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. Metodologia2.1. 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. Metodologia2.1. Estratégia de pesquisa

Figura 1. Artigos publicados por ano

19961997

19992000

20012002

20032004

20052006

20072008

20092010

20112012

20132014

0

1

2

3

4

5

6

7

8

9

10

11

12

13

14

Artigos publicados por ano

Eventos o

u Congressos

Demais Unive

rsidades

SciELO

UFRGS

Órgãos do G

overnoUFSC

UEM

Domínio Público

UFPEUFBA

02468

10121416182022242628

Artigos publicados por repositório

Figura 2. Artigos publicados por repositório

2. Metodologia2.2. 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. Metodologia2.2. 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 DiscussãoTabela 1. Artigos selecionados como base da revisão sistemática

3. Resultados e DiscussãoTabela 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/revista/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_UTILIZANDO_TCNICAS_DE_MINERAO_DE_DADOS/links/0c9605266fa33ab6d3000000> 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

2. Referencial Teórico

Árvores de Decisão Regras de Associação Weka

3. Metodologia3.1. Seleção dos dados3.1.2. Seleção das modalidades de censo relevantes ao estudo

Modalidades excluídasCenso 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 selecionadasCada. 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. Metodologia3.1. Seleção dos dados3.1.3. 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. Metodologia3.1. Seleção dos dados3.1.5.Formação das tabelas contendo os dados-alvo

Nome da tabela Número de camposDemografia 4Economia 15Educação 19

Finanças Públicas 18Rendimento 14

Nome da cidade Código do IBGE correspondenteAlterosa 310200

Arceburgo 310410Areado 310430

Bom Jesus da Penha 310760Botelhos 310840

Cabo Verde 310950Conceição da Aparecida 311710

Guaranésia 312830Guaxupé 312870

Jacuí 313480Juruaia 313690

Monte Belo 314300Muzambinho 314410Nova Resende 314510

São Pedro da União 316390

3. Metodologia3.2. Pré-seleção dos dados3.2.4. 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. Metodologia3.2. Pré-seleção dos dados3.2.4. Transformação dos dados3.2.5. Adequação dos dados

Figura 3. Domicílios particulares semrendimento 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 convertidapara o formato ARFF

3. Metodologia3.3. 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. Metodologia3.3. Mineração de dados (processamento)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

cidade13. PIB per capita a preços correntes Capacidade de geração de

riquezas por habitante14. 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

16. Domicílios com classe de rendimento – 2 a 5 salários mínimos

Proporção de domicílios com rendimento médio-baixo /

médio17. Domicílios com classe de rendimento – 5 a 10

salários mínimosProporção de domicílios com rendimento médio / médio-

alto18. Valor do rendimento mensal mediano per capita

– ruralRendimento mediano per capita rural atingido pela

população19. Valor do rendimento mensal mediano per capita

– urbanoRendimento mediano per

capita urbano atingido pela população

Nº Atributo-chave escolhido Pequena justificativa1. Domicílios particulares ocupados Capacidade de atração de

moradores da cidade2. Taxa de empresas por habitante Porte empresarial da

cidade 3. Pessoas – trabalho principal – Empregadores Vocação empreendedora

da população4. Pessoas – trabalho principal – Conta própria Vocação autônoma da

população5. Pessoas – trabalho principal – Carteira

assinadaGeração/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. Metodologia3.3. Mineração de dados (processamento)3.3.2.Definição dos atributos-chave3.3.3.2. 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. Metodologia3.3. Mineração de dados (processamento)3.3.2.Definição dos atributos-chave3.3.3.2. Utilização do Weka para a geração das árvores3.3.4.1. Utilização do Weka para geração das regras

4. Resultados e Discussão4.20. 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. Resultados e Discussão4.20. Síntese dos conhecimentos adquiridos

4. Resultados e Discussão4.20. Síntese dos conhecimentos adquiridos

4. Resultados e Discussão4.20. 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

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.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_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. 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.

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.