No abstract

Reconhecendo diferentes desafios do ensino de Computação e conscientes do contexto situado em que atuamos, oferecemos uma disciplina de Introdução à Ciência da Computação, como disciplina curricular obrigatória, no primeiro semestre do nosso curso de Bacharelado em Ciência da Computação. Nessa disciplina, a ementa, o conteúdo programático e as estratégias didáticas têm o propósito de exercitar 17 habilidades que consideramos essenciais para profissionais da computação (tanto no sentido técnico quanto social e ético), além de situar estudantes na área e no curso escolhidos. Neste artigo, apresentamos a disciplina, as 17 habilidades que ela se propõe a exercitar, nossa estratégia didática, e relatamos os resultados de nossa experiência com a sua aplicação de forma totalmente remota. Com base na observação docente e na opinião discente obtida por meio de um questionário, identificamos que a disciplina foi efetiva em promover o exercício das diferentes habilidades, que ela foi capaz de ampliar o entendimento discente sobre o curso e sobre a responsabilidade profissional, e que o formato remoto apresentou mais vantagens do que desvantagens para a estratégia didática empregada. Os resultados também revelaram aspectos da estratégia didática que foram bem sucedidos e aspectos que ainda precisam ser aprimorados.

No abstract

No abstract

No abstract

No abstract

In the last decade, the interest for temporal data analysis methods has increased significantly in many application areas. One of these areas is the medical field, in which temporal data is in the core of innumerous diagnosis exams. However, only a small portion of all gathered medical data is properly analyzed, in part, due to the lack of appropriate temporal methods and tools. This work presents an alternative approach, based on global characteristics and motifs, to mine medical time series databases using machine learning algorithms. Characteristics are data statistics that present a global summary of the data. Motifs are frequently recurrent subsequences that usually represent interesting local patterns. We use a combination of global characteristics and local motifs to describe the data and feed machine learning algorithms. A case study is performed on three databases of Electrocardiogram exams. Our results show the superior performance of our approach in comparison to the naïve method that provides raw temporal data directly to the learning algorithms. We demonstrate that our approach is more accurate and provides more interpretable models than the method that does not extract features.

No abstract