Motivação. integração das ferramentas em sistemas apoiando o processo completo de descoberta de conhecimento para tomada de decisão.
|
|
- Rayssa Prada Madeira
- 8 Há anos
- Visualizações:
Transcrição
1 Mineraçã de Dads
2 Mtivaçã Infrmatizaçã ds meis prdutivs permitiu a geraçã de grandes vlumes de dads: Transações eletrônicas; Nvs equipaments científics e industriais para bservaçã e cntrle; Dispsitivs de armazenament em massa; Aprveitament da infrmaçã permite ganh de cmpetitividade: cnheciment é pder (e pder = $$!) Recurss de análise de dads tradicinais sã inviáveis para acmpanhar esta evluçã: prcess iterativ de criaçã, teste e refinament de hipóteses;
3 Mtivaçã Gigantism d prblema de análise de dads para tmada de decisã: BD da Wal-Mart: 20 milhões de transações pr dia. Data Warehuse da Mbil: 100 TB. BD da NASA: recebe de satélites 50 GB pr hra. Sluçã: ferramentas de autmatizaçã das tarefas repetitivas e sistemática de análise de dads. ferramentas de auxíli para as tarefas cgnitivas da análise. integraçã das ferramentas em sistemas apiand prcess cmplet de descberta de cnheciment para tmada de decisã.
4 Exempl preliminar Prblema d mund ds negócis, entender perfil ds clientes: desenvlviment de nvs prduts; para cntrle de estque em psts de distribuiçã; prpaganda mal direcinada gera maires gasts e desestimula pssível interessad a prcurar as fertas adequadas; Situaçã: empresa pssui registr de tdas as transações efetuadas; mas cm aprveitar dessa riqueza de dads?
5 Descberta de cnheciment em dads (KDD) versus Data Mining Mineraçã de dads: pass d prcess de KDD que prduz um cnjunt de padrões sb um cust cmputacinal aceitável. KDD u Knwledge Discvery n Data: utiliza algritms de data mining para extrair padrões classificads cm cnheciment. incrpra também tarefas cm esclha d algritm adequad, prcessament e amstragem de dads e interpretaçã de resultads.
6 O perig da falta de interpretaçã Mrreram Sbreviveram Hspital A Hspital B % 2% Ttal O hspital A parece ser mens adequad.
7 O perig da falta de interpretaçã (cnt.) Bas cndições Mrreram Sbreviveram Hsp. A Hsp. B % 1.3% O hspital A é melhr! Más cndições Ttal Hsp. A Hsp. B Mrreram Sbreviveram % 4% Ttal
8 A busca pr causalidade Crrelaçã nã é mesm que causalidade lama e chuva sã dis cnceits relacinads, mas cm inferir que um é causa d utr? A média de idade da Flórida é grande. O clima da Flórida faz as pessas viverem mais? Explicaçã plausível: muitas pessas mudam-se pra lá quand se apsentam; O KDD se apresenta cm: prcess explratóri, iterativ e interativ. envlvend em cada pass um especialista human. tant (se nã mais) imprtante d que métd de mineraçã: auxíli a gerenciament d prcess (Knwledge Management). integraçã transparente de ferramentas.
9 A mineraçã de dads é uma abrdagem multidisciplinar Inteligência Artificial aprendizad de máquina; representaçã de cnheciment e inferência; recnheciment de padrões; Estatística: análise explratória de dads; Cmputaçã gráfica: visualizaçã de dads; Bancs de dads: integraçã, cnslidaçã e remdelagem de dads para prcessament analític (data warehusing). linguagens de cnsulta para: hipercubs de dads (OLAP). funções de mineraçã (OLAM). Ciência da gestã: técnicas de timizaçã;
10 Intersecçã de muitas disciplinas Artificial Intelligence Statistics Pattern Recgnitin DATA MINING Machine Learning Mathematical Mdeling Databases Management Science & Infrmatin Systems
11 Outr exempl de passs e saída de KDD Arquivs de Lg Páginas Web Aprendizagem Mineraçã de Dads Base de Cnheciment BD Relacinal Ex, cnheciment extraíd de um BD de supermercad: Data Warehuse Dimensina l Geraçã de Linguagem Natural N an passad, as variações de vendas mais incmuns fram: Sda Diet cm decréscim de 40% na regiã nrdeste de julh a agst Cerveja Bavaria cm cresciment de 42% nacinal de setembr a utubr;...
12 Tarefas básicas Previsã Cálcul de variáveis de interesse a partir ds valres de um cnjunt de variáveis de explicaçã; Exempls: classificaçã e regressã; Descriçã Reprtar relações entre as variáveis d mdel de frma simétrica; À princípi, está mais relacinada a prcess de KDD; Exempls: agrupament, restrições de integridade, dependências entre variáveis, análise de desvi.
13 Taxnmia de tarefas Data Mining Learning Methd Ppular Algrithms Predictin Supervised Classificatin and Regressin Trees, ANN, SVM, Genetic Algrithms Classificatin Supervised Decisin trees, ANN/MLP, SVM, Rugh sets, Genetic Algrithms Regressin Supervised Linear/Nnlinear Regressin, Regressin trees, ANN/MLP, SVM Assciatin Unsupervised Apriry, OneR, ZerR, Eclat Link analysis Unsupervised Expectatin Maximizatin, Apriry Algrithm, Graph-based Matching Sequence analysis Unsupervised Apriry Algrithm, FP-Grwth technique Clustering Unsupervised K-means, ANN/SOM Outlier analysis Unsupervised K-means, Expectatin Maximizatin (EM)
14 Exempl de previsã 1 Análise de crédit débit sem crédit x x x x x x x: exempl recusad : exempl aceit t x renda Um hiperplan paralel de separaçã: pde ser interpretad diretamente cm uma regra: se a renda é menr que t, entã crédit nã deve ser liberad Exempl: árvres de decisã; induçã de regras
15 Exempl de previsã 2 Análise de crédit débit sem crédit x x x x x x x Hiperplan blíqu: melhr separaçã: Exempls: regressã linear; perceptrn; t renda x: exempl recusad : exempl aceit
16 Exempl de previsã 3 Análise de crédit débit sem crédit x x x x x x x: exempl recusad : exempl aceit t x renda Superfície nã linear: melhr pder de classificaçã, pir interpretaçã; Exempls: perceptrns multicamadas; regressã nãlinear;
17 Exempl de previsã 4 Análise de crédit débit sem crédit x x x x x x x: exempl recusad : exempl aceit t x renda Métds basead em exempls; Exempls: k-vizinhs mais próxims; racicíni basead em cass;
18 Exempl de descriçã 1 Análise de crédit débit Agrupament Exempl: vectr quantizatin; t renda +: exempl
19 Exempl de descriçã 2 Regras de assciaçã 98% ds cnsumidres que adquiriram pneus e acessóris de autmóveis também se interessaram pr serviçs autmtivs ; descberta simétrica de relações, a cntrári de métds de classificaçã qualquer atribut pde ser uma classe u um atribut de discriminaçã;
20 Escalabilidade Amstragem reduçã de precisã; Algritms distribuíds particinar banc de dads em p partições; utilizar um prcessadr diferente para cada partiçã; utilizar um métd de cmbinaçã de resultads; Paralelism (intra-algrítimic)
21 Aplicabilidade de KDD Onde prcess de descberta de cnheciment deve ser aplicad? A tarefa é prpícia a estud de nvs experiments; nã há nenhuma utra ba alternativa de análise de dads; dispnibilidade de dads suficientes; cm nível aceitável de ruíd; especialistas dispníveis para avaliaçã d grau de interesse das descbertas btidas; seleçã de atributs; descriçã de cnheciment a priri em geral;
22 Finanças e segurança Serviçs financeirs: mineraçã de séries temprais de valres na blsa para especulaçã. mineraçã de assciaçã e grups de valres para definiçã de prtfli de investiment e plans de apsentadria. previsã de inadimplência para definir plítica de empréstim. Detecçã de fraude: descriçã multidimensinal e mineraçã de séries excepcinais de: de us de cartã de crédits para serviçs financeirs. pedids de acess a sites para segurança de sistemas. transferências de funds para lavagem de dinheir e snegaçã de impst.
23 Jgs, esprtes e recurss humans Jgs: mineraçã de regras estratégicas e táticas a partir de BD de partidas (xadrez, futebl de rbôs). Jgs, esprtes e re-engenharia de rganizações: OLAP, agrupament e mineraçã multi-dimensinal de séries de resultads para identificar fatres interns (cmpsiçã d time, tática usada) e externs (tip de adversári, lcal d jg) cntribuind a vitórias e a derrtas. Jgs de esprtes virtuais, esprtes e recrutament: previsã d desempenh e ppularidade futur de atletas, artistas e funcináris para cntrataçã e transferência.
24 Serviçs de infra-estrutura Descriçã multi-dimensinal e previsã cmparativa de demanda e da capacidade das fntes u equipaments para: planejar investiments e timizar rtas para evitar interrupçã de serviçs e cngestinament. definir váris níveis de qualidade de serviçs, seus preçs e seus clientes ptenciais. detecçã de fraudes. Previsã de falha de equipament para definir plítica de prevençã de falha. Mineraçã de regras de diagnóstic para análise de falha.
25 Saúde Indústria farmacêutica: previsã ds efeits de um nv remédi cmpst a partir ds efeits ds seus cmpnentes em remédis testads. Medicina e epidemilgia: mineraçã de regras de diagnóstic. previsã de predispsiçã a denças e respsta a tratament. Pesquisa em genética e bilgia mlecular: mineraçã cmparativa de seqüências de genes em células sadias e dentes (adaptaçã da mineraçã de series temprais para dads categórics). mineraçã de assciações e grups de genes baseada na sua ccrrência em várias classes de células. previsã da frma 3D de uma prteína a partir da sua seqüência de ácids-amids.
26 Tips de dads em mineraçã Data Categrical Numerical Nminal Ordinal Interval Rati
27 Exempl d prcess de descberta de cnheciment Cmpreensã d dmíni e ds bjetivs da tarefa; Interpretaçã Esclha e execuçã ds Operações resultads, algritm cm cm identificaçã de ruíds, Reduçã Criaçã d cnjunt de dads envlvend as variáveis pssível acrd de dimensinalidade, cm retrn a tarefa utliers, as passs a ser cm tratar falta de dads em cmbinaçã cumprida necessárias; anterires; de atributs; alguns camps, etc. Cnslidaçã: incrpraçã e dcumentaçã d cnheciment e cmunicaçã as
28 Passs 1., 2. e 3. Real-wrld Data Data Cnslidatin Cllect data Select data Integrate data Data Cleaning Impute missing values Reduce nise in data Eliminate incnsistencies Data Transfrmatin Nrmalize data Discretize/aggregate data Cnstruct new attributes Data Reductin Reduce number f variables Reduce number f cases Balance skewed data Well-frmed Data
29 1. Seleçã de dads e 2. préprcessament Cm seu cnheciment d dmíni, analista human decide: quais as infrmações relevantes encntram-se nas seguintes tabelas: clientes: nme, identificaçã, idade, sex, estad civil, endereç, renda, prprietári da casa; prduts: nme, identificaçã, preç, categria, quantidade em estque, quantidade encmendada; transações: identificadr de cliente, identificadr de prdut, data e hra, quantidade; Eliminar registrs incmplets, incnsistentes, etc.
30 3. Transfrmaçã de dads Agrupand infrmações em uma única tabela;
31 4. A mineraçã prpriamente dita Aplicar um algritm de aprendizad para agrupar s clientes em quatr cnjunts Idéia d algritm é dispr, em cnjunts, clientes que apresentem aspects similares; Psterirmente, s dads sã rganizads em uma planilha, nde númer d grup (1, 2, 3, u 4) é utilizad cm chave primária; A planilha calcula estatísticas de cada grup, cmparand-as cm tda ppulaçã;
32 5. Apresentaçã ds resultads Analista human: ainda precisa d seu cnheciment d dmíni para interpretar esses resultads em cnheciment marketing
33 Data Mining: Assciaçã
34 Mineraçã de Regras de Assciaçã Definiçã: Achar padrões, assciações, crrelações frequentes em cnjunts de itens u bjets em um banc de dads u utrs tip de repsitóris de infrmaçã. Aplicações: Análise de cmpras, crss-marketing, design de catálgs de prduts, clustering, classificaçã, etc. Exempls. Regra: Bdy Ηead [supprt, cnfidence]. buys(x, diapers ) buys(x, beers ) [0.5%, 60%] majr(x, CS ) & takes(x, DB ) grade(x, A ) [1%, 75%]
35 Regras de Assciaçã: Cnceits Básics Dads: (1) cnjunt de transações, (2) cada transaçã é uma lista de itens (assciads a um cliente) Achar: tdas as regras que crrelacinam a presença de um cnjunt de itens cm a presença de utr cnjunt de itens em uma mesma transaçã E.g., 98% das pessas que cmpram pneus e aut-acessóris, também fazem algum serviç autmtiv. Achar: tdas as regras X & Y Z cm um mínim de suprte e cnfiança Suprte (supprt), s, prbabilidade que uma transaçã cntenha {X & Y & Z} Cnfiança (cnfidence), c, prbabilidade cndicinal que uma transaçã que cntenha {X & Y} também cntém Z
36 Mineraçã de Regras de Assciaçã Assciações bleanas vs. quantitativas (Baseadas ns tips de valres manuseads) buys(x, SQLServer ) & buys(x, DMBk ) buys(x, DBMiner ) [0.2%, 60%] age(x, ) & incme(x, K ) buys(x, PC ) [1%, 75%] Assciações Uni-dimensinais vs. Multi-dimensinais (Baseadas nas dimensões ds dads envlvids) Análise de Nível únic vs. Múltipls níveis (Baseadas ns níveis de abstraçã) age(x, ) buys(x, laptp cmputer ) age(x, ) buys(x, cmputer )
37 Mineraçã de cnjunts de itens frequentes Achar s cnjunts de itens frequentes (itemsets frequentes): cnjunt de itens que tem um mínim de suprte Um subcnjunt de um itemset frequente, também deve ser um itemset frequente Se {A, B} é um itemset frequente, ambs {A} e {B} devem ser itemsets frequentes Achar iterativamente itemsets frequentes cm cardinalidade de 1 à k (k-itemset) Usar s itemsets frequentes para gerar as regras de assciaçã.
38 O algritm Apriri Pass de uniã(jin): C k é gerad, unind L k-1 cm ele mesm Pass de pda(prune): Qualquer (k-1)-itemset que nã seja frequente, nã pde ser um subcnjunt de um k-itemset frequente Pseud-códig: C k : itemset candidat de tamanh k L k : itemset frequente de tamanh k L 1 = {items frequentes de tamanh 1}; fr (k = 1; L k!= ; k++) d begin C k+1 = candidats gerads a partir de L k ; fr each transactin t in database d incremente cntadr de tds s candidats em C k+1 que estã cntids em t L k+1 = candidats em C k+1 cm min_supprt end
39 Database D TID Items O algritm Apriri - Exempl Scan D itemset sup. {1} 2 {2} 3 {3} 3 {4} 1 {5} 3 C 1 L 1 itemset sup {1 2} 1 {1 3} 2 {1 5} 1 {2 3} 2 {2 5} 3 {3 5} 2 C 2 C 2 L 2 itemset sup Scan D {1 3} 2 {2 3} 2 {2 5} 3 {3 5} 2 C 3 itemset Scan D L 3 {2 3 5} itemset sup {2 3 5} 2 itemset sup. {1} 2 {2} 3 {3} 3 {5} 3 itemset {1 2} {1 3} {1 5} {2 3} {2 5} {3 5}
40 Cm gerar s candidats? Supnha que s itens em L k-1 sã listads em uma rdem Pass 1: aut-uniã L k-1 (jining step) insert int C k select p.item 1, p.item 2,, p.item k-1, q.item k-1 frm L k-1 p, L k-1 q where p.item 1 =q.item 1,, p.item k-2 =q.item k-2, p.item k-1 < q.item k-1 Pass 2: pda (prune step) frall itemsets c in C k d frall (k-1)-subsets s f c d if (s is nt in L k-1 ) then delete c frm C k
41 Exempl da geraçã ds candidats L 3 ={abc, abd, acd, ace, bcd} Aut-uniã: L 3 *L 3 abcd de abc e abd acde de acd e ace Pda: acde é remvid pis ade nã está em L3 C 4 ={abcd}
42 Gargals de perfrmance n Apriri O núcle d algritm: Usa (k 1)-itemsets frequentes para gerar k-itemsets candidats Usa iterações pel BD e casament de padrões para cletar cntadres para s itemsets candidats O gargal d Apriri: geraçã ds candidats Grandes cnjunts de candidats: itemset frequentes gerarã itemsets candidats Para descbrir um padrã frequente de tamanh 100, é necessária a geraçã de candidats. Múltiplas iterações pel BD: Necessita (n +1 ) iterações, nde n é tamanh d mair padrã
43 Medidas de Interesse Medidas Objetivas suprte (supprt); e cnfiança (cnfidence) Medidas subjetivas (Silberschatz & Tuzhilin, KDD95) Uma regra (pattern) é interessante se ela é inesperada (unexpected) ; e/u utilizável (actinable) Medidas subjetivas variam de usuári para usuári, assim medidas bjetivas baseadas na estatística
44 Critica a Suprte e Cnfiança Exempl 1: Entre 5000 estudantes 3000 jgam basquete 3750 cmem cereal 2000 jgam basquete e cmem cereal jga basquete cme cereal [40%, 66.7%] é equivcad. jgam basquete nã cme cereal [20%, 33.3%] é bem mais precis.
45 Critica a Suprte e Cnfiança Exempl 1: jga basquete cme cereal [40%, 66.7%] é equivcad prque a prcentagem ttal de estudante que cmem cereal é 75% que é mair que 66.7%. jgam basquete nã cme cereal [20%, 33.3%] é bem mais precis, embra cm menr suprte (supprt) e cnfiança (cnfidence). basketball nt basketball sum(rw) cereal nt cereal sum(cl.)
46 Crítica a Suprte e Cnfiança (Cnt.) Exempl 2: X e Y: psitivamente crrelacinad, X e Z, negativamente relacinand suprte e cnfiança de X=>Z dmina É necessária uma medida de dependência u crrelaçã P( A B) crr A, B = P( A) P( B) X Y Z Rule Supprt Cnfidence X=>Y 25% 50% X=>Z 37.50% 75% P(B A)/P(B) é também chamada de lift da regra A => B
47 Outra medida de interesse Interesse (crrelaçã, lift) P( A B) P( A) P( B) Clcand ambs P(A) e P(B) em cnsideraçã P(A^B)=P(B)*P(A), se A e B sã events independentes A e B sã negativamente crrelacinads, se valr e menr que 1; cas cntrári A e B sã psitivamente crrelacinads X Y Z Itemset Supprt Interest X,Y 25% 2 X,Z 37.50% 0.9 Y,Z 12.50% 0.57
48 Intrduçã à Análise de Agrupaments
49 Agrupament (Clustering) Métds usads para a cnstruçã de grups de bjets cm base nas semelhanças e diferenças entre s mesms de tal maneira que s grups btids sã s mais hmgênes e bem separads pssíveis. Duas grandes classes de prblemas em classificaçã: classificaçã supervisinada classificaçã supervisinada. A classificaçã nã supervisinada se prpõe a encntrar classes hmgêneas a partir de um cnjunt de indivídus. Objetiv: s indivídus semelhantes devem pertencer a mesma classe. É um bjetiv intuitiv mas nã é uma definiçã precisa da nçã de classe.
50 Agrupament (Clustering) Agrupar para que? Existe classes naturais e desafi é encntra-las. Deseja-se cnstruir as classes segund estruturas classificatórias (impstas). Encntrar classes úteis para usuári. Simplificaçã ds dads. Geraçã de Hipóteses. Prediçã cm base ns grups frmads. O que é um grup? Nã existe uma única definiçã satisfatória: Cesã interna.
51 Agrupament (Clustering) (a) (b) (c) (d) a) Grups cess e islads b) Grups islads mas nã cess c) Grups cess cm váris pnts intermediáris d) Nã existência de grups naturais
52 Principais Etapas da Frmaçã de Agrupaments a) Aquisiçã ds dads 1) Seleçã das bservações (indivídus, bjets, cass, itens) 2) Seleçã das variáveis (caracteres, descritres) e das crrespndentes escalas 3) Cnstruçã da Tabela de Dads b) Pré-prcessament ds dads 1) Mudança de escala 2) Nrmalizaçã 3) Extraçã de caracteres c) Cnstruçã da Tabela de Dads d) Cálcul da Prximidade 1) Esclha de um Índice de Prximidade 2) Cnstruçã da Matriz de Prximidades e) Seleçã de um Algritm de Frmaçã de Grups em funçã d tip de agrupament desejad f) Análise e Interpretaçã ds Resultads
53 Análise de agrupament Métds de análise Métds estatístics (incluind s métds hierárquics e nã-hierárquics), tais cm k-means, k-mdes, e utrs. Redes neurais (teria da ressnância adaptativa [ART], mapas autrganizáveis [SOM]). Lógica difusa. Algritms genétics. Métds divisivs versus
54 Análise de agrupament Númer de agrupaments Nã há uma frma ótima de calcular Heuristicas sã usadas frequentemente Observar quã esparss sã s grups Númer de grups = (n/2) 1/2 (n: númer de pnts) Use critéri de infrmaçã de Akaike Use critéri de infrmaçã bayesian A mairia ds métds de análise de agrupaments envlvem us de uma medida de distância para calcular quã pert estã s pares de itens Distância Euclidiana versus Manhattan
55 Análise de agrupament Algritm k-means k : númer pré-determinad de agrupaments Algritm Pass 0: determinaçã d valr de k Pass 1: geraçã aleatória de k pnts cm pnts inciais ds agrupaments (centróide) Pass 2: atribuir a cada pnt seu centróide mais próxim Pass 3: recmputar s nvs agrupaments Pass de repetiçã: Repetir s passs 3 e 4 até que algum critéri de cnvergência seja
56 Análise de agrupament algritm k-means Step 1 Step 2 Step 3
57 SPSS PASW Mdeler (frmerly Clementine) RapidMiner Sftware SAS / SAS Enterprise Miner Micrsft Excel R Cmercial SPSS - PASW SAS - Enterprise Miner IBM - Intelligent Miner StatSft Statistical Data Miner Livre u gratuit Weka RapidMiner Yur wn cde Weka (nw Pentah) KXEN MATLAB Other cmmercial tls KNIME Micrsft SQL Server Other free tls Zementis Oracle DM Statsft Statistica Salfrd CART, Mars, ther Orange Angss C4.5, C5.0, See5 Bayesia Insightful Miner/S-Plus (nw TIBCO) Megaputer Viscvery Clari Analytics Miner3D Thinkanalytics Ttal (w/ thers) Alne Fnte: KDNuggets.cm, May 2009
58 Mits em mineraçã de dads A mineraçã de dads Frnece sluções e previsões instantâneas Nã é viável para aplicações de negóci Requer um BD separad e dedicad Só pde ser feit pr aqueles cm grau avançad Serve apenas para grandes empresas cm muits clientes É utr nme para estatística.
59 Errs cmuns 1. Seleçã d prblema errad para mineraçã 2. Ignrar que seu superir acredita ser mineraçã de dads e que ela realmente é. 3. Nã ter temp suficiente para aquisições, seleçã e preparaçã de dads 4. Olhar apenas para resultads agregads e nã em registrs individuais 5. Ser negligente em manter s
60 Errs cmuns (cnt.) 1. Ignrar descbertas suspeitas (bas u ruins) e passar para a frente. 2. Executar algritms de mineraçã repetidamente e cegamente, sem pensar n próxim pass. 3. Acreditar ingenuamente em tud que fi dit sbre s dads. 4. Acreditar ingenuamente em tud que fi dit sbre as análises de mineraçã. 5. Medir s resultads de frma diferente d seu superir.
Aproveitamento da informação permite ganho de competitividade: conhecimento é poder (e poder = $$!)
Data Mining Prfessr Jrge Mreira jmreirajr@htmail.cm Mtivaçã A infrmatizaçã ds meis prdutivs permitiu a geraçã de grandes vlumes de dads: Transações eletrônicas; Nvs equipaments científics e industriais
Leia maisDescoberta de Conhecimento em Bases de Dados e Mineração de Dados
Descberta de Cnheciment em Bases de Dads e Mineraçã de Dads Rdrig Leite Durães (rdrig_l_d@yah.cm.br) Rteir Mtivaçã Exempl preliminar Cnceits básics Prcess de kdd Métds de mineraçã de dads Técnicas Exempls
Leia maisOs novos usos da tecnologia da informação nas empresas Sistemas de Informação
Os nvs uss da tecnlgia da infrmaçã nas empresas Sistemas de Infrmaçã Prf. Marcel da Silveira Siedler siedler@gmail.cm SERVIÇO NACIONAL DE APRENDIZAGEM COMERCIAL FACULDADE DE TECNOLOGIA SENAC PELOTAS Planejament
Leia maisCRONOGRAMA DELPHI para turmas Aproximadamente 84 horas - aulas de 2 horas
CRONOGRAMA DELPHI para turmas Aprximadamente 84 hras - aulas de 2 hras Primeira Parte Lógica de Prgramaçã 5 aulas 10 hras AULA 1 OBJETIVO 1. Cnceits básics: Algritm, Tips de Variáveis, Tips e Expressões
Leia maisPrefeitura Municipal de Belo Horizonte Vox Mercado Pesquisa e Projetos Ltda. Dados da organização
Data de elabraçã da ficha: Jun 2007 Prefeitura Municipal de Bel Hriznte Vx Mercad Pesquisa e Prjets Ltda. Dads da rganizaçã Nme: Prefeitura Municipal de Bel Hriznte Endereç: Av. Afns Pena, 1212 - Cep.
Leia maisModelagem, qualificação e distribuição em um padrão para geoinformações
Mdelagem, qualificaçã e distribuiçã em um padrã para geinfrmações Julia Peixt 14h, 14 de junh de 2010. Mtivaçã Acerv de dads desde 1994 em diferentes áreas de pesquisa; Muitas pessas fazend muits trabalhs
Leia maisVensis Manutenção. Rua Américo Vespúcio, 71 Porto Alegre / RS (51) 3012-4444 comercial@vensis.com.br www.vensis.com.br
Vensis Manutençã Vensis Manutençã É módul que permite gerenciament da manutençã de máquinas e equipaments. Prgramaçã de manutenções preventivas u registr de manutenções crretivas pdem ser feits de frma
Leia mais5. PLANEJAMENTO E ORGANIZAÇÃO DA MANUTENÇÃO:
5. PLANEJAMENTO E ORGANIZAÇÃO DA MANUTENÇÃO: 5.1 INTRODUÇÃO A rganizaçã da manutençã era cnceituada, até há puc temp, cm planejament e administraçã ds recurss para a adequaçã à carga de trabalh esperada.
Leia maisTodos os direitos reservados Versão 1.2
Guia de Relatóris Tds s direits reservads Versã 1.2 1 Guia de Relatóris Índice 1 Pedids... 3 1.1 Mnitr de Pedids... 3 1.2 Pedids... 4 1.3 Estatísticas de Pedids... 5 1.4 Acess e Cnsum... 7 1.5 Pedids pr
Leia maisÂmbito do Documento. Modelo de Comunicação. Modelo de Comunicação. Prescrição Eletrónica Médica - Aplicação
Mdel de Cmunicaçã Prescriçã Eletrónica Médica - Aplicaçã Âmbit d Dcument O presente dcument traduz mdel de cmunicaçã entre Centr de Suprte da SPMS e clientes da aplicaçã de Prescriçã Eletrónica Médica
Leia maisVensis PCP. Rua Américo Vespúcio, 71 Porto Alegre / RS (51) 3012-4444 comercial@vensis.com.br www.vensis.com.br
Vensis PCP Vensis PCP O PCP é módul de planejament e cntrle de prduçã da Vensis. Utilizad n segment industrial, módul PCP funcina de frma ttalmente integrada a Vensis ERP e permite às indústrias elabrar
Leia maisProjetos, Programas e Portfólios
Prjets, Prgramas e Prtfólis pr Juliana Klb em julianaklb.cm Prjet Segund PMBOK (2008): um prjet é um esfrç temprári empreendid para criar um nv prdut, serviç u resultad exclusiv. Esta definiçã, apesar
Leia maisHARDWARE e SOFTWARE. O Computador é composto por duas partes: uma parte física (hardware) e outra parte lógica (software).
HARDWARE e SOFTWARE O Cmputadr é cmpst pr duas partes: uma parte física (hardware) e utra parte lógica (sftware). Vcê sabe qual é a diferença entre "Hardware" e "Sftware"? Hardware: é nme dad a cnjunt
Leia maisMatemática / 1ª série / ICC Prof. Eduardo. Unidade 1: Fundamentos. 1 - Introdução ao Computador
Unidade 1: Fundaments 1 - Intrduçã a Cmputadr Cnceits básics e Terminlgias O cmputadr é uma máquina eletrônica capaz de realizar uma grande variedade de tarefas cm alta velcidade e precisã, desde que receba
Leia maisH. Problemas/outras situações na ligação com a Segurança Social;
Mdel de Cmunicaçã Certificads de Incapacidade Temprária Âmbit d Dcument O presente dcument traduz mdel de cmunicaçã entre Centr de Suprte da SPMS e clientes n âmbit ds CIT Certificads de Incapacidade Temprária.
Leia maisWorkflow. José Palazzo Moreira de Oliveira. Mirella Moura Moro
Pdems definir Wrkflw cm: Wrkflw Jsé Palazz Mreira de Oliveira Mirella Mura Mr "Qualquer tarefa executada em série u em paralel pr dis u mais membrs de um grup de trabalh (wrkgrup) visand um bjetiv cmum".
Leia maisAula 11 Bibliotecas de função
Universidade Federal d Espírit Sant Centr Tecnlógic Departament de Infrmática Prgramaçã Básica de Cmputadres Prf. Vítr E. Silva Suza Aula 11 Biblitecas de funçã 1. Intrduçã À medida que um prgrama cresce
Leia maisTESTE DE SOFTWARE (Versão 2.0)
Universidade Luterana d Brasil Faculdade de Infrmática Disciplina de Engenharia de Sftware Prfessr Luís Fernand Garcia www.garcia.pr.br TESTE DE SOFTWARE (Versã 2.0) 9 Teste de Sftware Imprtância Dependência
Leia maisUnidade 7: Sínteses de evidências para políticas
Unidade 7: Sínteses de evidências para plíticas Objetiv da Unidade Desenvlver um entendiment cmum d que é uma síntese de evidências para plíticas, que inclui e cm pde ser usada 3 O que é uma síntese de
Leia maisINTRODUÇÃO A LOGICA DE PROGRAMAÇÃO
INTRODUÇÃO A LOGICA DE PROGRAMAÇÃO A Lógica de Prgramaçã é necessária à tdas as pessas que ingressam u pretendem ingressar na área de Tecnlgia da Infrmaçã, send cm prgramadr, analista de sistemas u suprte.
Leia maisMASTERCOMP ESCOLA DE INFORMÁTICA
www.mastercmp.net 1 www.mastercmp.net www.mastercmp.net INFORMAÇO ES ADICIONAIS DO CURSO DE PROMODEL E MS PROJECT Prgramaçã: Carga hrária: 32 Hras Lcal: Sã Sebastiã d Paraís MG Prgramas usads n curs: MS
Leia maisA informatização dos meios produtivos permitiu a geração de grandes volumes de dados:
Mineraçã de Dads Extraíd ds trabalhs de Liliane Sants, Menandr Santana, Sandval Csta (UFBA) Eduard Massa Arakaki, Marcela Fntes Lima Guerra (UFPE) Mtivaçã A infrmatizaçã ds meis prdutivs permitiu a geraçã
Leia maisSegmentação de Imagem
em pr bjectiv dividir a imagem em regiões u bjects segund um critéri Frequentemente resultad nã é uma imagem mas um cnjunt de regiões/bjects A precisã da fase de segmentaçã determina sucess u falha ds
Leia maisWORKSHOPS SOBRE AS POSSIBILIDADES DE COOPERAÇÃO / CONCENTRAÇÃO NO SECTOR AUXILIAR NAVAL
WORKSHOPS SOBRE AS POSSIBILIDADES DE COOPERAÇÃO / CONCENTRAÇÃO NO SECTOR AUXILIAR NAVAL ÍNDICE I. Apresentaçã e bjectivs d wrkshp II. III. Resultads ds inquérits Ambiente cmpetitiv Negóci Suprte Prcesss
Leia maisCódigo: Data: Revisão: Página: SUMÁRIO
UC_REQ-MK_ACF-001 27/01/2015 00 1 / 12 SUMÁRIO INTRODUÇÃO... 2 Objetiv... 2 Públic Alv... 2 Escp... 2 Referências... 2 DESCRIÇÃO GERAL DO PRODUTO... 2 Características d Usuári... 2 Limites, Supsições e
Leia maisGESTÃO DE PROJETOS. Uma visão geral Baseado nas diretrizes do PMI
GESTÃO DE PROJETOS Uma visã geral Bead n diretrizes d PMI 1 Intrduçã Objetiv da Apresentaçã O bjetiv é frnecer uma visã geral ds prcesss de Gestã de Prjets aplicads à Gestã de Empreendiments. O que é Prjet?
Leia maisPLATAFORMA EMPRESAS PELO CLIMA
PLATAFORMA EMPRESAS PELO CLIMA CAMINHO PARA ELABORAÇÃO DE AGENDAS EMPRESARIAIS EM ADAPTAÇÃO ÀS MUDANÇAS DO CLIMA Prpsta de Framewrk Resultad d diálg crrid em 26 de junh de 2013, n Fórum Latin-American
Leia mais3. TIPOS DE MANUTENÇÃO:
3. TIPOS DE MANUTENÇÃO: 3.1 MANUTENÇÃO CORRETIVA A manutençã crretiva é a frma mais óbvia e mais primária de manutençã; pde sintetizar-se pel cicl "quebra-repara", u seja, repar ds equipaments após a avaria.
Leia maisSGCT - Sistema de Gerenciamento de Conferências Tecnológicas
SGCT - Sistema de Gerenciament de Cnferências Tecnlógicas Versã 1.0 09 de Setembr de 2009 Institut de Cmputaçã - UNICAMP Grup 02 Andre Petris Esteve - 070168 Henrique Baggi - 071139 Rafael Ghussn Can -
Leia maisProposta. Treinamento Lean Thinking Mentalidade Enxuta. Apresentação Executiva
Treinament Lean Thinking Mentalidade Enxuta www.masterhuse.cm.br Prpsta Cm Treinament Lean Thinking Mentalidade Enxuta Apresentaçã Executiva Treinament Lean Thinking Mentalidade Enxuta Cpyright 2011-2012
Leia maisé a introdução de algo novo, que atua como um vetor para o desenvolvimento humano e melhoria da qualidade de vida
O que é invaçã? Para a atividade humana: é a intrduçã de alg nv, que atua cm um vetr para desenvlviment human e melhria da qualidade de vida Para as empresas: invar significa intrduzir alg nv u mdificar
Leia maisAliança Estratégica com a Delta Dezembro, 2011. Uma Consistente História de Investimento
Aliança Estratégica cm a Delta Dezembr, 2011 Uma Cnsistente História de Investiment 1 Agenda Resum da Operaçã 1 Benefícis da Operaçã 2 2 Disclaimer O material a seguir é uma apresentaçã cnfidencial cntend
Leia maisOntologias: da Teoria à Prática
Ontlgias: da Teria à Prática I Escla de Ontlgias UFAL-USP Endhe Elias e Olav Hlanda Núcle de Excelência em Tecnlgias Sciais - NEES Universidade Federal de Alagas UFAL Rteir Mtivaçã Ontlgias Engenharia
Leia maisAcademia FI Finanças
Academia FI Finanças A Academia é melhr caminh para especializaçã dentr de um tema n ERP da SAP. Para quem busca uma frmaçã cm certificaçã em finanças, mais indicad é participar da próxima Academia de
Leia maisDISCIPLINA: Matemática. MACEDO, Luiz Roberto de, CASTANHEIRA, Nelson Pereira, ROCHA, Alex. Tópicos de matemática aplicada. Curitiba: Ibpex, 2006.
DISCIPLINA: Matemática 1- BIBLIOGRAFIA INDICADA Bibliteca Virtual Pearsn MACEDO, Luiz Rbert de, CASTANHEIRA, Nelsn Pereira, ROCHA, Alex. Tópics de matemática aplicada. Curitiba: Ibpex, 2006. PARKIN, Michael.
Leia maisInformática II INFORMÁTICA II
Jrge Alexandre jureir@di.estv.ipv.pt - gab. 30 Artur Susa ajas@di.estv.ipv.pt - gab. 27 1 INFORMÁTICA II Plan Parte I - Cmplementar cnheciment d Excel cm ferramenta de análise bases de dads tabelas dinâmicas
Leia maisAplicações Clinicas. Patologia Clínica. Luís Lito
0 Aplicações Clinicas Patlgia Clínica Luís Lit 1 Evluçã 1. 1993 - Infrmatizaçã parcial d Lab. de Química Clinica 2. 1996 - Inici da infrmatizaçã d Serviç de Patlgia Clínica Clinidata (sistema UNIX/COBOL
Leia mais1 Institucional. 1.1 Sobre a Vensis. 1.2 Missão, Políticas e Valores. 1.2.1 Missão. 1.2.2 Política da Qualidade
Institucinal 1 Institucinal 1.1 Sbre a Vensis A Vensis é uma empresa especializada n desenvlviment de sluções integradas para gestã de empresas. Atuand n mercad de tecnlgia da infrmaçã desde 1998, a empresa
Leia maisModelo de Negócios. TRABALHO REALIZADO POR: Antonio Gome- 2007009 // Jorge Teixeira - 2008463
Mdel de Negócis Trabalh n âmbit da disciplina de Mdelaçã de dads. Criaçã de uma platafrma utilizand as tecnlgias SQL PHP e Javascript.. TRABALHO REALIZADO POR: Antni Gme- 2007009 // Jrge Teixeira - 2008463
Leia maisNome do programa, pesquisa ou produto: Projeto Censo GIFE 2005/2006
1 GIFE Grup de Instituts, Fundações e Empresas Dads da rganizaçã Data de elabraçã da ficha: Fev 2008 Nme: GIFE Grup de Instituts, Fundações e Empresas Endereç: Av. Brigadeir Faria Lima, 2.413 1º andar
Leia maisPesquisa Oficial de Demanda Imobiliária SINDUSCON Grande Florianópolis. NÃO ASSOCIADOS Apresentação
Pesquisa Oficial de Demanda Imbiliária SINDUSCON Grande Flrianóplis. NÃO ASSOCIADOS Apresentaçã O presente trabalh tem cm principais bjetivs identificar perfil d frequentadr d Salã d Imóvel, suas demandas
Leia maisMANUAL DO USUÁRIO FINANCEIRO
SIGIO Sistema Integrad de Gestã de Imprensa Oficial MANUAL DO USUÁRIO FINANCEIRO S I G I O M A N U A L D O U S U Á R I O P á g i n a 2 Cnteúd 1 Intrduçã... 3 2 Acess restrit a sistema... 4 2.1 Tips de
Leia maisPM 3.5 Versão 2 PdC Versão 1
Prcediment de Cmercializaçã Cntrle de Alterações SAZONALIZAÇÃO DE CONTRATO INICIAL E DE ENERGIA ASSEGURADA PM 3.5 Versã 2 PdC Versã 1 Alterad Layut d dcument. Alterad term de Prcediment de Mercad para
Leia maisINDICE DE PREÇOS TURISTICO. Desenvolvido no quadro do Programa Comum de Estatística CPLP com o apoio técnico do INE de Portugal
INDICE DE PREÇOS TURISTICO Desenvlvid n quadr d Prgrama Cmum de Estatística CPLP cm api técnic d INE de Prtugal Estrutura da Apresentaçã INTRODUÇÃO. METODOLOGIA. FORMA DE CÁLCULO. PROCESSO DE TRATAMENTO.
Leia mais3 Aplicações dos Modelos de Análise de Crédito
3 Aplicações ds Mdels de Análise de Crédit Pdem ser citads cm principais estuds realizads para previsã de inslvência de pessas jurídicas: Estud de Tamari O estud fi realizad n final da década de 50 e fi
Leia maisBanco de Dados. DIEGO BARCELOS RODRIGUES dbarcelos@ifes.edu.br 2015 (2015/1) 1. Ifes - Campus Cachoeiro de Itapemirim
Ifes - Campus Cacheir de Itapemirim Banc de Dads DIEGO BARCELOS RODRIGUES dbarcels@ifes.edu.br 2015 (2015/1) 1 Agenda Breve revisã ds Cnceits Básics SQL (Linguagem de Cnsulta Estruturada) Subdivisões da
Leia maisCURSO PREPARATÓRIO PARA CERTIFICAÇÃO
Cnteúd prgramátic CURSO PREPARATÓRIO PARA CERTIFICAÇÃO Este é cnteúd prgramátic d curs preparatóri n nv prgrama CDO-0001 para a certificaçã CmpTIA CDIA+. CONCEITUAL ECM Apresentaçã ds cnceits envlvids
Leia maisCurso de Extensão: Finanças Corporativas
1. Apresentaçã Curs de Extensã: Finanças Crprativas Uma crpraçã é, genericamente, caracterizada pela tmada de duas decisões fundamentais, a de financiament e a de investiment. O prcess de seleçã, análise
Leia maisExercícios de Java Aula 17
Exercícis de Java Aula 17 Link d curs: http://www.liane.cm/2013/10/curs-java-basic-java-se-gratuit/ 1. Faça um prgrama que peça uma nta, entre zer e dez. Mstre uma mensagem cas valr seja inválid e cntinue
Leia maisISO 9001:2008 alterações à versão de 2000
ISO 9001:2008 alterações à versã de 2000 Já passaram quase it ans desde que a versã da ISO 9001 d an 2000 fi publicada, que cnduziu à necessidade de uma grande mudança para muitas rganizações, incluind
Leia maisGlossário das Metas Prioritárias 2010 Versão 1.2.14 Agosto/2010
Meta Priritária 5 Implantar métd de gerenciament de rtinas (gestã de prcesss de trabalh) em pel mens 50% das unidades judiciárias de 1º grau. Esclareciment da Meta Nã estã sujeits a esta meta s tribunais
Leia maisOperação Metalose orientações básicas à população
Operaçã Metalse rientações básicas à ppulaçã 1. Quem é respnsável pel reclhiment de prduts adulterads? As empresas fabricantes e distribuidras. O Sistema Nacinal de Vigilância Sanitária (Anvisa e Vigilâncias
Leia maisCONCORRÊNCIA AA Nº 05/2009 BNDES ANEXO II PROJETO BÁSICO: JORNADA AGIR
CONCORRÊNCIA AA Nº 05/2009 BNDES ANEXO II PROJETO BÁSICO: JORNADA AGIR 1. Históric da Jrnada AGIR Ns ambientes crprativs atuais, a adçã de um mdel de gestã integrada é uma decisã estratégica n api às tmadas
Leia maisVensis Associação Vensis ERP Entidades, Sindicatos e Federações.
Vensis Assciaçã Vensis ERP Entidades, Sindicats e Federações. Vensis Assciaçã O Vensis Assciaçã é um sistema desenvlvid para entidades cm sindicats, assciações, federações, fundações e utras de natureza
Leia maisLegenda da Mensagem de Resposta à Verificação de Elegibilidade (respostaelegibilidade)
Legenda da Mensagem de Respsta à Verificaçã de Elegibilidade (respstaelegibilidade) Mensagem : Respta à verificaçã de elegibilidade (respstaelegibilidade) - Flux : Operadra para Prestadr Códig da mensagem
Leia maisOBJECTIVO. Ligação segura às redes públicas de telecomunicações, sob o ponto de vista dos clientes e dos operadores;
Prcediments de Avaliaçã das ITED ANACOM, 1ª ediçã Julh 2004 OBJECTIVO De acrd cm dispst n nº 1, d artº 22º, d Decret Lei nº 59/2000, de 19 de Abril (adiante designad cm DL59), a cnfrmidade da instalaçã
Leia maisPrincipais Informações
Principais Infrmações Quem é Benefix Sistemas? Frmada pr ex-executivs e equipe de tecnlgia da Xerx d Brasil, que desenvlvem e suprtam sluções e estratégias invadras para setr públic, especializada dcuments
Leia maisNovo Sistema Almoxarifado
Nv Sistema Almxarifad Instruções Iniciais 1. Ícnes padrões Existem ícnes espalhads pr td sistema, cada um ferece uma açã. Dentre eles sã dis s mais imprtantes: Realiza uma pesquisa para preencher s camps
Leia maisVersões Todos os módulos devem ser atualizados para as versões a partir de 03 de outubro de 2013.
Serviç de Acess as Móduls d Sistema HK (SAR e SCF) Desenvlvems uma nva ferramenta cm bjetiv de direcinar acess ds usuáris apenas as Móduls que devem ser de direit, levand em cnsideraçã departament de cada
Leia maisNúmero de cédula profissional (se médico); Nome completo; 20/06/2014 1/7
Mdel de Cmunicaçã Sistema Nacinal de Vigilância Epidemilógica Âmbit d Dcument O presente dcument traduz mdel de cmunicaçã entre Centr de Suprte da SPMS e clientes d Sistema Nacinal de Vigilância Epidemilógica.
Leia maisBoletim Técnico. CAGED Portaria 1129/2014 MTE. Procedimento para Implementação. Procedimento para Utilização
Bletim Técnic CAGED Prtaria 1129/2014 MTE Prdut : TOTVS 11 Flha de Pagament (MFP) Chamad : TPRQRW Data da criaçã : 26/08/2014 Data da revisã : 12/11/2014 País : Brasil Bancs de Dads : Prgress, Oracle e
Leia maisALTERAÇÕES NO SISTEMA ORION
ALTERAÇÕES NO SISTEMA ORION Orin Versã 7.74 TABELAS Clientes Na tela de Cadastr de Clientes, fi inserid btã e um camp que apresenta códig que cliente recebeu após cálcul da Curva ABC. Esse btã executa
Leia maisPIM TECNOLOGIA EM GERENCIAMENTO DE REDES DE COMPUTADORES (GR3P30)
UNIP Brasília - Crdenaçã CG/CW/GR/AD Senhres Aluns, Seguem infrmações imprtantes sbre PIM: 1. O QUE É? - Os PIM (Prjet Integrad Multidisciplinar) sã prjets brigatóris realizads els aluns ds curss de graduaçã
Leia maisREQUISITOS PRINCIPAIS: Regulamentação final sobre controles preventivos de alimentos para consumo humano Visão rápida
O FDA ferece esta traduçã cm um serviç para um grande públic internacinal. Esperams que vcê a ache útil. Embra a agência tenha tentad bter uma traduçã mais fiel pssível à versã em inglês, recnhecems que
Leia maisApresentação do Curso
At endi m ent acl i ent e Apr es ent aç ãdc ur s Apresentaçã d Curs O curs Atendiment a Cliente fi elabrad cm bjetiv de criar cndições para que vcê desenvlva cmpetências para: Identificar s aspects que
Leia maisLinguagem de. Aula 07. Profa Cristiane Koehler cristiane.koehler@canoas.ifrs.edu.br
Linguagem de Prgramaçã IV -PHP Aula 07 Prfa Cristiane Kehler cristiane.kehler@canas.ifrs.edu.br Banc de Dads Manipulaçã de Banc de Dads HTML básic códigs cm páginas estáticas HTML + PHP códigs cm páginas
Leia maisPasso 1: Definição do tipo de crédito
Manual Cm avaliar risc de crédit de um cliente Índice Intrduçã O que é risc de crédit? Pass 1: Definiçã d tip de crédit Pass 2: Cm elabrar uma ficha de crédit Pass 3: Métds para avaliar risc de crédit
Leia maisPROPOSTA DE DESENVOLVIMENTO
R.M. Infrmática Cmérci e Serviç Ltda CNPJ: 04.831.742/0001-10 Av. Rdrig Otávi, 1866, Módul 22 Distrit Industrial - Manaus - AM Tel./Fax (92) 3216-3884 http://www.amaznit.cm.br e-mail: amaznit@amaznit.cm.br
Leia maisUniversidade Luterana do Brasil Faculdade de Informática. Disciplina de Engenharia de Software Professor Luís Fernando Garcia www.garcia.pro.
Universidade Luterana d Brasil Faculdade de Infrmática Disciplina de Engenharia de Sftware Prfessr Luís Fernand Garcia www.garcia.pr.br EVOLUÇÃO EM ENGENHARIA DE SOFTWARE 10 Sistemas Legads O investiment
Leia maisGestão do Escopo 1. Planejamento da Gestão do Escopo: 2. Definição do Escopo: 3. Elaboração da EDT(EAP): 4. Verificação do Escopo:
Gestã d Escp 1. Planejament da Gestã d Escp: i. Autrizaçã d prjet ii. Definiçã d escp (preliminar) iii. Ativs em cnheciments rganizacinais iv. Fatres ambientais e rganizacinais v. Plan d prjet i. Plan
Leia maisMINERAÇÃO 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 maisPROJETO 22ª MOSTRA ESTUDANTIL TECNOLÓGICA Dias 22 e 23 DE OUTUBRO DE 2014 CURSO: GESTÃO EMPRESARIAL
PROJETO 22ª MOSTRA ESTUDANTIL TECNOLÓGICA Dias 22 e 23 DE OUTUBRO DE 2014 CURSO: GESTÃO EMPRESARIAL Objetivs: Gestã Empresarial Desenvlver cmpetências para atuar n gerenciament de prjets, prestand cnsultria
Leia maisIntegração com coletores de ponto, catracas, dispositivos de abertura de portas, fechaduras eletromagnéticas,
Vsft ids Pnt Web Cntrle de acess e pnt A Vsft desenvlveu uma sluçã baseada em sftware e hardware para cntrle de acess e u pnt que pde ser utilizada pr empresas de qualquer prte. Cm us da tecnlgia bimétrica
Leia maisA Importância de Sistemas de Informação para a Competitividade Logística
A Imprtância de Sistemas de Infrmaçã para a Cmpetitividade Lgística Paul Nazári 1. Intrduçã O avanç da tecnlgia de infrmaçã (TI) ns últims ans vem permitind às empresas executarem perações que antes eram
Leia maisBRIEFING DO WEBSITE E SISTEMAS FEMURN A FEMURN. Página de conteúdo estático. Página de conteúdo estático. Página de conteúdo estático.
www.maxmei.cm BRIEFING DO WEBSITE E SISTEMAS FEMURN A FEMURN Históric Diretria Ex-presidentes Estatut Página de cnteúd estátic. Página de cnteúd estátic. Página de cnteúd estátic. Página de cnteúd estátic.
Leia maisDesempenho de Vendas 1º Trimestre/2015
Sã Paul, Brasil, 13 de abril de 2015 - O GPA [BM&FBOVESPA: PCAR4 (PN); NYSE: CBD] e Via Varej S.A. [BM&FBOVESPA:VVAR3 e VVAR11] anunciam desempenh das vendas d 1º trimestre de 2015. Desempenh de Vendas
Leia maisMTur Sistema Artistas do Turismo. Manual do Usuário
MTur Sistema Artistas d Turism Manual d Usuári Índice 1. INTRODUÇÃO... 3 2. DESCRIÇÃO DO SISTEMA... 3 3. ACESSAR O SISTEMA... 4 4. UTILIZANDO O SISTEMA... 9 4.1. CADASTRAR REPRESENTANTE... 9 4.2. CADASTRAR
Leia maisXVIII Seminário Nacional de Distribuição de Energia Elétrica
XVIII Seminári Nacinal de Distribuiçã de Energia Elétrica SENDI 2008-06 a 10 de utubr 7.2 Olinda - Pernambuc - Brasil Autmaçã na Distribuiçã: O Prcess de autmaçã ds equipaments de linha na rede CELPE.
Leia maisDiferenciais do QlikView Versus Tecnologias Tradicionais
Diferenciais d QlikView Versus Tecnlgias Tradicinais Índice Tecnlgia MOLAP... 3 Demanda criaçã de Datawarehuse... 3 Númer limitad de dimensões... 3 Inflexível... 3 Cnsultas smente nline... 3 Tecnlgia ROLAP...
Leia maisRegulamento para realização do Trabalho de Conclusão de Curso
Universidade Federal d Ceará Campus de Sbral Curs de Engenharia da Cmputaçã Regulament para realizaçã d Trabalh de Cnclusã de Curs Intrduçã Este dcument estabelece as regras básicas para funcinament das
Leia maisVersão 14.0 Junho 2015 www.psr-inc.com Contato: sddp@psr-inc.com. Representação mais detalhada da operação em cada estágio: 21 blocos
Versã 14.0 Junh 2015 www.psr-inc.cm Cntat: sddp@psr-inc.cm SDDP VERSÃO 14.0 Nvidades Representaçã mais detalhada da peraçã em cada estági: 21 blcs Tradicinalmente, a peraçã de cada estági (semana u mês)
Leia maisAgenda. A interface de Agendamento é encontrada no Modulo Salão de Vendas Agendamento Controle de Agendamento, e será apresentada conforme figura 01.
Agenda Intrduçã Diariamente cada um ds trabalhadres de uma empresa executam diversas atividades, muitas vezes estas atividades tem praz para serem executadas e devem ser planejadas juntamente cm utras
Leia maisDESENVOLVIMENTO DE UM WEB SITE PARA A BASE DE CONHECIMENTOS DO PROGRAMA DE APOIO AOS ACTORES NÃO ESTATAIS ANGOLA
DESENVOLVIMENTO DE UM WEB SITE PARA A BASE DE CONHECIMENTOS DO PROGRAMA DE APOIO AOS ACTORES NÃO ESTATAIS ANGOLA REQUISITOS TECNICOS O Prgrama de Api as Actres Nã Estatais publica uma slicitaçã para prestaçã
Leia maisFlorianópolis, 25 de janeiro de 2016 EDITAL PARA CANDIDATURA À SEDE DO 6º ENCONTRO NACIONAL DE ESTUDANTES DE ENGENHARIA CIVIL 2017
Flrianóplis, 25 de janeir de 2016 EDITAL PARA CANDIDATURA À SEDE DO 6º ENCONTRO NACIONAL DE ESTUDANTES DE ENGENHARIA CIVIL 2017 1) Cnsiderações Gerais: A Federaçã Nacinal ds Estudantes de Engenharia Civil
Leia maisProfa. Dra. Silvia M de Paula
Prfa. Dra. Silvia M de Paula Espelhs Esférics Certamente tds nós já estivems diante de um espelh esféric, eles sã superfícies refletras que têm a frma de calta esférica. Em nss ctidian ficams diante de
Leia mais1- Introdução. 1.1 - Um pouco da história e conceitos de Business Intelligence
Resum Este dcument trata d cnceit, técnicas e tecnlgias relacinadas a Business Intelligence. Após uma intrduçã as cnceits e há um puc da história d Business Intelligence n primeir capítul, sã explrads
Leia maisFundamentos de Informática 1ºSemestre
Fundaments de Infrmática 1ºSemestre Aula 4 Prf. Nataniel Vieira nataniel.vieira@gmail.cm SERVIÇO NACIONAL DE APRENDIZAGEM COMERCIAL FACULDADE DE TECNOLOGIA SENAC PELOTAS Descrevend Sistemas de um Cmputadr
Leia maisSEGURANÇA NO TRABALHO CONTRATADOS E TERCEIROS DO CLIENTE
Flha 1 de 8 Rev. Data Cnteúd Elabrad pr Aprvad pr 0 16/06/2004 Emissã inicial englband a parte técnica d GEN PSE 004 Luiz C. Sants Cmitê da Qualidade 1 31/01/2006 Revisã geral Luiz C. Sants Cmitê da Qualidade
Leia maisDISCIPLINA: Matemática e Matemática Aplicada
DISCIPLINA: Matemática e Matemática Aplicada 1- BIBLIOGRAFIA INDICADA Bibliteca Virtual Pearsn MACEDO, Luiz Rbert de, CASTANHEIRA, Nelsn Pereira, ROCHA, Alex. Tópics de matemática aplicada. Curitiba: Ibpex,
Leia maisAPI de Integração E-Zoop Documentação de uso
API de Integraçã E-Zp Dcumentaçã de us Data de Atualizaçã: 10/06/2015 Índice 1. Intrduçã... 1 2. Características... 2 Cadastr de características... 2 Exclusã de características... 4 Listagem de características...
Leia maisATIVIDADES PRÁTICAS SUPERVISIONADAS
ATIVIDADES PRÁTICAS SUPERVISIONADAS CST em Análise e Desenvlviment de Sistemas 3ª série Fundaments de Sistemas Operacinais A atividade prática supervisinada (ATPS) é um métd de ensinaprendizagem desenvlvid
Leia maisGerenciamento do Escopo
Pós-graduaçã Gestã Empresarial Módul GPE Gestã de Prjets Empresariais Prf. MSc Jsé Alexandre Mren prf.mren@ul.cm.br agst_setembr/2009 1 Gerenciament d Escp 3 Declaraçã d escp Estrutura Analítica d Prjet
Leia maisINSTITUTO DE EXCELÊNCIA EM EDUCAÇÃO DE SAÚDE IEES. Excelência na Formação através da Experiência e Aplicação MARKETING FARMACÊUTICO PRÁTICO
E IEES I EDUCAÇÃO DE SAÚDE INSTITUTO DE EXCELÊNCIA EM EDUCAÇÃO DE SAÚDE IEES Excelência na Frmaçã através da Experiência e Aplicaçã MARKETING FARMACÊUTICO PRÁTICO 1.CARGA HORÁRIA 32 Hras 2.DATA E LOCAL
Leia maisDesenho centrado em utilização
Desenh centrad em utilizaçã Engenharia de Usabilidade Prf.: Clarind Isaías Pereira da Silva e Pádua Departament de Ciência da Cmputaçã - UFMG Desenh centrad em utilizaçã Referências Cnstantine, L.L., &
Leia maisArtigo 12 Como montar um Lava Jato
Artig 12 Cm mntar um Lava Jat Antigamente era cmum bservar as pessas, n final de semana, cm seus carrs, bucha e sabã nas mãs. Apesar de ainda haver pessas que preferem fazer serviç suj szinhas, s lava
Leia maisRegulamento da Feira de Ciência
Regulament da Feira de Ciência A Feira A Feira de Ciência é um é um prject rganizad pel Núcle de Física d Institut Superir Técnic (NFIST). Esta actividade cnsiste em desenvlver um prject científic pr um
Leia maisAULA 3 GERENCIAMENTO DE CUSTOS E GESTÃO DE OPERAÇÕES PARA A QUALIDADE TOTAL. Prof. Glauce Almeida Figueira
AULA 3 GERENCIAMENTO DE CUSTOS E GESTÃO DE OPERAÇÕES PARA A QUALIDADE TOTAL Prf. Glauce Almeida Figueira EMENTA AULA TÓPICOS 31/08 Intrduçã a Cntabilidade de Custs ; Terminlgia Cntábil; Tips de Custei;
Leia maisFKcorreiosg2_cp1 - Complemento Transportadoras
FKcrreisg2_cp1 - Cmplement Transprtadras Instalaçã d módul Faça dwnlad d arquiv FKcrreisg2_cp1.zip, salvand- em uma pasta em seu cmputadr. Entre na área administrativa de sua lja: Entre n menu Móduls/Móduls.
Leia maisProjeto e Implementação de um Software para auxilio no Ensino de Linguagens Regulares
Prjet e Implementaçã de um Sftware para auxili n Ensin de Linguagens Regulares Jsé Rbsn de Assis 1, Marln Oliveira da Silva 1. Faculdade de Ciências Exatas e Cmunicaçã (FACEC) Universidade Presidente Antôni
Leia maisSupply Chain Game. EXERCÍCIOS PRÁTICOS DE LOGÍSTICA E CADEIA DE SUPRIMENTOS Autor: Prof. Dr. Daniel Bertoli Gonçalves
Supply Chain Game EXERCÍCIOS PRÁTICOS DE LOGÍSTICA E CADEIA DE SUPRIMENTOS Autr: Prf. Dr. Daniel Bertli Gnçalves Exercíci Prátic 1 Simuland uma Cadeia e planejand seus estques Lcal: em sala de aula Material
Leia mais