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 2016-03-02T22:44:37Z No. of bitstreams: 1 PriscillaSueneDeSantanaNogueira_DISSERT.pdf: 2990260 bytes, checksum: b2f0adece207327dfcf45f7d23b39fd4 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2016-03-03T22:56:49Z (GMT) No. of bitstreams: 1 PriscillaSueneDeSantanaNogueira_DISSERT.pdf: 2990260 bytes, checksum: b2f0adece207327dfcf45f7d23b39fd4 (MD5) / Made available in DSpace on 2016-03-03T22:56:49Z (GMT). No. of bitstreams: 1 PriscillaSueneDeSantanaNogueira_DISSERT.pdf: 2990260 bytes, checksum: b2f0adece207327dfcf45f7d23b39fd4 (MD5) Previous issue date: 2015-02-06 / A minera??o de dados educacionais (MDE) ? um dom?nio de aplica??o na ?rea de Intelig?ncia artificial que tem sido bastante explorado na atualidade. Os avan?os tecnol?gicos e em especial, a crescente utiliza??o dos ambientes virtuais de aprendizagem t?m permitido a gera??o de consider?veis quantidades de dados a serem investigados. Dentre as atividades a serem tratadas nesse contexto est? a predi??o de rendimento escolar de estudantes, a qual pode ser realizada atrav?s do emprego de t?cnicas de aprendizado de m?quina. Tais t?cnicas podem ser utilizadas para classifica??o dos estudantes em r?tulos previamente definidos. Uma das estrat?gias para aplica??o dessas t?cnicas consiste em combin?-las no projeto de sistemas multiclassificadores, cuja efici?ncia pode ser comprovada por resultados j? alcan?ados em outros trabalhos realizados em diversas ?reas, tais como: medicina, com?rcio e biometria. Os dados utilizados nos experimentos foram obtidos por meio das intera??es entre estudantes em um dos mais utilizados ambientes virtuais de aprendizagem denominado moodle. Diante desse breve panorama, o presente trabalho apresenta resultados de diversos experimentos que incluem o emprego de sistemas multiclassifcadores espec?ficos, denominados comit?s de classificadores, desse modo visando alcan?ar melhores resultados na predi??o de rendimento escolar, ou seja, na busca por maiores percentuais de acur?cia na classifica??o dos estudantes; apresentando uma significativa explora??o de dados educacionais e an?lises relevantes advindas desses experimentos. / Educational Data Mining is an application domain in artificial intelligence area that has been extensively explored nowadays. Technological advances and in particular, the increasing use of virtual learning environments have allowed the generation of considerable amounts of data to be investigated. Among the activities to be treated in this context exists the prediction of school performance of the students, which can be accomplished through the use of machine learning techniques. Such techniques may be used for student?s classification in predefined labels. One of the strategies to apply these techniques consists in their combination to design multi-classifier systems, which efficiency can be proven by results achieved in other studies conducted in several areas, such as medicine, commerce and biometrics. The data used in the experiments were obtained from the interactions between students in one of the most used virtual learning environments called Moodle. In this context, this paper presents the results of several experiments that include the use of specific multi-classifier systems systems, called ensembles, aiming to reach better results in school performance prediction that is, searching for highest accuracy percentage in the student?s classification. Therefore, this paper presents a significant exploration of educational data and it shows analyzes of relevant results about these experiments.

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-02-13T19:22:38Z No. of bitstreams: 1 LeandroRochinkCosta_DISSERT.pdf: 1175831 bytes, checksum: 3fb21392f141799634d3dbee38317729 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-02-14T18:08:27Z (GMT) No. of bitstreams: 1 LeandroRochinkCosta_DISSERT.pdf: 1175831 bytes, checksum: 3fb21392f141799634d3dbee38317729 (MD5) / Made available in DSpace on 2017-02-14T18:08:27Z (GMT). No. of bitstreams: 1 LeandroRochinkCosta_DISSERT.pdf: 1175831 bytes, checksum: 3fb21392f141799634d3dbee38317729 (MD5) Previous issue date: 2016-08-22 / Ap?s v?rios avan?os na tecnologia de capta??o e armazenamento de dados e do crescimento de aplica??es que prov?m novas informa??es, o n?mero de elementos informacionais dispon?veis ? enorme tanto em volume quanto em variedade. Com esse aumento na quantidade de informa??es, a necessidade de entend?-los e resumi-los se tornou cada vez mais urgente. O Agrupamento Balanceado de Dados, do ingl?s Balanced Clustering, visa encontrar grupos de entidades similares que possuam aproximadamente o mesmo tamanho. Neste trabalho, ? proposta uma nova abordagem heur?stica baseada na metaheur?stica Busca em Vizinhan?a Vari?vel, do ingl?s Variable Neighborhood Search (VNS), e na metodologia Menos ? mais, do ingl?s Less is more approach, para o problema de agrupamento de dados usando o crit?rio da soma m?nima das dist?ncias quadr?ticas com restri??o de balanceamento dos grupos. Os algoritmos encontrados na literatura n?o s?o escal?veis ao passo que aumentamos o tamanho do problema para al?m de 5000 elementos de acordo com experimentos realizados nesta pesquisa. Os experimentos computacionais mostram que o m?todo proposto supera o atual estado da arte neste problema. / After advances in collecting and storing data and the growth in applications that provide new information, the number of data elements available is huge in both volume and variety. With this increase in the quantity of information, the need to understand them and summarize them has become increasingly urgent. The Balanced Clustering seeks to find groups of similar entities that have approximately the same size. In this dissertation, we propose a new heuristic approach based on metaheuristic Variable Neighborhood Search (VNS) and methodology "Less is More Approach"(LIMA) to data clustering problem using the criterion of the minimum sum-of-squared distances applying balancing restriction for the groups. The algorithms found in the literature are not scalable, while the problem of increased size in addition to elements 5000 in accordance with experiments performed in this study. The computational experiments show that the proposed method outperforms the current state of the art for the problem.

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-04-03T19:47:15Z No. of bitstreams: 1 RodrigoAlvesRandel_DISSERT.pdf: 1482786 bytes, checksum: d296cc0bcb0193a4d23da06aacd37afc (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-04-06T20:17:18Z (GMT) No. of bitstreams: 1 RodrigoAlvesRandel_DISSERT.pdf: 1482786 bytes, checksum: d296cc0bcb0193a4d23da06aacd37afc (MD5) / Made available in DSpace on 2017-04-06T20:17:18Z (GMT). No. of bitstreams: 1 RodrigoAlvesRandel_DISSERT.pdf: 1482786 bytes, checksum: d296cc0bcb0193a4d23da06aacd37afc (MD5) Previous issue date: 2016-12-12 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior (CAPES) / Agrupamento de dados ? uma poderosa ferramenta para an?lise autom?tica de dados. Essa t?cnica se prop?e a resolver o seguinte problema: dado um conjunto de entidades, encontrar subconjuntos, denominados clusters, que s?o homog?neos e/ou bem separados. O maior desafio do agrupamento de dados ? encontrar um crit?rio que apresente boa separa??o de dados em grupos homog?neos, e que estes agrupamentos possam trazer informa??es ?teis ao usu?rio. Para resolver este problema, ? sugerido que o usu?rio possa fornecer informa??es pr?vias a respeito do conjunto de dados que auxiliem/guiem o processo de agrupamento. Realizar o agrupamento de dados utilizando essas informa??es auxiliares ? denominado de agrupamento de dados semi-supervisionado (ADSS). Este trabalho explora o problema de ADSS utilizando um novo modelo: os dados s?o agrupados atrav?s da resolu??o do problemas das k-medianas. Resultados mostram que essa abordagem foi capaz de agrupar os dados de forma eficiente para problemas de ADSS em diversos dom?nios diferentes. / Clustering is a powerful tool for automated analysis of data. It addresses the following general problem: given a set of entities, find subsets, or clusters, which are homogeneous and/or well separated. The biggest challenge of data clustering is to find a criterion to present good separation of data into homogeneous groups, so that these groups bring useful information to the user. To solve this problem, it is suggested that the user can provide a priori information about the data set. Clustering under this assumption is called semi-supervised clustering. This work explores the semi-supervised clustering problem using a new model: the data is clustered by solving the k-medians problem. Results shows that this new approach was able to efficiently cluster the data in many different domains.

Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-09-04T21:06:50Z No. of bitstreams: 1 IlmaraPinheiroLimao_DISSERT.pdf: 3934927 bytes, checksum: d25deddd20b654224a5b0b2be82ae163 (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-09-06T23:07:01Z (GMT) No. of bitstreams: 1 IlmaraPinheiroLimao_DISSERT.pdf: 3934927 bytes, checksum: d25deddd20b654224a5b0b2be82ae163 (MD5) / Made available in DSpace on 2017-09-06T23:07:01Z (GMT). No. of bitstreams: 1 IlmaraPinheiroLimao_DISSERT.pdf: 3934927 bytes, checksum: d25deddd20b654224a5b0b2be82ae163 (MD5) Previous issue date: 2017-07-24 / A tribologia aplicada em materiais t?xteis apresenta uma significativa conex?o com o conforto da roupa, j? que as propriedades f?sicas dos tecidos est?o intimamente relacionadas ? sua superf?cie e propriedades de desgaste. De igual modo, o atrito na interface cadeira de rodas-t?xteis ? um fator cr?tico, para avarias das roupas e les?es de pele, causadas por cargas mec?nicas c?clicas, pelas press?es de contato e por for?as de cisalhamento, mediante cont?nuo e longo per?odo de tempo. Como os contatos mec?nicos podem ser especialmente problem?ticos, para usu?rios de cadeira de rodas, ? relevante conhecer as caracter?sticas de fric??o dos t?xteis, direcionada para pessoas com mobilidade reduzida. Diante do exposto, o presente trabalho tem por objetivo, analisar o material do assento e encosto de cadeiras de rodas dobr?veis, no que tange a tribologia. E propor novas rotas tecnol?gicas para a fabrica??o personalizada destes materiais. Para isso, foi realizada uma pesquisa de natureza aplicada, com abordagens qualitativa e quantitativa, utilizando dos procedimentos t?cnicos bibliogr?ficos e experimental, para descrever e explicar os ensaios mec?nicos, de resist?ncia ? tra??o e rasgo, forma??o de pilling, solidez ? cor por fric??o, al?m dos ensaios no abras?metro martindale e no trib?metro, pino sobre disco. Os materiais t?xteis analisados s?o de car?ter representativo, baseado nas caracter?sticas e propriedades da sua composi??o. As vari?veis analisadas s?o desgaste, coeficiente de atrito, for?a de atrito e temperatura. A an?lise e interpreta??o dos dados, ? auxiliada pela ferramenta de minera??o de dados Waikato Environment for Knowledge Analysis ? WEKA, utilizando o algoritmo de classifica??o J48. Resultou-se com o estudo, o mapeamento das avarias, elencando em ordem decrescente os materiais t?xteis mais adequados em contato com o assento de encosto de cadeira de rodas. Os resultados apresentaram: o tecido plano sarja, com maior resist?ncia em todos os ensaios; o tecido de malha jersey, com maior temperatura e forma??o de pilling; o tecido jeans, com maior desgaste abrasivo; o tecido tricoline, com maior coeficiente de atrito din?mico; o tecido tecnosport, com menor desgaste abrasivo. Sendo poss?vel tra?ar por meio do trabalho, novas rotas para fabrica??o de materiais t?xteis, voltadas para cadeirantes. / The tribology applied in textile materials presents a significant connection with the comfort of the clothes, since the physical properties of the fabrics are closely related to its surface and wear properties. Similarly, the friction in the wheelchair-textile interface is a critical factor, for clothing breakdowns and skin lesions, caused by cyclic mechanical loads, contact pressures and shear forces, for a continuous and long period of time. As mechanical contacts can be especially problematic for wheelchair users, it is relevant to know the friction characteristics of textiles, aimed at people with reduced mobility. In view of the above, the present work aims to analyze the material of the seat and backrest of folding wheelchairs, regarding tribology. And propose new technological routes for the personalized manufacture of these materials. For this, a research of an applied nature was carried out, with qualitative and quantitative approaches, using the technical bibliographical and experimental procedures, to describe and explain the mechanical tests, tensile and tear resistance, pilling formation, friction fastness, besides the tests on the martindale abrasometer and the tribometer, pin on disk. The textile materials analyzed are of representative character, based on the characteristics and properties of their composition. The analyzed variables are wear, coefficient of friction, friction force and temperature. Data analysis and interpretation is aided by the Waikato Environment for Knowledge Analysis (WEKA) data mining tool using the J48 classification algorithm. The study resulted in the mapping of faults, listing in decreasing order the most appropriate textile materials in contact with the seat of the back of a wheelchair. The results showed: the flat twill fabric, with higher resistance in all the tests; Knitted jersey fabric, with higher temperature and pilling formation; Jeans fabric with higher abrasive wear; The tricoline fabric, with higher coefficient of dynamic friction; The tecnosport fabric, with less abrasive wear. Being possible to draw through the work, new routes for the manufacture of textile materials, aimed at wheelchair users.

Made available in DSpace on 2015-04-14T13:56:11Z (GMT). No. of bitstreams: 1 405417.pdf: 1389351 bytes, checksum: 6f00a0ed9add46a5b7f8106681a81fdd (MD5) Previous issue date: 2008-01-31 / Com abertura do mercado de energia el?trica e o aumento da competitividade no setor el?trico brasileiro, as concession?rias de energia buscam ferramentas para minimizar as perdas comerciais e maximizar seus lucros. Visando solucionar este problema foi desenvolvido um m?todo de minera??o de dados para detec??o de desvio de comportamento no uso de energia em concession?ria de energia el?trica. Pois quanto menos perde-se, menos precisa ser gerado, e menos se desperdi?a recursos naturais. Na elabora??o do m?todo compreendeu etapas de an?lise e avalia??o dos dados, assim como constru??o de um Data Warehouse mais adequado para o desenvolvimento deste trabalho. Foram analisadas curvas de cargas dos clientes e atrav?s dessa an?lise observou-se o perfil de consumo dos mesmos, embasados na an?lise foram aplicados os algoritmos de minera??o de dados, como o algoritmo de associa??o Apriori para fornecer padr?es de indicadores de perfil dos consumidores bem como os algoritmos de ?rvore de Decis?o e Classificadores Bayesianos. Os resultados validam o m?todo desenvolvido e implementado permitindo sua utiliza??o em uma concession?ria de energia el?trica sendo utilizado como mais uma ferramenta de GLD para auxiliar e somar-se a a??es j? existentes na concession?ria.