Data Mining com a Ferramenta Weka - Mineração de Dados

Prévia do material em texto

Data Mining com a Ferramenta 
Weka 
Eduardo Corrêa Gonçalves
Escola Nacional de Ciências Estatísticas (IBGE/ENCE)
Rua André Cavalcanti, 106, Centro – 20.231-050 – Rio de Janeiro – RJ
eduardo.correa@ibge.gov.br
1
Tópicos da Apresentação
PARTE 1: Introdução à Mineração de Dados
Data Mining, Fraldas e Cervejas
Tarefas e Técnicas de Mineração de Dados
Contexto atual da Mineração de Dados
PARTE 2: Weka – uma Ferramenta Livre para Data Mining
Apresentação da Ferramenta 
Bases de Dados ARFF 
Weka em Ação: Minerando um Classificador
2
3
Parte I. Introdução à Mineração de Dados
• Mineração de dados: empregada em pesquisas científicas desde o 
início dos anos 90. 
• Muitas empresas estão se beneficiando da tecnologia com o propósito de 
alcançar um melhor posicionamento no mercado. 
• Mas … o que é mineração de dados? Quais são as suas aplicações 
práticas? 
• Estas questões são discutidas a seguir!
* HQ originalmente publicada em 03/01/2000. Disponível no site http://www.dilbert.com/.
O que é Mineração de Dados?
• Definição simples para mineração de dados (data mining): 
• Processo realizado através de estratégias automatizadas que tem por 
objetivo a descoberta de conhecimento valioso em grandes bases de 
dados. 
• Esquema conceitual: um “pequeno diamante de informação” é 
extraído a partir de uma verdadeira “montanha de dados”! 
4
Algoritmos: a Essência da Mineração de Dados
• A mineração de dados baseia-se na utilização de algoritmos capazes de 
vasculhar grandes bases de dados de modo eficiente e revelar padrões 
interessantes, escondidos dentro da “montanha de dados”. 
• Estudar data mining significa “mergulhar fundo” nos algoritmos!
• Trabalhar com data mining consiste em trabalhar com algoritmos!
• Utilizar uma ferramenta de data mining significa conhecer e saber 
manipular os algoritmos que ela disponibiliza!
5
Propriedades Básicas de um “Diamante de Informação”
• O conhecimento descoberto através de processos de mineração de dados é 
considerado interessante quando apresenta certas propriedades:
Validade Inesperabilidade
Interpretabilidade Novidade
Utilidade 
• Estas propriedades serão explicadas no exemplo a seguir.
6
Fraldas e Cerveja (1/3)
• Exemplo real (será?) e muito conhecido.
• De acordo com [BL97], a mineração do banco de dados de uma grande loja 
de departamentos dos EUA, revelou que grande parte dos consumidores que 
fazem compras nas noites de quinta-feira, costuma adquirir os dois 
produtos: fraldas e cerveja. 
• Exemplo antigo, mas ainda vale a pena discuti-lo. 
• Quando foi minerada, a regra apresentou todas as propriedades 
capazes de caracterizá-la como interessante para os analistas da loja 
de departamentos.
• Não por acaso, o exemplo é citado em muitos cursos e livros de 
mineração de dados. 
7
Fraldas e Cerveja (2/3)
• Por que a regra foi considerada tão interessante? 
• Representava uma informação nova. 
• Não era conhecida pelos analistas da empresa. 
• Foi uma associação inesperada. 
• Os analistas imaginavam que as vendas de cerveja estivessem 
associadas apenas a produtos como salgados, carne para churrasco e 
outras bebidas alcoólicas, mas nunca a produtos de higiene infantil. 
• A regra foi considerada válida. 
• Ela possuía expressividade estatística. Uma porcentagem considerável 
das compras realizadas nas noites de quinta-feira continha ambos os 
produtos. 
8
Fraldas e Cerveja (3/3)
• Por que a regra foi considerada tão interessante? (Continuação...) 
• A regra é interpretável.
• Pôde ser entendida e explicada pelos analistas. Sugere que nas noites 
de quinta-feira, os casais jovens se preparam para o fim-de-semana 
estocando fraldas para os bebês e cerveja para o papai. 
• De maneira estereotipada, podemos até imaginar o jovem “papai norte-
americano” como alguém que não pode mais ir ao bar e nem aos jogos 
de baseball ou futebol americano. Então ele fica em casa, assistindo aos 
jogos pela TV enquanto bebe as suas latinhas de cerveja! 
• E, mais importante do que tudo, a regra descoberta era útil.
• Os gerentes da loja de departamentos puderam tomar ações capazes de 
aumentar as vendas de cerveja. Ex: os produtos foram colocados em 
prateleiras próximas. 
9
Como Surgiu a Mineração de Dados? (1/3)
• A evolução da tecnologia da BD (anos 80 em diante) possibilitou com que 
as organizações coletassem e armazenassem de forma contínua uma 
enorme quantidade de dados (sobre clientes, fornecedores, produtos e 
serviços). 
• Nos anos 90 percebeu-se que os dados estavam sendo sub-utilizados. 
• Por que não analisá-los para descobrir novas informações e utilizá-las 
de forma estratégica? 
10
Como Surgiu a Mineração de Dados? (2/3)
• Logo se percebeu que não se tratava de uma tarefa trivial [FPS96]: 
• Empresas mantêm bancos de dados com bilhões ou trilhões de registros 
históricos de suas transações. 
• Centenas de atributos precisam ser analisados simultaneamente.
• Métodos tradicionais (SQL, Planilhas, investigação manual) são 
inviáveis! 
Este cenário motivou o surgimento da ciência que 
recebeu o nome de mineração de dados.
Trata-se da linha de pesquisa que se preocupa com a 
proposição de metodologias e algoritmos eficientes 
para a descoberta de conhecimento em grandes 
bancos de dados.
 
11
Como Surgiu a Mineração de Dados? (3/3)
• A Mineração de Dados é uma linha de pesquisa multidisciplinar.
• Ela adaptou ideias provenientes de diferentes áreas com o intuito 
de resolver o problema da descoberta de conhecimento escondido 
em grandes bases de dados.
• O esquema abaixo apresenta três dessas áreas (existem outras). 
• Para ser justo: a mineração de dados reuniu ideias oriundas de outras 
áreas e também introduziu algumas novidades. 
12
O que a Mineração de Dados Pode Fazer? (1/10)
• Existem diversas tarefas (ou funcionalidades) de mineração de 
dados (data mining task / function):
• Uma tarefa determina o tipo de problema que será resolvido pelo 
processo de mineração de dados. 
• A seguir, uma breve apresentação sobre as principais tarefas de MD.
13
O que a Mineração de Dados Pode Fazer? (2/10)
• Tarefa 1: DESCOBERTA DE ASSOCIAÇÕES 
• Objetivo: descobrir combinações de itens ou valores de atributos que 
ocorrem com frequência significativa em uma base de dados. 
• Exemplo - Mineração do BD de um supermercado: 
• “50% das compras que contêm fraldas, também contêm cerveja. 
15% de todas as compras contêm os dois produtos”.
Representação (regra de associação): {fraldas} ⇒ {cerveja}
 
• “A compra do produto milho verde aumenta em 5 vezes a chance 
de um cliente comprar ervilhas”. 
Representação : {milho verde} ⇒ {ervilhas}
 
14
O que a Mineração de Dados Pode Fazer? (3/10)
• Tarefa 1: DESCOBERTA DE ASSOCIAÇÕES (Continuação...)
• Outras aplicações 
para as Regras de 
Associação
• Sistemas de 
Recomendação: são 
sistemas que, de 
maneira autônoma, 
sugerem itens que 
considera 
interessantes para 
um usuário (livros, 
notícias, músicas, 
vídeos, etc). 
• Segurança de Sistemas: regras de associação são utilizadas para 
aprimorar os bancos de dados dos antivírus e sistemas de detecção de 
intrusões. 
(service = “echo reply”) ∧ (SrvCount > 500) ⇒ (Class = “Intrusion”)
15
O que a Mineração de Dados Pode Fazer? (4/10)
• Tarefa 2: DESCOBERTA DE PADRÕES SEQUENCIAIS 
• Objetivo: descobrir sequências de eventos frequentes.
 
• Parece com a mineração de associações, mas leva em conta a ordem ou 
a data de ocorrência dos eventos. 
• Exemplo - Mineração do BD de uma loja de suprimentos de eletrônica: 
• “50% dos consumidores que adquirem um netbook compram um 
hard disk externode 2 a 4 meses após a aquisição do netbook”. 
 
• Outras aplicações importantes: 
• Análise de sequências de DNA. 
• Mineração de uso da Web (análise de sequência de cliques).
16
O que a Mineração de Dados Pode Fazer? (5/10)
• Tarefa 2: DESCOB. DE PADRÕES SEQUENCIAIS (Continuação)
• Podem ser utilizados em qualquer problema onde seja possível registrar a 
ordem de ocorrência de eventos. 
• Análise de sequências em cadeias de DNA 
• Mineração de uso da Web 
17
O que a Mineração de Dados Pode Fazer? (6/10)
• Tarefa 3: CLASSIFICAÇÃO
• Objetivo: a partir de um banco de dados contendo objetos pré-classificados 
(objetos cuja classe é conhecida), construir um modelo que seja capaz de 
classificar automaticamente novos objetos (objetos cuja a classe é 
desconhecida) em função de suas características. 
• O modelo criado é chamado de modelo classificador.
• Exemplo - Mineração do BD de uma seguradora: 
18
O que a Mineração de Dados Pode Fazer? (7/10)
• Tarefa 3: CLASSIFICAÇÃO (Continuação...)
Sexo feminino : “não se envolve em acidente”
Sexo masculino e idade superior a 25 anos : “não se envolve em acidente”.
Sexo masculino e idade igual ou inferior a 25 anos: “se envolve em acidente” 
• O modelo pode ser usado para a empresa prever a classe de um futuro 
cliente. A classificação é uma tarefa preditiva. 
• Mostraremos um exemplo prático na ferramenta Weka! 
19
O que a Mineração de Dados Pode Fazer? (8/10)
• Tarefa 4: DETERMINAÇÃO DE AGRUPAMENTOS 
• Objetivo: dividir automaticamente um conjunto de objetos em grupos 
(clusters) de acordo com algum de tipo de relacionamento de similaridade 
existente. 
• Exemplo1: se você tivesse que dividir em dois grupos de acordo com a 
similaridade, como você faria?
1 Exemplo retirado do tutorial "A Gentle Introduction to Machine Learning and Data Mining for the Database 
Community" apresentado por Eamonn Keogh no 18o Simpósio Brasileiro de Bancos de Dados – SBBD 2003
20
O que a Mineração de Dados Pode Fazer? (9/10)
• Tarefa 4: DETERMINAÇÃO DE AGRUPAMENTOS (Continuação)
• Algumas soluções possíveis...
• Outras soluções: crianças e adultos, gordos e magros, inteligentes e nem 
tanto (!), fumantes e não-fumantes, … (veja que clustering é difícil e 
subjetivo!!!)
21
O que a Mineração de Dados Pode Fazer? (10/10)
• Outras Tarefas
• Mineração de Texto (text mining): descoberta de novas informações 
a partir da análise de texto livre (artigos, documentos WORD ou PDF, 
etc.) ou semi-estruturado (ex: arquivos HTML ou XML). 
• Mineração Web (web mining): uso de algoritmos para minerar 
conhecimento útil de documentos e serviços da Web. 
• Regressão: similar à tarefa de classificação. A principal diferença é que 
o atributo alvo é do tipo contínuo.
• Padrões em Séries Temporais: os dados de séries temporais contém 
observações adjacentes e ordenadas, tipicamente uma sequência de 
valores numéricos com um atributo representando o tempo. 
• Mineração de Exceções: o objetivo da tarefa é determinar objetos que 
sejam diferentes da maioria dos outros objetos. Aplicações práticas: 
detecção de fraudes, previsão de distúrbios no ecossistema, e outras.
22
Como Minerar Dados? (Técnicas de Data Mining)
• O conceito de técnica de mineração de dados é diferente do conceito de 
tarefa. 
• Cada tarefa de mineração de dados possui um conjunto de técnicas 
associadas, que representam os algoritmos que podem ser 
empregados para a sua execução. 
Tarefa Técnicas
Regras de Associação Apriori, FP-Growth, DCI, ECLAT, Closet.
Padrões Sequenciais AprioriAll, GSP, PrefixSpan, BLAST.
Classificação Naïve Bayes, Árvores de Decisão (ID3, C4.5, 
CART, CHAID), Redes Neurais, k-Nearest 
Neighbor, Support Vector Machines.
Análise de Agrupamentos k-Médias, k-Medoides, Métodos Hierárquicos. 
23
Contexto Atual da Mineração de Dados (1/2)
 Nos últimos anos, a mineração de dados tem atraído o interesse não 
apenas dos pesquisadores, mas também das empresas.
• Ela é considerada uma importante tecnologia de Business Intelligence 
(BI), assim como o data warehousing e a análise OLAP. 
 Além de ferramentas comerciais (Oracle, SAS, SPSS, SQL Server, …), 
também existem ferramentas livres para mineração de dados.
• Exemplos:
• R : já existem diversos pacotes para data mining que podem ser 
integrados a este tradicional software open source para estatística. 
• Weka: ferramenta que apresentaremos hoje...
24
Contexto Atual da Mineração de Dados (2/2)
 A mídia, de um modo geral, também tem dado considerável atenção à 
mineração de dados. 
• É cada vez mais comum encontrar artigos sobre o tema em publicações 
sobre computação, biologia, marketing, administração, etc. 
• Até revistas de variedades e livros de conteúdo não técnico tratam do 
tema. Exemplos: 
• “Numerati” de Stephen Baker. 
• “O Click” de Bill Tancer.
 Mas … há um problema sério: empresas também tentam usar a 
mineração de dados para invadir nossa privacidade e manipular nosso 
comportamento !!! (consulte [Bak09])
• Exemplos: nos induzir o que devemos comprar e em quem votar.
25
26
Weka – uma Ferramenta Livre para Data Mining
• Tópicos: Apresentação da Ferramenta, Bases de Dados ARFF, Weka em 
Ação: Minerando um Classificador 
* Copyright: Martin Kramer (mkramer@wxs.nl) 
O que é Weka? 
• É um pássaro típico da Nova Zelândia! Mas não somente...
• Weka é um Software livre do tipo open source para mineração 
de dados, desenvolvido em Java, dentro das especificações da GPL 
(General Public License).
• O sistema foi desenvolvido por um 
grupo de pesquisadores da 
Universidade de Waikato, Nova 
Zelândia. 
• Ao longo dos anos se consolidou 
como a ferramenta de data mining 
mais utilizada em ambiente 
acadêmico.
• Seu ponto forte é a tarefa de classificação, mas também é capaz de 
minerar regras de associação e clusters de dados.
• Pode ser utilizada no modo console ou através da interface gráfica 
Weka Explorer.
27
O Livro da Weka
• As características da Weka e as técnicas 
nela implementadas são apresentadas no 
livro “Data Mining: Practical Machine 
Learning Tools and Techniques” [WFH11]
• Os autores do livro são os idealizadores 
da ferramenta.
 "If you have data that you want to analyze and 
understand, this book and the associated Weka toolkit are 
an excellent way to start."
Jim Gray, Microsoft Research (!?!?!?) 
28
Como usar a Weka? 
• Duas formas principais:
• Interface Gráfica: o 
ambiente Weka 
Explorer permite a 
execução dos 
algoritmos de data 
mining da Weka de 
forma interativa.
• Veremos um 
exemplo nessa 
apresentação!
• Console: fazendo a chamada aos algoritmos no prompt. 
java weka.associations.Apriori -t veiculos.arff
29
Bases de Dados ARFF (1/5)
• O formato ARFF é utilizado como padrão para estruturar as bases de dados 
manipuladas pela Weka.
30
Bases de Dados ARFF (2/5)
• Ele corresponde a um arquivo texto contendo um conjunto de registros, 
precedido por um pequeno cabeçalho.
31
Bases de Dados ARFF (3/5)
• Exemplo: Weather.ARFF 
 
32
Bases de Dados ARFF (4/5)
33
Bases de Dados ARFF (5/5)
34
Weka em Ação – Mineração de um Classificador 
• Agora mostraremos um exemplo prático de utilização da Weka:
• Será realizada a mineração de um classificador! Porém... antes é preciso 
falar um pouquinho sobre classificação...
35
O que é Classificação? (1/2)
• Objetivo: a partir de um banco de dados contendo objetos pré-classificados 
(objetos cuja classe é conhecida), construir um modelo que seja capaz de 
classificar automaticamente novos objetos (objetos cuja a classe é 
desconhecida) em função de suas características.• O modelo criado é chamado de modelo classificador.
• É a tarefa de data mining mais popular, pois existem inúmeras aplicações 
práticas. Alguns exemplos:
• Administradoras de cartão de crédito: modelos classificadores são 
empregafos para detectar se uma transação financeira é “legal” ou 
“suspeita”.
• Programas de filtragem de spam. 
36
Base de Dados para Classificação (1/2)
• A base de dados para classificação deve conter:
• um ou mais atributos preditivos.
• um atributo especial, denominado atributo classe (ou atributo alvo), 
sempre do tipo discreto.
• Exemplo - BD de uma 
locadora de veículos
* Base de dados exemplo retirada de : “DataMining” - Luís Alfredo Vidal de Carvalho, Ed. Ciência Moderna, 2001
37
Base de Dados para Classificação (2/2)
• Exemplo - BD de uma locadora de veículos.
• A ideia é minerar um modelo que classifique o cliente como “cliente de carro 
nacional” ou “cliente de carro importado” em função de sua “idade” e 
“renda”.
• Mostraremos agora como minerar um classificador, sobre a base de dados da 
locadora de veículos, usando a técnica de árvores de decisão (ufa!)
38
Weka em Ação (1/18)
• PASSO 1: antes de começar o processo, precisamos gerar uma versão 
ARFF da base que iremos minerar.
39
Weka em Ação (2/18)
• PASSO 2: abrir a Weka Explorer (GUI para mineração de dados)
40
Weka em Ação (3/18)
• PASSO 3: abrir a base de dados 
41
Weka em Ação (4/18)
• PASSO 3: abrir a base de dados 
42
Weka em Ação (5/18)
43
Weka em Ação (6/18)
• Podemos explorar a base de dados antes de minerá-la.
44
Weka em Ação (7/18)
45
Weka em Ação (8/18)
• Gráfico de barras: frequência do atributo classe.
46
Weka em Ação (9/18)
• Gráfico: cruzamento do atributo classe com cada atributo preditivo.
47
Weka em Ação (10/18)
• PASSO 4: Seleção da aba “Classify” para a mineração do classificador.
48
Weka em Ação (11/18)
• PASSO 5: Escolha do algoritmo de classificação
• Dentre as técnicas que podem ser utilizadas, encontram-se: 
• Naïve Bayes 
• Árvores de Decisão (nossa escolha nessa apresentação!)
• Redes Neurais
• k-Nearest Neighbor 
• Support Vector Machines.
49
Weka em Ação (12/18)
• PASSO 5: Escolha do algoritmo de classificação
50
Weka em Ação (13/18)
• PASSO 5: Escolha do algoritmo de classificação. 
• Optamos pelo algoritmo J48 para mineração de árvores de decisão
51
Weka em Ação (14/18)
• PASSO 6: Configurar parâmetros e disparar o algoritmo!
52
Weka em Ação (15/18)
• Após alguns segundos, a árvore é minerada na janela Output.
53
Weka em Ação (16/18)
• PASSO 7: A qualidade da árvore pode ser avaliada através do uso de 
diferentes métricas. 
• Correctly Classsified Instances: porcentagem de registros classificados 
corretamente durante a construção do modelo de classificação.
• Incorrectly Classsified Instances: porcentagem de registros classificados 
incorretamente durante a construção do modelo de classificação.
54
Weka em Ação (17/18)
• PASSO 7: A qualidade da árvore pode ser avaliada através do uso de 
diferentes métricas. 
• Confusion Matrix (matriz de confusão): é simplesmente uma matriz 
quadrada que indica as classificações corretas e errada. 
• A classe que está sendo analisada aparece na linha. As classificações 
encontradas aparecem nas colunas. 
• A diagonal da matriz corresponde às classificações corretas. 
55
Weka em Ação (18/18)
• Também é possível visualizar a árvore de decisão em um formato gráfico.
56
Conclusões e Comentários Finais
• Na prática, o processo de classificação é mais trabalhoso e complexo.
• Nessa apresentação, mostramos um exemplo simplificado!
57
Conclusões e Comentários Finais
• Sobre a Weka...
• Embora seja normalmente utilizada para fins didáticos, 
possibilita a mineração de bases reais (contanto que 
possam ser importadas para a memória RAM).
• Muitos papers científicos relatam experiências onde a ferramenta foi 
aplicada de forma bem sucedida sobre bases de diferentes 
domínios.
• A ferramenta está disponível para Linux, Windows e outras 
plataformas, podendo ser obtida juntamente com seu código 
fonte em:
http://www.cs.waikato.ac.nz/ml/weka/
• A versão 3.6.4 é a última versão estável da ferramenta.
58
Conclusões e Comentários Finais
• Sobre a Weka...
• Mostramos apenas um exemplo, usando um algoritmo!
• A Weka tem dezenas de algoritmos implementados!
• E pode minerar regras de associação e clusters de dados, 
além de classificadores.
• Outra coisa muito boa é que você pode integrar os algoritmos 
implementados na Weka nos programas Java criados por você.
• Veja o tutorial de [San05] para maiores informações.
59
Referências
[Bak09] S. Baker. Numerati. Ed. ARX (2009).
[BL97] M. J. A. Berry e G. Linoff. Data Mining Techniques for Marketing, Sales and Customer 
Support. Wiley Computer Publishing, 1997.
[FPS96] U. M. Fayyad, G. Piatetsky-Shapiro e P. Smith. “From Data Mining to Knowledge Discovery: 
An Overview”. Advances in Knowledge Discovery and Data Mining, AAAI/MIT Press, 1996, p. 
1–34.
[HK06] J. Han e M. Kamber. Data Mining: Concepts and Techniques. 2a Edição, Morgan Kaufmann, 
2006.
[San05] R. Santos. “Weka na Munheca: um Guia para Uso do Weka em Scripts e Integração com 
Aplicações Java”. Instituto Nacional de Pesquisas Espaciais (INPE), 2005.
[San10] R. Santos. “Princípios e Aplicações de Mineração de Dados”. Notas de aula, Instituto 
Nacional de Pesquisas Espaciais (INPE), 2010.
[TSK06] P. Tan, M. Steinbach e V. Kumar. Introdução Ao Data Mining - Mineração de Dados. Ed. 
Ciência Moderna, 2009 (ed. original em Inglês publicada em 2006).
[WFH11] I. H. Witten, E. Frank, M. A. Hall. Data Mining: Practical Machine Learning Tools and 
Techniques. 3rd Edition, Morgan Kaufmann, 2011. 
60
	Parte I. Introdução à Mineração de Dados
	Weka – uma Ferramenta Livre para Data Mining
	
Data Mining com a Ferramenta Weka 
	Tópicos da Apresentação
	O que é Mineração de Dados?
	Algoritmos: a Essência da Mineração de Dados
	Propriedades Básicas de um “Diamante de Informação”
	Fraldas e Cerveja (1/3)
	Fraldas e Cerveja (2/3)
	Fraldas e Cerveja (3/3)
	Como Surgiu a Mineração de Dados? (1/3)
	Como Surgiu a Mineração de Dados? (2/3)
	Como Surgiu a Mineração de Dados? (3/3)
	O que a Mineração de Dados Pode Fazer? (1/10)
	O que a Mineração de Dados Pode Fazer? (2/10)
	O que a Mineração de Dados Pode Fazer? (3/10)
	O que a Mineração de Dados Pode Fazer? (4/10)
	O que a Mineração de Dados Pode Fazer? (5/10)
	O que a Mineração de Dados Pode Fazer? (6/10)
	O que a Mineração de Dados Pode Fazer? (7/10)
	O que a Mineração de Dados Pode Fazer? (8/10)
	O que a Mineração de Dados Pode Fazer? (9/10)
	O que a Mineração de Dados Pode Fazer? (10/10)
	Como Minerar Dados? (Técnicas de Data Mining)
	Contexto Atual da Mineração de Dados (1/2)
	Contexto Atual da Mineração de Dados (2/2)
	O que é Weka? 
	O Livro da Weka
	Como usar a Weka? 
	Bases de Dados ARFF (1/5)
	Bases de Dados ARFF (2/5)
	Bases de Dados ARFF (3/5)
	Bases de Dados ARFF (4/5)
	Bases de Dados ARFF (5/5)
	Weka em Ação – Mineração de um Classificador 
	O que é Classificação? (1/2)
	Base de Dados para Classificação (1/2)
	Base de Dados para Classificação (2/2)
	Weka em Ação (1/18)
	Weka em Ação (2/18)
	Weka em Ação (3/18)
	Weka em Ação (4/18)
	Weka em Ação (5/18)
	Weka em Ação (6/18)
	Weka em Ação (7/18)
	Weka em Ação (8/18)
	Weka em Ação (9/18)
	Weka em Ação (10/18)
	Weka em Ação (11/18)
	Weka em Ação (12/18)
	Weka em Ação (13/18)
	Weka em Ação (14/18)
	Weka em Ação (15/18)
	Weka em Ação (16/18)
	Weka em Ação (17/18)
	Wekaem Ação (18/18)
	Conclusões e Comentários Finais
	Conclusões e Comentários Finais
	Conclusões e Comentários Finais
	Referências