Submitted by Setor de Tratamento da Informa??o - BC/PUCRS (tede2@pucrs.br) on 2016-12-30T11:17:36Z No. of bitstreams: 1 DIS_AUGUSTO_WEIAND_COMPLETO.pdf: 3232365 bytes, checksum: 2e18edf9e1a20e9351da458aacc8144d (MD5) / Made available in DSpace on 2016-12-30T11:17:37Z (GMT). No. of bitstreams: 1 DIS_AUGUSTO_WEIAND_COMPLETO.pdf: 3232365 bytes, checksum: 2e18edf9e1a20e9351da458aacc8144d (MD5) Previous issue date: 2016-03-01 / With the technology advancement, distance education has been very discussed in recent years, especially with the emergence of several kinds of Virtual Learning Environments (VLE?s). These environments used in distance education courses, usually generate a lot of data due to the high number of students and the various tasks which involve their interactions. Thus, arises the need to search efficient and intelligent ways to find relevant information. Data mining techniques help in the discovery of implicit knowledge that can support decision making. However, eventually appear difficulties in understanding the obtained results of the mining due to the analyzed volume. In these cases, the use of visualization and interaction techniques assists in this task. The main goal of this work is to present the development of a visual analysis approach that uses data mining algorithms and visualization techniques to help monitoring students of distance learning courses in the institutions that use virtual learning environments. These students are classified considering their performance, providing ways to investigate and predict possible approvals, disapprovals and evasions. The visualizations aim to improve the understanding of the generated data by the mining algorithms, providing different ways of interaction. It is possible to analyze both the general behavior of students in a selected course, as their individual behaviors. Performance comparisons of a student between different courses, and from interactions performed in a set of courses are also allowed. Initial tests demonstrated that it was possible to make predictions in a satisfactory way, as well as enable visualizations and interactions to the users for interpreting the information resulting from mining algorithms. / Com o avan?o da tecnologia, a educa??o a dist?ncia tem sido muito discutida nos ?ltimos anos, especialmente com o surgimento de diversos tipos de Ambientes Virtuais de Aprendizagem (AVA?s). Estes ambientes, quando utilizados em cursos de educa??o a dist?ncia, normalmente geram uma grande quantidade de dados devido ao elevado n?mero de alunos e as diversas tarefas que envolvem as suas intera??es. T?cnicas de minera??o de dados auxiliam na descoberta de conhecimentos impl?citos que possibilitem dar suporte ? tomada de decis?o. Por?m, eventualmente surgem dificuldades no entendimento dos resultados obtidos pela minera??o, devido ao volume de dados analisado. Neste caso, o uso de t?cnicas de visualiza??o e intera??o auxiliam nesta tarefa. Este trabalho tem como objetivo apresentar o desenvolvimento de uma abordagem de an?lise visual, que utiliza algoritmos de minera??o de dados e t?cnicas de visualiza??o para auxiliar no acompanhamento de alunos de cursos a dist?ncia nas institui??es que utilizam ambientes virtuais de aprendizado. Estes alunos s?o classificados considerando o seu desempenho, possibilitando a investiga??o e predi??o de poss?veis aprova??es, reprova??es ou evas?es. ? poss?vel analisar tanto o comportamento geral dos alunos de uma disciplina selecionada, como seus comportamentos individuais. Compara??es de desempenho de um aluno entre diferentes disciplinas, e das intera??es realizadas em um conjunto de disciplinas tamb?m s?o permitidas. Testes iniciais demonstraram que foi poss?vel efetuar previs?es de maneira satisfat?ria, assim como, possibilitar aos usu?rios visualiza??es e intera??es para interpretar estas informa??es advindas dos algoritmos de minera??o.

Made available in DSpace on 2015-04-14T13:56:11Z (GMT). No. of bitstreams: 1 403015.pdf: 1369362 bytes, checksum: 80f10cb0cad2240a06c6783c86c07472 (MD5) Previous issue date: 2008-03-24 / Os desligamentos n?o programados s?o um dos fatores que mais contribuem para a interrup??o do fornecimento de energia e, portanto, na qualidade do servi?o prestado. Uma correta identifica??o das causas que originaram os desligamentos tornase cada vez mais indispens?vel para distribuir de forma mais eficaz os investimentos e recursos para a redu??o de problemas no sistema el?trico, trazendo como conseq??ncia direta destes investimentos a melhoria dos ?ndices de confiabilidade. Dessa forma, torna-se necess?rio o desenvolvimento de ferramentas para gerenciamento, an?lise e diagn?stico de causas de eventos n?o programados que ocorrem nos sistema de distribui??o das empresas. Nesta disserta??o s?o apresentados dois m?todos para identifica??o da causa de desligamentos n?o programados na rede de distribui??o: um modelo probabil?stico utilizando Redes Bayesianas e um modelo usando Redes Neurais Artificiais. Inicialmente ? apresentada uma conceitua??o sobre aspectos te?ricos fundamentais ao entendimento de Redes Bayesianas e Redes Neurais Artificiais, seguida de uma revis?o sobre defini??es b?sicas acerca de confiabilidade e causas de desligamentos em sistemas de distribui??o. Ap?s, s?o descritas as etapas realizadas para treinamento e valida??o dos dois sistemas de identifica??o da causa de desligamentos n?o programados. A base de conhecimento utilizada para o aprendizado foi extra?da de um banco de dados de eventos fornecido por uma concession?ria de energia, cujo processo de extra??o de conhecimento consistiu em uma s?rie de etapas, incluindo uma de minera??o de dados. Esse processo tornou a base de dados mais confi?vel e adequada resultando em 8888 amostras para a constru??o, gera??o dos conjuntos de treinamento e valida??o dos modelos de Rede Bayesiana e de Rede Neural utilizados. Ambas heur?sticas foram validadas atrav?s do m?todo da prova bipartida (split-half method). O processo de aprendizagem da Rede Bayesiana foi realizado atrav?s do algoritmo de maximiza??o da expect?ncia (Expectation Maximization), enquanto que para a Rede Neural o algoritmo de treinamento escolhido foi o Resilient back propagation, devido as suas caracter?sticas de desempenho e velocidade de converg?ncia

Made available in DSpace on 2015-04-14T13:56:40Z (GMT). No. of bitstreams: 1 395839.pdf: 1413354 bytes, checksum: 434d075aab87b2e1155b9509585420e5 (MD5) Previous issue date: 2007-08-16 / O presente trabalho prop?e um modelo de Sistema de Ilumina??o P?blica Eficiente baseando no Programa Reluz do sistema de ilumina??o p?blica brasileiro. Os meios apresentados pelo programa utilizam novas tecnologias de acordo com as normas da ABNT, que t?m por objetivo aumentar a efici?ncia luminosa com a menor pot?ncia instalada. Ressalta-se a import?ncia do programa de gest?o no sistema de ilumina??o p?blica com o cadastramento detalhado dos pontos existentes no parque de ilumina??o, pot?ncia das l?mpadas instaladas, o tipo de lumin?rias em seus logradouros e, atrav?s de um banco de dados, o armazenamento destas informa??es visando uma an?lise t?cnica e econ?mica. S?o apresentadas considera??es sobre a necessidade de inclus?o de dados s?cio-comportamental a partir de informa??es do IBGE, ressaltando-se a import?ncia da ilumina??o p?blica como um grande fator preventivo de acidentes nas vias urbanas, bem como inibidor de a??es por parte do com?rcio il?cito, da criminalidade e da prostitui??o, em hor?rios noturnos. Com o diret?rio organizado com tr?s bases de dados distintos, apresenta-se um estudo da t?cnica de Minera??o de Dados no sistema Eficiente de Ilumina??o P?blica, utilizando-se as informa??es dos algoritmos para a descoberta de novos padr?es. A busca de novos padr?es e relacionamento entre diferentes vari?veis da aplica??o t?cnica da minera??o de dados ? um dos prop?sitos deste estudo, viabilizando a descoberta do conhecimento em uma base de dados atrav?s do desenvolvimento e implementa??o de algoritmos espec?ficos, que sirvam de suporte ? tomada de decis?o no processo de identifica??o, do diagn?stico e do perfil de uma comunidade. Ao final, um novo modelo de gest?o de Ilumina??o P?blica, agora baseado no conhecimento adquirido pela minera??o, foi empregado, com resultados pr?ticos que mostram efetiva efici?ncia pela redu??o de consumo e significativa melhora nos ?ndices s?cio-comportamentais, tais como, redu??o de viol?ncia urbana e maior grau de satisfa??o da comunidade.

Made available in DSpace on 2015-04-14T14:48:58Z (GMT). No. of bitstreams: 1 400741.pdf: 8197264 bytes, checksum: 06de0e14d6fe03643c75f2ccd841d590 (MD5) Previous issue date: 2008-01-30 / Diversos processos de neg?cio das organiza??es podem ser automatizados com o aux?lio de sistemas de Workflow. Alguns deles, estrategicamente importantes, necessitam de ferramentas que permitam an?lises gerenciais e auxiliem os gestores no processo de tomada de decis?o. Neste contexto, a aplica??o das t?cnicas de descoberta de conhecimento sobre os registros de execu??o das inst?ncias dos processos de neg?cio mostra-se uma pr?tica promissora. No entanto, o ambiente computacional utilizado pelas aplica??es de KDD pode ser significativamente complexo, tendo suas etapas executadas de forma independente como, por exemplo, em um ambiente orientado a servi?os. Esta arquitetura possui um problema relacionado ? troca de informa??es entre as etapas do processo, visto que cada servi?o pode ter sido escrito em linguagens diferentes e necessitar que os dados estejam dispostos em um determinado formato. Neste caso, uma vez que este formato seja ?nico, distintas aplica??es podem trabalhar utilizando mesmos dados, agregando ao procedimento com diversidade de op??es. Seguindo esta problem?tica, este trabalho versa sobre uma abordagem que visa tornar independentes duas etapas do processo de descoberta de conhecimento: a minera??o de dados e a visualiza??o dos resultados. Para isto, a solu??o proposta est? baseada no uso das tecnologias de XML e XML Schema para a defini??o de estruturas para as sa?das e entradas dos algoritmos de minera??o e t?cnicas de visualiza??o. Al?m disto, o uso de t?cnicas de XSLT contribui para que a transforma??o entre estes formatos possa ser realizada de modo automatizado. Para a valida??o da solu??o, criada com base te?rica, foram realizadas alguns testes utilizando as implementa??es de c?digo livre. A principal contribui??o deste trabalho est? na cria??o de formatos ?nicos e gen?ricos para a troca de informa??es entre as etapas citadas, bem como sua transforma??o.

Made available in DSpace on 2015-04-14T14:49:02Z (GMT). No. of bitstreams: 1 406064.pdf: 2136241 bytes, checksum: 1ec360a68cfe28f759f1832832dffb38 (MD5) Previous issue date: 2006-08-23 / Um dos principais problemas evidenciados no dom?nio da Educa??o a Dist?ncia (EAD) ? a falta de percep??o que os instrutores de cursos Web t?m quanto ? intera??o dos alunos durante o processo de aprendizado. Este problema ? mais fortemente evidenciado no ambiente da EAD devido ao pouco contato entre os instrutores e os alunos, dadas as limita??es dos ca?nais de comunica??o, e ? falta de sem?ntica no registro das p?ginas acessadas, em rela??o ao seu significado no dom?nio da aplica??o. A Minera??o do Uso da Web (MUW) oferece t?cnicas de minera??o de dados que permitem descobrir padr?es de utiliza??o da Web para melhor entender e servir as necessidades das aplica??es. O processo de MUW ? composto de etapas, a saber: pr?processamento, descoberta de padr?es e an?lise de padr?es. V?rias t?cnicas podem ser aplicadas na etapa de descoberta de padr?es. A t?cnica de agrupamento, foco deste trabalho, destaca-se por agregar valor nesta quest?o, pois tende a estabelecer grupos de usu?rios que mostram padr?es de comportamento semelhantes. O agrupamento de sess?es Web tem impulsionado uma grande ?rea de pesquisa que visa caracterizar os usu?rios com base na navega??o na Web. Por?m, nenhum trabalho foi encontrado que aborde a similaridade entre as p?ginas considerando a sem?ntica dos eventos da aplica??o quando computando a similaridade entre as sess?es Web. Al?m disso, a correta aplica??o da t?cnica de agrupamento ? uma tarefa complexa que envolve desde a prepara??o dos dados at? a escolha do algoritmo de agrupamento, al?m de estar fortemente associada ? complexidade do processo de descoberta de conhecimento. Dados os problemas identificados, este trabalho prop?e mecanismos de agrupamento e de interpreta??o de padr?es que facilitem, respectivamente, a aplica??o da t?cnica de agrupamento e a an?lise dos grupos por pessoas leigas, visando auxiliar na caracteriza??o das sess?es de aprendizado em um ambiente de EAD. Estes mecanismos fazem uso de uma taxonomia como forma de agregar sem?ntica aos eventos do dom?nio, reduzindo assim a necessidade de retorno ? etapa de pr?-processamento. O mecanismo de agrupamento proposto visa facilitar a aplica??o da t?cnica de agrupamento e aumentar a qualidade dos grupos, considerando para isso a similaridade entre as p?ginas com base na sem?ntica dos eventos do dom?nio. O mecanismo de interpreta??o proposto permite representar os grupos visualmente, de modo condizente com o objetivo do agrupamento, bem como inspecionar dinamicamente os grupos formados considerando os diferentes n?veis de abstra??o das p?ginas no dom?nio da aplica??o. Foi desenvolvido um ambiente de apoio para auxiliar o intrutor durante a execu??o das etapas da MUW visando a facilitar a aplica??o do agrupamento e a an?lise das sess?es de aprendizado

Made available in DSpace on 2015-04-14T14:49:43Z (GMT). No. of bitstreams: 1 437994.pdf: 1640213 bytes, checksum: 26f32168808fae3383c6bd3a3b9c87fc (MD5) Previous issue date: 2010-03-30 / Organizations acting on several markets have been using the benefits offered by the use of Data Mining - DM techniques as a complementary activity to their support systems to the strategic decision. However, to the great majority of the organizations, the deployment of a DM Project ends up not being feasible due to different factors, such as: Project duration, high costs and mainly by the uncertainty as to getting results that may effectively help the organization to improve their business processes. In this context, this paper presents a process based on the process of knowledge Discovery in Database - KDD which aims to identify opportunities to the application of DM techniques through the induction and ranking of decisions generated by the exploration of semi automatic Online Analytical Processing Models-OLAP. The built process uses stored information in a OLAP model prepared on the basis of used information by Customer Relationship Management - CRM and Business Intelligence - BI typically used by the organization to support strategic decision making. In relation to the information selected for this research, it has been carried out in a semi automatic way, a series of experiments using DM techniques which the results are collected and stored for later evaluation and ranking. The process was built and tested with a significant number of experiments and later evaluated by business experts in a large financial institution where this research was developed. / Organiza??es atuantes nos mais diferentes mercados, t?m utilizado os benef?cios oferecidos pela utiliza??o de t?cnicas de Data Mining DM como atividades complementares a seus sistemas de apoio a decis?o estrat?gica. Por?m, para a grande maioria das organiza??es, a implanta??o de um projeto de DM acaba sendo inviabilizada em fun??o de diferentes fatores como: dura??o do projeto, custos elevados e principalmente pela incerteza quanto ? obten??o de resultados que possam auxiliar de fato a organiza??o a melhorar seus processos de neg?cio. Neste contexto, este trabalho apresenta um processo, baseado no processo de Knowledge Discovery in Database KDD, que visa identificar oportunidades para aplica??o de t?cnicas de DM atrav?s da indu??o e ranqueamento de ?rvores de decis?o geradas pela explora??o semiautom?tica de modelos On-Line Analytical Processing - OLAP. O processo constru?do utiliza informa??es armazenadas em um modelo OLAP preparado com base nas informa??es utilizadas por sistemas de Customer Relationship Management - CRM e Business Intelligence BI, tipicamente utilizados por organiza??es no apoio a tomada de decis?o estrat?gica. Neste trabalho ? apresentada uma s?rie de experimentos, gerados de forma semiautom?tica, utilizando t?cnicas de DM, cujos resultados s?o coletados e armazenados para posterior avalia??o e ranqueamento. O processo foi constru?do e testado com um conjunto significativo de experimentos e posteriormente avaliado por especialistas de neg?cio em uma institui??o financeira de grande porte onde esta pesquisa foi desenvolvida.