LogiCluster, um método para agrupamento de dados web categóricos e contínuos usando regressão logística

Detalhes bibliográficos
Ano de defesa: 2003
Autor(a) principal: Pinheiro, Gustavo
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Não disponível
Not available
Link de acesso: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-10112014-162434/
Resumo: No Ensino à Distância via Internet, o professor não tem contato físico com seus alunos e, por isso, perde consideravelmente a percepção da interação destes em relação ao material didático. Além disso, pode-se atingir um número muito grande de usuários caso o meio de ensino seja a Web. Então, é importante dar ao professor ferramentas que o ajudem a conhecer seus alunos e a planejar sua atuação de forma a atender melhor um grande número de alunos. Sabe-se que a Web é um meio que pode ser ricamente instrumentado. Em princípio, cada clique num hyperlink, cada visita e outros dados de atividade online podem ser capturados e armazenados para futura análise. Entretanto, a quantidade de dados que se obtém pode ser imensa, tornando sua análise trabalhosa e demorada. Surge, então, o problema de analisar esses dados a fim de se extrair informações úteis. Pesquisas na área de Mineração de Dados fornecem ferramentas úteis para tratar este problema, sendo que métodos de agrupamento são particularmente interessantes. Uma das dificuldades encontradas nesta nova área, chamada de Web Usage Mining (WUM), é lidar simultaneamente com dados categóricos e contínuos. Neste trabalho desenvolveu-se um novo método de agrupamento, o LogiCluster, baseado no Modelo de Regressão Logística, o qual é adequado para dados categóricos e contínuos, tanto em separado quanto em conjunto.
id USP_4abcb2ffee634cc1aa76c819e50100d3
oai_identifier_str oai:teses.usp.br:tde-10112014-162434
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling LogiCluster, um método para agrupamento de dados web categóricos e contínuos usando regressão logísticaLogicCluster: a method to Group Categorical and Continuous Web Data using Logistic RegressionNão disponívelNot availableNo Ensino à Distância via Internet, o professor não tem contato físico com seus alunos e, por isso, perde consideravelmente a percepção da interação destes em relação ao material didático. Além disso, pode-se atingir um número muito grande de usuários caso o meio de ensino seja a Web. Então, é importante dar ao professor ferramentas que o ajudem a conhecer seus alunos e a planejar sua atuação de forma a atender melhor um grande número de alunos. Sabe-se que a Web é um meio que pode ser ricamente instrumentado. Em princípio, cada clique num hyperlink, cada visita e outros dados de atividade online podem ser capturados e armazenados para futura análise. Entretanto, a quantidade de dados que se obtém pode ser imensa, tornando sua análise trabalhosa e demorada. Surge, então, o problema de analisar esses dados a fim de se extrair informações úteis. Pesquisas na área de Mineração de Dados fornecem ferramentas úteis para tratar este problema, sendo que métodos de agrupamento são particularmente interessantes. Uma das dificuldades encontradas nesta nova área, chamada de Web Usage Mining (WUM), é lidar simultaneamente com dados categóricos e contínuos. Neste trabalho desenvolveu-se um novo método de agrupamento, o LogiCluster, baseado no Modelo de Regressão Logística, o qual é adequado para dados categóricos e contínuos, tanto em separado quanto em conjunto.In Distance Learning, teacher and students are physically apart. This characteristic causes a considerable loss in the perception the teacher has of the students learning process. Even worst, if a distance course is provided openly through the Web, the audience could be huge. Therefore, tools that can help a teacher get a better understanding of his students could be very useful. A Web site can be highly monitored. Every visit to a page, every mouse click in a hyperlink and many other online activities can be captured and stored for future analysis. The amount of stored data can reach enormous quantities, which become a challenge for data analysis. It is very difFicult to extract useful information from this data. Data Mining tools, such as clustering methods, could be very useful in dealing with such large amounts of data. But one of the problems with this new research area, Web Usage Mining (WUM), is to deal with categorical and continuous data simultaneously. In this work, a new method of clustering is presented, the LogiCluster. It is based in the Logistic Regression Model and can handle categorical and continuous data simultaneously. The data can be purely categorical or mixed with continuous data.Biblioteca Digitais de Teses e Dissertações da USPMoreira, Dilvan de AbreuPinheiro, Gustavo2003-08-18info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://www.teses.usp.br/teses/disponiveis/55/55134/tde-10112014-162434/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2016-07-28T16:11:55Zoai:teses.usp.br:tde-10112014-162434Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212016-07-28T16:11:55Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv LogiCluster, um método para agrupamento de dados web categóricos e contínuos usando regressão logística
LogicCluster: a method to Group Categorical and Continuous Web Data using Logistic Regression
title LogiCluster, um método para agrupamento de dados web categóricos e contínuos usando regressão logística
spellingShingle LogiCluster, um método para agrupamento de dados web categóricos e contínuos usando regressão logística
Pinheiro, Gustavo
Não disponível
Not available
title_short LogiCluster, um método para agrupamento de dados web categóricos e contínuos usando regressão logística
title_full LogiCluster, um método para agrupamento de dados web categóricos e contínuos usando regressão logística
title_fullStr LogiCluster, um método para agrupamento de dados web categóricos e contínuos usando regressão logística
title_full_unstemmed LogiCluster, um método para agrupamento de dados web categóricos e contínuos usando regressão logística
title_sort LogiCluster, um método para agrupamento de dados web categóricos e contínuos usando regressão logística
author Pinheiro, Gustavo
author_facet Pinheiro, Gustavo
author_role author
dc.contributor.none.fl_str_mv Moreira, Dilvan de Abreu
dc.contributor.author.fl_str_mv Pinheiro, Gustavo
dc.subject.por.fl_str_mv Não disponível
Not available
topic Não disponível
Not available
description No Ensino à Distância via Internet, o professor não tem contato físico com seus alunos e, por isso, perde consideravelmente a percepção da interação destes em relação ao material didático. Além disso, pode-se atingir um número muito grande de usuários caso o meio de ensino seja a Web. Então, é importante dar ao professor ferramentas que o ajudem a conhecer seus alunos e a planejar sua atuação de forma a atender melhor um grande número de alunos. Sabe-se que a Web é um meio que pode ser ricamente instrumentado. Em princípio, cada clique num hyperlink, cada visita e outros dados de atividade online podem ser capturados e armazenados para futura análise. Entretanto, a quantidade de dados que se obtém pode ser imensa, tornando sua análise trabalhosa e demorada. Surge, então, o problema de analisar esses dados a fim de se extrair informações úteis. Pesquisas na área de Mineração de Dados fornecem ferramentas úteis para tratar este problema, sendo que métodos de agrupamento são particularmente interessantes. Uma das dificuldades encontradas nesta nova área, chamada de Web Usage Mining (WUM), é lidar simultaneamente com dados categóricos e contínuos. Neste trabalho desenvolveu-se um novo método de agrupamento, o LogiCluster, baseado no Modelo de Regressão Logística, o qual é adequado para dados categóricos e contínuos, tanto em separado quanto em conjunto.
publishDate 2003
dc.date.none.fl_str_mv 2003-08-18
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://www.teses.usp.br/teses/disponiveis/55/55134/tde-10112014-162434/
url http://www.teses.usp.br/teses/disponiveis/55/55134/tde-10112014-162434/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815258087588626432

Registros relacionados