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.