Undergraduate Thesis Presentation

Técnicas de Mineração de Dados
Socioeconômicos e Educacionais Utilizadas no
Contexto Governamental: Uma Revisão
Sistemática
Francisco J. Nardi1 F.; Aracele G. D. O. Fassbinder2; Ramon G. T. M. D. Silva3
1,2,3 Instituto Federal de Educação, Ciência e Tecnologia do Sul de Minas Gerais
Caixa Postal 02 – 37.890-000 – Muzambinho – MG – Brasil

1. Introdução
 Desejo de se descobrir as técnicas
ideais para Mineração de Dados
Socioeconômicos e Educacionais no
Contexto Governamental.
 A literatura não é tão generosa em
relação a esse tema.
 Através da criação de argumentos
de pesquisa e seleção dos estudos,
em um momento; e da análise
comparativa, estatística e de
resultados, em outro, foi possível
tirar conclusões a respeito das
melhores técnicas, ferramentas e
formas de se realizar a Mineração
de Dados esperada.

2. Metodologia
2.1. Estratégia de pesquisa
 Esta revisão sistemática seguiu o
processo de condução de revisões
sistemáticas definido por
Kitchenham (2004) e foi baseada
em um levantamento total de 99
artigos, publicados de 1996 a 2014.
 As buscas foram realizadas entre
20 e 30 de setembro de 2014 e
procuravam responder à seguinte
pergunta: Quais técnicas de
mineração de dados
socioeconômicos e educacionais
podem ser utilizadas no contexto
governamental?

2. Metodologia
2.1. Estratégia de pesquisa
Figura 1. Artigos publicados por ano
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Artigos publicados por ano
0
2
4
6
8
10
12
14
16
18
20
22
24
26
28
Artigos publicados por repositório
Figura 2. Artigos publicados por repositório

2. Metodologia
2.2. Seleção dos estudos
 O segundo argumento de pesquisa,
que retornou 937 resultados, foi:
 (Mineração de dados OR data
mining OR inteligência
empresarial OR business
intelligence OR descoberta de
conhecimento OR KDD) AND (IDH
OR IBGE OR IPEA OR INEP OR
censo OR censitário) AND
(governamental OR governo).
 O primeiro argumento de pesquisa,
que retornou 1970 resultados, foi:
 (Mineração de dados OR data
mining OR inteligência
empresarial OR business
intelligence OR descoberta de
conhecimento OR KDD) AND
(socioeconômico OR
socioeducacional OR educacional
OR econômico OR social) AND
(governamental OR governo).

2. Metodologia
2.2. Seleção dos estudos
 Exclusão por resumo (somente
considerados artigos cujos resumos
abordassem assuntos relativos ao
aspecto técnico – técnicas de
mineração de dados em geral, ou
teórico – mineração de dados
socioeconômicos e/ou educacionais
/ no contexto governamental, da
revisão).
 Critérios de exclusão II:
 Exclusão por leitura do artigo na
íntegra.
 Critérios de exclusão I:
 Exclusão por língua (somente
considerados artigos em
português);
 Exclusão por duplicidade (somente
considerado um artigo com mesmo
título);
 Exclusão por título (somente
considerados títulos que
possuíssem ao menos um dos
termos presentes nos argumentos);

3. Resultados e Discussão
Tabela 1. Artigos selecionados como base da revisão sistemática

4. Conclusão
 Ferramenta a ser utilizada: WEKA, não
apenas por ser livre, mas por ser robusta e
contar com os principais algoritmos de
mineração de dados;
 Técnicas a serem aplicadas: Árvores de
decisão em conjunto com regras de
associação; primeiramente, deve-se
classificar quais são os grupos de maior
relevância dentre aqueles que estavam sendo
classificados; em seguida, as regras de
associação gerarão conhecimentos
importantes, que, tendo relação ou não com
os grupos de maior relevância, formarão o
alicerce dos resultados obtidos pelos estudos;
 Tipos de trabalho acadêmico: um grande
número de artigos científicos e de
dissertações de mestrado teve como tema a
mineração de dados no contexto
governamental;
 Seção e momento do estudo em que a
mineração deve ser praticada: Na
“Metodologia”, de preferência após a
mineração de dados ter tido uma breve
explanação antes de sua utilização, ou seja,
na Etapa Intermediária da seção;
 Contexto de aplicação: governamental, e
certamente para dados socioeconômicos e
educacionais, uma vez que já foi
demonstrado aqui, na análise dos estudos
envolvendo indicadores sociais, que houve
efetividade na mineração de dados para este
tipo de investigação.
 Portanto, considera-se que se obteve sucesso
na concepção, condução e conclusão desta
revisão sistemática.

5. Referências
 BERRY, M.; LINOFF, G. Data Mining Techniques: for
marketing, sales, and customer relationship management.
Second edition. [S.l.]: Wiley Publishing Inc., 2004.
 BEZERRA, M. L. D. O. et al. Hipertensão em Crianças e
Adolescentes: Revisão Sistemática Sobre Prevalência e
Fatores de Risco. Revista de Enfermagem UFPE Online, Recife,
7(8):5313-22, ago., 2013. Disponível em
<http://www.revista.ufpe.br/revistaenfermagem/index.php/r
evista/article/download/4741/6991>
 CORADINE, L. M. L. C.; LACHTERMACHER, G; COELHO, P. S. S.
Determinação de Fatores Críticos para o IDH-M A Partir de
Técnicas de Mineração de Dados. Disponível em
<http://www.din.uem.br/sbpo/sbpo2007/pdf/arq0096.pdf>
Acessado em 20 de setembro de 2014
 FAYYAD, U. M.; PIATETSKY-SHAPIRO, G; SMYTH, P. From Data
Mining to Knowledge Discovery: An Overview. Knowledge
Discovery and Data Mining, Menlo Park: AAAI Press, 1996.
 GOMES, J. C.; LEVY, A.; LACHTERMACHER. Segmentação do
Censo Educacional 2000 Utilizando Técnicas de Mineração de
Dados. Disponível em
<http://www.researchgate.net/profile/Ariel_Levy/publication
/257946331_SEGMENTAO_DO_CENSO_EDUCACIONAL_2000_UTILI
ZANDO_TCNICAS_DE_MINERAO_DE_DADOS/links/0c9605266fa33
ab6d3000000> Acessado em 22 de setembro de 2014
 KITCHENHAM, B. A. Procedures for Performing Systematic
Reviews. Keele: Keele University, 2004. 33 p. (Tech report
TR/SE-0401).
 LANGE, L. C. Mineração de Dados em Sistema Eficiente de
Iluminação Pública incluindo Parâmetros Sócio-
Comportamentais. Agosto de 2007. 169 folhas. Dissertação
(Mestrado) – Pontifícia Universidade Católica do Rio Grande do
Sul. Porto Alegre, agosto de 2007. Dissertação apresentada ao
Programa de Pós-Graduação de Engenharia Elétrica da
Pontifícia Universidade Católica do Rio Grande do Sul de Porto
Alegre para obtenção do Título de Mestre.
 LUBAMBO, S. W. Processo de Mineração de Dados como Apoio
à Decisão no Controle de Gastos Públicos. Agosto de 2008. 132
folhas. Dissertação (Mestrado) – Universidade Federal de
Pernambuco. Recife, agosto de 2008. Trabalho apresentado à
Pós-Graduação em Ciência da Computação do Centro de
Informática da Universidade Federal de Pernambuco.

5. Referências
 MADEIRA, F. D. Mineração de Dados Educacionais: Um Estudo de
Caso Aplicado ao Processo Seletivo do IFSULDEMINAS. 2013. 132
folhas. Monografia – Instituto Federal de Educação, Ciência e
Tecnologia do Sul de Minas, 2013. Trabalho de Conclusão de Curso
apresentado ao Curso de Ciência da Computação, do Instituto Federal
de Educação Ciência e Tecnologia do Sul de Minas Gerais.
 MALUCELLI et al. Classificação de microáreas de risco com uso de
mineração de dados. Revista Saúde Pública. 44(2):292-300, 2010.
Disponível em: <
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0034-
89102010000200009 >
 MAXIMO, F. A.; OLIVEIRA; S. R. D. M.; MIRANDA, M. J. D. Uso de regras
de associação para enriquecer o suporte do planejamento agrícola
municipal: estudo de caso. In: CONGRESSO BRASILEIRO DE
AGROINFORMÁTICA, 7, 2009, Viçosa, MG. Viçosa, MG: UFV, 2009.
 MORAES, A. F. Um Modelo Representativo de Conhecimento para
Aplicação da Mineração de Dados no Cadastro Técnico Urbano. 21
de fevereiro de 2013. 79 folhas. Dissertação (Mestrado) – Universidade
Federal de Santa Catarina. Florianópolis, 21 de fevereiro de 2003.
Dissertação apresentada ao Programa de Pós-Graduação em
Engenharia de Produção da Universidade Federal de Santa Catarina.
 MURASSE, C. M.; TSUNODA, D. F. Descoberta de conhecimento a
partir de uma base de indicadores de desenvolvimento social
utilizando WEKA. Disponível em:
<http://www.inf.pucminas.br/sbc2010/anais/pdf/wcge/st01_02.pdf>
Acessado em: 23 de setembro de 2014.
 PICCIRILLI, T. L. Mineração de Dados aplicada à Classificação dos
Contribuintes do ISS. Abril de 2013. 134 folhas. Dissertação
(Mestrado) – Pontifícia Universidade Católica de Goiás. Goiânia, abril
de 2013. Dissertação apresentada ao Programa de Pós-Graduação de
Engenharia de Produção e Sistemas da Pontifícia Universidade Católica
de Goiás de Goiânia para obtenção do Título de Mestre.
 SILVA, A. D. D.; XAVIER; B. M.; GOMES, G. R. R.; FREITAS, M. T. M.
Mineração de Dados aplicada à Base de Dados Tributária Municipal.
In: SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO, 19, 2012, Bauru, SP.
 SILVA, G. C. Mineração de Regras de Associação Aplicada a Dados da
Secretaria Municipal de Saúde de Londrina – PR. Junho de 2004. 94
folhas. Dissertação (Mestrado) – Universidade Federal do Rio Grande
do Sul. Porto Alegre, junho de 2004. Dissertação submetida à
avaliação, como requisito parcial para a obtenção do grau de Mestre
em Ciência da Computação.
 WANGEHEIM, C. G. V.; KOCHANSKI, D.; SAVI, R. Revisão Sistemática
sobre Avaliação de Jogos Voltados para Aprendizagem de
Engenharia de Software no Brasil. Disponível em
<http://www.inf.ufsc.br/~gresse/download/FEES2009-revisao-jogos-
vf.pdf> Acessado em: 23 de setembro de 2014.

Mineração de Dados Sobre o Censo do IBGE de
2010 com Foco no Desenvolvimento
Socioeconômico e Educacional da Região da
AMOG utilizando Técnicas de Árvores de
Decisão e Regras de Associação
Francisco J. Nardi1 F.; Aracele G. D. O. Fassbinder2; Ramon G. T. M. D. Silva3
1,2,3 Instituto Federal de Educação, Ciência e Tecnologia do Sul de Minas Gerais
Caixa Postal 02 – 37.890-000 – Muzambinho – MG – Brasil

1. Introdução
 IBGE
 IPEA
 INEP
 Censo do IBGE de 2010
 AMOG
 Já desde o final do século passado,
a Tecnologia da Informação (TI) na
esfera pública expandiu sua área
de atuação, passando de
ferramenta de auxílio no suporte
administrativo para também
provedora de aplicações
estratégicas nas tomadas de
decisão, como, por exemplo, na
implementação e avaliação de
políticas governamentais (JUNIOR e
QUINTELLA, 2009).

2. Referencial Teórico
 Árvores de Decisão
 Regras de Associação
 Weka

3. Metodologia
3.1. Seleção dos dados
3.1.2. Seleção das modalidades de censo relevantes ao estudo
Modalidades excluídas
Censo 2010 (Car. do Entorno)
Censo 2010 (Carac. da População)
Censo 2010 (Carac. Pop. Dom.)
Censo 2010 (Fecundidade)
Censo 2010 (Ind. Soc. Municip.)
Censo 2010 (Migração)
Censo 2010 (Nupcialidade)
Censo 2010 (Pessoas com Deficiência)
Censo 2010 (Religião)
Censo 2010 (Trabalho infantil)
Censo Agropecuário 2006
Estim. da População (2012)
Extr. Veget. e Silvic. (2010)
Frota (2012)
Instit. Financeiras (2012)
Lavoura Permanente (2012)
Lavoura Temporária (2012)
Morbid. Hospitalares (2012)
Pecuária (2012)
Pobr. E Desig. Muni. (2003)
Prod. Agric. Munic. (2007)
Registro Civil (2011)
Repres. Política (2006)
Saneamento Básico (2008)
Serviços de Saúde (2009)
Modalidades selecionadas
Cada. Central de Empresa (2011)
Censo 2010 (CNEFE)
Censo 2010 (Deslocamento)
Censo 2010 (Domicílios)
Censo 2010 (Educação)
Censo 2010 (Famílias)
Censo 2010 (Rendimento)
Censo 2010 (Resu. Ger. Amostra)
Censo 2010 (Sinopse)
Censo 2010 (Trabalho)
Finanças Públicas (2009)
Matr. Docen. e Rede Esc. (2012)
PIB Municipal (2010)
Síntese de Informações

3. Metodologia
3.1.3. Dificuldades encontradas na seleção dos campos
relevantes ao estudo
 1 – Os dados vinham
desacompanhados da descrição das
variáveis da amostra. Ou seja, o
título de cada campo era o único
parâmetro que se possuía para se
tentar entender o significado ou
importância de um campo.
 2 - Os artigos de referência davam
fundamentação para o tratamento
e processamento dos dados, mas
em nenhum momento mostraram
critérios ou métodos para seleção
eficiente dos dados coletados.

3. Metodologia
3.1.5. Formação das tabelas contendo os dados-alvo
Nome da tabela Número de campos
Demografia 4
Economia 15
Educação 19
Finanças Públicas 18
Rendimento 14
Nome da cidade Código do IBGE correspondente
Alterosa 310200
Arceburgo 310410
Areado 310430
Bom Jesus da Penha 310760
Botelhos 310840
Cabo Verde 310950
Conceição da Aparecida 311710
Guaranésia 312830
Guaxupé 312870
Jacuí 313480
Juruaia 313690
Monte Belo 314300
Muzambinho 314410
Nova Resende 314510
São Pedro da União 316390

3. Metodologia
3.2. Pré-seleção dos dados
3.2.4. Transformação dos dados
Figura 1. Pessoas de 10 anos ou mais de
idade que Não frequentavam a escola,
Não ocupadas
Figura 2. Domicílios particulares permanentes com
classes de rendimento nominal mensal domiciliar sem
rendimento

3. Metodologia
3.2. Pré-seleção dos dados
3.2.4. Transformação dos dados
3.2.5. Adequação dos dados
Figura 3. Domicílios particulares sem
rendimento divididos em 5 categorias
distintas, devido à reformulação do valor
definido para os intervalos em situações de
concentração de ocorrências em uma mesma categoria
Figura 4. Tabela Demografia convertida
para o formato ARFF

3. Metodologia
3.3. Mineração de dados (processamento)
3.3.1.Cruzamento das tabelas
Combinação Resultado numérico
C6,1 6
C6,2 15
C6,3 20
C6,4 15
C6,5 6
C6,6 1
Total 63

3. Metodologia
3.3.2.Definição dos atributos-chave
10. Taxa de docentes por matrícula – ensino médio Atenção escolar dada a
adolescentes e adultos
11. Taxa de despesas orçamentárias – investimento
por habitante
Capacidade de investimento
por habitante da cidade
12. Taxa de receitas orçamentárias realizadas por
habitante
Capacidade de obtenção de
receitas por habitante da
cidade
13. PIB per capita a preços correntes Capacidade de geração de
riquezas por habitante
14. Índice de Desenvolvimento Humano Municipal Índice de desempenho em
educação, longevidade e renda
15. Domicílios com classe de rendimento – 1 a 2
salários mínimos
Proporção de domicílios com
rendimento baixo
salários mínimos
rendimento médio-baixo /
médio
salários mínimos
rendimento médio / médio-
alto
18. Valor do rendimento mensal mediano per capita
– rural
Rendimento mediano per
capita rural atingido pela
população
19. Valor do rendimento mensal mediano per capita
– urbano
Rendimento mediano per
capita urbano atingido pela
população
Nº Atributo-chave escolhido Pequena justificativa
1. Domicílios particulares ocupados Capacidade de atração de
moradores da cidade
2. Taxa de empresas por habitante Porte empresarial da
cidade
3. Pessoas – trabalho principal – Empregadores Vocação empreendedora
da população
4. Pessoas – trabalho principal – Conta própria Vocação autônoma da
população
5. Pessoas – trabalho principal – Carteira
assinada
Geração/manutenção de
empregos formais da
cidade
6. População residente alfabetizada Atingimento da educação
em patamar básico
7. Pessoas – Ensino médio completo e superior
incompleto
Atingimento da educação
em patamar médio
8. Pessoas – Ensino superior completo Atingimento da educação
em patamar elevado
9. Taxa de docentes por matrícula – ensino
fundamental
Atenção escolar dada aos
alunos mais jovens e
adolescentes

3. Metodologia
3.3.3.2. Utilização do Weka para a geração das árvores
Intervalo numérico Pertence à tabela
1 Demografia
2 a 5 Economia
6 a 10 Educação
11 a 12 Finanças Públicas 1
13 a 14 Finanças Públicas 2
15 a 19 Rendimento

3. Metodologia
3.3.3.2. Utilização do Weka para a geração das árvores
3.3.4.1. Utilização do Weka para geração das regras

4.20. Síntese dos conhecimentos adquiridos
 A partir desta tabela, será possível
chegar à conclusão, na próxima
seção do artigo, de quais foram as
relações socioeconômicas e
educacionais encontradas nos
dados minerados da região da
AMOG. Além disso, serão
apresentadas as cidades que
tiveram melhor desempenho
considerando-se a análise dos
atributos-chave deste estudo.
 Enfim, os atributos-chave foram
analisados, um a um, levando em
consideração as árvores de decisão
e as regras de associação, e todo o
conhecimento desejado foi
extraído. A Tabela 10 a seguir
apresenta, de forma organizada,
uma síntese dos conhecimentos
adquiridos.

4.20. Síntese dos conhecimentos adquiridos

5. Conclusão
 Remuneração maior que 2 salários
mínimos = Maior número de
domicílios ocupados.
 Maior taxa de docentes 2º grau =
Maior número de empresas.
 Maior instrução = Maior
investimento em indústria = Maior
número de empregadores.
 Maior emprego = Maior número de
carteiras assinadas = Menor número
de autônomos.
 Maior número de domicílios
ocupados = Maior número de
carteiras assinadas = Menor número
de autônomos.
 Maior alfabetização = Remuneração
maior que 2 salários mínimos.
 Remuneração maior que 2 salários
mínimos = Maior taxa de docentes
2º grau = Maior número de
concluintes do 2º grau.
 Maior número de concluintes do 2º
grau = Maior taxa de docentes 2º
grau = Maior número de concluintes
do 3º grau.

5. Conclusão
 Maior taxa de docentes 2º grau =
Remuneração maior que 2
salários mínimos
 Maior despesa por habitante =
Maior PIB per capita
 Maior número de concluintes do
1º grau = Remuneração maior que
2 salários mínimos = Maior
emprego = Maior IDH-M
 Remuneração maior que 2
salários mínimos = Maior taxa de
docentes 1º grau = Maior número
de domicílios ocupados
 Maior IDH-M = Remuneração
maior que 2 salários mínimos.
 Remuneração maior que 5
salários mínimos = Menor número
de autônomos.

5. Conclusão
 Guaxupé demonstrou ser a cidade
de maior desenvolvimento
socioeconômico e educacional do
momento, segundo os critérios
deste trabalho. Ela foi seguida de
perto por Juruaia,
Arceburgo/Muzambinho e Areado,
que também obtiveram bons
resultados durante toda a análise.
 Dessa forma, cabe às outras
cidades, tendo elas pontuado ou
não, observar as políticas públicas
implementadas pelas prefeituras
das cidades-destaque,
para que a AMOG possa se desenvolver
em conjunto, e cumprir seu objetivo
de “ampliar e fortalecer a capacidade
administrativa, econômica e social dos
Municípios, prestando-lhes a
assistência técnica, promovendo o
estabelecimento de cooperação
intermunicipal e intergovernamental e
atuando em diversas áreas de
interesse municipal, de acordo com os
recursos financeiros repassados pelos
municípios” (AMOG).

6. Referências
 BERRY, M.; LINOFF, G. Data Mining Techniques: for
marketing, sales, and customer relationship
management. Second edition. [S.l.]: Wiley Publishing
Inc., 2004.
 CORADINE, L. M. L. C.; LACHTERMACHER, G; COELHO, P.
S. S. Determinação de Fatores Críticos para o IDH-M A
Partir de Técnicas de Mineração de Dados. Disponível
em
<http://www.din.uem.br/sbpo/sbpo2007/pdf/arq0096.p
df> Acessado em 20 de setembro de 2014.
 FAYYAD, U. M.; PIATETSKY-SHAPIRO, G; SMYTH, P. From
Data Mining to Knowledge Discovery: An Overview.
Knowledge Discovery and Data Mining, Menlo Park: AAAI
Press, 1996.
 GOMES, J. C.; LEVY, A.; LACHTERMACHER. Segmentação
do Censo Educacional 2000 Utilizando Técnicas de
Mineração de Dados. Disponível em
<http://www.researchgate.net/profile/Ariel_Levy/public
ation/257946331_SEGMENTAO_DO_CENSO_EDUCACIONAL_
2000_UTILIZANDO_TCNICAS_DE_MINERAO_DE_DADOS/links
/0c9605266fa33ab6d3000000> Acessado em 22 de
setembro de 2014.
 LANGE, L. C. Mineração de Dados em Sistema Eficiente
de Iluminação Pública incluindo Parâmetros Sócio-
Comportamentais. Agosto de 2007. 169 folhas.
Dissertação (Mestrado) – Pontifícia Universidade Católica
do Rio Grande do Sul. Porto Alegre, agosto de 2007.
Dissertação apresentada ao Programa de Pós-Graduação
de Engenharia Elétrica da Pontifícia Universidade Católica
do Rio Grande do Sul de Porto Alegre para obtenção do
Título de Mestre.
 LIU, B.; HSU, W. Post-Analysis of Learned Rules. AAAI-
96, p. 828-834, 1996.
 LUBAMBO, S. W. Processo de Mineração de Dados como
Apoio à Decisão no Controle de Gastos Públicos. Agosto
de 2008. 132 folhas. Dissertação (Mestrado) –
Universidade Federal de Pernambuco. Recife, agosto de
2008. Trabalho apresentado à Pós-Graduação em Ciência
da Computação do Centro de Informática da Universidade
Federal de Pernambuco.
 MADEIRA, F. D. Mineração de Dados Educacionais: Um
Estudo de Caso Aplicado ao Processo Seletivo do
IFSULDEMINAS. 2013. 132 folhas. Monografia – Instituto
Federal de Educação, Ciência e Tecnologia do Sul de
Minas, 2013. Trabalho de Conclusão de Curso apresentado
ao Curso de Ciência da Computação, do Instituto Federal
de Educação Ciência e Tecnologia do Sul de Minas Gerais.

6. Referências
 MALUCELLI et al. Classificação de microáreas de risco
com uso de mineração de dados. Revista Saúde Pública.
44(2):292-300, 2010. Disponível em: <
http://www.scielo.br/scielo.php?script=sci_arttext&pid=
S0034-89102010000200009 >
 MAXIMO, F. A.; OLIVEIRA; S. R. D. M.; MIRANDA, M. J. D.
Uso de regras de associação para enriquecer o suporte
do planejamento agrícola municipal: estudo de caso.
In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA, 7,
2009, Viçosa, MG. Viçosa, MG: UFV, 2009.
 MORAES, A. F. Um Modelo Representativo de
Conhecimento para Aplicação da Mineração de Dados
no Cadastro Técnico Urbano. 21 de fevereiro de 2013.
79 folhas. Dissertação (Mestrado) – Universidade Federal
de Santa Catarina. Florianópolis, 21 de fevereiro de 2003.
em Engenharia de Produção da Universidade Federal de
Santa Catarina.
 MURASSE, C. M.; TSUNODA, D. F. Descoberta de
conhecimento a partir de uma base de indicadores de
desenvolvimento social utilizando WEKA. Disponível em:
<http://www.inf.pucminas.br/sbc2010/anais/pdf/wcge/s
t01_02.pdf> Acessado em: 23 de setembro de 2014.
 PICCIRILLI, T. L. Mineração de Dados aplicada à
Classificação dos Contribuintes do ISS. Abril de 2013.
134 folhas. Dissertação (Mestrado) – Pontifícia
Universidade Católica de Goiás. Goiânia, abril de 2013.
de Engenharia de Produção e Sistemas da Pontifícia
Universidade Católica de Goiás de Goiânia para obtenção
do Título de Mestre.
 SILVA, A. D. D.; XAVIER; B. M.; GOMES, G. R. R.; FREITAS,
M. T. M. Mineração de Dados aplicada à Base de Dados
Tributária Municipal. In: SIMPÓSIO DE ENGENHARIA DE
PRODUÇÃO, 19, 2012, Bauru, SP.
 SILVA, G. C. Mineração de Regras de Associação
Aplicada a Dados da Secretaria Municipal de Saúde de
Londrina – PR. Junho de 2004. 94 folhas. Dissertação
(Mestrado) – Universidade Federal do Rio Grande do Sul.
Porto Alegre, junho de 2004. Dissertação submetida à
avaliação, como requisito parcial para a obtenção do grau
de Mestre em Ciência da Computação.

Agradecimento
 Gostaria de agradecer a todos vocês,
professores de Ciência da Computação do
IFSULDEMINAS Câmpus Muzambinho, que,
durante estes 4 anos e meio que estive
sendo seu aluno, sempre foram exigentes,
atenciosos, dedicados e compreensivos
para comigo e para com minha turma.
 Isso fez com que eu pudesse me dedicar
ao máximo, pois sabia que seria cobrado;
mas também que quando precisasse,
poderia esclarecer minhas dúvidas ou
pedir sugestões; além disso, e mais
importante, contar com a compreensão de
vocês para que eu pudesse trabalhar ou
fazer intercâmbio de forma paralela ao
curso, e isso não me prejudicasse de
maneira alguma.

Agradecimento
 Por isso, espero que a gente se
encontre muito mais vezes, na
área acadêmica ou profissional, e
que os laços que criamos não se
extingam.
 Como forma de retribuição, fico a
sua disposição, para qualquer que
seja o assunto, da mesma forma
que sempre estiveram a minha.
 Muito obrigado,
 Francisco José Nardi Filho.

Undergraduate Thesis Presentation

Recomendados

Recomendados

Mais conteúdo relacionado

Destaque

Destaque (9)

Semelhante a Undergraduate Thesis Presentation

Semelhante a Undergraduate Thesis Presentation (20)

Último

Último (6)

Undergraduate Thesis Presentation