Made available in DSpace on 2014-06-12T15:59:52Z (GMT). No. of bitstreams: 2 arquivo5693_1.pdf: 3340527 bytes, checksum: df4bb9bbed3003f04e9e9d74e94cbda1 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2007 / Atualmente, as empresas continuamente alteram suas práticas e seus processos a fim de permanecerem competitivas em seus negócios. Visto que os sistemas de informação não são mais tratados apenas como items adicionais, mas sim como parte do próprio negócio, eles devem acompanhar e dar suporte à dinâmica das empresas. Porém, a manutenção ou evolução dos sistemas ainda é um desafio, em especial quando se trata do entendimento dos sistemas legados, geralmente mal documentados. Nesse cenário, a engenharia reversa pode ser uma maneira de organizar o entendimento e a recuperação de conhecimento dos sistemas legados. Entrento, apesar da existencia de alguns processos, métodos e ferramentas para apoio às atividades de engenharia reversa, algumas tarefas ainda são difíceis de serem reproduzidas no contexto industrial. Dentre elas, pode-se destacar a pouca existência e uso de ferramentas que automatizem as atividades da engenharia reversa, além de pouca evidência empírica da sua utilidade. Portanto, este trabalho apresenta os requisitos, a arquitetura e a implementação de uma ferramenta de engenharia reversa. Os requisitos da ferramenta foram baseados em um amplo estudo sobre as áreas de reengenharia e engenharia reversa, cobrindo tanto experiências acadêmicas quanto industriais. Além disso, são apresentados e discutidos os resultados de um estudo de caso em que a ferramenta é aplicada em um projeto industrial, cujo objetivo foi a engenharia reversa de uma aplicação de 210KLOC, desenvolvida em NATURAL/ADABAS, de uma instituição financeira

Made available in DSpace on 2015-04-11T14:02:35Z (GMT). No. of bitstreams: 1 Kellen Fabiane da Silva Pinage.pdf: 968503 bytes, checksum: 287e8546d1bf57097a18d1540c5cc374 (MD5) Previous issue date: 2007-09-21 / Protein structure prediction is a process in Molecular Biology by way of which the 3D structure of a protein is determined based on known structures of other proteins. This is an important process because the structure of a protein is a determinant factor for its function in the cell. Knowing a protein s structure allows scientists to describe the kind of activity that the protein performs in the cell and to develop drugs to treat diseases. The prediction process is based on similarity between the amino acid sequences that form proteins: the structure of a target protein is predicted by re-using knowledge on proteins whose structures are already determined and whose amino acid sequences are similar to the former s. Therefore, knowledge reuse occurs in the process of predicting protein structure, but without employing a domain ontology. In this work, we apply a technique of ontology-driven knowledge re-use in protein structure prediction aiming at improving the prediction process in its efficiency and in the quality of the obtained structures. An experiment has been carried out in which the technique was applied to predict the structure of 286 target sequences. There has been improvement as well as loss of quality of predicted structures, whereas a run time performance gain in 38% of the target structures was observed. / Predição de estrutura de proteína é um processo na Biologia Molecular pelo qual a estrutura 3D de uma proteína é determinada com base em estruturas já conhecidas de outras proteínas. É um processo importante porque a estrutura de uma proteína é um fator determinante para sua função na célula. Conhecendo a estrutura de uma proteína, os cientistas podem descobrir que tipo de atividade a proteína realiza na célula e criar drogas para combater doenças. O processo de predição é baseado na similaridade entre as seqüências de aminoácidos que formam proteínas: a estrutura de uma proteína alvo é predita reusando conhecimento de proteínas cujas estruturas já foram determinadas e suas seqüências de aminoácidos são similares à seqüência alvo. Portanto, reuso de conhecimento ocorre no processo de predição de estrutura de proteína, mas sem a utilização de uma ontologia de domínio. Neste trabalho, nós aplicamos uma técnica de reuso de conhecimento baseado em ontologia na predição de estrutura de proteína com o objetivo de melhorar o processo de predição em sua eficiência e qualidade das estruturas obtidas. Um experimento foi realizado no qual a técnica foi aplicada para predizer a estrutura de 286 seqüências alvo. Houve melhorias e perdas de qualidade das estruturas preditas, ao passo que um ganho de performance (tempo de execução) foi observado em 38% das seqüências alvo.

Made available in DSpace on 2014-06-12T15:50:08Z (GMT). No. of bitstreams: 2 arquivo1928_1.pdf: 1948940 bytes, checksum: ed1bedfc483f596f442e5ff7208e1ed0 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Data Mining surgiu da necessidade de extração do conhecimento a partir de volumosas massas de dados geradas pelas empresas/instituições. Com o crescimento da área e o aumento do poder de processamento dos computadores, as organizações que prestam serviços em KDD (Knowledge Discovery in Database) têm guardado, cada vez mais, um grande número de documentos e processos referentes a projetos executados no passado. Por outro lado, hoje, o desenvolvimento de projetos de Data Mining exige do especialista o uso de diversas ferramentas, linguagens de programação e metodologias associadas à sua experiência para resolução do problema. Um dos maiores problemas práticos de KDD é como prover a interoperabilidade entre diferentes plataformas existentes, de tal forma que os processos fiquem centralizados e documentados em um único ambiente. Outro grande problema, hoje, é a falta de reuso de conhecimento devido à complexidade e forte dependência do usuário. Neste contexto, as experiências adquiridas em projetos anteriores não são devidamente documentadas, gerenciadas e controladas, gerando como conseqüência a repetição de erros dos projetos anteriores. Em outras palavras, outro grande problema prático é a falta de plataformas capazes de fazer o reuso do conhecimento adquirido em projetos realizados no passado. O principal objetivo deste trabalho é criar um framework híbrido para desenvolvimento de soluções em Mineração de Dados que integra diversas ferramentas disponíveis no mercado e disponibiliza um ambiente integrado para reuso do conhecimento na área de KDD. Este ambiente possibilita a centralização e padronização dos artefatos gerados ao longo do processo de KDD, assim como aproveita os melhores recursos de cada ferramenta de mercado disponível. Para validação do framework foram coletados os metadados de 69 projetos reais de mineração de dados, 61 lições aprendidas dos profissionais que trabalharam nestes projetos e 654 entidades de conhecimento (congressos, softwares, publicações etc) da área de KDD. Os estudos apresentados, principalmente para definição do início do projeto, mostraram ser possível, através do framework, entender as características que levaram os projetos a serem um sucesso ou fracasso. Assim, o framework é um ambiente que assegura o desenvolvimento de projetos em KDD de alta qualidade que atende às expectativas do cliente dentro do tempo e orçamento previstos

[pt] Este trabalho descreve a mineração de informações em linguagem natural a partir do repositório de projetos GitHub. É explicada como o conteúdo de projetos semelhantes dada uma busca por domínio podem ser úteis para o reuso de conhecimento, e assim, ajudar nas tarefas de Elicitação de Requisitos. Técnicas de mineração de textos, regularidades independentes do domínio, e os metadados de GitHub são os métodos utilizados para selecionar projetos relevantes e as informações dentro deles. Uma abordagem para atingir nossa meta utilizando pesquisa exploratória é explicada, bem como descrevemos os resultados alcançados. / [en] This work describes the mining of information in natural language from the GitHub repository. It is explained how the content of similar projects given a search domain can be useful for the reuse of knowledge, and thus help in the Requirements Elicitation tasks. Techniques of text mining, regularities independent from domain, and GitHub metadata are the methods used to select relevant projects and the information within them. One approach to achieve our goal is explained with an exploratory research and the results achieved.