Para a terceira hipótese da disciplina de matemática, o melhor modelo foi o RF (H3_R_RF_M) com um erro de 2,98, seguido do modelo SVM (H3_R_SVM_M) com um erro de 3,27.
Variável Percentagens de importância
n_x_chum_mat 20,58%
ppp_fj 18,51% apoio_pedag 6,97% ens_super 6,11% said_sema 4,21%
Gráfico 15 - Gráfico e percentagem de importância das variáveis de entrada no estudo H3_R_RF_M
Por sua vez, para a disciplina de Português, o melhor modelo para a primeira hipótese, na regressão, temos como melhor modelo o RF e o SVM (H1_5C_RF_P) com um erro de 0,82.
Variável Percentagens de importância
pp_nota 32,38%
p_nota 16,48% ppp_fj 8,25% n_x_chum_mat 5,00%
apoio_pedag 4,02%
Para a segunda hipótese, o melhor modelo foi o SVM (H2_R_SVM_P) com um erro de 1,20, seguido do modelo RF (H2_R_RF_P) com um erro de 1,21.
Variável Percentagens de importância
saude 1,03e-4
ppp_fj 5,56e-5
idade 1,35e-1
Gráfico 17 - Gráfico e percentagem de importância das variáveis de entrada no estudo H2_R_SVM_P
Por fim, para a terceira hipótese, para a disciplina de Português, para o melhor modelo para na regressão, obtivemos o RF (H3_R_RF_P) com um erro de 1,94, sendo seguido pelo modelo SVM (H3_R_SVM_P) com um erro de 1,98.
Variável Percentagens de importância n_x_chum_mat 21,17% ens_super 10,87% escola 7,16% apoio_pedag 6,77% hab_mae 5,97% cons_alcool_sema 4,40% hab_pai 4,27%
4.3.5. Avaliação
Figura 15 – Fase Avaliação da Metodologia CRISP-DM
No final da fase de modelação, e de terem sido avaliados vários modelos deverá passar- se à avaliação dos modelos com a visão do negócio, garantindo que não existem falhas ou contradições com relação às regras do negócio.
4.4. Sumário
Para a elaboração do trabalho prático foi necessário seguir a metodologia CRISP-DM uma vez que é capaz de estruturar e organizar todo o processo de Descoberta de Conhecimento em Base de Dados. A metodologia tem as seguintes fases: Estudo do Negócio, Estudo do Dados, Preparação dos Dados, Modelação, Avaliação e Implementação. Nesta dissertação, a ultima fase não será considerada. O trabalho iniciou-se com a análise da BD existente na ESGP, como a informação disponível era escassa optou-se por elaborar um questionário que seria complementado com as pautas finais de período. Definiu-se, também, que para melhores resultados seria necessário ter a colaboração de duas escolas em todos o processo, assim os questionários foram preenchidos em duas escolas alentejanas (ESGP e ESMS). Depois de criada a BD procedeu-se à execução das experiências, para isso foi utilizada a ferramenta R, uma vez que apresenta grandes capacidades e flexibilidades na condução do estudo. Em relação ao processo de Descoberta de Conhecimento, considerou-se que seria necessário um pouco mais de tempo para realizar mais um conjunto de testes. Este é um processo que obriga a executar um conjunto de avanços e recuos.
O objectivo deste estudo, era modelar um problema de classificação, onde se pretendia prever o desempenho escolar, a partir de um conjunto de dados anteriormente definidos. De início, para a elaboração do questionário, houve a necessidade de cruzar diversas informações e ideias com professores e estudos realizados sobre o assunto, mesmo que estes últimos penas fosses estudos estatísticos, com este trabalho inicial foi
possível compreender melhor o problema do desempenho escolar. Depois dos questionários terem sido preenchidos em cada uma das escolas, os seus dados foram inseridos na BD e também no final de cada um dos períodos, do ano lectivo 2005/2006, as notas e as faltas foram acrescentados na BD. Na fase de Descoberta de Conhecimento foram utilizadas cinco técnicas de Data Mining.
Concluída a fase de avaliação, obteve-se que a melhor configuração é aquela que utiliza
somente ……….
5. Conclusões e Trabalho Futuro
Pretende-se com este capítulo, apresentar uma síntese do trabalho realizado, sendo discutidas as conclusões mais importantes relativas ao trabalho desenvolvido. O capítulo termina com a apresentação das contribuições e recomendações para trabalhos futuros.
5.1. Resumo
A questão do insucesso escolar é tema discutido quer em revistas da especialidade
pedagógica ou psicológica quer nos meios de comunicação social. O insucesso escolar
tende a ser analisado por prismas diferentes. Em geral para os professores traduz-se na
falta de bases, de motivação ou de capacidades dos alunos. Por sua vez para os pais e
para o público em geral, os professores terão a sua quota-parte de responsabilidade. Um
dos factores prioritários no combate ao insucesso escolar passa pela correcta gestão dos
recursos humanos e materiais, assim como pelo conhecimento dos factores que
condicionam o aproveitamento. Segundo Correia [2003] o insucesso escolar pode ser
definido como um fenómeno social que se verifica em todos os níveis de ensino e
instituições escolares, atinge percentagens muito elevadas, apresenta um carácter
precoce, é socialmente selectivo e cumulativo.
Para Nelson Lima, neuropsicólogo e investigador do Instituto da Inteligência, “o insucesso escolar entre o 1º e o 3º ciclos nem sempre está relacionado com a capacidade de aprendizagem dos alunos, mas sim com os métodos de ensino” [Publico, 2006].Em Portugal, todos os anos saem do sistema educativo cerca de 15 a 17 mil alunos sem
completarem o ensino básico. O resultado acumulado desta situação, ano após ano
lectivo, traduz-se na existência de 200 mil jovens com menos de 24 anos sem a
escolaridade obrigatória. Quando comparados estes números com a média da OCDE,
depressa se constata que Portugal fica muito aquém dos outros países: 49 por cento dos
jovens portugueses com idade entre os 20 e os 24 anos têm escolaridade inferior ao
nível secundário e não se encontram a estudar, em comparação com os 15 por cento dos
países de referência. Em 2005 o ministério da educação implementou algumas medidas
para combater o insucesso escolar e a saída precoce do sistema educativo. Assim, os
alunos que, após a avaliação do 1.º período, revelem dificuldades de aprendizagem que
possam comprometer o seu sucesso escolar beneficiam de um plano de recuperação,
logo a partir do 2.º período. Estas medidas, tiveram como destinatários os alunos que
não tenham desenvolvido as competências necessárias no 1.º ciclo, ou que tenham
obtido três ou mais níveis inferiores a três nos restantes ciclos do ensino básico, podem
incluir não só o recurso à pedagogia diferenciada na sala de aula, como também
programas de tutoria para apoio ao desenvolvimento de estratégias de estudo e, ainda,
aulas de recuperação. [Educação, 2005]
No processo de Descoberta de Conhecimento em Bases de Dados, estão envolvidas
várias etapas, que vão desde a selecção das bases de dados sobre as quais será realizado
o processamento, até à disponibilização do conhecimento descoberto [Michalski &
Kaufman, 1998]. O Data Mining é uma fase essencial deste processo, onde se procuram
os padrões utilizando um conjunto de técnicas de aprendizagem. Este trabalho seguiu
este tipo de abordagem, via a metodologia CRISP-DM, com o objectivo de tentar prever
o (in)sucesso escolar. Para o desenvolvimento do estudo foi escolhida a ferramenta
estatística R e a biblioteca RMiner [Cortez, 2007]. O R trata-se de uma aplicação
gratuita e que fornece um conjunto de funções úteis para a manipulação, processamento
e análise de dados. Por outro lado, em aplicações de Data Mining, para além de se obter
uma elevada performance predictiva, é usualmente útil fornecer um conhecimento
explicativo acerca do que o modelo aprendeu. Em particular, a importância de uma dada
entrada é relevante no domínio do (in)sucesso escolar.
Para a realização do estudo foi necessário criar a base de dados, uma vez que a base de
dados existente na escola, continha informações escassas. Como referido anteriormente,
os dados existentes na base de dados teve como origem um questionário e as pautas
finais de período. Dada a natureza da variável a modelar (nota final de 3º período),
optou-se por se definir o problema como de classificação. No decorrer do processo de
Descoberta de Conhecimento, foram encontrados alguns obstáculos, existiu a
necessidade de um tratamento cuidado e moroso dos dados, de modo a prepará-los para
a etapa do Data Mining, i.e. a integração de duas fontes de dados (questionários e
pautas finais de período), eliminação de registos omissos, selecção e transformação de
variáveis e a redução do número de classes existentes para cada variável. Na fase de
modelação foram adoptadas cinco técnicas, sendo elas as seguintes: método simples da
previsão via a média dos valores da saída (Naive), Árvores de Decisão (DT), Rede
Neuronal (RNs), Support Vector Machine (SVM) e Random Forest (RF). Além disso,
foram testadas três combinações de hipótese (Capitulo 4)
5.2. Discussão
Ao concluir-se um projecto, é tido por adequado salientar-se as conclusões que foram alcançadas, confrontando os resultados obtidos com os objectivos estabelecidos, no início. Também se considera fundamental uma postura crítica, relativamente às limitações de que entretanto se foi tomando consciência. No sentido de ultrapassar essas limitações, bem como de tentar promover alguns dos pressupostos fixados no trabalho em causa, devem-se apontar perspectivas de trabalho futuro.
Convém referir desde já que o objectivo inicialmente proposto é deveras complexo. De facto, os estudos que seguem este tipo de abordagem são escassos, não se conhecendo estudos similares efectuados em Portugal.
Uma das primeiras etapas do processo conducente à elaboração deste trabalho consistiu na elaboração de um questionário para a recolha de informações dos alunos, que no final de cada um dos períodos era complementada pelas notas e faltas dados, que estava presente nas pautas finais de período. A etapa seguinte foi essencialmente na pesquisa e familiarização com as abordagens do processo de DCBD existentes na literatura sobre esta temática. Em especial, no decurso deste trabalho foi adoptada a metodologia CRoss-Industry Standard Process for Data Mining (CRISP-DM). De todas as fases que a metodologia encerra, foi atribuído especial relevo à recolha e preparação de dados. Esta postura assentou no facto de a passagem de dados aos algoritmos de Data Mining dever ser precedida de uma preparação adequada e criteriosa, assegurando-se assim a capacidade destes gerarem conhecimento com mais elevado nível de fiabilidade.
A abordagem baseada em Cenários não é difícil de aplicar mas é exigente em termos de recursos. Isso acontece porque:
• é necessário procurar fontes de surpresa para podermos ver as coisas de forma diferente. Estas fontes de surpresa demoram tempo a encontrar e a explorar. • As sessões de trabalho são demoradas porque são exercícios de brainstorming
complexos. Este facto pode não permitir a presença de certas pessoas.
Os principais problemas identificados no decorrer do presente trabalho foram: • As fontes de surpresa demoram tempo a encontrar e a explorar.
• A exigência em termos de recursos, como já foi referido acima.
• Quando nas sessões de trabalho participam pessoas de áreas de conhecimento e profissionais muito distintas pode existir a dificuldade de aceitar unanimemente uma terminologia. Assim sendo, torna-se, por vezes, necessário definir um glossário de termos comuns para realização da conversação estratégica.
Assim, as conclusões a retirar deste trabalho são:
1. Actualmente não existe, em muitas escolas secundárias, uma política de licenciamento de descoberta de conhecimento adquirido e desenvolvido. Fica ao critério de quem (departamentos, pedagógico e docentes) atribui as notas e elabora os métodos de avaliação (testes, trabalhos, fichas formativas, trabalho nas aulas…).
2.
Referências
[Adriaans & Zantinge, 1996]
[Agrawal, 1995] Agrawal, Rakesh, “Data mining: the quest perspective”, EDBT
Summer School, on Advances in Database Technology, Gubbio-Itália, Setembro
de 1995. www.almaden.ibm.com/cs/quest
[Almeida & Pinto, 1995] Almeida, João Ferreira, Pinto, José M., “A investigação nas ciências sociais”, 5ª ed. Lisboa: Editorial Presença, 1995.
[Ambrósio, 1993] Ambrósio, Teresa, “Formação contínua e recursos humanos: A questão das novas competências: Um desafio à investigação interdisciplinar”, In ASSOCIAÇÃO Portuguesa de Sociologia - Estruturas sociais e desenvolvimento. Lisboa: Fragmentos, 1993, p. 215-228.
[Ambrósio, 2002] Ambrósio, P. E., “Redes neurais artificiais no apoio ao diagnóstico diferencial de lesões intersticiais pulmonares”, 2002, Tese de Mestrado, Universidade de São Paulo.
[Anand, 1995]
[Ângulo, 2001] Angulo, E. B., “Introducción al análises sensorial. Análisis sensorial de alimentos”, Métodos e aplicaciones, Barcelona, pp: 1-11, Zootec 2001.
[APDSI] Associação para a Promoção e Desenvolvimento da Sociedade da Informação, http://www.apdsi.pt/Relatorio_de_Actividades_-_2004.pdf, Março de 2005 [APM, 1998] APM., “Matemática 2001. Diagnóstico e recomendações para o ensino e
aprendizagem da Matemática”, Lisboa: Associação de Professores de Matemática, 1998
[Arendt, 1961] Arendt, H., “Between past and future”, Nova Iorque: The Viking Press, 1961
[Azevedo, 1999] Azevedo, Manuel Joaquim Pinho Moreira de, “O ensino secundário na Europa, nos anos noventa”, Dissertação de Doutoramento em Ciências da Educação sob orientação do Prof. Doutor António Nóvoa, Universidade de Lisboa Faculdade de Psicologia e de Ciências da Educação, Lisboa, 1999
[Banks, 1994] Banks, John, “The prevention of school failure and marginalisation among young people”, Bruxelas: Comission of the European Comunities, 1994. Policopiado.
[Barreto, 2002] Barreto, J. M., “Introdução às redes neuronais artificiais”, 2002 Florianópolis, Universidade Federal de Santa Catarina
[Bartlett, 1998] Bartlett, W., “The sample complexity of pattern classification with neural networks: the size of the weights is more Important than the size of the network”, 1998, IEEE transactions on information theory, 44(2): 525-536 [Beck et al., 2005] Beck, Joseph E., Jia, Peng, Mostow, Jack, “Assessing Student
Proficiency in a Reading Tutor that Listens”, Project LISTEN - School of Computer Science Carnegie Mellon University Pittsburgh, USA, 2005, http://www.cs.cmu.edu/~listen/
[Belhoste, 1989] Belhoste, Bruno, “L’Éducation technique de l’encyclopédie à Saint- Simon”, Éducation Permanente, Junho de 1989, p. 37-53.
[Benavot, 1983] Benavot, Aaron, “The rise and decline of vocational education”, Sociology of Education, 1983, p. 63-76.
[Bernstein, 1977] Bernstein, B., “Class, codes and control. Em R Kagan (Orgs.), Towards a theory of educational transmissions”, vol. III. Londres: Plenum Press, 1977.
[Bernstein, 1990] Bernstein, B., “The structuring of pedagogic discourse.”, Vol IV: Class, codes and control. Londres: Routledge, 1990
[Bernstein, 1996] Bernstein, B., “Pedagogy, symbolic control and identity. Theory, Research, Critique.” Londres: Taylor & Francis, 1996
[Berry & Linoff, 2000] Berry, M. J. A., Linoff, G. S, “Mastering data mining”, Wiley computer publishing, Canada 2000
[Bi & Bennet, 2003] J. Bi and K. Bennett. Regression Error Characteristic curves, In
Proceedings of 20th Int. Conf. on Machine Learning (ICML), Washington DC,
USA.
[Bigus, 1991] Bigus, J. P., “Data mining with neural networks”, 1991 Mcgraw-Hill, USA.
[Bose & Liang, 1996] Bose, N., Liang, P., “Neural networks fundamentals with graphs, algorithms and applications”, 1996, McGraw-Hill, USA.
[Bourdieu & Passeron, 1970] Bourdieu, P., & Passeron, J. C., «La reproduction: Elements pour une theorie du système d’enseignement». Paris: Minuit, 1970
[Brachman & Arnand, 1996] Brachman, R., Arnand, T., “The process of knowledge discovery in databases”, 1996, AAAI/MIT Press, USA.
[Braga & Cravalho, 2000] Braga, A. P., Carvalho, A. P. L. F., “Redes neuronais artificiais: teoria e aplicações”, LTC, Belo Horizonte, 2000
[Breiman, 2001] Breiman, Leo, “Random Forests”, Statistics Department, University of California, Berkeley, 2001
[Broser et al., 1992] Boser, B.E., Guyon, I.M. and Vapnik, V.N., “A training algorithm
for optimal margin classifiers”. In D. Haussler, editor. Proceedings of the 5th
Annual ACM Workshop on Computational Learning Theory, pp. 144-152. ACM
Press.
[Brown & Kros, 2003] Brown, Marvin L., Kros, John F., “Data Mining and the impact of missing data”, Industrial Management & Data Systems, 611-621
[Brusic et al., 1998] Brusic, V., Rudy, G., Honeyman, M., Hammer, J., Harrison., L.,
“Prediction of MHC class II-binding peptides using an evolutionary algorithm
and artificial neural network.”, Bioinformatics 14:121.
[Buckley, e tal, 2004] Buckley, Jack, Schneider, Mark, Shang, Yi, “The Effects of School Facility Quality on Teacher Retention in Urban School Districts”, February 2004, http://www.edfacilities.org/pubs/teacherretention.html
[Cabena et al, 1997] Cabena, P., et al, “Discovering data mining from concept to implementation”, Prentice Hall PTR, USA, 1997
[Câmara, 1995] Câmara, M. J., “A aprendizagem das ciências da natureza no jardim-de- infância. Interacção dos processos de socialização primária e secundária.”, Tese de Mestrado em Educação, Faculdade de Ciências da Universidade de Lisboa., 1995
[Castro et al, 1996] Castro, J. e Maia, J., “A divergência entre a avaliação contínua e os exames nacionais”, Lisboa: IIE, 1996
[Chapman et al, 2000] Chapman, Pete et al. “CRISP-DM 1.0: step-by-step data mining guide”, 2000. Disponível em: http://www.crisp-dm.org/download.htm, Acedido em: 10-Nov-2005.
[Checkland & Holwell, 1998] Checkland P., Holwell S., “Information, Systems and Information Systems - making sense of the field”, John Wiley & Sons, 1998 [Chen et al, 1996] Chen, M. S., Han, J., Yu, P. S., “Data Mining: an overview from a
database perspective”, 1996, IEEE Transactions on knowledge and data engineering: 866-883.
[Climaco e tal, 2001] Clímaco, M. C., Curado, A. P., Figueiredo, J., Dias, M. L. e Fernandes, O., “Avaliação integrada das escolas. Relatório nacional. Ano lectivo 1999-2000”, Lisboa: Inspecção-Geral da Educação, 2001
[CME, 2007] Câmara Municipal de Évora - http://www.cm-evora.pt/zc_economia.htm
[CMP, 2007] CMPortalegre - http://cm-portalegre.pt/page.php?page=354
[Connolly et al, 1998] Connolly, T, Begg, C and Strachan.A “Database Systems: A Practical Approach to Design, Implementation, and Management”, Addison- Wesley, 2 Edition 1998
[Coombs, 1985]
[Correia, 2003] Correia, Tânia Sofia, “O insucesso escolar no ensino superior”, Tese submetida aprovação da conclusão da licenciatura em Sociologia, 2003, http://gep.ist.utl.pt/files/tfc/Tese_Tania.pdf
[Cortes, 2005] Cortes, Bruno, “Sistemas de Suporte à Decisão”, FCA - Editora de Informática, Junho de 2005
[Cortez, 2002] Cortez, P. A. R., “Modelos inspirados na natureza para a previsão de séries temporais”, Tese de Doutoramento, Universidade do Minho, 2002
[Costa & Simões] Costa, E, Simões, Anabela, “Inteligência Artificial”, FCA - Editora de Informática
[Cortesão, 2000] Cortesão, Luiza, “O arco-íris na sala de aula? Processos de organização de turmas: reflexões críticas.”, colecção: Cadernos de Organização e Gestão Escolar, Editora: Instituto de Inovação Educacional, acedido através de http://www.dgidc.min-edu.pt/inovbasic/biblioteca/ccoge08/index.htm
[Cortesão, 1992] Cortesão, L., Pacheco, N., “Interculturalismo e Realidade Portuguesa”, Editora: Inovação, 1992, pag.4, 2-3, 33-34.
[Cortez, 2006] Cortez, Paulo, “RMiner: Data Mining with Neural Networks and Support Vector Machines using R”, Submitted 30th November 2006. Engineering School, University of Minho.
[Crato, 2006] Crato, Nuno, “O Desastre no Ensino da Matemática - Como Recuperar o Tempo Perdido”, publicado pela Sociedade Portuguesa de Matemática e pela Gradiva, 2006
[CRISP-DM, 1999]
CROSS industry standard process for data mining,
http://www.crisp-dm.org/, Acedido em: 10-Nov-2005.
[Domingos et al, 1986] Domingos, A. M., Barradas, H., Neves, I. e Rainha, H., “A teoria de Bernstein em sociologia da educação”, Lisboa: Fundação Gulbenkian., 1986
[Educação, 2005] “
Medidas de combate ao insucesso escolar”, 7 de Dez de 2005,http://www.min-edu.pt/np3/179.html
[Educare, 2005] Portal da Educação, www.educare.pt
[Fayyad et al, 1996a] Fayyad, U. G. Piattetsky-Shapiro P. Smyth e R. Uthurusamy,
“Advances in knowledge discovery and data mining”, AAAI Press,1996.
[Fayyad et al, 1996b] Fayyad, Usama; Piatetski-Shapiro, Gregory; Smyth, Padhraic,
“The KDD Process for Extracting Useful Knowledge from Volumes of Data. In: Communications of the ACM”, pp.27-34, Nov.1996
[Ferrão et al. 2000] Ferrão, João, et al, “Saída prematura do sistema educativo: aspectos da situação, causas e perspectivas em termos de emprego e formação.”, 2000, Observatório do Emprego e Segurança. Social. Estudos e Análises, nº 36
[Ferreira, 2006] Ferreira, Marta Sofia, “O segredo para domar a matemática “http://www.portugaldiario.iol.pt/noticia.php?id=735587, acedida a 12/11/2006
[Fontaine, 2000] Fontaine, A. M. “Análise do contexto de socialização familiar: Sua importância para a compreensão do (in)sucesso escolar” Parceria família- escola e desenvolvimento da criança (pp. 240-254). Porto: Asa.
[Frawley, 1992]
[Frawley et al, 1991] Frawley, W., et al, “Knowledge discovery in databases: An overview”, AAAI Press, USA, 1991.
[GAAIRES, 2006] GAAIRES – Grupo de Avaliação e Acompanhamento da Implementação da Reforma do Ensino Secundário, “Estudo de Avaliação e Acompanhamento da Implementação da Reforma do Ensino Secundário”, 31 de Outubro de 2006, http://www.gaaires.min- edu.pt/ficheiros/relatorio/2_relatorio_GAAIRES.pdf
[Gardner, 1998] Gardner, S. R., “Building the Data Warehouse”. Communications of the ACM, 1998, 41(9): 52-60.
[Gartner, 1995]
[Garrido, 1992] Garrido, José Luis Garcia, “Problemas mundiales de la educación: Nuevas perspectivas”, Madrid: Ed. Dykinson,1992.
[Garrido, 1993] Garrido, José Luis Garcia, “Sistemas Educativos de hoy”, 3ª ed. Madrid: Dykinson, 1993.
[Garrido, 1994] Garrido, José Luis Garcia, “Reformas educativas en Europa”, Madrid: CETE-ITE, 1994.
[Garrido et al, 1992] Garrido, José Luís Garcia, Pedró, Francesc, Velloso, Agustín, “La Educacion en Europa: Reformas y perspectivas de futuro”, Madrid: Editorial Cincel, 1992.
[Goebel & Gruenwald, 1999] M. Goebel and L. Gruenwald, “A Surveyof Data
Mining and Knowledge Discovery Software Tools”, ACM SIGKDD,
Volume I, 1:20.
[Gordon, 1990] Gordon, Jean, “Comparative study of qualifications at the end of compulsory education, secondary education and vocational training”, Paris: Ed. European Institute of Education an Social Policy, 1990
[Gordon, 1995] Gordon, Jean, “An innovative approach to the comparison of qualifications in Europe: the regional perspective”, European Journal of Education, 1995, p. 277-293
[Halheimer, 1994]
[Han et al., 1996] Han, J., Huang, Y., Cercone, N., Fu, Y., “Intelligente query
answering by knowledge discovery techniques”. IEEE Transactions on
Knowledge and Data Engineering, v.8, n.3, Junho de 1996.
http://academic.csuohio.edu/fuy/Pub/tkde96.pdf
[Han & Kamber, 2001] Han, J. e M. Kamber, “Data mining, concepts and techniques”, Morgan Kaufmann publishers, USA, 2001.
[Hand et al, 2001] Hand, David, Mannila, Heikki and Smyth, Padhraic, “Principles of Data Mining”, MIT Press, 2001
[Hastie et al, 2001] Hastie, T. R. Tibshirani e J. Friedman, “The elements of statistical learning: data Mining, inference, and prediction”, Springer-Verlag, 2001.
[Hearst, 1998] M. A. Hearst. Support vector machines, IEEE Intelligent Systems, pp.
18–28, July/August.
[IBM, 1984] IBM, “Business Systems Planning: Information Systems Planning Guide”, IBM Corporation, 1984
[IBM, 1996]
[Ibero Americana, 2001] La Revista Iberoamericana de Educación es una publicación monográfica cuatrimestral editada por la Organización de Estados Iberoamericanos (OEI), http://www.campus-oei.org/revista/rie27.htm