A Web é a aplicação mais popular da Internet e, desde sua criação, gerou mudanças de diversas maneiras na vida das pessoas. Esse é um dos motivos que a transformou em objeto de estudo de diversas pesquisas de cunho social, tecnológico econômico e político. A metodologia descrita nesta dissertação pode ser entendida como uma extensão do projeto TIC Web, que foi desenvolvido como parceria entre o NIC.br, o escritório do W3C Brasil e o instituto InWeb para estudar características de qualidade da Web Brasileira. Nesse sentido, a presente metodologia possui o objetivo de automatizar análises de domínios e sites Web, principalmente com base nos resultados sobre a Web Governamental Brasileira obtidos pelo TIC Web. Ou seja, o presente trabalho se foca na definição e aplicação de metodologia baseada em técnicas de aprendizado de máquina para a automatização das análises de domínios Web, visando praticidade na execução da categorização de sites Web segundo critérios relacionados à qualidade percebida por seus usuários. Os tópicos aqui discutidos compreendem: a importância dos padrões abertos e elementos de desempenho para a determinação da qualidade de um site; fundamentos de aprendizado de máquina; o detalhamento das ferramentas utilizadas para coletar e extrair informações dos sites, bem como dos atributos e indicadores por elas adquiridos; a metodologia proposta, incluindo a descrição de diversos algoritmos utilizados; e, um caso de uso demonstrando sua aplicabilidade. Além disso, propõe-se como parte da metodologia de análise a utilização dos resultados de seus resultados para realizar a avaliação de sites segundo sua qualidade percebida. / The World Wide Web is the most popular application throughout the Internet and, since its creation, it has changed people\'s lives in lots of ways, hence, it has become subject to several social, technological, economical and political researches. The methodology described in the present text may be unterstood as an extension of the TIC Web project, which was developed by a partnership among NIC.br, Brazilian W3C office and the InWeb institute in order to study some quality related issues about the Brazilian Web. Accordingly, the methodology presented in this work aims to automate analyses of Web domains and sites, mainly based on the results over the Brazilian Governmental Web obtained by TIC Web. In other words, the present project focus on the definition and use of a methodology dependent on machine learning in order to automate the analyses of extracted data, having the goal of easing the classification of Web sites according to the quality perceived by their users. Some of the discussed topics are as follows: the importance of Open Standards and performance features to defy the quality of a site; basics of machine learning; details of the tool applied to extract Web sites data, as well as its acquired parameters and indicators; the proposed methodology, including the description of applied algorithms; and a use case evincing its applicability. Additionally, it is proposed, as part of the methodology, the utilization of the results obtained by the domain analysis to evaluate other websites in accordance to their perceived quality.

Redes complexas é um campo de pesquisa científica recente e bastante ativo que estuda redes de larga escala com estruturas topológicas não triviais, tais como redes de computadores, redes de telecomunicações, redes de transporte, redes sociais e redes biológicas. Muitas destas redes são naturalmente divididas em comunidades ou módulos e, portanto, descobrir a estrutura dessas comunidades é um dos principais problemas abordados no estudo de redes complexas. Tal problema está relacionado com o campo de aprendizado de máquina, que tem como interesse projetar e desenvolver algoritmos e técnicas que permitem aos computadores aprender, ou melhorar seu desempenho através da experiência. Alguns dos problemas identificados nas técnicas tradicionais de aprendizado incluem: dificuldades em identificar formas irregulares no espaço de atributos; descobrir estruturas sobrepostas de grupos ou classes, que ocorre quando elementos pertencem a mais de um grupo ou classe; e a alta complexidade computacional de alguns modelos, que impedem sua aplicação em bases de dados maiores. Neste trabalho tratamos tais problemas através do desenvolvimento de novos modelos de aprendizado de máquina utilizando redes complexas e dinâmica espaço-temporal, com capacidade para tratar grupos e classes sobrepostas, além de fornecer graus de pertinência para cada elemento da rede com relação a cada cluster ou classe. Os modelos desenvolvidos tem desempenho similar ao de algoritmos do estado da arte, ao mesmo tempo em que apresentam ordem de complexidade computacional menor do que a maioria deles / Complex networks is a recent and active scientific research field, which concerns large scale networks with non-trivial topological structure, such as computer networks, telecommunication networks, transport networks, social networks and biological networks. Many of these networks are naturally divided into communities or modules and, therefore, uncovering their structure is one of the main problems related to complex networks study. This problem is related with the machine learning field, which is concerned with the design and development of algorithms and techniques which allow computers to learn, or increase their performance based on experience. Some of the problems identified in traditional learning techniques include: difficulties in identifying irregular forms in the attributes space; uncovering overlap structures of groups or classes, which occurs when elements belong to more than one group or class; and the high computational complexity of some models, which prevents their application in larger data bases. In this work, we deal with these problems through the development of new machine learning models using complex networks and space-temporal dynamics. The developed models have performance similar to those from some state-of-the-art algorithms, at the same time that they present lower computational complexity order than most of them

A teoria das redes complexas é uma área altamente interdisciplinar que oferece recursos para o estudo dos mais variados tipos de sistemas complexos, desde o cérebro até a sociedade. Muitos problemas da natureza podem ser modelados como redes, tais como: as interações protéicas, organizações sociais, o mercado financeiro, a Internet e a World Wide Web. A organização de todos esses sistemas complexos pode ser representada por grafos, isto é, vértices conectados por arestas. Tais topologias têm uma influencia fundamental sobre muitos processos dinâmicos. Por exemplo, roteadores altamente conectados são fundamentais para manter o tráfego na Internet, enquanto pessoas que possuem um grande número de contatos sociais podem contaminar um grande número de outros indivíduos. Ao mesmo tempo, estudos têm mostrado que a estrutura do cérebro esta relacionada com doenças neurológicas, como a epilepsia, que está ligada a fenômenos de sincronização. Nesse trabalho, apresentamos como técnicas de mineração de dados podem ser usadas para estudar a relação entre topologias de redes complexas e processos dinâmicos. Tal estudo será realizado com a simulação de fenômenos de sincronização, falhas, ataques e propagação de epidemias. A estrutura das redes será caracterizada através de métodos de mineração de dados, que permitirão classificar redes de acordo com um conjunto de modelos e determinar padrões de conexões presentes na organização de diferentes tipos de sistemas complexos. As análises serão realizadas com aplicações em neurociências, biologia de sistemas, redes sociais e Internet / The theory of complex networks is a highly interdisciplinary reseach area offering resources for the study of various types of complex systems, from the brain to the society. Many problems of nature can be modeled as networks, such as protein interactions, social organizations, the financial market, the Internet and World Wide Web. The organization of all these complex systems can be represented by graphs, i.e. a set of vertices connected by edges. Such topologies have a fundamental influence on many dynamic processes. For example, highly connected routers are essential to keep traffic on the Internet, while people who have a large number of social contacts may infect many other individuals. Indeed, studies have shown that the structure of brain is related to neurological conditions such as epilepsy, which is relatad to synchronization phenomena. In this text, we present how data mining techniques data can be used to study the relation between complex network topologies and dynamic processes. This study will be conducted with the simulation of synchronization, failures, attacks and the epidemics spreading. The structure of the networks will be characterized by data mining methods, which allow classifying according to a set of theoretical models and to determine patterns of connections present in the organization of different types of complex systems. The analyzes will be performed with applications in neuroscience, systems biology, social networks and the Internet

No description available.

Tese de mestrado integrado. Bioengenharia. Universidade do Porto. Faculdade de Engenharia.. 2011

Tese de mestrado. Multimédia. Faculdade de Engenharia. Universidade do Porto. 2012

Estágio realizado na Adira e orientado pelo Eng.ª Rita Dias / Tese de mestrado integrado. Engenharia Industrial e Gestão. Faculdade de Engenharia. Universidade do Porto. 2009

Tese de mestr.. Engenharia Mecânica. Faculdade de Engenharia. Universidade do Porto. 1998

Estágio realizado no INESC-Porto e orientado pelo Prof. Doutor Fabien Gouyon / Tese de mestrado integrado. Engenharia Electrotécnica e de Computadores - Major Telecomunicações. Faculdade de Engenharia. Universidade do Porto. 2008

Determina el grado de relación que existe la autoestima y el locus en estudiantes del primer semestre de las diversas especialidades profesionales de la Universidad Nacional Mayor de San Marcos. Identifica y describe el nivel de autoestima y los tipos de locus, al igual que su distribución en función al sexo y las especialidades. Utiliza una muestra de 403 casos seleccionados al azar y distribuidos de forma representativa en cada facultad de la universidad. Aplica la Escala de Locus de Control Interno y Externo de Rotter y la Escala de Autoestima de Rosenberg como instrumentos de recolección. Encuentra que la autoestima se presenta bastante diferenciada en la medida que una mayor cantidad de alumnos presentan una alta autoestima, el sexo o la especialidad de los alumnos ingresantes no son determinantes para plantear diferencias en función a la autoestima, el locus de control se presenta bastante diferenciado en la medida que una mayor cantidad de alumnos presentan un locus de control interno, el locus de control no presenta diferencias entre los ingresantes cuando se considera el sexo o la especialidad, el aspecto fundamental del locus de control interno estaría relacionado con el comportamiento exitoso de los ingresantes. Afirma que existe una asociación entre autoestima y locus de control que explica el comportamiento de los estudiantes ingresantes. La prueba de Rosenberg aplicada a la muestra presenta un índice de confiabilidad de 0.52 9. La prueba de locus de control presenta 16 ítemes debidamente validados, siendo la confiabilidad de 0.63. / Tesis