troca os valores de m e n.

não altera os valores de m e n.

divide m por n.

divide n por m.

calcula o mínimo múltiplo comum entre m e n.

0.

1.

4.

5.

6.

2n.

n.

4n.

6n.

n+1.

sum := n + sum (n – 1)

sum := (n – 1) + sum (n)

sum := (n – 1) + sum (n – 1)

sum := n + sum (n)

sum := sum (n) + sum (n – 1)

paux = nd;

nd->left = nd->right;

nd->right = paux;

paux = nd->right;

paux = nd->right;

10 valores inspirados pelos dez dedos do ser humano.

Octais, de 0 a 7.

Binários, 0 e 1.

Hexadecimais, de 0 a 15.

Alfanuméricos.

Normalização e Discretização.

Truncagem e Arredondamento.

Fatiamento e Agregação.

Agrupamento e Projeção.

Associação e Disassociação.

K-Médias e Expectation-Maximization.

Árvores de Decisão e Support Vector Machines.

Apriori e Eclat.

Bresenham e Digital Differential Analyzer.

Regressão Linear e Monte Carlo.

para todas as classes existe uma alta correlação entre os atributos sepal length e sepal width.

o atributo sepal length é um bom separador linear para todas as classes.

técnicas de agrupamento particional podem separar as três classes sem nenhum erro de classificação.

somente o atributo petal width pode ser usado para classificar os dados em três classes sem erros.

dados da classe Setosa podem ser separados das outras classes com uma árvore de decisão simples.

amostras que são espacialmente próximas tendem a ter medidas próximas no espaço de atributos, o que pode facilitar a visualização e detecção de desvios nestes dados.

amostras devem ser coletadas de forma regular para evitar erros no processo de mineração.

amostras que tem valores próximos no espaço de atributos devem ser descartadas.

dados com alta autocorrelação implicam em maior necessidade de recursos computacionais para mineração.

dados com baixa autocorrelação devem ser complementados com dados interpolados espacialmente.

classificação supervisionada e regressão.

redução de atributos e discretização.

previsão e criação de regras de associação.

agrupamento não supervisionado e visualização.

transformação de atributos e seleção de atributos.

4/9.

5/9.

5/8.

5/22.

4/22.

5/9.

4/22.

8/9.

8/22.

4/9.

2, 4, 8 e 16.

0, 2, 3 e 0.

5, 5, 1 e 0.

5, 10, 10 e 5.

1, 5, 10 e 20.

ao tamanho necessário de uma rede neural para processar dados complexos.

ao grande crescimento de combinações de atributos quando o número de atributos cresce.

ao número necessário de dados para obter classificações com confiabilidade perto de 100%.

ao número de problemas reais que podem ser resolvidos com técnicas de mineração de dados.

ao número de algoritmos e técnicas distintos que podem ser combinados em uma tarefa de mineração de dados.

modificação do número de cores, conversão raster para vetor e conversão vetor para raster.

modificação do espaço de cores, transformações para níveis de cinza.

preenchimento de regiões e identificação de bordas.

segmentação e vetorização.

rotação, modificação da escala e translação.

separar dados em grupos sem superposição e identificar planos de separação entre dados.

calcular rótulos (ou identificadores) para dados e prever valores associados a dados.

aumentar o conhecimento semântico sobre os dados e diminuir o conhecimento semântico sobre os dados.

reduzir o número de instâncias da base de dados e reduzir o número de atributos da base de dados.

calcular rótulos a partir dos dados e verificar a validade dos rótulos calculados.

ao uso de um conjunto de computadores ligados em rede com capacidades de processamento de alto desempenho.

ao desenho inicial de uma cena ou objeto.

ao processo de gerar uma imagem a partir de um modelo que representa objetos.

à extração de parâmetros matemáticos de uma cena existente.

à divisão de uma imagem em objetos.

Rapid Control Prototyping (RCP) e Hardware-in-the- -Loop.

Test-Driven Development e Black-Box Testing.

Cyclic Redundancy Check e Finite Impulse Response.

Large Scale Integration e Piecewise Parabolic Method.

Infinite Impulse Response e Rapid Model Development.

PNG e GIF.

ZIP e ASCII.

RAR e ASCII.

PNG e JPEG.

JPEG e PNG.

4 147 200 bytes.

6 220 800 bytes.

8 294 400 bytes.

1 677 7216 bytes.

49 766 400 bytes.

somente podemos usar 256 cores nos gráficos.

o seu conteúdo não pode ser compactado para reduzir espaço para armazenamento.

ao aumentarmos o tamanho da imagem para visualização, veremos os pixels individuais sem melhoria real no discernimento dos objetos.

é necessário software proprietário para manipular gráficos deste tipo.

uma vez criado o gráfico, este não poderá ser alterado.

modelos representados de forma sólida (e não oca) são mais usados em simulações e aplicações como ray tracing.

todo modelo 3D pode ser construído a partir de uma única projeção 2D.

todo modelo 3D pode ser decomposto em não mais que duas projeções 2D.

modelos em 3D devem ser obrigatoriamente ocos.

modelos em 3D não podem ser representados através de conjuntos de polígonos.

C e C++.

C e Ada.

Java e C#.

C++ e Objective-C.

C e Forth.

programação com múltiplas linhas de execução.

codificação das strings em UTF-16.

remoção programática de caracteres especiais do comando a ser executado pelo banco de dados (escaping).

uso de tipagem forte ao invés de tipagem genérica para as variáveis no código.

criptografia ou ofuscação do comando a ser executado.

não podem ser usados com dados discretos.

as regras geradas são ortogonais aos eixos dos atributos.

seus requisitos de execução são modestos, podendo ser executados rapidamente independente do tamanho da base de dados.

podem criar várias regras semelhantes e redundantes e regras parcialmente contidas em outras.

não podem ser executados se o número de atributos for menor que o número de instâncias.

dados que já foram anonimizados em um processo de mineração de dados.

dados que devem obrigatoriamente ser anonimizados nas etapas finais do processo de mineração de dados.

dados que podem ser descartados por terem alta correlação com outros dados usados no processo.

dados que assumem o mesmo valor para cada registro em um banco.

dados que somente podem assumir determinados valores de um conjunto finito.

Somente pode ser aplicado a dados que tenham valores positivos maiores que zero.

Requer muitas iterações usando o conjunto de dados para convergência.

O número final de grupos é determinado pelo algoritmo.

Não é sujeito a variações quando as condições iniciais são modificadas.

Sempre encontra o melhor agrupamento possível dos dados.

a árvore de decisão terá exatamente uma regra para cada amostra das classes.

a árvore de decisão terá no mínimo uma regra para cada amostra da classe com menor número de amostras.

muitas das amostras da classe “círculo” serão classificadas como “quadrado”.

a árvore terá no mínimo duas regras para classificação completa e precisa dos dados.

o algoritmo para criação da árvore não será capaz de convergir.

compreensão do negócio; compreensão dos dados; preparo dos dados; modelagem; avaliação; implantação.

seleção; filtragem; agrupamento; classificação; avaliação; relatórios.

coleta; seleção; filtragem; classificação; visualização; relatórios.

organização em tabelas; criação de views; drill-up; drill-down; classificação; sumarização.

seleção; filtragem; redimensionamento; visualização; agrupamento; classificação.