Sistema de apoio à decisão para a classificação de risco em projectos de tecnologias de informação

O trabalho que a seguir se apresenta tem como objectivo descrever a criação de um modelo que sirva de suporte a um sistema de apoio à decisão sobre o risco inerente à execução de projectos na área das Tecnologias de Informação (TI) recorrendo a técnicas de mineração de dados. Durante o ciclo de vida de um projecto, existem inúmeros factores que contribuem para o seu sucesso ou insucesso. A responsabilidade de monitorizar, antever e mitigar esses factores recai sobre o Gestor de Projecto. A gestão de projectos é uma tarefa difícil e dispendiosa, consome muitos recursos, depende de numerosas variáveis e, muitas vezes, até da própria experiência do Gestor de Projecto. Ao ser confrontado com as previsões de duração e de esforço para a execução de uma determinada tarefa, o Gestor de Projecto, exceptuando a sua percepção e intuição pessoal, não tem um modo objectivo de medir a plausibilidade dos valores que lhe são apresentados pelo eventual executor da tarefa. As referidas previsões são fundamentais para a organização, pois sobre elas são tomadas as decisões de planeamento global estratégico corporativo, de execução, de adiamento, de cancelamento, de adjudicação, de renegociação de âmbito, de adjudicação externa, entre outros. Esta propensão para o desvio, quando detectada numa fase inicial, pode ajudar a gerir melhor o risco associado à Gestão de Projectos. O sucesso de cada projecto terminado foi qualificado tendo em conta a ponderação de três factores: o desvio ao orçamentado, o desvio ao planeado e o desvio ao especificado. Analisando os projectos decorridos, e correlacionando alguns dos seus atributos com o seu grau de sucesso o modelo classifica, qualitativamente, um novo projecto quanto ao seu risco. Neste contexto o risco representa o grau de afastamento do projecto ao sucesso. Recorrendo a algoritmos de mineração de dados, tais como, árvores de classificação e redes neuronais, descreve-se o desenvolvimento de um modelo que suporta um sistema de apoio à decisão baseado na classificação de novos projectos. Os modelos são o resultado de um extensivo conjunto de testes de validação onde se procuram e refinam os indicadores que melhor caracterizam os atributos de um projecto e que mais influenciam o risco. Como suporte tecnológico para o desenvolvimento e teste foi utilizada a ferramenta Weka 3. Uma boa utilização do modelo proposto possibilitará a criação de planos de contingência mais detalhados e uma gestão mais próxima para projectos que apresentem uma maior propensão para o risco. Assim, o resultado final pretende constituir mais uma ferramenta à disposição do Gestor de Projecto.

Acompanhamento da construção de um edifício multifuncional e de duas moradias unifamiliares

Relatório de estágio para obtenção do grau de Mestre em Engenharia Civil na Área de Especialização em Edificações

Promoção no ponto de venda: percepções e comportamentos do consumidor

Este estudo enquadra-se no âmbito do Marketing e Comportamento do Consumidor e tem como tema Promoção no Ponto de Venda. Esta investigação tem como objectivo conhecer a percepção e comportamento de grupos de consumidores face a promoções no ponto de venda. O desenvolvimento deste projecto procurou encontrar resposta para os objectivos de investigação propostos através da realização de um inquérito por questionário. Toda a investigação empírica teve por base os resultados obtidos através de 156 questionários online a consumidores, maiores de 18 anos, de super e hipermercados e centros comerciais. Foi utilizada uma amostra por conveniência, para a qual foi enviado questionário online através de email e redes sociais. Realizou-se então este estudo e os resultados demonstraram que as promoções continuam a motivar o consumo e a despoletar a compra imediata e em maior quantidade. Estas conclusões são diferenciadas face às categorias de produto, com maior interesse por parte do consumidor em relação às promoções nos bens essenciais e moda, e face às tipologias de promoção, cuja preferência de promoção são as que têm incidência no preço. No nosso estudo encontramos quatro segmentos de consumidores, que de uma forma global registam auto percepção de consumidores inteligentes, que procuram com a promoções optimizar a relação qualidade preço, e que são pouco impulsivos no consumo. Concluímos que as promoções no ponto de venda são técnicas de marketing em que os gestores de marketing devem continuar a apostar pois é um factor critico de sucesso no incremento de vendas.

Ordenamento do território na cidade de Lisboa: o caso da Alta de Lisboa

Trabalho Final de Mestrado para obtenção do grau de Mestre em Engenharia Civil na Área de Especialização de Edificações

Metodologia de projeto como estratégia de motivação e criatividade na disciplina de artes plásticas

Mestrado em Ensino de Educação Visual e Tecnológica no Ensino Básico

A aprendizagem cooperativa em alunos com dificuldades de aprendizagem

Projeto de Intervenção apresentado à Escola Superior de Educação de Lisboa para obtenção de grau de mestre em Educação Especial

A contribuição do marketing interno para o sucesso das empresas

Dissertação apresentada à Escola Superior de Comunicação Social como parte dos requisitos para obtenção de grau de mestre em Publicidade e Marketing.

Teacher placement report: investigation: action research project investigating methods for promoting creativity in double bass students attending a portuguese music school

The investigation which employed the action research method (qualitative analysis)was divided into four fases. In phases 1-3 the participants were six double bass students at Nossa Senhora do Cabo Music School. Pilot exercises in creativity were followed by broader and more ambitious projects. In phase 4 the techniques were tested and amplified during a summer course for twelve double bass students at Santa Cecilia College.

Relatório de estágio: aulas de grupo de oboé

I (Prática Pedagógica) - Neste relatório de estágio apresenta-se uma caracterização do Conservatório de Música de Santarém (CMS). Dá-se a conhecer um pouco da sua história, o seu funcionamento e os seus objetivos pedagógicos. Caracterizam-se também os alunos que participam no estágio e faz-se uma pequena descrição dos seus percursos académicos; suas influências, motivações e expectativas. Nas práticas desenvolvidas apresentam-se os princípios pedagógicos – A Motivação, como condição fundamental para o sucesso escolar dos alunos; e ainda a importância da aquisição de competências metacognitivas, ao permitirem a reflexão sobre os processos de aprendizagem. É feita uma descrição sobre as estratégias que o professor deve adotar com o objetivo de obter a motivação dos alunos; e apresentam-se os objetivos pedagógicos propostos para este estágio. Por último é feita uma análise do trabalho desenvolvido com os alunos e uma análise crítica da atividade docente, onde a criatividade, a autoavaliação e a reflexão devem estar sempre presentes no íntimo do professor. Ainda no encerramento da secção pedagógica dá-se conta do novo paradigma do ensino vocacional de música, após a Portaria nº 691/2009 de 25 de junho, e a necessidade do professor se adaptar a esta nova realidade.

Reabilitação de um imóvel industrial em Marvila: projeto de investimento

Trabalho de Projeto para obtenção do grau de Mestre em Engenharia Civil

A importância do planeamento e orçamentação nas empreitadas de obras de instalações mecânicas

Trabalho Final de Mestrado para obtenção do grau de Mestre em Engenharia Mecânica

Distribuições estatísticas, testes de ajuste e métodos para estimação de parâmetros na área da fiabilidade

Trabalho Final de Mestrado para obtenção do grau de Mestre em Engenharia Mecânica

A improvisação como ferramenta pedagógica no ensino vocacional de piano

Resumo I - A frequência do Estágio do Ensino Especializado proporcionou uma oportunidade de observar o ensino de piano numa das escolas mais importantes do ensino da música em Portugal, acompanhando alunos do Curso Básico e do Curso Secundário, que frequentaram a Escola de Música do Conservatório Nacional no regime integrado. O processo de observação de aulas que decorreu deste estágio possibilitou-nos assistir às aulas de piano de uma professora experiente, permitindo a observação de metodologias consolidadas e assistir de perto à forma como estas são postas em prática. Por outro lado, através da leccionação de aulas observadas, foi dada a oportunidade de testar e reflectir sobre o próprio desempenho docente, procurando estratégias e ferramentas pedagógicas que possam vir a acrescentar qualidade à prática pedagógica. O ensino especializado da música em Portugal tem experimentado mudanças importantes, o que leva a que haja uma adaptação das escolas às mudanças, continuando a leccionar um ensino de qualidade, que se quer cada vez mais eficaz, inovador, e com professores cada vez melhor fundamentados e preparados.

Research progress on reuse of fluid catalytic cracking waste from oil refinery in cement-based materials

Present paper present the main results obtained in the scope of an ongoing project which aims to contribute to the valorization of a waste generated by the Portuguese oil company in construction materials. This waste is an aluminosilicate with high pozzolanic reactivity. Several different technological applications had already been tested with success both in terms of properties and compliance with the corresponding standards specifications. Namely, this project results already demonstrated that this waste can be used in traditional concrete, self-compacted concrete, mortars (renders, masonry mortar, concrete repair mortars), cement main constituent as well as alkali activated binders.

Unmixing hyperspectral data: independent and dependent component analysis

The development of high spatial resolution airborne and spaceborne sensors has improved the capability of ground-based data collection in the fields of agriculture, geography, geology, mineral identification, detection [2, 3], and classification [4–8]. The signal read by the sensor from a given spatial element of resolution and at a given spectral band is a mixing of components originated by the constituent substances, termed endmembers, located at that element of resolution. This chapter addresses hyperspectral unmixing, which is the decomposition of the pixel spectra into a collection of constituent spectra, or spectral signatures, and their corresponding fractional abundances indicating the proportion of each endmember present in the pixel [9, 10]. Depending on the mixing scales at each pixel, the observed mixture is either linear or nonlinear [11, 12]. The linear mixing model holds when the mixing scale is macroscopic [13]. The nonlinear model holds when the mixing scale is microscopic (i.e., intimate mixtures) [14, 15]. The linear model assumes negligible interaction among distinct endmembers [16, 17]. The nonlinear model assumes that incident solar radiation is scattered by the scene through multiple bounces involving several endmembers [18]. Under the linear mixing model and assuming that the number of endmembers and their spectral signatures are known, hyperspectral unmixing is a linear problem, which can be addressed, for example, under the maximum likelihood setup [19], the constrained least-squares approach [20], the spectral signature matching [21], the spectral angle mapper [22], and the subspace projection methods [20, 23, 24]. Orthogonal subspace projection [23] reduces the data dimensionality, suppresses undesired spectral signatures, and detects the presence of a spectral signature of interest. The basic concept is to project each pixel onto a subspace that is orthogonal to the undesired signatures. As shown in Settle [19], the orthogonal subspace projection technique is equivalent to the maximum likelihood estimator. This projection technique was extended by three unconstrained least-squares approaches [24] (signature space orthogonal projection, oblique subspace projection, target signature space orthogonal projection). Other works using maximum a posteriori probability (MAP) framework [25] and projection pursuit [26, 27] have also been applied to hyperspectral data. In most cases the number of endmembers and their signatures are not known. Independent component analysis (ICA) is an unsupervised source separation process that has been applied with success to blind source separation, to feature extraction, and to unsupervised recognition [28, 29]. ICA consists in finding a linear decomposition of observed data yielding statistically independent components. Given that hyperspectral data are, in given circumstances, linear mixtures, ICA comes to mind as a possible tool to unmix this class of data. In fact, the application of ICA to hyperspectral data has been proposed in reference 30, where endmember signatures are treated as sources and the mixing matrix is composed by the abundance fractions, and in references 9, 25, and 31–38, where sources are the abundance fractions of each endmember. In the first approach, we face two problems: (1) The number of samples are limited to the number of channels and (2) the process of pixel selection, playing the role of mixed sources, is not straightforward. In the second approach, ICA is based on the assumption of mutually independent sources, which is not the case of hyperspectral data, since the sum of the abundance fractions is constant, implying dependence among abundances. This dependence compromises ICA applicability to hyperspectral images. In addition, hyperspectral data are immersed in noise, which degrades the ICA performance. IFA [39] was introduced as a method for recovering independent hidden sources from their observed noisy mixtures. IFA implements two steps. First, source densities and noise covariance are estimated from the observed data by maximum likelihood. Second, sources are reconstructed by an optimal nonlinear estimator. Although IFA is a well-suited technique to unmix independent sources under noisy observations, the dependence among abundance fractions in hyperspectral imagery compromises, as in the ICA case, the IFA performance. Considering the linear mixing model, hyperspectral observations are in a simplex whose vertices correspond to the endmembers. Several approaches [40–43] have exploited this geometric feature of hyperspectral mixtures [42]. Minimum volume transform (MVT) algorithm [43] determines the simplex of minimum volume containing the data. The MVT-type approaches are complex from the computational point of view. Usually, these algorithms first find the convex hull defined by the observed data and then fit a minimum volume simplex to it. Aiming at a lower computational complexity, some algorithms such as the vertex component analysis (VCA) [44], the pixel purity index (PPI) [42], and the N-FINDR [45] still find the minimum volume simplex containing the data cloud, but they assume the presence in the data of at least one pure pixel of each endmember. This is a strong requisite that may not hold in some data sets. In any case, these algorithms find the set of most pure pixels in the data. Hyperspectral sensors collects spatial images over many narrow contiguous bands, yielding large amounts of data. For this reason, very often, the processing of hyperspectral data, included unmixing, is preceded by a dimensionality reduction step to reduce computational complexity and to improve the signal-to-noise ratio (SNR). Principal component analysis (PCA) [46], maximum noise fraction (MNF) [47], and singular value decomposition (SVD) [48] are three well-known projection techniques widely used in remote sensing in general and in unmixing in particular. The newly introduced method [49] exploits the structure of hyperspectral mixtures, namely the fact that spectral vectors are nonnegative. The computational complexity associated with these techniques is an obstacle to real-time implementations. To overcome this problem, band selection [50] and non-statistical [51] algorithms have been introduced. This chapter addresses hyperspectral data source dependence and its impact on ICA and IFA performances. The study consider simulated and real data and is based on mutual information minimization. Hyperspectral observations are described by a generative model. This model takes into account the degradation mechanisms normally found in hyperspectral applications—namely, signature variability [52–54], abundance constraints, topography modulation, and system noise. The computation of mutual information is based on fitting mixtures of Gaussians (MOG) to data. The MOG parameters (number of components, means, covariances, and weights) are inferred using the minimum description length (MDL) based algorithm [55]. We study the behavior of the mutual information as a function of the unmixing matrix. The conclusion is that the unmixing matrix minimizing the mutual information might be very far from the true one. Nevertheless, some abundance fractions might be well separated, mainly in the presence of strong signature variability, a large number of endmembers, and high SNR. We end this chapter by sketching a new methodology to blindly unmix hyperspectral data, where abundance fractions are modeled as a mixture of Dirichlet sources. This model enforces positivity and constant sum sources (full additivity) constraints. The mixing matrix is inferred by an expectation-maximization (EM)-type algorithm. This approach is in the vein of references 39 and 56, replacing independent sources represented by MOG with mixture of Dirichlet sources. Compared with the geometric-based approaches, the advantage of this model is that there is no need to have pure pixels in the observations. The chapter is organized as follows. Section 6.2 presents a spectral radiance model and formulates the spectral unmixing as a linear problem accounting for abundance constraints, signature variability, topography modulation, and system noise. Section 6.3 presents a brief resume of ICA and IFA algorithms. Section 6.4 illustrates the performance of IFA and of some well-known ICA algorithms with experimental data. Section 6.5 studies the ICA and IFA limitations in unmixing hyperspectral data. Section 6.6 presents results of ICA based on real data. Section 6.7 describes the new blind unmixing scheme and some illustrative examples. Section 6.8 concludes with some remarks.