Dada a grande quantidade de dados gerados atualmente, apenas uma pequena porção dos mesmos pode ser rotulada manualmente por especialistas humanos. Isso é um desafio comum para aplicações de aprendizagem de máquina. Aprendizado semi-supervisionado aborda este problema através da manipulação dos dados não rotulados juntamente aos dados rotulados. Entretanto, se apenas uma quantidade limitada de exemplos rotulados está disponível, o desempenho da tarefa de aprendizagem de máquina (e.g., classificação) pode ser não satisfatória. Diversas soluções abordam este problema através do uso de uma ensemble de classificadores, visto que essa abordagem aumenta a diversidade dos classificadores. Algoritmos como o co-training e o tri-training utilizam múltiplas partições de dados ou múltiplos algoritmos de aprendizado para melhorar a qualidade da classificação de instâncias não rotuladas através de concordância por maioria simples. Além disso, existem abordagens que estendem esta ideia e adotam processos de votação menos triviais para definir os rótulos, como eleição por maioria ponderada, por exemplo. Contudo, estas soluções requerem que os rótulos possuam um certo nível de confiança para serem utilizados no treinamento. Consequentemente, nem toda a informação disponível é utilizada. Por exemplo: informações associadas a níveis de confiança baixos são totalmente ignoradas. Este trabalho propõe uma abordagem chamada social-training, que utiliza toda a informação disponível na tarefa de aprendizado semi-supervisionado. Para isto, múltiplos classificadores heterogêneos são treinados com os dados rotulados e geram diversas classificações para as mesmas instâncias não rotuladas. O social-training, então, agrega estes resultados em um único rótulo por meio de funções de escolha social que trabalham com agregação de rankings sobre as instâncias. Especificamente, a solução trabalha com casos de classificação binária. Os resultados mostram que trabalhar com o ranking completo, ou seja, rotular todas as instâncias não rotuladas, é capaz de reduzir o erro de classificação para alguns conjuntos de dados da base da UCI utilizados. / Given the huge quantity of data currently being generated, just a small portion of it can be manually labeled by human experts. This is a challenge for machine learning applications. Semi-supervised learning addresses this problem by handling unlabeled data alongside labeled ones. However, if only a limited quantity of labeled examples is available, the performance of the machine learning task (e.g., classification) can be very unsatisfactory. Many solutions address this issue by using a classifier ensemble because this increases diversity. Algorithms such as co-training and tri-training use multiple views or multiple learning algorithms in order to improve the classification of unlabeled instances through simple majority agreement. Also, there are approaches that extend this idea and adopt less trivial voting processes to define the labels, like weighted majority voting. Nevertheless, these solutions require some confidence level on the label in order to use it for training. Hence, not all information is used, i.e., information associated with low confidence level is disregarded completely. An approach called social-training is proposed, which uses all information available in the semi-supervised learning task. For this, multiple heterogeneous classifiers are trained with the labeled data and generate diverse classifications for the same unlabeled instances. Social-training then aggregates these results into a single label by means of social choice functions that work with rank aggregation over the instances. The solution addresses binary classification cases. The results show that working with the full ranking, i.e., labeling all unlabeled instances, is able to reduce the classification error for some UCI data sets used.

Metadados bibliográficos duplicados são registros que correspondem a referências bibliográficas semanticamente equivalentes, ou seja, que descrevem a mesma publicação. Identificar metadados bibliográficos duplicados em uma ou mais bibliotecas digitais é uma tarefa essencial para garantir a qualidade de alguns serviços como busca, navegação e recomendação de conteúdo. Embora diversos padrões de metadados tenham sido propostos, eles não resolvem totalmente os problemas de interoperabilidade porque mesmo que exista um mapeamento entre diferentes esquemas de metadados, podem existir variações na representação do conteúdo. Grande parte dos trabalhos propostos para identificar duplicatas aplica uma ou mais funções sobre o conteúdo de determinados campos no intuito de captar a similaridade entre os registros. Entretanto, é necessário escolher um limiar que defina se dois registros são suficientemente similares para serem considerados semanticamente equivalentes ou duplicados. Trabalhos mais recentes tratam a deduplicação de registros como um problema de classificação de dados, em que um modelo preditivo é treinado para estimar a que objeto do mundo real um registro faz referência. O objetivo principal desta tese é o desenvolvimento de um método efetivo e automático para identificar metadados bibliográficos duplicados, combinando o aprendizado de múltiplos classificadores supervisionados, sem a necessidade de intervenção humana na definição de limiares de similaridade. Sobre o conjunto de treinamento são aplicadas funções de similaridade desenvolvidas especificamente para o contexto de bibliotecas digitais e com baixo custo computacional. Os escores produzidos pelas funções são utilizados para treinar múltiplos modelos de classificação heterogêneos, ou seja, a partir de algoritmos de diversos tipos: baseados em árvores, regras, redes neurais artificiais e probabilísticos. Os classificadores aprendidos são combinados através da estratégia de empilhamento visando potencializar o resultado da deduplicação a partir do conhecimento heterogêneo adquirido individualmente pelos algoritmo de aprendizagem. O modelo de classificação final é aplicado aos pares candidatos ao casamento retornados por uma estratégia de blocagem de dois níveis bastante eficiente. A solução proposta é baseada na hipótese de que o empilhamento de classificadores supervisionados pode aumentar a qualidade da deduplicação quando comparado a outras estratégias de combinação. A avaliação experimental mostra que a hipótese foi confirmada quando o método proposto é comparado com a escolha do melhor classificador e com o voto da maioria. Ainda são analisados o impacto da diversidade dos classificadores no resultado do empilhamento e os casos de falha do método proposto. / Duplicated bibliographic metadata are semantically equivalent records, i.e., references that describe the same publication. Identifying duplicated bibliographic metadata in one or more digital libraries is an essential task to ensure the quality of some services such as search, navigation, and content recommendation. Although many metadata standards have been proposed, they do not completely solve interoperability problems because even if there is a mapping between different metadata schemas, there may be variations in the content representation. Most of work proposed to identify duplicated records uses one or more functions on some fields in order to capture the similarity between the records. However, we need to choose a threshold that defines whether two records are sufficiently similar to be considered semantically equivalent or duplicated. Recent studies deal with record deduplication as a data classification problem, in which a predictive model is trained to estimate the real-world object to which a record refers. The main goal of this thesis is the development of an effective and automatic method to identify duplicated bibliographic metadata, combining multiple supervised classifiers, without any human intervention in the setting of similarity thresholds. We have applied on the training set cheap similarity functions specifically designed for the context of digital libraries. The scores returned by these functions are used to train multiple and heterogeneous classification models, i.e., using learning algorithms based on trees, rules, artificial neural networks and probabilistic models. The learned classifiers are combined by stacked generalization strategy to improve the deduplication result through heterogeneous knowledge acquired by each learning algorithm. The final model is applied to pairs of records that are candidate to matching. These pairs are defined by an efficient two phase blocking strategy. The proposed solution is based on the hypothesis that stacking supervised classifiers can improve the quality of deduplication when compared to other combination strategies. The experimental evaluation shows that the hypothesis has been confirmed by comparing the proposed method to selecting the best classifier or the majority vote technique. We also have analyzed the impact of classifiers diversity on the stacking results and the cases for which the proposed method fails.

abstract: Temporal data are increasingly prevalent and important in analytics. Time series (TS) data are chronological sequences of observations and an important class of temporal data. Fields such as medicine, finance, learning science and multimedia naturally generate TS data. Each series provide a high-dimensional data vector that challenges the learning of the relevant patterns This dissertation proposes TS representations and methods for supervised TS analysis. The approaches combine new representations that handle translations and dilations of patterns with bag-of-features strategies and tree-based ensemble learning. This provides flexibility in handling time-warped patterns in a computationally efficient way. The ensemble learners provide a classification framework that can handle high-dimensional feature spaces, multiple classes and interaction between features. The proposed representations are useful for classification and interpretation of the TS data of varying complexity. The first contribution handles the problem of time warping with a feature-based approach. An interval selection and local feature extraction strategy is proposed to learn a bag-of-features representation. This is distinctly different from common similarity-based time warping. This allows for additional features (such as pattern location) to be easily integrated into the models. The learners have the capability to account for the temporal information through the recursive partitioning method. The second contribution focuses on the comprehensibility of the models. A new representation is integrated with local feature importance measures from tree-based ensembles, to diagnose and interpret time intervals that are important to the model. Multivariate time series (MTS) are especially challenging because the input consists of a collection of TS and both features within TS and interactions between TS can be important to models. Another contribution uses a different representation to produce computationally efficient strategies that learn a symbolic representation for MTS. Relationships between the multiple TS, nominal and missing values are handled with tree-based learners. Applications such as speech recognition, medical diagnosis and gesture recognition are used to illustrate the methods. Experimental results show that the TS representations and methods provide better results than competitive methods on a comprehensive collection of benchmark datasets. Moreover, the proposed approaches naturally provide solutions to similarity analysis, predictive pattern discovery and feature selection. / Dissertation/Thesis / Ph.D. Industrial Engineering 2012

Dans la théorie de l'apprentissage supervisé, l'hypothèse selon laquelle l'échantillon de d'apprentissage et de test proviennent de la même distribution de probabilité, joue un rôle crucial. Malheureusement, cette hypothèse essentielle est souvent violée en présence d'un biais de sélection. Dans ce contexte, les algorithmes d'apprentissage supervisés standards peuvent souffrir d'un biais significatif. Dans cette thèse, nous abordons le problème du biais de sélection en apprentissage supervisé en utilisant la méthode de pondération de l'importance ("importance weighting" en anglais).Dans un premier temps, nous présentons le cadre formel de l'apprentissage supervisé et discutons des effets potentiellement néfastes du biais sur les performances prédictives. Nous étudions ensuite en détail comment les techniques de pondération de l'importance permettent, sous certaines hypothèses, de corriger le biais de sélection durant l'apprentissage de modèles génératifs et discriminants. Nous étudions enfin le potentiel des réseaux bayésiens comme outils de représentation graphique des relations d'indépendances conditionnelles entre les variables du problème et celles liées au mécanisme de sélection lui-même. Nous illustrons sur des exemples simples comment la graphe, construit avec de la connaissance experte, permet d'identifier a posteriori un sous-ensemble restreint de variables sur lesquelles « agir » pour réduire le biais.Dans un second temps, nous accordons une attention particulière au « covariate shift », i.e. un cas particulier de biais de sélection où la distribution conditionnelle P(y|x) est invariante entre l'échantillon d'apprentissage et de test. Nous proposons deux méthodes pour améliorer la pondération de l'importance en présence de covariate shift. Nous montrons d'abord que le modèle non pondéré est localement moins biaisé que le modèle pondéré sur les échantillons faiblement pondérés, puis nous proposons une première méthode combinant les modèles pondérés et non pondérés afin d'améliorer les performances prédictives dans le domaine cible. Enfin, nous étudions la relation entre le covariate shift et le problème des données manquantes dans les jeux de données de petite taille et proposons une seconde méthode qui utilise des techniques d'imputation de données manquantes pour corriger le covariate shift dans des scénarios simples mais réalistes. Ces méthodes sont validées expérimentalement sur de nombreux jeux de données / In the theory of supervised learning, the identical assumption, i.e. the training and test samples are drawn from the same probability distribution, plays a crucial role. Unfortunately, this essential assumption is often violated in the presence of selection bias. Under such condition, the standard supervised learning frameworks may suffer a significant bias. In this thesis, we address the problem of selection bias in supervised learning using the importance weighting method. We first introduce the supervised learning frameworks and discuss the importance of the identical assumption. We then study the importance weighting framework for generative and discriminative learning under a general selection scheme and investigate the potential of Bayesian Network to encode the researcher's a priori assumption about the relationships between the variables, including the selection variable, and to infer the independence and conditional independence relationships that allow selection bias to be corrected.We pay special attention to covariate shift, i.e. a special class of selection bias where the conditional distribution P(y|x) of the training and test data are the same. We propose two methods to improve importance weighting for covariate shift. We first show that the unweighted model is locally less biased than the weighted one on low importance instances, and then propose a method combining the weighted and the unweighted models in order to improve the predictive performance in the target domain. Finally, we investigate the relationship between covariate shift and the missing data problem for data sets with small sample sizes and study a method that uses missing data imputation techniques to correct the covariate shift in simple but realistic scenarios

Na primeira parte desta tese, estudamos os princípios operacionais das decisões celulares mediadas pelo sistema de sinalização Notch. Este sistema tem papel importante nas decisões celulares que ocorrem durante o desenvolvimento embrionário, cicatrização de feridas e na formação de tumores. O circuito de sinalização é ativado quando o receptor Notch de uma célula interage com um dos ligantes - Delta ou Jagged - de uma célula vizinha. O circuito Notch-Delta forma um comutador intercelular, e duas células vizinhas tendem a adotar estados diferentes - Emissor (muito ligante e pouco receptor) e Recebedor (pouco ligante e muito receptor). Neste manuscrito, apresentamos uma nova abordagem teórica que integra ambos Delta e Jagged no circuito Notch. Mostramos que o circuito Notch-Delta-Jagged permite um novo estado - um híbrido Emissor/Recebedor (E/R) com concentrações intermediárias de receptores e ligantes, e portanto o circuito é age como uma chave de três vias. Em seguida, observamos que a taxa de produção de ambos os ligantes, assim como a modulação assimétrica da afinidade de ligação do Notch com seus ligantes mediada pela glicosiltransferase Fringe, afeta severamente o intervalo de existência dos estados e sua relativa estabilidade - altos níveis de Jagged, mas não de Fringe ou Delta, promovem o estado híbrido E/R e o processo de indução lateral. Nós elucidamos o papel de Jagged na determinação dos estados celulares e discutimos sua possível implicação no entendimento da comunicação entre tumor e estroma, que frequentemente envolve comunicação via interações Notch-Jagged. Posteriormente, avaliamos a interação entre Notch, inflamação e a população de Células Cancerígenas Estaminais (CCE). Mostramos que inflamação pode expandir a população de CCE por meio do aumento dos níveis de produção de Jagged que posteriormente ativa o sistema de sinalização Notch em células vizinhas não-CCE. Nossos resultados sugerem que a inibição da produção de Jagged atenua o efeito da expansão de CCE devido a inflamação, indicando que inflamação cresce a população de CCE via interações Notch-Jagged. Nossos resultados são consistentes com observações em câncer de mama do subtipo basal (triplo negativo), onde a perda de Fringe e a ativação constitutiva do eixo NF-kB - Jag1 promove a expansão da população de CCE. Nossa abordagem computacional pode ser adaptada para incluir circuitos adicionais tais como p53 e hipóxia, que afetam a plasticidade celular, proporcionando assim uma plataforma útil para a projeção de novas terapias. Na segunda parte desta tese, introduzimos um novo método para seleção de características: Suvrel. Este é um método variacional, inspirado em aprendizado de relevância, para determinar tensores métricos para definição de distâncias baseadas em similaridades, para utilização em métodos de classificação. Nós introduzimos uma nova metodologia na qual o tensor métrico pode ser calculado analiticamente. O preprocessamento das características por uma transformação linear utilizando o tensor métrico calculado via Suvrel melhora a eficiência dos classificadores. Testamos nosso método para conjuntos de dados públicos, utilizando os classificadores mais comumente utilizados. Nós também aplicamos esta metodologia no estudo da relação entre parâmetros estruturais globais e o sistema de classificação de função enzimática. Por último, introduzimos uma nova metodologia para a identificação de genes diferencialmente expressos utilizando a tecnologia de microarranjos de DNA. Diferentemente das abordagens tradicionais, nossa metodologia evita passos intermediários de preprocessamento que são desnecessários e devido a isto não acumula erros destas análises, o que resulta em um método mais sensível e robusto. / In the first part of this thesis, we studied the operating principles of cell fate decisions mediated by Notch signaling pathway. This pathway have important role in cell fate determination during embryonic development, wound healing and tumorigenesis. Notch signaling is activated by binding of Notch receptor of one cell to either of its ligand- Delta or Jagged- of another cell. Notch-Delta circuit forms an intercellular toggle switch, and two neighboring cells tend to adopt different fates - Sender (high ligand, low receptor) and Receiver (low ligand, high receptor). Here, we present a new tractable theoretical framework that incorporates both Delta and Jagged in Notch signaling, and show that Notch-Delta-Jagged circuit enables an additional fate - hybrid Sender/Receiver (S/R) (medium ligand, medium receptor) and behaves as a three-way switch. Further, we found that production rates of both the ligands and the asymmetric modulation of binding affinity of Notch to its ligands by glycosyltransferase Fringe severely affects the parameter range of the existence of these states and their relative stability - high levels of Jagged, but not that of Fringe or Delta, promote hybrid S/R state and lateral induction. We elucidate the role of Jagged in cell fate determination and discuss its possible implications in understanding tumor-stroma crosstalk, which frequently entails Notch-Jagged communication. We further evaluate the interplay among Notch signaling, inflamation and Cancer Stem Cell population. We show that inflammation can expand the population of Cancer Stem Cells (CSCs) by increasing the levels of Jagged in cells that can further activate Notch signaling pathway in neighboring non-CSCs. Our results suggest that, inhibiting the production of Jagged dampens the effect of inflammation in expanding the CSC population, indicating that inflammatory signal function through Notch-Jagged signaling to increase CSCs. Our results are consistent with observations in basal-like breast cancer, where loss of Fringe and constitutive activation of NF-kB-Jag1 axis promotes CSC population. Our computational framework can be tailored to include additional signals such as p53 and hypoxia that affect this plasticity to gain stemness, thus providing a platform that can be useful in designing novel therapies. In the second part of the thesis, we introduce a new method for feature selection: Supervised Variational Relevance Learning (Suvrel). This is a variational method to determine metric tensors to define distance based similarity in pattern classification, inspired in relevance learning. We propose a new methodology where the metric tensor can be calculated analytically. Preprocessing the patterns by doing linear transformations using the metric tensor yields a dataset which can be more efficiently classified. We test our methods using publicly available datasets, for some standard classifiers. We also applied this methodology to study the relationship between global structural parameters and the Enzyme Commission hierarchy. Lastly, we propose a new methodology for identifying the differentially expressed genes using DNA microarray technology. Unlike traditional approaches, our methodology skips intermediate unnecessary preprocessing steps and therefore does not accumulate errors due to these analysis, resulting in a more sensitive and robust method.

Essa pesquisa de Mestrado busca investigar as (im)possibilidades de graduandos do curso de Pedagogia se constituírem como sujeitos intérpretes-historicizados, em situação de estágio curricular supervisionado. Baseamo-nos nas premissas teóricas e metodológicas da Análise de Discurso francesa, desenvolvida por Michel Pêcheux, na abordagem Sócio-Histórica do Letramento, enfatizando-se os estudos teóricos sobre autoria, bem como nos estudos a respeito da temática de formação de professores, sobretudo, os que envolvem a investigação da formação inicial do docente, enquanto sujeito graduando de licenciatura. Os procedimentos metodológicos dessa pesquisa constituem-se de questionários, respondidos por graduandos do curso de Pedagogia de duas instituições brasileiras de ensino superior, que cursavam disciplinas de estágio curricular supervisionado para o ensino fundamental, na área da Língua Portuguesa. A análise discursiva dos dados mostra-nos que experiências positivas no estágio curricular são assim consideradas quando o graduando ocupa o lugar de intérprete-historicizado, requisito essencial para que aprenda a argumentar, pensar e refletir sobre os sentidos concernentes aos saberes e fazeres docentes, de maneira ampla, e ao estágio, de forma particular. Ocupar a posição de intérprete-historicizado proporciona ao graduando oportunidades para se entender como sujeito capaz de se deslocar do lugar de sujeito-enunciador de sentidos legitimados para a posição de sujeito-autor de seu próprio dizer, fundamental para o exercício crítico e responsável da docência. / The masters degree research aims to investigate the (im) possibilities of Pedagogy Undergraduates to be the Historically-based interpreter in curricular supervised internship situation. We based this research on theoretical and methodological framework of French Discourse Analysis, developed by Michel Pêcheux, and on the Social-Historical approach to literacy, emphasizing the theoretical studies of authorship, as well as in the studies about teacher training, especially those that involve the investigation of initial training of professor, while licentiate undergraduates. The metodological procedies of this research is made of questionnaires, answered by pedagogy undergraduates of two brazilian colleges, attending disciplines of supervised curricular internship for elementary education in the area of Portuguese language. The discursive analysis of data show us that positive experiences in curricular internship are therefore considered when the undergraduate takes the place of historicized-interpreters, essential requisite to learn to argue, think and reflect about the concerning senses to the professor knowledge and doings, in a wide manner, and to the internship in a particular way. Staying on the position of a historically-based interpreter provides to the undergraduate the opportunities to understand himself or herself as a subject capable to move himself or herself from a place of subject-enunciator of legitimated senses to a position of a subject-author of his or her own speech, fundamental to critical and responsible exercise of teaching.

FundaÃÃo Cearense de Apoio ao Desenvolvimento Cientifico e TecnolÃgico / Esta pesquisa teve por objetivo compreender o papel desempenhado pelo EstÃgio Curricular Supervisionado do Curso de Licenciatura em QuÃmica da FECLESC/UECE e sua efetivaÃÃo nos espaÃos da Universidade e da Escola BÃsica, analisando as concepÃÃes dos agentes pedagÃgicos envolvidos, considerando a perspectiva da unidade teoria e prÃtica na formaÃÃo docente. O estudo, utilizando a abordagem qualitativa à descritivo na anÃlise dos dados. Como metodologia escolheu-se o estudo de caso e os instrumentos de coleta dos dados foram anÃlise documental e entrevistas semiestruturadas. Inicialmente foram testadas as possibilidades da pesquisa com uma revisÃo de literatura, reunindo autores para a fundamentaÃÃo teÃrica do estudo. Em seguida foi feita uma visita exploratÃria, com a finalidade de escolher a faculdade, as escolas e os sujeitos participantes da pesquisa, selecionados de acordo com critÃrios, estabelecidos, tais como localizaÃÃo da faculdade e das escolas, receptividade dos diretores e professores, a formaÃÃo inicial e o tempo de serviÃo dos docentes. Uma faculdade, duas escolas, dois professores da faculdade e dois professores de duas escolas de educaÃÃo bÃsica onde o EstÃgio Curricular Supervisionado se desenvolve se enquadraram nos critÃrios estabelecidos, tendo, portanto, sido escolhidos. Com a inserÃÃo no campo, a faculdade, as escolas e os professores foram caracterizados com a finalidade de identificar o ambiente e os sujeitos da pesquisa. Pode-se considerar que o EstÃgio Curricular Supervisionado da FECLESC/UECE, especialmente no curso de Licenciatura em QuÃmica se constituiu, passando por muitas dificuldades, manifestando concepÃÃes, ideologias e vivÃncias de cada docente orientador do estÃgio, pois nÃo havia uma sistematizaÃÃo no inÃcio do curso. A pesquisa mostrou ainda, que as orientaÃÃes prescritas nos documentos oficiais e institucionais atualmente vigentes para o desenvolvimento do EstÃgio Curricular Supervisionado, propÃem uma concepÃÃo de estÃgio na perspectiva crÃtica e reflexiva. Nas concepÃÃes dos professores sujeitos da pesquisa, o estÃgio à importante, à o momento de o aluno estar diante da realidade da profissÃo docente. Entretanto, nesse momento, sÃo manifestadas a ideologia, a cultura e a vivÃncia de cada sujeito, uma vez que cada um desempenha o seu trabalho dentro do processo, cada um procura se adequar Ãs normas reguladoras sistematizadas nos documentos oficiais e institucionais, ou seja, cada um desenvolve o seu papel em confronto direto entre o currÃculo oficial, sua cultura e concepÃÃes.

O estudo teve como principal objetivo analisar a adesão ao tratamento da tuberculose a partir da operacionalização da estratégia Tratamento Diretamente Supervisionado (DOTS), sob a perspectiva de profissionais de saúde que atuavam no controle da doença na região da Supervisão Técnica de Saúde do Butantã - SP. Trata-se de pesquisa qualitativa, baseada nos pressupostos da Teoria da Determinação Social do Processo Saúde-Doença e no conceito de Adesão. No período de maio a julho de 2006, foram entrevistados 22 profissionais de saúde das Unidades Básicas de Saúde (UBS) que desenvolviam a estratégia, incluindo os Coordenadores destas UBS. Foram resguardados os procedimentos éticos. Utilizou-se de técnica de análise de discurso apropriada para o tratamento dos depoimentos, que foram decompostos e analisados a partir das categorias analíticas: significados sobre o processo saúde-doença, a forma como se organiza o trabalho na unidade de saúde, os significados sobre a DOTS e sobre a adesão ao tratamento. Os resultados mostram que, de modo geral, os sujeitos do estudo consideram a tuberculose a partir da perspectiva da multicausalidade, ainda que com ênfase nos aspectos sociais. Identificaram-se atitudes que revelam estigma, decorrentes da falta de conhecimento a respeito da enfermidade e da forma como relacionar-se com o doente. Evidenciaram-se problemas na organização dos serviços, que se referem à trajetória percorrida pelos pacientes para ter acesso ao diagnóstico da tuberculose, além da ausência da busca de sintomáticos respiratórios. Quanto à DOTS, sua estruturação é diversa entre as UBS, no intuito de considerar as necessidades dos doentes no processo terapêutico, mas também devido à falta de conhecimentos dos profissionais, no que diz respeito à operacionalização da estratégia. A equipe de enfermagem é a que mais intensamente participa da DOTS. Para os profissionais de saúde, a estratégia permite manter atenção junto ao doente evitando o abandono do tratamento. Reitera-se, com algumas ressalvas, que a estratégia apresenta impacto na adesão, uma vez que possibilita a criação de vínculo entre o profissional de saúde e o doente. Além disso, verificou-se a necessidade de ampliar o entendimento a respeito do conceito de adesão, dado que não se restringe a um comportamento pessoal e volitivo / The main goal to this research was to analyze the compliance with tuberculosis therapy by use of the DOTS strategy – (Directly Observed Treatment), under the perspective of health professionals’ who carried out the control of tuberculosis in the Supervision of Health region of Butantã in the city of São Paulo, Brazil. This is a qualitative research based on the principles of the Social Determination of the Health-Disease Process Theory and of the concept of compliance. From May to July 2006, 22 Health professionals from the Health Basic Units (HBU), who developed the DOTS strategy, were interviewed, including their unit’s coordinators. Ethical procedures were applied to protect them. By using the appropriate speech analysis technique for the handling the collected material, the interviews were fragmented and analyzed according to analytic categories: understanding about the health-disease process, the way that the work is organized within the Health Unit, the meanings about the DOTS and about the compliance with treatment. The results show that, in general, the subjects of this study consider tuberculosis from the perspective of multicausality, even though with emphasis in the social aspects. Attitudes that reveal stigma were identified, derived from the lack of knowledge about the illness and the way of interacting with the patient. Some problems occurred in the organization of the services that refer to the path taken by the patients to having access to the diagnosis of tuberculosis, as well as the lack of search for respiratory symptomatic. With regards to the DOTS, its structure is diverse among the HBU, in the intention of considering the patients’ needs in the therapeutic process, but also due to the lack of knowledge of the professionals, when it comes to exercising the strategy. The nursing team is the one which participates most intensely in the DOTS. For the health professionals, the strategy allows them to pay close attention to the patient avoiding any dropping out of the treatment. It is certain, with some exceptions, that the strategy has some impact in its initiation, once it allows for a relationship to be created between the health professional and the patient. It was also verified that there is a need to further unfold the understanding of the concept of initiating this strategy, since it isn’t restricted to a personal behavior or to free will

CoordenaÃÃo de AperfeiÃoamento de Pessoal de NÃvel Superior / O presente trabalho analisou a trajetÃria de trÃs estudantes do curso de licenciatura em MÃsica da Universidade Federal do Cearà (UFC) atà o momento em que o projeto pedagÃgico, intitulado âa mÃsica local na escola cearenseâ, foi apresentado aos citados estudantes na disciplina de estÃgio supervisionado. Para tais estudos, enfocamos o processo formativo, o acÃmulo de capitais e o trabalho desenvolvido com a mÃsica local. Consideramos prioritariamente as entrevistas, com o objetivo de analisar a trajetÃria de formaÃÃo dos citados estudantes; buscando identificar quais capitais eles acumularam durante a sua formaÃÃo, que se converteram em vantagens e/ou desvantagens em sua prÃtica docente com a mÃsica cearense, e a observaÃÃo de campo. A anÃlise e interpretaÃÃo dos dados foram realizadas com aporte teÃrico e metodolÃgico de teÃricos, como Zoltan KodÃly, que usou como repertÃrio principal a mÃsica local em seu projeto de musicalizaÃÃo; Keith Swanwick, para analisar as prÃticas musicais; e os conceitos de habitus, campo e capital de Pierre Bourdieu, que nos forneceram o aporte conceitual necessÃrio para compreender a formaÃÃo da prÃtica docente dos sujeitos desta pesquisa. / This study analyzed the trajectory of three students of the degree course in Music of the Federal University of Cearà (UFC) to the time when the educational project entitled "local music school in Fortaleza," was presented to the said students in the discipline of supervised. For such studies, we focused on the training process, the accumulation of capital and the work with the local music. We consider primarily the interviews, in order to analyze the trajectory of training of students cited; order to identify what capital they have accumulated during their training, which became advantages and / or disadvantages in their teaching practice with the Cearà music, and field observation. The analysis and interpretation of data were made with theoretical and methodological contribution of theorists such as Zoltan KodÃly, which is used as main repertoire local music on your music education project; Keith Swanwick, to analyze the musical practices; and the concepts of habitus, field and capital Pierre Bourdieu, who provided us with the conceptual contribution needed to understand the formation of the teaching practice of the subjects of this research.

Nesta tese, são estudados algoritmos para agrupamento de dados, com particular ênfase em Agrupamento de Dados com Restrições, no qual, além dos objetos a serem agrupados, são fornecidos pelo usuário algumas informações sobre o agrupamento desejado. Como fundamentação para o agrupamento, são considerados os modelos de mistura finitos, em especial, com componentes gaussianos, usualmente chamados de modelos de mistura de gaussianas. Dentre os principais problemas que os algoritmos desenvolvidos nesta tese de doutorado buscam tratar destacam-se: (i) estimar parâmetros de modelo de mistura de gaussianas; (ii) como incorporar, de forma eficiente, restrições no processo de aprendizado de forma que tanto os dados quanto as restrições possam ser adicionadas de forma online; (iii) estimar, via restrições derivadas de conceitos pré-determinados sobre os objetos (usualmente chamados de classes), o número de grupos destes conceitos. Como ferramenta para auxiliar no desenvolvimento de soluções para tais problemas, foram utilizados algoritmos evolutivos que operam com mais de uma solução simultaneamente, além de utilizarem informações de soluções anteriores para guiar o processo de busca. Especificamente, foi desenvolvido um algoritmo evolutivo baseado na divisão e união de componentes para a estimação dos parâmetros de um modelo de mistura de gaussianas. Este algoritmo foi comparado com o algoritmo do mesmo gênero considerado estado-da-arte na literatura, apresentando resultados competitivos e necessitando de menos parâmetros e um menor custo computacional. Nesta tese, foram desenvolvidos dois algoritmos que incorporam as restrições no processo de agrupamento de forma online. Ambos os algoritmos são baseados em algoritmos bem-conhecidos na literatura e apresentaram, em comparações empíricas, resultados melhores que seus antecessores. Finalmente, foram propostos dois algoritmos para se estimar o número de grupos por classe. Ambos os algoritmos foram comparados com algoritmos reconhecidos na literatura de agrupamento de dados com restrições, e apresentaram resultados competitivos ou melhores que estes. A estimação bem sucedida do número de grupos por classe pode auxiliar em diversas tarefas de mineração de dados, desde a sumarização dos dados até a decomposição de problemas de classificação em sub-problemas potencialmente mais simples. / In the last decade, researchers have been giving considerable attention to the field of Constrained Clustering. Algorithms in this field assume that along with the objects to be clustered, the user also provides some constraints about which kind of clustering (s)he prefers. In this thesis, two scenarios are studied: clustering with and without constraints. The developments are based on finite mixture models, namely, models with Gaussian components, which are usually called Gaussian Mixture Models (GMMs). In this context the main problems addressed are: (i) parameter estimation of GMMs; (ii) efficiently integrating constraints in the learning process allowing both constraints and the data to be added in the modeling in an online fashion; (iii) estimating, by using constraints derived from pre-determined concepts (usually named classes), the number of clusters per concept. Evolutionary algorithms were adopted to develop solutions for such problems. These algorithms analyze more than one solution simultaneously and use information provided by previous solutions to guide the search process. Specifically, an evolutionary algorithm based on procedures that perform splitting and merging of components to estimate the parameters of a GMM was developed. This algorithm was compared to an algorithm considered as the state-of-the-art in the literature, obtaining competitive results while requiring less parameters and being more computationally efficient. Besides the aforementioned contributions, two algorithms for online constrained clustering were developed. Both algorithms are based on well known algorithms from the literature and get better results than their predecessors. Finally, two algorithms to estimate the number of clusters per class were also developed. Both algorithms were compared to well established algorithms from the literature of constrained clustering, and obtained equal or better results than the ones obtained by the contenders. The successful estimation of the number of clusters per class is helpful to a variety of data mining tasks, such as data summarization and problem decomposition of challenging classification problems.