A formação do técnico e do tecnólogo no Curso de Viticultura e Enologia do Centro Federal de Educação Tecnológica de Bento Gonçalves - RS e a educação profissional : um estudo de caso

Estudei a formação do técnico e do tecnólogo em viticultura e enologia, em nível médio e superior, respectivamente, do CEFET-BG/RS, partindo da tese, surgida das experiências diretas com o objeto de estudo e das pesquisas e literatura em geral, realizadas sobre a educação profissional, que os ensinamentos, práticas, e formação em geral concretizados na escola não eram os esperados, relativamente, como satisfatórios, pelas empresas. Meu estudo, de natureza qualitativa, dialética materialista, Estudo de Caso, partiu da análise do concreto sensível para descobrir a “prioridade ontológica” desse processo de formação dos técnicos e tecnólogos. Detectado o currículo como essa realidade prioritária, busquei sua origem e desenvolvimento contraditório, mostrados no trabalho. Em seguida, com os fenômenos materiais em estudo, apoiada na categoria de totalidade, destaquei suas ligações e relações. Determinei a população e a amostra e decidi realizar a reunião das informações empregando a entrevista semi-estruturada, a observação semidirigida, o grupo de discussão e análise de documentos. A descrição, interpretação, explicação e compreensão das informações a realizei em dois momentos. Um, de natureza empírica, na qual permitiu-me classificar as informações em cinco tipos de categorias empíricas: em relação às condições materiais e técnico-pedagógicas do CEFET; dos professores; dos alunos estagiários; dos egressos e dos empresários. Em seguida dois, rompendo as fronteiras das categorias empíricas, desenvolvi o estudo empregando as categorias do materialismo dialético e do materialismo histórico, que já estavam presentes na primeira etapa de meu estudo, integradas especialmente pelos materiais que havia organizado na fase de projeto da tese. Nessa primeira etapa, como ao longo de todo o processo de pesquisa, ressaltei a presença dominante do modo de produção capitalista que dava o tom fundamental a todos os fenômenos, de modo singular, na organização do currículo.

Comércio eletrônico no Brasil : estágio de utilização por parte das maiores empresas da região sul do país

Esta pesquisa refere-se à análise da utilização do comércio eletrônico (CE) por parte de grandes empresas da região sul do Brasil. Justifica-se a escolha porque pesquisas recentes indicam que as empresas brasileiras ainda não utilizam plenamente as várias possibilidades oferecidas pela Tecnologia de Informação em seus negócios e seus administradores ainda não têm em mente muitas vantagens proporcionadas pelo CE em relação aos canais de venda tradicionais. Há, portanto um campo oportuno de negócios a ser explorado. A pesquisa visou avaliar o estágio de utilização do CE, de modo a verificar aspectos de adoção tecnológica e relacionamento com clientes e fornecedores, a adequação de produtos e serviços ao novo canal, assim como a estratégia e o comprometimento organizacional, a partir do referencial teórico e baseada em um foco regional. Através da lista divulgada anualmente pela Revista Expressão, sobre as 300 Maiores Empresas do Sul, conduziu-se um estudo quantitativo exploratório com executivos da área de Informação, que pudesse fornecer subsídios para processos de tomada de decisão por parte das empresas em relação ao CE. Os resultados indicam que são empresas que atuam em setores tradicionais da economia e que ainda não estão conscientes das possibilidades trazidas por processos de CE, embora já se observe o surgimento de vantagens competitivas através da adoção destes processos, no que se refere ao contato entre empresas e a alianças mais sólidas entre os membros da cadeia produtiva.

Orpheo : uma estrutura de trabalho para integração dos paradigmas de aprendizado supervisionado e não-supervisionado

Esta tese apresenta contribuições ao processo de Descoberta de Conhecimento em Bases de Dados (DCBD). DCBD pode ser entendido como um conjunto de técnicas automatizadas – ou semi-automatizadas – otimizadas para extrair conhecimento a partir de grandes bases de dados. Assim, o já, de longa data, praticado processo de descoberta de conhecimento passa a contar com aprimoramentos que o tornam mais fácil de ser realizado. A partir dessa visão, bem conhecidos algoritmos de Estatística e de Aprendizado de Máquina passam a funcionar com desempenho aceitável sobre bases de dados cada vez maiores. Da mesma forma, tarefas como coleta, limpeza e transformação de dados e seleção de atributos, parâmetros e modelos recebem um suporte que facilita cada vez mais a sua execução. A contribuição principal desta tese consiste na aplicação dessa visão para a otimização da descoberta de conhecimento a partir de dados não-classificados. Adicionalmente, são apresentadas algumas contribuições sobre o Modelo Neural Combinatório (MNC), um sistema híbrido neurossimbólico para classificação que elegemos como foco de trabalho. Quanto à principal contribuição, percebeu-se que a descoberta de conhecimento a partir de dados não-classificados, em geral, é dividida em dois subprocessos: identificação de agrupamentos (aprendizado não-supervisionado) seguida de classificação (aprendizado supervisionado). Esses subprocessos correspondem às tarefas de rotulagem dos itens de dados e obtenção das correlações entre os atributos da entrada e os rótulos. Não encontramos outra razão para que haja essa separação que as limitações inerentes aos algoritmos específicos. Uma dessas limitações, por exemplo, é a necessidade de iteração de muitos deles buscando a convergência para um determinado modelo. Isto obriga a que o algoritmo realize várias leituras da base de dados, o que, para Mineração de Dados, é proibitivo. A partir dos avanços em DCBD, particularmente com o desenvolvimento de algoritmos de aprendizado que realizam sua tarefa em apenas uma leitura dos dados, fica evidente a possibilidade de se reduzir o número de acessos na realização do processo completo. Nossa contribuição, nesse caso, se materializa na proposta de uma estrutura de trabalho para integração dos dois paradigmas e a implementação de um protótipo dessa estrutura utilizando-se os algoritmos de aprendizado ART1, para identificação de agrupamentos, e MNC, para a tarefa de classificação. É também apresentada uma aplicação no mapeamento de áreas homogêneas de plantio de trigo no Brasil, de 1975 a 1999. Com relação às contribuições sobre o MNC são apresentados: (a) uma variante do algoritmo de treinamento que permite uma redução significativa do tamanho do modelo após o aprendizado; (b) um estudo sobre a redução da complexidade do modelo com o uso de máquinas de comitê; (c) uma técnica, usando o método do envoltório, para poda controlada do modelo final e (d) uma abordagem para tratamento de inconsistências e perda de conhecimento que podem ocorrer na construção do modelo.

Mineração de dados utilizando aprendizado não-supervisionado: um estudo de caso para bancos de dados da saúde

A mineração de dados constitui o processo de descoberta de conhecimento interessante, com a utilização de métodos e técnicas que permitem analisar grandes conjuntos de dados para a extração de informação previamente desconhecida, válida e que gera ações úteis, de grande ajuda para a tomada de decisões estratégicas. Dentre as tarefas de mineração de dados, existem aquelas que realizam aprendizado não-supervisionado, o qual é aplicado em bases de dados não-classificados, em que o algoritmo extrai as características dos dados fornecidos e os agrupa em classes. Geralmente, o aprendizado não-supervisionado é aplicado em tarefas de agrupamento, que consistem em agrupar os dados de bancos de dados volumosos, com diferentes tipos de dados em classes ou grupos de objetos que são similares dentro de um mesmo grupo e dissimilares em diferentes grupos desses bancos de dados, de acordo com alguma medida de similaridade. Os agrupamentos são usados como ponto de partida para futuras investigações. Este trabalho explora, mediante a realização de um estudo de caso, o uso de agrupamento como tarefa de mineração de dados que realiza aprendizado nãosupervisionado, para avaliar a adequação desta tecnologia em uma base de dados real da área de saúde. Agrupamento é um tema ativo em pesquisas da área pelo seu potencial de aplicação em problemas práticos. O cenário da aplicação é o Sistema de Informações Hospitalares do SUS, sob a gestão da Secretaria Estadual de Saúde do Rio Grande do Sul. Mensalmente, o pagamento de um certo número de internações é bloqueado, uma vez que a cobrança de internações hospitalares é submetida a normas do SUS e a critérios técnicos de bloqueio estabelecidos pela Auditoria Médica da SES para verificar a ocorrência de algum tipo de impropriedade na cobrança dos procedimentos realizados nessas internações hospitalares. A análise de agrupamento foi utilizada para identificar perfis de comportamentos ou tendências nas internações hospitalares e avaliar desvios ou outliers em relação a essas tendências e, com isso, descobrir padrões interessantes que auxiliassem na otimização do trabalho dos auditores médicos da SES. Buscou-se ainda compreender as diferentes configurações de parâmetros oferecidos pela ferramenta escolhida para a mineração de dados, o IBM Intelligent Miner, e o mapeamento de uma metodologia de mineração de dados, o CRISP-DM, para o contexto específico deste estudo de caso. Os resultados deste estudo demonstram possibilidades de criação e melhora dos critérios técnicos de bloqueio das internações hospitalares que permitem a otimização do trabalho de auditores médicos da SES. Houve ainda ganhos na compreensão da tecnologia de mineração de dados com a utilização de agrupamento no que se refere ao uso de uma ferramenta e de uma metodologia de mineração de dados, em que erros e acertos evidenciam os cuidados que devem ser tomados em aplicações dessa tecnologia, além de contribuírem para o seu aperfeiçoamento.

Avaliação do estágio de implementação da recuperação de serviços nas indústrias de eletroeletrônica filiadas à ABINEE no RS

Resumo não disponível.

Representações reduzidas por redes neurais com aprendizado local não-supervisionado sobre campos receptivos restritos

Algoritmos ótimos na extração de componentes principais com aprendizado não-supervisionado em redes neurais de múltiplos neurônios de saída são não-locais, ou seja, as modificações em uma dada sinapse entre dois neurônios dependem também da atividade de outros neurônios. Esta rede ótima extrairá as principais componentes dos dados e submetidos à sua primeira camada. As principais componentes são as projeções destes vetores nos autovalores máximos da matriz de correlação Gij = (eiej), onde a média (-) é sobre a distribuição de e. Existem fortes evidências indicando que sinapses biológicas só se modificam via regras locais, como por exemplo a regra de Hebb. Mas se aplicarmos regras locais numa rede com múltiplas saídas, todos os neurônios da saída serão equivalentes e darão respostas redundantes. A rede será bastante ineficiente. Um modo de contornar este problema é através da restrição dos campos receptivos dos neurônios de saída. Se cada neurônio acessar diferentes partes dos estímulos de entrada, a redundância diminui significativamente. Em contrapartida, ao mesmo tempo que a redundância diminui, também diminui a informação contida em cada neurônio; assim, devemos balancear os dois efeitos otimizando o campo receptivo. O valor ótimo, em geral, depende da natureza dos estímulos, sua estatística, e também do ruído intrínseco à rede. Objetivamos com este trabalho determinar a estrutura ótima de campos receptivos com aprendizado não-supervisionado para uma rede neural de uma camada em diversas condições medindo seu desempenho a partir de técnicas de reconstrução.