O documento discute conceitos de causalidade e abdução na pesquisa científica. Apresenta definições de causalidade e explica porque é importante identificar relações causais para explicar fenômenos e prever efeitos de ações. Também discute desafios em identificar causalidade em sistemas projetados e como correlação não é suficiente para inferir causalidade, sendo necessário controlar potenciais causas comuns.
Trabalho para a Disciplina de Fundamentos da Ciência da Informação A do segundo semestre, do Curso de Museologia da Faculdade de Biblioteconomia e Comunicação/UFRGS.
Lista de exercicios de sig (respondida) 1bimestre 2013José Nascimento
Lista de exercício de SIG (Sistemas de Informação Gerencial) inclui conceitos, característica e diferenças de Sistema; sistema de informação; sistema transacional; sistema de informação gerencial; sistema de apoio a decisão; sistema especialista; Data Warehouse; data mart; ETL (Extract Transform Load); modelo snow flake; ferramentas OLAP; OLTP; MOLAP; ROLAP; Business Inteligence; BI, entre outros.
Palestra de António Dias de Figueiredo no Departamento de Engenharia Informática e Sistemas do Instituto Superior de Engenharia de Coimbra, 7 de Junho de 2002.
Trabalho para a Disciplina de Fundamentos da Ciência da Informação A do segundo semestre, do Curso de Museologia da Faculdade de Biblioteconomia e Comunicação/UFRGS.
Lista de exercicios de sig (respondida) 1bimestre 2013José Nascimento
Lista de exercício de SIG (Sistemas de Informação Gerencial) inclui conceitos, característica e diferenças de Sistema; sistema de informação; sistema transacional; sistema de informação gerencial; sistema de apoio a decisão; sistema especialista; Data Warehouse; data mart; ETL (Extract Transform Load); modelo snow flake; ferramentas OLAP; OLTP; MOLAP; ROLAP; Business Inteligence; BI, entre outros.
Palestra de António Dias de Figueiredo no Departamento de Engenharia Informática e Sistemas do Instituto Superior de Engenharia de Coimbra, 7 de Junho de 2002.
O que é business intelligence.
Esse é o conteúdo de uma palestra que eu deveria ter feito no dia 20/10/2009, mas por um motivo pessoal não consegui ministrar.
Nessa palestra falo um pouco sobre os conceitos de BI e suas ferramentas, etc.
Mais informações em
www.cetax.com.br
Obrigado,
Marco.
Este trabalho ira falar sobre oque a pesquisa nos demonstra o quanto dela necessitamos e a partir de seus vários tipos juntamente com seus delineamentos, podemos criar hipóteses, para resolver possíveis problemas que posamos encontrar tanto em nossa vida particular, quanto em nossa vida acadêmica.
Utilizar atalhos do teclado, barra de ferramentas, marca d’agua e colunas em documentos. Abrindo, salvando, formatando, copiando, colando, recortando e selecionando textos.
O que é business intelligence.
Esse é o conteúdo de uma palestra que eu deveria ter feito no dia 20/10/2009, mas por um motivo pessoal não consegui ministrar.
Nessa palestra falo um pouco sobre os conceitos de BI e suas ferramentas, etc.
Mais informações em
www.cetax.com.br
Obrigado,
Marco.
Este trabalho ira falar sobre oque a pesquisa nos demonstra o quanto dela necessitamos e a partir de seus vários tipos juntamente com seus delineamentos, podemos criar hipóteses, para resolver possíveis problemas que posamos encontrar tanto em nossa vida particular, quanto em nossa vida acadêmica.
Utilizar atalhos do teclado, barra de ferramentas, marca d’agua e colunas em documentos. Abrindo, salvando, formatando, copiando, colando, recortando e selecionando textos.
Gerência de Armazenamento: Interface do Sistema de ArquivosAlexandre Duarte
Explicar a função do sistema de arquivos
Descrever as interface com os sistemas de arquivos
Discutir decisões de projeto de sistemas de arquivos, incluindo métodos de acesso, compartilhamento, bloqueio e estruturas de diretórios
Explorar o conceito de proteção em sistemas de arquivos
Aula 03 de disciplina de Metodologia da Pesquisa Científica do Programa de Pós-Graduação em Informática da UFPB. Nesta aula discutimos aspectos importantes na escolha de um projeto pesquisa.
Introduzir o conceito de escalonamento de CPU, base para os sistemas operacionais multiprogramados
Descrever vários algoritmos de escalonamento de CPU
Discutir os critérios de avaliação para selecionar um algoritmo de escalonamento de CPU para um determinado sistema
METODOLOGIA CIENTÍFICA - Guia Simplificado para a Classificação de Pesquisas ...IFSC
Aqui você encontra um resumo prático e útil para a classificação de sua Pesquisa Científica. Depois de obter os dados principais, vá até os livros e detalhe cata item.
Um abraço,
Prof. CLEVERSON TABAJARA VIANNA
Palestra no DEInfo-UFRPE no segundo semestre de 2012 com o propósito de divulgar o assunto. Apresenta de forma elementar e sem aprofundar o modelo de circuitos quânticos. Tem citações curiosas sobre Mecânica Quântica. Apresenta o protocolo de Teleporte e o algoritmo de Shor. Formato PPT para uso livre.
O texto visa resumir os passos utilizados para a implementação de um modelo de regressão linear de maneira aplicada (documento compilado para o ensino de cursos de graduação).
Palestra - Ferramentas de Coleta de Dados - QuestionáriosLuiz Agner
Aula da disciplina Ferramentas para Coleta de Dados, 2013. Pós-graduação em Ergodesign de Interfaces, Usabilidade e Arquitetura de Informação. Prof. Luiz Agner
Gerência de Armazenamento: Sistemas de Entrada e SaídaAlexandre Duarte
Explorar a estrutura do subsistema de E/S de um sistema operacional
Discutir os princípios e complexidade do hardware de E/S
Prover detalhes do aspectos de desempenho do hardware e software de E/S
Gerência de Armazenamento: Sistemas de Armazenamento em MassaAlexandre Duarte
Descrever a estrutura física de dispositivos de armazenamento secundário e terciário e os efeitos resultantes do uso desses dispositivos
Explicar as características de desempenho de diferentes dispositivos de armazenamento em massa
Discutir os serviços providos pelo sistema operacional para gerenciamento de dispositivos de armazenamento em massa, incluindo RAID e HSM
Gerência de Armazenamento: Implementação do Sistema de ArquivosAlexandre Duarte
Descrever os detalhes de implementação de um sistema de arquivos e de estruturas de diretórios locais
Discutir alocação de blocos e de gerência de blocos livres
Gerência de Armazenamento: Implementação do Sistema de Arquivos
Causalidade e Abdução
1. Metodologia
da
Pesquisa
Cien1fica
Aula
06:
Causalidade
e
Abdução
Professor:
Alexandre
Duarte
Web:
h5p://alexandre.ci.ufpb.br/ensino/mpc
2. CAUSALIDADE
“The
paradigma,c
asser,on
in
causal
rela,onships
is
that
manipula,on
of
a
cause
will
result
in
the
manipula,on
of
an
effect...
Causa>on
implies
that
by
varying
one
factor,
I
can
make
another
vary.”
-‐
Cook
&
Campbell
(1979).
3. Por
que
nos
preocupamos
com
causalidade?
• Explicação
– Uma
associação
nos
permite
prever
mas
não
explicar
um
fenômeno
– A
iden>ficação
dos
mecanismos
de
causalidade
nos
permite
produzir
explicações
mais
sa>sfatórias
• Controle
– Entender
a
causalidade
nos
permite
prever
os
efeitos
de
determinadas
ações
sem
que
elas
precisem
ser
executadas
– Isso
possibilita
uma
exploração
mais
eficiente
do
espaço
amostral
4. Development
of
Western
science
is
based
on
two
great
achievements:
the
inven>on
of
the
formal
logical
system
(in
Euclidean
geometry)
by
the
Greek
philosophers,
and
the
discovery
of
the
possibility
to
find
out
causal
rela>onships
by
systema>c
experiment
(during
the
Renaissance).
Albert
Einstein
(1953)
5. Não
seria
trivial
iden>ficar
causalidade
em
sistema
projetos
por
nós
?
• Tarefa/Ambiente:
Nós
não
projetamos
vários
dos
aspectos
responsáveis
pelo
comportamento
• Complexidade:
Nós
nem
sempre
entendemos
as
causas
para
determinados
comportamentos
• Spandrels:
Limitações
do
projeto
muitas
vezes
criam
funcionalidades
acidentais,
muitas
das
quais
podem
parecer
ser
(ou
efe>vamente
ser)
causais.
“As
computer
scien>sts,
we
design
our
systems,
and
we
leave
out
extraneous
components.
Isn’t
everything
causal?”
8. Spandrels
em
Ciência
da
Computação
• Várias
das
caracterís>cas
de
um
sistema
são..
– Inteiramente
acidentais
(“Tínhamos
que
escolher
uma
ou
outra”)
– Resultado
de
limitações
de
projeto
(“O
compilador
do
Z354
não
conseguia
lidar
com
os
dados
então
>vemos
que
fazer
...”)
– Selecionadas
de
acordo
com
a
crença
contemporânea
(“Foi
então
que
concluímos
que
roteamento
dinâmica
não
era,
de
fato,
pra>cável”)
• ...
e
muitas
outras
decisões
de
projeto
são
influenciadas
por
tais
caracterís>cas
...
• ...
fazendo
com
que
elas
acabem
parecendo
ser
essenciais
ao
longo
do
tempo.
14. Por
que
correlação
pode
ser
cruel?
• Variação
da
causa
potencial
(Quantas
alterna>vas
foram
examinadas?)
• Força
do
efeito
(O
que
um
“quase”
significa?)
• Tamanho
da
amostra
(Dois
algoritmos
ou
vinte?)
• Independência
(Todos
os
algoritmos
são
derivados
de
uma
fonte
em
comum?)
15. Por
que
correlação
não
é
suficiente?
• Correlação
com
a
causa
esperada
(“Fumar
causa
câncer”)
• Correlação
com
o
inverso
da
causa
esperada
(“Câncer
leva
as
pessoas
a
fumarem”)
• Correlação
com
uma
causa
oculta
(“Um
gene
leva
as
pessoas
a
fumarem
e
a
terem
câncer”)
A
B
A
B
A
B
C
16. Eliminando
causas
comuns
• Controle:
mantenha
potencias
causas
comuns
constantes
de
forma
que
elas
não
possam
afetar
o
resultado
(Bacon,
1620)
• Randomização:
Varia
de
forma
aleatória
os
níveis
de
potenciais
causas
comuns
de
forma
que
elas
não
possam
afetar
sistema>camente
o
resultado
(Fisher,
1925)
• Modelagem:
Meça,
modele
e
remova
matema>camente
o
os
efeitos
de
potenciais
causas
comuns
(Rubin
1974;
Spirtes,
Glymour
&
Scheines
1993;
Pearl
2000)
17. Eliminando
causas
comuns:
Controle
• Selecione
explicitamente
os
níveis
(valores)
para
todas
as
outras
potenciais
causas
de
forma
que
apenas
as
causas
inves>gadas
possam
exercer
efeito
no
resultado
• Exemplo
– Todos
os
par>cipantes
do
nosso
estudo
eram
alunos
do
1º
semestre
– No
começo
de
cada
execução
a
base
de
conhecimento
estava
vazia
– Cada
protocolo
foi
executado
em
cada
uma
das
K
redes
geradas
aleatoriamente
• O
que
pode
dar
errado?
– Causas
desconhecidas
– Falha
no
controle
– Confounding
18. Eliminando
causas
comuns:
Randomização
• Tenta>va
de
garan>r
que
o
efeito
de
outras
potenciais
causas
é
desprezível
– Atribui
valores
a
variáveis
independentes
sem
qualquer
razão
– Permite
eliminar
causas
desconhecidas
• Exemplos:
– Distribuímos
aleatoriamente
os
dados
entre
o
grupo
de
treino
e
de
teste
– As
requisições
foram
tratadas
tanto
pelo
protocolo
an>go
quanto
pelo
novo
de
acordo
com
um
gerador
de
números
pseudoaleatórios
• O
que
pode
dar
errado?
– Distribuição
não-‐aleatória
– Confounding
19. Eliminando
causas
comuns:
Modelagem
• Ajustar
explicitamente
o
valor
do
efeito
para
descartar
os
efeitos
de
outras
potenciais
causas
• Exemplo
– Nós
incluímos
todas
as
potenciais
causas
conhecidas
além
de
x
em
nosso
modelo
de
regressão
linear
e
os
efeitos
de
x
con>nuam
a
ser
esta>s>camente
significa>vos
• O
que
pode
dar
errado?
– Fatores
causais
desconhecidos
– Erros
no
modelo
– Bias
na
escolha
dos
parâmetros
do
modelo
20. ABDUÇÃO
“...a
method
of
reasoning
in
which
one
chooses
the
hypothesis
that
would,
if
true,
best
explain
the
relevant
evidence.
Abduc>ve
reasoning
starts
from
a
set
of
accepted
facts
and
infers
their
most
likely,
or
best,
explana>ons.”
21. Formas
de
raciocínio
cienxfico
• Dedu>vo
– Dedução
lógica
• Indu>vo
– Inferência
indu>va
• Abdu>vo
– Inferência
abdu>va
22. Raciocínio
Dedu>vo
• Uma
dedução
é
uma
espécie
de
argumento
no
qual
a
forma
lógica
válida
garante
a
verdade
da
conclusão
dada
a
veracidade
das
premissas
– Premissa
1:
Todos
os
homens
são
mortais.
– Premissa
2:
Sócrates
é
um
homem.
– Conclusão:
Sócrates
é
mortal.
23. Raciocínio
Indu>vo
• Infere
uma
conclusão
a
par>r
de
múl>plas
observações
de
fatos
• Observações
– O
ferro
conduz
eletricidade
– O
ferro
é
metal
– O
ouro
conduz
eletricidade
– O
ouro
é
metal
– O
cobre
conduz
eletricidade
– O
cobre
é
metal
• Inferência
indu>va
– Os
metais
conduzem
eletricidade.
24. Raciocínio
Abdu>vo
• A
abdução
é
a
inferência
a
favor
da
melhor
explicação.
– A
hipótese
de
A
ser
verdadeira
explica
B.
– Nenhuma
outra
hipótese
pode
explicar
B
tão
bem
quanto
A.
– Logo
A
é
provavelmente
verdadeira
25. Raciocínio
abdu>vo
na
ciência
• A
abdução
seleciona,
entre
as
hipóteses
consideradas,
aquela
que
melhor
explica
as
evidências
• O
raciocínio
abdu>vo
é
fortemente
relacionado
ao
método
estaxs>co
da
máxima
verossimilhança
• Existe
várias
ameaças
óbvias
à
sua
validade
– Número
insuficiente
de
hipóteses
– Quan>dade
insuficiente
de
evidências
• Ambos
são
aspectos
chave
na
prá>ca
cienxfica
26. Teorias
que
julgamos
serem
verdadeiras
Teorias
que
são
efe>vamente
verdadeiras
Teorias
que
achamos
que
foram
testadas
corretamente
Teorias
que
já
foram
cogitadas
27. Desafios
da
abdução
• Definir
um
conjunto
de
hipóteses
com
grande
probabilidade
de
conter
a
hipótese
“verdadeira”
– Abordagem:
criar
o
maior
conjunto
possível
• Descobrir
que
há
hipóteses
válidos
fora
do
seu
conjunto
de
hipóteses
– Abordagem:
Avaliar
constantemente
seu
conjunto
de
hipóteses
o
expandido
sempre
que
os
dados
se
tornem
inexplicáveis
dada
qualquer
uma
das
hipóteses
consideradas
até
o
momento
• Criar
um
bom
conjunto
e
evidências
para
explicar
– Abordagem:
Busque
fontes
diversas
e
independente
de
evidências
com
as
quais
você
possa
avaliar
suas
hipóteses