de Reconhecimentos de Padrões desenvolvida na UFC
Uma Solução para o GISSA: Análise Comparativa entre Algoritmos de Aprendizagem de Máquina Aplicados em um Dataset Relacionado ao Óbito Infantil Joyce Quintino Alves (1) ; Cristiano Lima da Silva (2); Antônio
Leia maisEstudo de Caso. Índice. Descrição da Área. Daniel Gomes Dosualdo Solange Oliveira Rezende
Estudo de Caso Daniel Gomes Dosualdo Solange Oliveira Rezende Índice Descrição da Área Identificação do Problema Descrição do Conjunto de Dados Pré-Processamento Extração de Padrões Pós-Processamento Disponibilização
Leia maisClassificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si
Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências
Leia maisData Mining. O Processo de KDD. Mauricio Reis
1 Data Mining O Processo de KDD Mauricio Reis prof_uva@mreis.info http://mreis.info/uva-2016-9-datamining 2 ROTEIRO 1. Definição 2. Aplicação KDD problema recursos resultados 3. Área de origem 4. Histórico
Leia mais1 INTRODUÇÂO. 1.1.Motivação
22 1 INTRODUÇÂO 1.1.Motivação Duas componentes formam as perdas globais das empresas distribuidoras: perdas técnicas e perdas comerciais também denominadas perdas não técnicas. As perdas técnicas são,
Leia maisUniversidade Federal do Paraná
Universidade Federal do Paraná Mineração de Dados e Aprendizado de Máquinas. Aurora Trinidad Ramírez Pozo Roteiro Overview a Descoberta de Conhecimento em Bases de Dados Descoberta de Conhecimento em Bancos
Leia maisMaterial Complementar - BI. Grinaldo Lopes de Oliveira Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas
Material Complementar - BI Grinaldo Lopes de Oliveira (grinaldo@gmail.com) Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas Business Intelligence - Conceito Coleta de dados a partir
Leia maisData Mining. Rodrigo Leite Durães
Data Mining Rodrigo Leite Durães Introdução Aplicação de processos de análise inteligentes visando manipulação automática de quantidades imensas de dados Larga aplicação nos mais variados ramos da indústria,
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 14 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisProf. Daniela Barreiro Claro
O volume de dados está crescendo sem parar Gigabytes, Petabytes, etc. Dificuldade na descoberta do conhecimento Dados disponíveis x Análise dos Dados Dados disponíveis Analisar e compreender os dados 2
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia maisAula 01. Prof. Diemesleno Souza Carvalho
Mineração de Dados Aula 01 Prof. Diemesleno Souza Carvalho diemesleno@iftm.edu.br http://www.diemesleno.com.br Na aula passada vimos... Na aula passada vimos... - Apresentação da disciplina; - Informações
Leia maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisApresentação da Disciplina
Apresentação da Disciplina Profs. Leandro Balby & Andrey Brito Análise de Dados II Profs. Leandro Balby & Andrey Brito 1 / 18 UFCG DSC Roteiro 1. Introdução 2. Motivação 3. Organização do Curso Profs.
Leia maisMinerando regras de associação
Minerando regras de associação Proposto por Rakesh Agrawal em 1993. É o modelo de mineração de dados mais estudado pela comunidade de banco de dados. Utiliza dados categóricos. Não há bons algoritmos para
Leia maisSistemas de Informação e Decisão. Douglas Farias Cordeiro
Sistemas de Informação e Decisão Douglas Farias Cordeiro Decisão Tomamos decisões a todo momento! O que é uma decisão? Uma decisão consiste na escolha de um modo de agir, entre diversas alternativas possíveis,
Leia maisBanco de Dados Data Mining Data Warehouse Big Data
Universidade Estadual de Mato Grosso do Sul Curso de Computação, Licenciatura Banco de Dados Data Mining Data Warehouse Big Data Prof. José Gonçalves Dias Neto profneto_ti@hotmail.com Data Mining: Introdução
Leia mais4 SISTEMA DE CLASSIFICAÇÃO DE UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA
94 4 SISTEMA DE CLASSIFICAÇÃO DE UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA 4.1 INTRODUÇÃO Conforme dito no capítulo 1, a diminuição das perdas técnicas e comerciais é uma das principais prioridades das
Leia maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
Leia maisBancos de Dados IV. Data Warehouse Conceitos. Rogério Costa
Bancos de Dados IV Data Warehouse Conceitos Rogério Costa rogcosta@inf.puc-rio.br 1 Data Warehouse - O que é? Conjunto de dados orientados por assunto, integrado, variável com o tempo e nãovolátil Orientado
Leia maisPassos para o Aprendizado de Máquina com Pentaho. Prof. Marcos Vinicius Fidelis UTFPR/UEPG
Passos para o Aprendizado de Máquina com Pentaho Prof. Marcos Vinicius Fidelis UTFPR/UEPG Apresentação Professor da UTFPR, leciona Sistemas de Apoio a Decisão e Tópicos Avançados em BD (WEKA, Pentaho e
Leia maisANÁLISE DE UMA BASE DE DADOS DE COMPRAS E VENDAS DE UMA EMPRESA UTILIZANDO UMA FERRAMENTA DE BI 1
ANÁLISE DE UMA BASE DE DADOS DE COMPRAS E VENDAS DE UMA EMPRESA UTILIZANDO UMA FERRAMENTA DE BI 1 Júnior Löwe 2, Ildo Corso 3, Vera Lucia Lorenset Benedetti 4. 1 Análise de Dados de uma Empresa Utilizando
Leia maisIntrodução a Sistemas Inteligentes
Introdução a Sistemas Inteligentes Conceituação Prof. Ricardo J. G. B. Campello ICMC / USP Créditos Parte do material a seguir consiste de adaptações e extensões dos originais gentilmente cedidos pelo
Leia maisImpacto da distribuição de royalties de petróleo sobre alguns aspectos sócio-econômico nos estados produtores de petróleo do Brasil
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.3475 Impacto da distribuição de royalties de petróleo sobre alguns aspectos sócio-econômico
Leia maisProf. Martius Vicente Rodriguez y Rodriguez, DSc.
Prof. Martius Vicente Rodriguez y Rodriguez, DSc. 1 AGENDA 1. A MUDANÇA DO AMBIENTE DE NEGÓCIOS 2. PESSOAS PROCESSOS TIC 3. GESTÃO DA MUDANÇA NA ÁREA DE TIC 4. CRM CLIENTES 5. KDD BI INTELIGÊNCIA DOS NEGÓCIOS
Leia maisSISTEMAS 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 maisSistema 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 maisOs componentes e o ambiente para O desenvolvimento de um SAD. Prof. Walteno Martins Parreira Jr
Os componentes e o ambiente para O desenvolvimento de um SAD Prof. Walteno Martins Parreira Jr waltenomartins@yahoo.com Introdução Um sistema de apoio à decisão (SAD) auxilia o processo de decisão gerencial,
Leia maisGestão da Informação. Gestão da Informação. AULA 3 Data Mining
Gestão da Informação AULA 3 Data Mining Prof. Edilberto M. Silva Gestão da Informação Agenda Unidade I - DM (Data Mining) Definição Objetivos Exemplos de Uso Técnicas Tarefas Unidade II DM Prático Exemplo
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisAnálise do Desempenho Acadêmico Utilizando Redes Bayesianas: um estudo de caso
Análise do Desempenho Acadêmico Utilizando Redes Bayesianas: um estudo de caso Danilo Raniery Alves Coutinho, Thereza Padilha Departamento de Ciências Exatas - Universidade Federal da Paraíba (UFPB) Campus
Leia maisAlgoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Leia mais19 Congresso de Iniciação Científica APLICAÇÃO DA LÓGICA NEBULOSA A MODELO DE CONHECIMENTO DO PROCESSO DE MINERAÇÃO DE DADOS
19 Congresso de Iniciação Científica APLICAÇÃO DA LÓGICA NEBULOSA A MODELO DE CONHECIMENTO DO PROCESSO DE MINERAÇÃO DE DADOS Autor(es) ANDRE DE ANDRADE BINDILATTI Orientador(es) ANDERSON BERGAMO, ANA ESTELA
Leia maisIntrodução à Descoberta de Conhecimento e Mineração de Dados. Rodrigo Leite Durães.
Introdução à Descoberta de Conhecimento e Mineração de Dados Rodrigo Leite Durães. 1 Introdução 2 3 Introdução: por que Data Mining? O problema da explosão da quantidade de dados (data explosion): Ferramentas
Leia maisI - Introdução à Simulação
1 I - Introdução à Simulação Simulação é, entendida como a imitação de uma operação ou de um processo do mundo real. A simulação envolve a geração de uma história artificial de um sistema para a análise
Leia maisAPLICAÇÃO DE ALGORITMO DE APRENDIZAGEM DE MÁQUINA NÃO-SUPERVISIONADO PARA CLASSIFICAÇÃO DE USUÁRIOS NA REDE SOCIAL ACADÊMICA SCIENTIA.
APLICAÇÃO DE ALGORITMO DE APRENDIZAGEM DE MÁQUINA NÃO-SUPERVISIONADO PARA CLASSIFICAÇÃO DE USUÁRIOS NA REDE SOCIAL ACADÊMICA SCIENTIA.NET Heloína Alves Arnaldo (bolsista do PIBIC/UFPI), Vinicius Ponte
Leia maisAlgoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Leia maisMINERAÇÃO DE DADOS DATA MINING AGO/ TEN AV ZEDNIK
MINERAÇÃO DE DADOS DATA MINING AGO/2008 1 TEN AV ZEDNIK OBJETIVO APRESENTAR O CONCEITO DE MINERAÇÃO DE DADOS(DM), VISANDO O APRENDIZADO DESTA SUBÁREA DA INTELIGÊNCIA ARTIFICIAL E VERIFICAR ALGUMAS APLICAÇÕES
Leia maisKDD 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 maisCurso de Data Mining. Sandra de Amo. Aula 18 - Mineração de padrões em caminhos percorridos por usuários da Internet
Curso de Data Mining Sandra de Amo Aula 18 - Mineração de padrões em caminhos percorridos por usuários da Internet Nesta aula vamos tratar do problema de mineração de caminhos percorridos por usuários
Leia maisPesquisa de Mercado 29/08/2017. Capítulo 4 Modelo de pesquisa exploratória: dados secundários. Escolha de uma fonte de dados
Pesquisa de Mercado Prof. Msc. Roberto Otuzi de Oliveira Capítulo 4 Modelo de pesquisa exploratória: dados Escolha de uma fonte de dados Requer: Confiabilidade; Qualidade da informação; Disponibilidade;
Leia maisIntrodução a Teste de Software
Universidade Católica de Pelotas Tecnólogo em Análise e Desenvolvimento de Sistemas Disciplina de Qualidade de Software Introdução a Teste de Software Prof. Luthiano Venecian 1 Conceitos Teste de software
Leia maisIMAGE MINING: CONCEITOS E TÉCNICAS
125 IMAGE MINING: CONCEITOS E TÉCNICAS Diogo Floriano diiogofloriano@gmail.com Resumo A facilidade em armazenar imagens e a grande concentração de imagens em bases de dados impulsionou a geração de aplicações
Leia maisAgregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta
Agregação de Algoritmos de Aprendizado de Máquina (AM) Professor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta (luizfsc@icmc.usp.br) Sumário 1. Motivação 2. Bagging 3. Random Forest 4. Boosting
Leia maisData Warehouse ETL. Rodrigo Leite Durães.
Data Warehouse ETL Rodrigo Leite Durães rodrigo_l_d@yahoo.com.br Introdução Um dos desafios da implantação de um DW é a integração dos dados de fontes heterogêneas e complexas, padronizando informações,
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 15 Árvores de Decisão Árvores de Decisão Uma das formas de algoritmo de aprendizado mais simples e de maior sucesso.
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 3: 1 /54 Programa Dia 1: Apresentação
Leia maisReconhecimento facial. uma aplicação prática do reconhecimento de padrões
Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento
Leia maisUnidade 4 Teste na Implantação do Sistema
Luiz Leão luizleao@gmail.com http://www.luizleao.com Conteúdo Programático 4.1 Teste de Unidade 4.2 Teste de Integração 4.3 Teste de Validação 4.4 Teste de Sistema 4.5 Teste na Migração Introdução O processo
Leia maisMotivação. Análise de Dados. BD x DW OLTP. Data Warehouse. Revisão Quais as diferenças entre as tecnologias de BD e DW? OLAP Modelos Multidimensionais
Data Warehouse Análise de Dados Motivação Revisão Quais as diferenças entre as tecnologias de BD e? Modelos Multidimensionais BD x OLTP dados volume dados granularidade dados atualização dados uso Característica
Leia maisAnálise Sintática de Frases utilizando Gramáticas Livres de Contexto Probabilísticas
Universidade de São Paulo Mestrado em Ciência da Computação Instituto de Matemática e Estatística Disciplina MAC5725 Lingüística Computacional Análise Sintática de Frases utilizando Gramáticas Livres de
Leia maisINSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO NORTE CAMPUS JOÃO CÂMARA UML UNIFIED MODELING LANGUAGE
1 INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO NORTE CAMPUS JOÃO CÂMARA UML UNIFIED MODELING LANGUAGE Nickerson Fonseca Ferreira nickerson.ferreira@ifrn.edu.br O que é?? 2 A UML
Leia maisPalavras-chave: Ferramentas da Qualidade. Qualidade. Revisão Bibliográfica.
ANÁLISE DE APLICAÇÕES DAS SETES FERRAMENTAS DA QUALIDADE: UMA ABORDAGEM TEÓRICA Raphaelly Antunes Alves¹, Paulo Henrique Paulista² (1) Acadêmico do curso de Engenharia de Produção do Centro Universitário
Leia maisMINERAÇÃO DE DADOS METEOROLÓGICOS EMPREGANDO DADOS DE TEMPERATURA: O CASO DE UMA CIDADE GAÚCHA
EXATAS E TECNOLÓGICAS ISSN IMPRESSO - 2359-4934 E- ISSN - 2359-4942 DOI - 10.17564/2359-4934.2016v2n2p57-70 MINERAÇÃO DE DADOS METEOROLÓGICOS EMPREGANDO DADOS DE TEMPERATURA: O CASO DE UMA CIDADE GAÚCHA
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular Análise de associação Principais tópicos Análise de associação Itens frequentes Conjunto de itens frequentes de associação Avaliação de regras de associação Docente:
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia maisJADEX: A BDI REASONING ENGINE. Alexander Pokahr, Lars Braubach e Winfried Lamersdorf Springer US - Multi-Agent Programming 2005 pp.
JADEX: A BDI REASONING ENGINE Alexander Pokahr, Lars Braubach e Winfried Lamersdorf Springer US - Multi-Agent Programming 2005 pp. 149-174 Volume 15 Motivação Existem muitas plataformas para desenvolvimento
Leia maisGrupo de Usuários Java do Noroeste Paulista. Tópicos Avançados em Java
Grupo de Usuários Java do Noroeste Paulista Tópicos Avançados em Java Aula 1 Objetivos Programa exemplo; Programação Orientada a Objetos. Conceitos Orientada a Objetos Mundo real Conceitos Orientada a
Leia maisProf. André Rabelo LÓGICA DIGITAL INTRODUÇÃO
Prof. André Rabelo LÓGICA DIGITAL INTRODUÇÃO INTRODUÇÃO Um sistema pode ser definido como sendo um conjunto de elementos que são interligados de alguma maneira para compor um todo e assim realizar funcionalidade
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Saulo Martiello Mastelini Departamento de Computação - UEL 1 o Semestre Assunto Aula 11 Modelos Preditivos - Árvore de Decisão
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisAplicação da técnica de mineração de dados por meio do algoritmo J48 para definição de limiares de imagens de sensoriamento remoto
Aplicação da técnica de mineração de dados por meio do algoritmo J48 para definição de limiares de imagens de sensoriamento remoto Rodrigo Rodrigues Antunes e Israel Rodrigues Gonçalves Resumo: O objetivo
Leia maisUM MODELO ORIENTADO A OBJETOS PARA MINERAÇÃO DE DADOS NA AGRICULTURA 1 RESUMO AN OBJECT-ORIENTED MODEL FOR DATA MINING IN AGRICULTURE ABSTRACT
UM MODELO ORIENTADO A OBJETOS PARA MINERAÇÃO DE DADOS NA AGRICULTURA 1 RESUMO ALAINE MARGARETE GUIMARÃES 2 PETRAQ PAPAJORGJI 3 LEILA MARIA VRIESMANN 4 Este artigo descreve um sistema orientado a objetos
Leia maisEstudo heurístico de performance de estratégias de investimento simples baseadas na média móvel e desvio padrão no mercado ForEx
Estudo heurístico de performance de estratégias de investimento simples baseadas na média móvel e desvio padrão no mercado ForEx Lucas Roberto da Silva Centro de Automação, Gestão e Pesquisa em finanças
Leia maisInteligência Artificial
Inteligência Artificial Aula 14 Aprendizado de Máquina Avaliação de s Preditivos (Classificação) Hold-out K-fold Leave-one-out Prof. Ricardo M. Marcacini ricardo.marcacini@ufms.br Curso: Sistemas de Informação
Leia maisAprendizado de Máquina voltado para Mineração de Dados: Árvores de Decisão
Universidade de Brasília - UnB Faculdade UnB Gama - FGA Engenharia de Software Aprendizado de Máquina voltado para Mineração de Dados: Árvores de Decisão Autor: Hialo Muniz Carvalho Orientador: Prof. Dr.
Leia mais2011 Profits Consulting. Inteligência Computacional
Inteligência Computacional Quem Somos Excelência em Soluções Tecnológicas A Profits Consulting é uma empresa composta por consultores com ampla experiência em Tecnologia que desenvolve soluções inovadoras,
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisUniversidade Regional de Blumenau
Universidade Regional de Blumenau Curso de Bacharel em Ciências da Computação Protótipo de um Sistema de Informações Estratégicas para Consultórios Médicos utilizando Genexus Protótipo desenvolvido como
Leia maisUSO DE JOGOS LÓGICOS APLICADOS A APRENDIZAGEM DE MÁQUINA. 1
USO DE JOGOS LÓGICOS APLICADOS A APRENDIZAGEM DE MÁQUINA. 1 Jean Rafael Reus Da Silva 2, Rogerio Samuel De Moura Martins 3, Renato Perez Ribas 4, Rafael Zancan Frantz 5, Sandro Sawicki 6. 1 Projeto de
Leia maisManual de Ecodesign InEDIC
Manual de Ecodesign InEDIC Ferramenta 4: A ferramenta da análise do mercado fornece uma abordagem prática aos conceitos teóricos explicados no capítulo 5. Com o objetivo de determinar o potencial do mercado
Leia maisSistemas Inteligentes e Sistemas Especialistas. Profa. Flávia Cristina Bernardini
Sistemas Inteligentes e Sistemas Especialistas Profa. Flávia Cristina Bernardini AQUISIÇÃO DE CONHECIMENTO DATA MINING SISTEMAS ESPECIALISTAS SISTEMAS INTELIGENTES PARA APOIO NA TOMADA DE DECISÕES PODEM
Leia mais6. QUADRIMESTRE IDEAL 7. NÍVEL Graduação 8. Nº. MÁXIMO DE ALUNOS POR TURMA TEORIA: 60 LABORATÓRIO: 30
Universidade Federal do ABC Rua Santa Adélia, 166 - Bairro Bangu - Santo André - SP - Brasil CEP 09.210-170 - Telefone/Fax: +55 11 4996-3166 1. CÓDIGO E NOME DA DISCIPLINA MC5001 - SISTEMAS MULTIAGENTES
Leia maisTomada de Decisão Estratégica
EXERCÍCIO N N Tópico Tópico 1 2 Sistemas Tomada de de Informação Decisão Estratégica nos negócios DCC133 Introdução a Sistemas de Informação TÓPICO 2 Tomada de Decisão Estratégica Prof. Tarcísio de Souza
Leia maisAprendizado Bayesiano Anteriormente...
Aprendizado Bayesiano Anteriormente... Conceito de Probabilidade Condicional É a probabilidade de um evento A dada a ocorrência de um evento B Universidade de São Paulo Instituto de Ciências Matemáticas
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisProcessos de software
Processos de software 1 Processos de software Conjunto coerente de atividades para especificação, projeto, implementação e teste de sistemas de software. 2 Objetivos Introduzir modelos de processos de
Leia mais¹Faculdade de Tecnologia de Indaituba FATEC-ID, Rua D.Pedro I, 65, Cidade Nova, Indaiatuba, SP
Aplicação de Técnicas de Mineração de Dados para Caracterização de Grupos de Cidades Produtoras de Cana-De- Acúcar do Estado de São Paulo e Definição de Políticas Especificas Maria das Graças J.M. Tomazela
Leia mais