Uma abordagem baseada em mineração de dados para apoio ao ciclo de vida de projetos de pesquisa e inovação
Resumo
O acompanhamento de projetos de Ciência, Tecnologia e Inovação requer o controle do ciclo de vida desses, o que normalmente é feito através de relatórios ou em atividades gerenciais e operacionais. O objetivo deste trabalho é construir um classificador que automaticamente descubra o estágio do ciclo de vida de um projeto com base em um conjunto de características que o descrevem. Mineração de Dados foi utilizada para encontrar esse classificador. Análises com o classificador sugerem que ele também pode ser utilizado para identificar problemas nos dados ou mesmo falhas em processos.
Referências
Depren, O., Topallar, M., Anarim, E., Ciliz, M.K., 2005. An intelligent intrusion detection system (IDS) for anomaly and misuse detection in computer networks. Expert Systems with Applications 29, 713–722.
Espinosa, R., Zubcoff, J., Mazón, J.-N., 2011. A Set of Experiments to Consider Data Quality Criteria in Classification Techniques for Data Mining.
Fayyad, U., Piatetsky-Shapiro, G., Smyth, P., 1996. From Data Mining to Knowledge Discovery in Databases. AI Magazine 17, 37.
Goldenberg, A., Moore, A., 2004. Tractable learning of large Bayes net structures from sparse data, in: Proceedings of the Twenty-first International Conference on Machine Learning, ICML’04. ACM, New York, NY, USA, p. 44–.
Han, J., Kamber, M., Pei, J., 2006. Data Mining, Second Edition: Concepts and Techniques. Morgan Kaufmann.
Hipp, J., Güntzer, U., Grimmer, U., 2001. Data Quality Mining – Making a Virtue of Necessity, in: In Proceedings of the 6th ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery (DMKD 2001). pp. 52–57.
Jacob, S.G., Ramani, R.G., 2012. Mining of classification patterns in clinical data through data mining algorithms, in: Proceedings of the International Conference on Advances in Computing, Communications and Informatics, ICACCI’12. ACM, New York, pp. 997–1003.
Januzaj, E., Januzaj, V., 2009. An application of data mining to identify data quality problems, in: 3rd International Conference on Advanced Engineering Computing and Applications in Sciences, ADVCOMP 2009. pp. 17–22.
Matsuura, J.P., 2003. Discretização para aprendizagem bayesiana: aplicação no auxílio à validação de dados em proteção ao vôo. Instituto Tecnológico de Aeronáutica, SP.
Piggott, J.J.H., 2013. Open Source Software Attributes as Success Indicators. Univ. of Twente. Sonstrod, C., Johansson, U., Konig, R., 2011. Evolving accurate and comprehensible classification rules, in: IEEE Congress on Evolutionary Computation (CEC)., pp. 1436-1443.
Zhao, Y., Zhang, Y., 2008. Comparison of decision tree methods for finding active objects. Advances in Space Research 41, 1955–1959.
Espinosa, R., Zubcoff, J., Mazón, J.-N., 2011. A Set of Experiments to Consider Data Quality Criteria in Classification Techniques for Data Mining.
Fayyad, U., Piatetsky-Shapiro, G., Smyth, P., 1996. From Data Mining to Knowledge Discovery in Databases. AI Magazine 17, 37.
Goldenberg, A., Moore, A., 2004. Tractable learning of large Bayes net structures from sparse data, in: Proceedings of the Twenty-first International Conference on Machine Learning, ICML’04. ACM, New York, NY, USA, p. 44–.
Han, J., Kamber, M., Pei, J., 2006. Data Mining, Second Edition: Concepts and Techniques. Morgan Kaufmann.
Hipp, J., Güntzer, U., Grimmer, U., 2001. Data Quality Mining – Making a Virtue of Necessity, in: In Proceedings of the 6th ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery (DMKD 2001). pp. 52–57.
Jacob, S.G., Ramani, R.G., 2012. Mining of classification patterns in clinical data through data mining algorithms, in: Proceedings of the International Conference on Advances in Computing, Communications and Informatics, ICACCI’12. ACM, New York, pp. 997–1003.
Januzaj, E., Januzaj, V., 2009. An application of data mining to identify data quality problems, in: 3rd International Conference on Advanced Engineering Computing and Applications in Sciences, ADVCOMP 2009. pp. 17–22.
Matsuura, J.P., 2003. Discretização para aprendizagem bayesiana: aplicação no auxílio à validação de dados em proteção ao vôo. Instituto Tecnológico de Aeronáutica, SP.
Piggott, J.J.H., 2013. Open Source Software Attributes as Success Indicators. Univ. of Twente. Sonstrod, C., Johansson, U., Konig, R., 2011. Evolving accurate and comprehensible classification rules, in: IEEE Congress on Evolutionary Computation (CEC)., pp. 1436-1443.
Zhao, Y., Zhang, Y., 2008. Comparison of decision tree methods for finding active objects. Advances in Space Research 41, 1955–1959.
Publicado
22/05/2013
Como Citar
PEDROSO, Louise Guimarães; REVOREDO, Kate; BAIÃO, Fernanda.
Uma abordagem baseada em mineração de dados para apoio ao ciclo de vida de projetos de pesquisa e inovação. In: SIMPÓSIO BRASILEIRO DE SISTEMAS DE INFORMAÇÃO (SBSI), 9. , 2013, João Pessoa.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2013
.
p. 710-721.
DOI: https://doi.org/10.5753/sbsi.2013.5734.
