Made available in DSpace on 2015-04-14T14:49:49Z (GMT). No. of bitstreams: 1 439096.pdf: 7558590 bytes, checksum: 4fb2b1caf2e02f0f7ee3d5ffb4741bb7 (MD5) Previous issue date: 2012-03-27 / Bathymetry is the measurement of the depth at various places in a body of water, as well as information derived from such measurements. It has several important applications, and has been attracting increasing interest over the last years. Bathymetry maps may cover the entire extent of the Earth globe. However, the analysis of such maps by visual inspection solely is difficult, due to subtle variations on the seafloor conformation. Thus, it would be interesting to have available computational tools capable of assisting a domain expert in problems related to bathymetry images, by analyzing them automatically or semi-automatically. The contribution of this work is an approach to use data mining for such analysis, and an iconography for results visualization, as well as map characteristics. We propose techniques to process input images, in order to extract records and their features, which can be processed by classic data mining algorithms. We also propose an iconography for visualization of knowledge discovery process results, as well as characteristics of areas in the processed map. Finally, the proposed approach is tested by applying it on a real database, under a domain expert supervision. / A batimetria ? a medida da profundidade em distintos lugares de uma massa de ?gua, e tamb?m a informa??o derivada de tais medi??es. Possui diversas aplica??es importantes e tem atra?do cada vez mais interesse nos ?ltimos anos. Mapas batim?tricos podem cobrir toda a extens?o do globo terrestre. Entretanto, a an?lise apenas por inspe??o visual destes mapas pode ser dif?cil, devido a varia??es sutis na conforma??o do solo oce?nico. Assim, seria interessante a disponibiliza??o de ferramentas computacionais capazes de auxiliar ao especialista de dom?nio nos mais diversos problemas relativos a imagens batim?tricas, analisando-as de forma autom?tica ou semi-autom?tica. A contribui??o deste trabalho ? uma abordagem para a utiliza??o da minera??o de dados para tal an?lise, e de uma iconografia para a visualiza??o dos resultados da minera??o e de caracter?sticas do pr?prio mapa. S?o propostas t?cnicas para o processamento da imagem de entrada, a fim de extrair da mesma registros e atributos que possam ser processados por algoritmos cl?ssicos da minera??o de dados. Tamb?m ? proposta uma iconografia para a visualiza??o dos resultados do processo de descoberta de conhecimento e das caracter?sticas de ?reas processadas do mapa. Finalmente a abordagem proposta ? testada, aplicando-a sobre uma base de dados real, com supervis?o de um especialista de dom?nio.

Made available in DSpace on 2015-04-14T14:50:03Z (GMT). No. of bitstreams: 1 449231.pdf: 1860025 bytes, checksum: 1ace09799e27fa64938e802d2d91d1af (MD5) Previous issue date: 2012-08-31 / In the Data Mining area experiments have been carried out using Ensemble Classifiers. We experimented Random Forests to evaluate the performance when randomness is applied. The results of this experiment showed us that the impact of randomness is much more relevant in Random Forests when compared with other algorithms, e.g., Bagging and Boosting. The main purpose of this work is to decrease the effect of randomness in Random Forests. To achieve the main purpose we implemented an extension of this method named Stochastic Random Forests and specified the strategy to increase the performance and stability combining the results. At the end of this work the improvements achieved are presented / Na ?rea de Minera??o de Dados, experimentos vem sendo realizados utilizando Conjuntos de Classificadores. Estes experimentos s?o baseados em compara??es emp?ricas que sofrem com a falta de cuidados no que diz respeito ? quest?es de aleatoriedade destes m?todos. Experimentamos o Random Forests para avaliar a efici?ncia do algoritmo quando submetido a estas quest?es. Estudos sobre os resultados mostram que a sensibilidade do Random Forests ? significativamente maior quando comparado com a de outros m?todos encontrados na literatura, como Bagging e Boosting. O proposito desta disserta??o ? diminuir a sensibilidade do Random Forests quando submetido a aleatoriedade. Para alcan?ar este objetivo, implementamos uma extens?o do m?todo, que chamamos de Random Forests Estoc?stico. Logo especificamos como podem ser alcan?adas melhorias no problema encontrado no algoritmo combinando seus resultados. Por ?ltimo, um estudo ? apresentado mostrando as melhorias atingidas no problema de sensibilidade

Made available in DSpace on 2015-04-14T14:50:07Z (GMT). No. of bitstreams: 1 451416.pdf: 14714043 bytes, checksum: 81e6c7473cbbdc708a5b414e1b3ffc85 (MD5) Previous issue date: 2013-03-14 / Techniques of Business Intelligence (BI) became one of the main allies of organizations in tasks of transforming data into knowledge, supporting the middle and upper management levels in decision making. BI tools in their composition are based on techniques of knowledge management, such as Data Warehouse (DW), OLAP (Online Analytical Processing), Data Mining (DM), among others. In this context, it is observed that in many case, DM projects become unfeasible by some factors, such as project costs, duration and specially the uncertainty in obtaining results that return the investment spent on the project. This work seeks to minimize these factors through a diagnosis on data, by an algorithm based on Rough Sets Theory. The algorithm, named Rough Set App (RSAPP) aims to create a diagnosis on data persisted in DW, in order to map which attributes have the greatest potential for generating more accurate mining models and more interesting results. Thus, it is expected that the diagnosis generated by RSAPP can complement the KDD (Knowledge Discovery in Database) process, reducing the time spent on activities of understanding and reducing data dimensionality. This work presents a detailed description about the implemented algorithm, as well as the report of the executed tests. At the end there is an empirical analysis of the results, in order to estimate the effectiveness of the proposed algorithm. / As t?cnicas, business intelligence (BI) firmaram-se como grandes aliadas das organiza??es nas tarefas de transformar dados em conhecimento, apoiando a m?dia e alta gest?o na tomada de decis?es. As ferramentas de BI em sua, composi??o s?o fundadas em t?cnicas de gest?o do conhecimento, tais como Data Warehouse (DW), OLAP (Online Analytical Processing), minara??o de dados (MD), entre outras. Neste contexto, observa-se que em muitos casos, projatos de MD acabam sendo inviabilizados por alguns fatores, tais como, custo do projeto, dura??o e principalmente, a incerteza na obten??o de resultados que retornem o investimento despedindo no projeto. O presente trabalho busca minimizar os fatores acima por meio um diagn?stico sobre dados, atrav?s de um algoritmo baseado em Rough Sets Theory (Teoria dos Conjuntos Aproximados (TCA)). O algoritmo desenvolvido, nomeado Rough Set App (RSAPP) objetiva criar um diagn?stico sobre os dados persistidos no DW, a fim de mapear quais atributos possuem maior potencial de gerar modelos de minera??o mais preciosos e resultados mais interessantes. Desta forma, entende-se que o diagn?stico gerado por RSAPP pode complementar o processo de KDD (Knowledge Discovery in database), reduzindo o tempo gasto nas atividades de entendimento e redu??o da dimensionalidade dos dados. No trabalho se faz uma descri??o detalhada acerca do algoritmo implementado, bem como o relato dos, testes que foram executados. Ao final faz-se uma an?lise emp?rica sobre os resultados a fim de estimar a efic?cia do algoritmo quanto a sua proposta.

Made available in DSpace on 2015-04-14T14:50:12Z (GMT). No. of bitstreams: 1 458539.pdf: 3705446 bytes, checksum: de3d802acba0f10f03298ee0277b51b1 (MD5) Previous issue date: 2014-03-20 / The usefulness of data mining and the process of Knowledge Discovery in Databases (KDD) has increased its importance as grows the volume of data stored in large repositories. A promising area for knowledge discovery concerns oil prospection, in which data used differ both from traditional and geographical data. In palaeogeographic data, temporal dimension is treated according to the geologic time scale, while the spatial dimension is related to georeferenced data, i.e., latitudes and longitudes on Earth s surface. This approach differs from that presented by spatio-temporal data mining algorithms found in literature, arising the need to evolve the existing ones to the context of this research. This work presents the development of a solution to employ a density-based spatio-temporal algorithm for mining palaeogeographic data on the Earth s surface. An evolved version of the ST-DBSCAN algorithm was implemented in Java language making use of Weka API, where improvements were carried out in order to allow the data mining algorithm to solve a variety of research problems identified. A set of experiments that validate the proposed implementations on the algorithm are presented in this work. The experiments show that the solution developed allow palaeogeographic data mining by applying appropriate formulas for calculating distances over the Earth s surface and, at the same time, treating the temporal dimension according to the geologic time scale / O uso da minera??o de dados e do processo de descoberta de conhecimento em banco de dados (Knowledge Discovery in Databases (KDD)) vem crescendo em sua import?ncia conforme cresce o volume de dados armazenados em grandes reposit?rios. Uma ?rea promissora para descoberta do conhecimento diz respeito ? prospec??o de petr?leo, onde os dados usados diferem tanto de dados tradicionais como de dados geogr?ficos. Nesses dados, a dimens?o temporal ? tratada de acordo com a escala de tempo geol?gico, enquanto a escala espacial ? relacionada a dados georeferenciados, ou seja, latitudes e longitudes projetadas na superf?cie terrestre. Esta abordagem difere da adotada em algoritmos de minera??o espa?o-temporal presentes na literatura, surgindo assim a necessidade de evolu??o dos algoritmos existentes a esse contexto de pesquisa. Este trabalho apresenta o desenvolvimento de uma solu??o para uso do algoritmo de minera??o de dados espa?o-temporais baseado em densidade ST-DBSCAN para minera??o de dados paleogeogr?ficos na superf?cie terrestre. O algoritmo foi implementado em linguagem de programa??o Java utilizando a API Weka, onde aperfei?oamentos foram feitos a fim de permitir o uso de minera??o de dados na solu??o de problemas de pesquisa identificados. Como resultados, s?o apresentados conjuntos de experimentos que validam as implementa??es propostas no algoritmo. Os experimentos demonstram que a solu??o desenvolvida permite a minera??o de dados paleogeogr?ficos com a aplica??o de f?rmulas apropriadas para c?lculo de dist?ncias sobre a superf?cie terrestre e, ao mesmo tempo, tratando a dimens?o temporal de acordo com a escala de tempo geol?gico

Made available in DSpace on 2015-04-14T14:50:20Z (GMT). No. of bitstreams: 1 467244.pdf: 1839473 bytes, checksum: addcf180682b243c0834e784f67d8774 (MD5) Previous issue date: 2014-07-31 / Despite the increased popularity of the adoption of Systematic Literature Reviews in Software Engineering, many researchers still indicate it as a costly and challenging process. Studies report problems in different activities throughout the review process, as in the construction of the Systematic Review search string and selection of primary studies. Aiming to promote aid to its realization, tools based on methods and techniques from the Visual Text Mining area are presented in published studies, proposing assistance in various tasks of a Systematic Literature Review. However, it s perceived a lack of methods proposing to aid a researcher with the construction of the Systematic Review search string, on its planning phase. In this context, this paper proposes an iterative method to assist the process of building the search string for a Systematic Review. Using Visual Text Mining techniques, it supports the researcher by suggesting terms for the search string. Relevant terms are extracted from studies selected by the researcher and shown in a visualization that facilitates the decision of the researcher to update the search string and include them, building and refining the search string that will be used in the Systematic Review. A tool that implements the proposed method has been developed, allowing the execution of tests with researchers and an analysis of the feasibility of this proposal. Interviews with researchers identified the difficulties in performing Systematic Reviews and captured their opinions regarding the use of the proposed method, discussing its adoption / Apesar do aumento na popularidade da aplica??o de Revis?es Sistem?ticas da Literatura na Engenharia de Software, muitos pesquisadores ainda a apontam como um processo custoso e desafiador. Estudos levantados reportam problemas em diferentes atividades ao longo de seu processo, como na constru??o da string de busca da Revis?o Sistem?tica e na sele??o dos estudos prim?rios. Visando promover um aux?lio ? sua realiza??o, m?todos e ferramentas baseados em t?cnicas da ?rea de Minera??o Visual de Texto s?o propostas em estudos publicados da ?rea, atuando em diversas etapas de uma Revis?o Sistem?tica da Literatura. ? percebida, por?m, a aus?ncia de m?todos que auxiliem um pesquisador na constru??o da string de busca de sua Revis?o Sistem?tica, na fase de planejamento da mesma. Neste contexto, o presente trabalho visa qualificar o processo de constru??o da string de busca de uma Revis?o Sistem?tica, propondo um m?todo iterativo que, aplicando t?cnicas da Minera??o Visual de Texto, apoia o pesquisador atrav?s da sugest?o de termos relevantes de estudos selecionados. Os termos mais relevantes s?o extra?dos de estudos selecionados e visualizados de forma a facilitar a decis?o do pesquisador em inclu?-los na string de busca utilizada, construindo e refinando a string de busca que ser? usada na Revis?o Sistem?tica. Uma ferramenta que implementa o m?todo proposto foi desenvolvida, permitindo que testes com estes mesmos pesquisadores fossem realizados, e que uma an?lise sobre a viabilidade desta proposta fosse feita. Entrevistas realizadas com pesquisadores identificaram as dificuldades enfrentadas na realiza??o de Revis?es Sistem?ticas e captaram suas opini?es a respeito da utiliza??o do m?todo proposto como solu??o.

Made available in DSpace on 2015-04-14T14:50:24Z (GMT). No. of bitstreams: 1 394031.pdf: 3211775 bytes, checksum: 8e122c8440a9621f48abe25377d2f4c2 (MD5) Previous issue date: 2006-12-14 / A an?lise de processos tem desempenhado um papel fundamental na gest?o dos neg?cios. A maior parte das pesquisas e solu??es existentes para essa an?lise focaliza muito exclusivamente na an?lise quantitativa de processos atrav?s de m?tricas de desempenho e indicadores de qualidade, possuindo menos recursos investigativos que permitam compreender o porqu? do comportamento observado. T?cnicas de minera??o de dados possuem um papel importante neste contexto, oferecendo recursos para an?lise causal de comportamento. No entanto, as t?cnicas de an?lise e monitora??o de processos de neg?cio s?o utilizadas de forma disjunta, ou seja, n?o existe uma integra??o ou complementa??o de informa??o entre as diferentes abordagens de descoberta de conhecimento. Al?m disso, n?o suportam a an?lise seq?encial dos fluxos de execu??o, prejudicando a investiga??o de anomalias e comportamentos espec?ficos. Este trabalho prop?e um ambiente para a an?lise de processos de neg?cio com recursos, que combinam e permitem explorar, de forma sin?rgica, as informa??es advindas da aplica??o de t?cnicas de minera??o seq?encial, originalmente propostas para a Minera??o do Uso da Web, com aquelas sobre mensura??o de processos, atividades e recursos.

Submitted by Setor de Tratamento da Informa??o - BC/PUCRS (tede2@pucrs.br) on 2015-08-17T19:06:03Z No. of bitstreams: 1 473651 - Texto Completo.pdf: 15125610 bytes, checksum: 0ae5116bc2669408e12c87781990c0a8 (MD5) / Made available in DSpace on 2015-08-17T19:06:03Z (GMT). No. of bitstreams: 1 473651 - Texto Completo.pdf: 15125610 bytes, checksum: 0ae5116bc2669408e12c87781990c0a8 (MD5) Previous issue date: 2015-03-20 / Frequent Itemsets Mining (FIM) is a data mining task used to find relations between dataset items. Apriori is the traditional algorithm of the Generate-and-Test class to discover these relations. Recent studies show that this algorithm and others of this task are not adapted to execute in contexts with uncertainty because these algorithms are not prepared to handle with the probabilities associated to items of the dataset. Nowadays, data with uncertainty occur in many applications, for example, data collected from sensors, information about the presence of objects in satellite images and data from application of statistical methods. Due to big datasets with associated uncertainty, new algorithms have been developed to work in this context: UApriori, UF-Growth and UH-Mine. UApriori, specially, is an algorithm based in expected support, often addressed by scientific community. On the one hand, when this algorithm is applied to big datasets, in a context with associated probabilities to dataset items, it does not present good scalability. On the other hand, some works have evolved the Apriori algorithm joining with the model of programming MapReduce, in order to get a better scalability. With this model, it is possible to discover frequent itemsets using parallel and distributed computation. However, these works focus their efforts on discovering frequent itemsets on deterministic datasets. This thesis present the development, implementation and experiments applied to three algorithms: UAprioriMR, UAprioriMRByT and UAprioriMRJoin. The three cited algorithms evolve the traditional algorithm Apriori, integrating the model of programming MapReduce, on contexts with uncertainty. The algorithm UAprioriMRJoin is a hybrid algorithm based on the UAprioriMR and UAprioriMRByT algorithms. The experiments expose the good performance of the UAprioriMRJoin algorithm, when applied on big datasets, with many distinct items and a small average number of items per transaction in a cluster of nodes. / Frequent Itemsets Mining (FIM) ? uma tarefa de minera??o de dados utilizada para encontrar rela??es entre os itens de um dataset. O Apriori ? um tradicional algoritmo da classe Generateand- Test para descobrir tais rela??es. Estudos recentes mostram que este e outros algoritmos desta tarefa n?o est?o aptos para executar em contextos onde haja incerteza associada, pois eles n?o est?o preparados para lidar com as probabilidades existentes nos itens do dataset. A incerteza nos dados ocorre em diversas aplica??es como, por exemplo, dados coletados de sensores, informa??es sobre a presen?a de objetos em imagens de sat?lite e dados provenientes da aplica??o de m?todos estat?sticos. Dada a grande quantidade de dados com incertezas associadas, novos algoritmos t?m sido desenvolvidos para trabalharem neste contexto: UApriori, UF-Growth e UH-Mine. O UApriori, em especial, ? um algoritmo baseado em suporte esperado, abordado frequentemente pela comunidade acad?mica. Quando este algoritmo ? aplicado sobre grandes datasets, em um contexto com probabilidades associadas aos itens do dataset, ele n?o apresenta boa escalabilidade. Por outro lado, alguns trabalhos t?m adaptado o algoritmo Apriori para trabalhar com o modelo de programa??o MapReduce, a fim de prover uma melhor escalabilidade. Utilizando este modelo, ? poss?vel descobrir itens frequentes de modo paralelo e distribu?do. No entanto, tais trabalhos focam seus esfor?os na descoberta de itens frequentes sobre datasets determin?sticos. Esta tese apresenta o desenvolvimento, implementa??o e os experimentos realizados, a partir da aplica??o e discuss?o de tr?s algoritmos: UAprioriMR, UAprioriMRByT e UAprioriMRJoin. Os tr?s algoritmos citados evoluem o algoritmo tradicional Apriori para que possam executar com o modelo de programa??o MapReduce sobre contextos com incerteza associada. O algoritmo UAprioriMRJoin ? um algoritmo h?brido com base nos algoritmos UAprioriMR e UAprioriMRByT. Os experimentos revelam o bom desempenho do algoritmo UAprioriMRJoin quando aplicado sobre grandes datasets, com muitos atributos e um n?mero m?dio pequeno de itens por transa??o, em um cluster de nodos.

Submitted by Sara Ribeiro (sara.ribeiro@ucb.br) on 2017-11-25T11:49:15Z No. of bitstreams: 1 WeslleyRodriguesSepulvidaDissertacao2016.pdf: 1633691 bytes, checksum: 6449c77ed21fbc52e7c304fd7364796d (MD5) / Approved for entry into archive by Sara Ribeiro (sara.ribeiro@ucb.br) on 2017-11-25T11:49:41Z (GMT) No. of bitstreams: 1 WeslleyRodriguesSepulvidaDissertacao2016.pdf: 1633691 bytes, checksum: 6449c77ed21fbc52e7c304fd7364796d (MD5) / Made available in DSpace on 2017-11-25T11:49:41Z (GMT). No. of bitstreams: 1 WeslleyRodriguesSepulvidaDissertacao2016.pdf: 1633691 bytes, checksum: 6449c77ed21fbc52e7c304fd7364796d (MD5) Previous issue date: 2016-08-29 / Distance Education has grown along the years. Several educational institutions have been offering courses of internal improvement and qualification, as well as extension, undergraduate and postgraduate courses. The increase in the number of courses and the significant raise in the number of students result in new challenges to the educational institutions. The high dropout rates, common in Distance Education courses, is one of the crucial problems the institutions have to deal with. In this context, Data Mining is one of the main approaches for the development of predictive methods of evasion. The present paper aims an analysis of the Distance Education evasion in a traditional Midwest Brazilian University. The study intends to identify the behavior of the students who have dropped out undergraduate courses, in order to provide subsidies for the subjects involved in the teaching-learning process. As a preventive solution to the evasion issue, it is understood that proper communication with the students who are about to evade can lead to changes that contribute to minimize the problem. This study is presented in four parts: (i) literature review based on theoretical framework on Distance Education evasion, Virtual Learning Environments, Knowledge Discovery in Database (KDD) and Education Data Mining; (ii) an analysis of the Virtual Learning Environment institution database applying KDD techniques to identify the course abandonment behavior; (iii) development and validation of a model for predictive identification of students prone to evade; (iv) management actions to mitigate the problem. The results show that, when applying KDD to the variant data in time, 30 days after the beginning of the classes, it is possible to significantly predict evasion. From the results, an evasion prediction model was developed, as well as an evasion combat model. / A educa????o a dist??ncia (EAD) tem crescido nos ??ltimos anos. V??rias institui????es de ensino t??m ofertado cursos que v??o desde aperfei??oamentos e capacita????es internas at?? cursos de extens??o, gradua????o e p??s-gradua????o. Com o crescimento da oferta de cursos e o aumento significativo dos estudantes, as institui????es educacionais se colocam frente a novos desafios, entre eles o combate das altas taxas de evas??o, comum em cursos na modalidade EAD. Nesse sentido, a Minera????o de Dados ?? uma das abordagens que vem sendo explorada para o desenvolvimento de m??todos preditivos de evas??o. O presente trabalho prop??e uma an??lise da evas??o no contexto da EAD de uma tradicional universidade do Centro Oeste. O estudo busca identificar comportamentos dos estudantes que abandonaram cursos de gradua????o nessa modalidade, de maneira a fornecer subs??dios preditivos para os atores envolvidos no processo de ensino-aprendizagem de forma a apoiar a tomada de decis??es preventivas a respeito da evas??o. Parte-se do pressuposto de que interven????es junto aos estudantes propensos a evadir podem acarretar mudan??a no comportamento via Ambiente Virtual de Aprendizagem (AVA) que contribuem para minimizar a evas??o. Este trabalho ?? dividido em quatro partes: (i) uma revis??o da literatura, para embasamento te??rico, sobre evas??o no ??mbito da EAD, ambientes virtuais de aprendizagem (AVA), knowledge Discovery in Database (KDD) e Education Data Mining; (ii) an??lise da base de dados do AVA utilizado pela institui????o aplicando t??cnicas de KDD, para identifica????o do comportamento de abandono do curso; (iii) gera????o e valida????o de um modelo para identifica????o preditiva de estudantes propensos a evadir; (iv) A????es Gerenciais propostas para mitiga????o do problema. Os resultados mostram que ao aplicar o KDD nos dados variantes no tempo, com 30 dias ap??s o in??cio das aulas, ?? poss??vel predizer evas??o com precis??o significativa. A partir dos resultados obtidos, gerou-se um modelo de predi????o de evas??o bem como um modelo de tomada de decis??o e a????es de combate ?? evas??o.

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-12-04T21:01:20Z No. of bitstreams: 1 FabianeMariaDantas_DISSERT.pdf: 929844 bytes, checksum: 2e4faac4c48d4cc1249b2b93627b7439 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-12-07T21:48:11Z (GMT) No. of bitstreams: 1 FabianeMariaDantas_DISSERT.pdf: 929844 bytes, checksum: 2e4faac4c48d4cc1249b2b93627b7439 (MD5) / Made available in DSpace on 2017-12-07T21:48:11Z (GMT). No. of bitstreams: 1 FabianeMariaDantas_DISSERT.pdf: 929844 bytes, checksum: 2e4faac4c48d4cc1249b2b93627b7439 (MD5) Previous issue date: 2015-08-17 / O trabalho em tela tem por objetivo analisar os direitos constitucionais ? ?gua e ao desenvolvimento em um cen?rio de escassez, a partir de uma base mineira ? o munic?pio de Currais Novos. A cidade foi escolhida como objeto de pesquisa, n?o de forma aleat?ria. Currais Novos foi e ainda ? refer?ncia na extra??o de scheelita, sendo considerada, no s?culo passado, possuidora de uma das maiores minas do mineral na Am?rica Latina. Por outro lado, no come?o dos anos 2014, o munic?pio em estudo foi palco de manifesta??o popular denominada SOS Adutora Currais Novos devido a imin?ncia de colapso h?drico na cidade, n?o havendo planos emergenciais para sanar a falta de ?gua. Logo, a reivindica??o pela constru??o de uma adutora foi a alternativa mais vi?vel para solucionar a escassez. Assim, o estudo se desenrola sob dois ?ngulos: a ?gua como imprescind?vel para a manuten??o da vida e, tamb?m, indispens?vel ? ind?stria, em particular, ? produ??o mineral. Por outro lado, observa-se que o Governo do Estado do RN mant?m projetos que estimulam a industrializa??o do interior do estado. Uma vez constatada a escassez e a presen?a de movimentos populares em prol do acesso ? ?gua, questiona-se qual o tipo de desenvolvimento pretendido para o munic?pio em estudo. Fazendose analogia ? obra do economista Amartya Sen, a ?gua ? considerada como sendo liberdade substantiva e instrumental, ou seja, direito inerente ao ser humano e instrumento capaz de impulsionar outros direitos ou liberdades. Nessa mesma esteira, fala-se em sustentabilidade ? liberdade sustent?vel - como o objetivo a ser alcan?ado. Assim, o trabalho ? desenvolvido na perspectiva de abrir discuss?es sobre a utiliza??o da ?gua para consumo humano e como meio propulsor de desenvolvimento (como insumo na ind?stria mineral), sob o prisma da sustentabilidade. Logo, inevit?vel a inser??o do tema na ?rbita constitucional. / The present work aims to analyze the constitutional rights to water and development in a shortage scenario, from a mining base - the city of Currais Novos. The city was chosen as the object of research, not randomly. Currais Novos was and still is reference in scheelite extraction, being considered in the last century, possessing one of the largest scheelite mine in Latin America. On the other side, in the early 2014, the municipality under study was popular demonstration stage called SOS Aqueduct Currais Novos due to imminent collapse of water in the city, with no contingency plans to remedy the lack of water. Therefore, the claim by building a pipeline was the most viable alternative to solve the shortage. Thus, the study unfolds from two angles: the water as indispensable for the maintenance of life and also essential to industry, in particular, the mineral production. On the other hand, it is observed that the RN State Government maintains projects that stimulate industrialization in the state. Once verified shortages and the presence of popular movements for access to water, wonders what type of proposed development for the municipality under study. Making up the analogy of the economist Amartya Sen work, water is considered to be substantive and instrumental freedom, ie right inherent to human beings and instrument to boost other rights or freedoms. In this same vein, there is talk of sustainability - sustainable freedom - as the goal to be achieved. So the work is developed in the context of opening discussions on the use of water for human consumption and as a means of propelling development (as input in the mining industry), from the perspective of sustainability. Soon, the inevitable topic of inclusion in the constitutional orbit.

Submitted by Jos? Henrique Henrique (jose.neves@ufvjm.edu.br) on 2018-07-24T17:34:56Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) leila_maria_silva.pdf: 2106552 bytes, checksum: 53ba37c88f3aa004f2201a85b74fd640 (MD5) / Approved for entry into archive by Rodrigo Martins Cruz (rodrigo.cruz@ufvjm.edu.br) on 2018-10-04T19:43:35Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) leila_maria_silva.pdf: 2106552 bytes, checksum: 53ba37c88f3aa004f2201a85b74fd640 (MD5) / Made available in DSpace on 2018-10-04T19:43:35Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) leila_maria_silva.pdf: 2106552 bytes, checksum: 53ba37c88f3aa004f2201a85b74fd640 (MD5) Previous issue date: 2017 / A internet ? hoje a maior fonte de informa??o eletr?nica existente. Cresce a cada dia o n?mero de usu?rios da internet, e consequentemente o uso das redes sociais online. S?o muitas as informa??es novas que ficam embutidas nas bases de dados textuais. Por causa da sua natureza din?mica, ou seja, milh?es de p?ginas surgem e desaparecem todos os dias, a tarefa de encontrar informa??es relevantes nessas bases de dados se torna muito dif?cil. As t?cnicas de minera??o de textos para a descoberta de informa??es na web surgiram da necessidade de sanar este problema. O presente trabalho versa sobre a aplica??o de m?todos de minera??o de textos com clusteriza??o na grande quantidade de mensagens sobre o Exame Nacional do Ensino M?dio no ano de 2016 provenientes da rede social Twitter. O foco deste estudo est? na obten??o de grupos de textos, a fim de possibilitar uma visualiza??o resumida e sintetizada dos assuntos mais comentados pelos usu?rios. Para manipula??o dessas bases textuais, o Modelo Cassiopeia foi utilizado empregando seu algoritmo de agrupamento textual que tem como principal finalidade gerar agrupamentos, ou seja, clusters (grupos) de documentos textuais que apresentam algum tipo de similaridade. O Modelo Cassiopeia apresenta um limite de processamento com a quantidade m?xima de 700 tweets. Os tweets passam primeiramente pela fase de limpeza dos textos no pr?-processamento, logo ap?s, a utiliza??o do algoritmo no processamento e por fim, as an?lises dos resultados no p?s-processamento. Os resultados obtidos neste trabalho mostram valores coesos quanto ? similaridade dos documentos dentro de um cluster e entre os clusters, avaliados por medidas de agrupamento textual, proposto pelo Modelo Cassiopeia. Isso demonstra a aplicabilidade dessa proposta para a visualiza??o sintetizada das informa??es mais significativas de um determinado tema, muitas vezes permitindo que a??es sejam antecipadas e impactos sobre a popula??o afetada sejam reduzidos. / Disserta??o (Mestrado Profissional) ? Programa de P?s-Gradua??o em Educa??o, Universidade Federal dos Vales do Jequitinhonha e Mucuri, 2017. / The Internet is today the largest source of existing electronic information. The number of Internet users is increasing daily, and consequently the use of online networks online. There are many new information that is embedded in textual databases. Because of its dynamic nature- that is, millions of pages and other numbers-a task of finding relevant information in those databases becomes very difficult. The techniques of text mining for a discovery of information on the web came from the need to heal this problem. The present work is about an application of methods of text mining with clustering in the large amount of messages on the National High School Exams in the year 2016 issu social network Twitter. The focus of this study is on obtaining groups of texts in order to enable a summary and synthesized publication of the appropriate comments of the users. For manipulation of textual bases, the Cassiopeia Model was used by using its textual grouping algorithm that has as main purpose to generate clusters, that is, clusters of textual documents and executed some kind of similarity. The Cassiopeia Model has a processing limit with a maximum of 700 tweets. The tweets first pass through the phase of cleaning the texts without preprocessing, afterwards, a use of the algorithm without processing and, finally, as analysis of the results without post-processing. The results obtained in this work are more closely related to the similarity of the documents within the cluster and between the clusters, through the measurements of textual grouping, proposed by the Cassiopeia Model. This demonstrates an application for an uninformed publication of the most important information on a given topic, often allowing actions to be anticipated and impacts on an affected population to be reduced.