Análise Comparativa de Redes Neurais Artificiais e Algoritmos de Ensemble para a Predição de Risco de Crédito

Detalhes bibliográficos
Autor(a) principal: Manguinho, Maria Letícia da Silva
Data de Publicação: 2023
Tipo de documento: Artigo
Idioma: por
Título da fonte: Repositório Institucional do IFPE
Texto Completo: https://repositorio.ifpe.edu.br/xmlui/handle/123456789/1177
Resumo: Neste estudo, é explorada a importância da análise de risco de crédito no sistema financeiro, destacando-se seus desafios e implicações econômicas. Diante da complexidade dos dados desbalanceados e da dinâmica do cenário econômico, o trabalho tem como objetivo empregar técnicas de Inteligência Artificial, como Redes Neurais Artificiais e modelos de ensembles, para aprimorar a detecção de casos de riscos de crédito. Seguindo os ideais do Cross Industry Standard Process for Data Mining, que por sua vez, ´e dividido em cinco fases iterativas, foi iniciada a pesquisa com a compreensão do contexto do problema e estabelecimento de objetivos claros. Em seguida, houve uma análise detalhada dos conjuntos de dados de crédito para compreender a relevância de cada atributo. Após o pré-processamento dos dados, incluindo limpeza e tratamento, foram então aplicadas as técnicas de modelagem. Finalmente, os modelos foram avaliados com métricas como acurácia, precisão e recall. Notavelmente, os modelos do tipo ensemble, especialmente o Gradient Boosting e o XGBoost, estiveram com desempenho consiste em todas as três bases de dados examinadas neste estudo. Ambos alcançaram uma notável acurácia de 94%, a mais alta registrada nesta pesquisa, enfatizando assim, a escolha desses modelos para o problema de identificação de casos de alto risco de crédito.
id IFPE_d11c97155a271b7a8ffdba96ef734656
oai_identifier_str oai:repositorio.ifpe.edu.br:123456789/1177
network_acronym_str IFPE
network_name_str Repositório Institucional do IFPE
repository_id_str
spelling 2024-02-20T23:38:27Z2024-02-20T23:38:27Z2023-12-06MANGUINHO, Maria Letícia da Silva. Análise Comparativa de Redes Neurais Artificiais e Algoritmos de Ensemble para a Predição de Risco de Crédito. Orientador: Antônio Correia de Sá Barreto Neto. 2023. Artigo (Tecnólogo em Análise e Desenvolvimento de Sistemas) - Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco - Campus Paulista, Paulista, PE, 2023.https://repositorio.ifpe.edu.br/xmlui/handle/123456789/1177Neste estudo, é explorada a importância da análise de risco de crédito no sistema financeiro, destacando-se seus desafios e implicações econômicas. Diante da complexidade dos dados desbalanceados e da dinâmica do cenário econômico, o trabalho tem como objetivo empregar técnicas de Inteligência Artificial, como Redes Neurais Artificiais e modelos de ensembles, para aprimorar a detecção de casos de riscos de crédito. Seguindo os ideais do Cross Industry Standard Process for Data Mining, que por sua vez, ´e dividido em cinco fases iterativas, foi iniciada a pesquisa com a compreensão do contexto do problema e estabelecimento de objetivos claros. Em seguida, houve uma análise detalhada dos conjuntos de dados de crédito para compreender a relevância de cada atributo. Após o pré-processamento dos dados, incluindo limpeza e tratamento, foram então aplicadas as técnicas de modelagem. Finalmente, os modelos foram avaliados com métricas como acurácia, precisão e recall. Notavelmente, os modelos do tipo ensemble, especialmente o Gradient Boosting e o XGBoost, estiveram com desempenho consiste em todas as três bases de dados examinadas neste estudo. Ambos alcançaram uma notável acurácia de 94%, a mais alta registrada nesta pesquisa, enfatizando assim, a escolha desses modelos para o problema de identificação de casos de alto risco de crédito.In this study, the importance of credit risk analysis in the financial system is explored, highlighting its challenges and economic implications. Given the complexity of imbalanced data and the dynamics of the economic landscape, the aim of the work is to employ Artificial Intelligence techniques, such as Artificial Neural Networks and ensemble models, to enhance the detection of credit risk cases. Following the principles of the Cross Industry Standard Process for Data Mining, which is divided into five iterative phases, the research began with an understanding of the problem context and the establishment of clear objectives. Subsequently, a detailed analysis of credit datasets was conducted to understand the relevance of each attribute. After data preprocessing, including cleaning and treatment, modeling techniques were then applied. Finally, the models were evaluated using metrics such as accuracy, precision, and recall. Notably, ensemble models, especially Gradient Boosting and XGBoost, consistently performed well across all three datasets examined in this study. Both achieved a remarkable accuracy of 94%, the highest recorded in this research, emphasizing the effectiveness of these models.21 p.ABEDIN, M. Z. et al. Combining weighted smote with ensemble learning for the class-imbalanced prediction of small business credit risk. Complex & Intelligent Systems, Springer, p. 1–21, 2022. 4, 5, 6 ALONSO, A.; CARBO, J. M. Machine learning in credit risk: Measuring the dilemma between prediction and supervisory cost. Banco de Espana Working Paper, 2020. 2 BAO, W.; LIANJU, N.; YUE, K. Integration of unsupervised and supervised machine learning algorithms for credit risk assessment. Expert Systems with Applications, Elsevier, v. 128, p. 301–315, 2019. 2, 3 BERRAR, D. et al. Cross-Validation. 2019. 11 BROWNLEE, J. How to use standardscaler and minmaxscaler transforms in python. Machine Learning Mastery, v. 10, 2020. 10 BUSSMANN, N. et al. Explainable machine learning in credit risk management. Computational Economics, Springer, v. 57, p. 203–216, 2021. 2 CARUSO, G. et al. Cluster analysis for mixed data: An application to credit risk evaluation. Socio-Economic Planning Sciences, Elsevier, v. 73, p. 100850, 2021. 4 CHAWLA, N. V. et al. Smote: synthetic minority over-sampling technique. Journal of artificial intelligence research, v. 16, p. 321–357, 2002. 3 CHEN, T.; GUESTRIN, C. Xgboost: A scalable tree boosting system. In: Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. [S.l.: s.n.], 2016. p. 785–794. 5 CREDIT Risk. 2020. ⟨https://www.kaggle.com/datasets/upadorprofzs/credit-risk⟩. Acesso em: 21 de jun de 2023. 9 CREDIT Risk Dataset. 2020. ⟨https://www.kaggle.com/datasets/laotse/credit-risk-dataset⟩. Acesso em: 21 de jun de 2023. 7 GERMAN Credit. 2019. ⟨https://online.stat.psu.edu/stat508/book/export/html/796⟩. Acesso em: 21 de jun de 2023. 8 LI, Z. et al. A survey of convolutional neural networks: analysis, applications, and prospects. IEEE transactions on neural networks and learning systems, IEEE, 2021. 5 LIU, W.; FAN, H.; XIA, M. Credit scoring based on tree-enhanced gradient boosting decision trees. Expert Systems with Applications, Elsevier, v. 189, p. 116034, 2022. 5 MART´ıNEZ-PLUMED, F. et al. Crisp-dm twenty years later: From data mining processes to data science trajectories. IEEE Transactions on Knowledge and Data Engineering, IEEE, v. 33, n. 8, p. 3048–3061, 2019. 5 MIIKKULAINEN, R. et al. Evolving deep neural networks. In: Artificial intelligence in the age of neural networks and brain computing. [S.l.]: Elsevier, 2019. p. 293–312. 5 RASCHKA, S. Python machine learning. [S.l.]: Packt publishing ltd, 2015. 2 20 RIGATTI, S. J. Random forest. Journal of Insurance Medicine, American Academy of Insurance Medicine 1700 Magnavox Way, Fort Wayne, IN 46804, v. 47, n. 1, p. 31–39, 2017. 5 RODR´IGUEZ, P. et al. Beyond one-hot encoding: Lower dimensional target embedding. Image and Vision Computing, Elsevier, v. 75, p. 21–31, 2018. 10 SCHWARZ, K. Mind the gap: Disentangling credit and liquidity in risk spreads. Review of Finance, Oxford University Press, v. 23, n. 3, p. 557–597, 2019. 2 SHEN, F. et al. A novel ensemble classification model based on neural networks and a classifier optimisation technique for imbalanced credit risk evaluation. Physica A: Statistical Mechanics and its Applications, Elsevier, v. 526, p. 121073, 2019. 3, 6 TAUD, H.; MAS, J. Multilayer perceptron (mlp). Geomatic approaches for modeling land change scenarios, Springer, p. 451–455, 2018. 5 TELES, G. et al. Artificial neural network and bayesian network models for credit risk prediction. Journal of Artificial Intelligence and Systems, Institute of Electronics and Computer, v. 2, n. 1, p. 118–132, 2020. 4, 5 TURNER, R. et al. Bayesian optimization is superior to random search for machine learning hyperparameter tuning: Analysis of the black-box optimization challenge 2020. In: PMLR. NeurIPS 2020 Competition and Demonstration Track. [S.l.], 2021. p. 3–26. 7 WICKHAM, H.; WICKHAM, H. Data analysis. [S.l.]: Springer, 2016. 2 WINSTON, P. H. Artificial intelligence. [S.l.]: Addison-Wesley Longman Publishing Co., Inc., 1984. 2 YANG, M. et al. Deep neural networks with l1 and l2 regularization for high dimensional corporate credit risk prediction. Expert Systems with Applications, Elsevier, v. 213, p. 118873, 2023. 5 YEGNANARAYANA, B. Artificial neural networks. [S.l.]: PHI Learning Pvt. Ltd., 2009. 3 ZHANG, C.; MA, Y. Ensemble machine learning: methods and applications. [S.l.]: Springer, 2012. 3 ZHANG, H. The optimality of naive bayes. Aa, v. 1, n. 2, p. 3, 2004. 4, 11An error occurred on the license name.An error occurred getting the license - uri.info:eu-repo/semantics/openAccessCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAOPrevisão de Risco de CréditoAprendizado de MáquinaModelos de EnsembleRedes Neurais ArtificiaisAvaliação ComparativaAnálise Comparativa de Redes Neurais Artificiais e Algoritmos de Ensemble para a Predição de Risco de Créditoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articleBarreto Neto, Antônio Correia de Sáhttp://lattes.cnpq.br/2773609778338983Oliveira, Flávio Rosendo da SilvaMedeiros, Erika Carloshttp://lattes.cnpq.br/6828380394080049http://lattes.cnpq.br/6574506939749437http://lattes.cnpq.br/9008035687531979Manguinho, Maria Letícia da SilvaBrasilCampus Paulistaporreponame:Repositório Institucional do IFPEinstname:Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)instacron:IFPEORIGINALArtigo_TCC_IFPE_Paulista - Maria_Letícia - Versão_Final_Revisada.pdfArtigo_TCC_IFPE_Paulista - Maria_Letícia - Versão_Final_Revisada.pdfArtigo principalapplication/pdf503735https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1177/1/Artigo_TCC_IFPE_Paulista%20-%20Maria_Let%c3%adcia%20-%20Vers%c3%a3o_Final_Revisada.pdff0363d962238a8ca024b32cec8baa266MD51open accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-80https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1177/2/license_rdfd41d8cd98f00b204e9800998ecf8427eMD52open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1177/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53open accessTEXTArtigo_TCC_IFPE_Paulista - Maria_Letícia - Versão_Final_Revisada.pdf.txtArtigo_TCC_IFPE_Paulista - Maria_Letícia - Versão_Final_Revisada.pdf.txtExtracted texttext/plain65632https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1177/4/Artigo_TCC_IFPE_Paulista%20-%20Maria_Let%c3%adcia%20-%20Vers%c3%a3o_Final_Revisada.pdf.txt69cb754ebbc4fc1c05e15f2ee55da1f4MD54open accessTHUMBNAILArtigo_TCC_IFPE_Paulista - Maria_Letícia - Versão_Final_Revisada.pdf.jpgArtigo_TCC_IFPE_Paulista - Maria_Letícia - Versão_Final_Revisada.pdf.jpgIM Thumbnailimage/jpeg10118https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1177/5/Artigo_TCC_IFPE_Paulista%20-%20Maria_Let%c3%adcia%20-%20Vers%c3%a3o_Final_Revisada.pdf.jpg6a2da8d152b4265f03b58214936cb5f0MD55open access123456789/11772024-02-21 03:00:58.736open accessoai:repositorio.ifpe.edu.br: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Repositório InstitucionalPUBhttps://repositorio.ifpe.edu.br/oai/requestrepositorioifpe@reitoria.ifpe.edu.bropendoar:2024-02-21T06:00:58Repositório Institucional do IFPE - Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)false
dc.title.pt_BR.fl_str_mv Análise Comparativa de Redes Neurais Artificiais e Algoritmos de Ensemble para a Predição de Risco de Crédito
title Análise Comparativa de Redes Neurais Artificiais e Algoritmos de Ensemble para a Predição de Risco de Crédito
spellingShingle Análise Comparativa de Redes Neurais Artificiais e Algoritmos de Ensemble para a Predição de Risco de Crédito
Manguinho, Maria Letícia da Silva
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
Previsão de Risco de Crédito
Aprendizado de Máquina
Modelos de Ensemble
Redes Neurais Artificiais
Avaliação Comparativa
title_short Análise Comparativa de Redes Neurais Artificiais e Algoritmos de Ensemble para a Predição de Risco de Crédito
title_full Análise Comparativa de Redes Neurais Artificiais e Algoritmos de Ensemble para a Predição de Risco de Crédito
title_fullStr Análise Comparativa de Redes Neurais Artificiais e Algoritmos de Ensemble para a Predição de Risco de Crédito
title_full_unstemmed Análise Comparativa de Redes Neurais Artificiais e Algoritmos de Ensemble para a Predição de Risco de Crédito
title_sort Análise Comparativa de Redes Neurais Artificiais e Algoritmos de Ensemble para a Predição de Risco de Crédito
author Manguinho, Maria Letícia da Silva
author_facet Manguinho, Maria Letícia da Silva
author_role author
dc.contributor.advisor1.fl_str_mv Barreto Neto, Antônio Correia de Sá
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/2773609778338983
dc.contributor.referee1.fl_str_mv Oliveira, Flávio Rosendo da Silva
dc.contributor.referee2.fl_str_mv Medeiros, Erika Carlos
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/6828380394080049
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/6574506939749437
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/9008035687531979
dc.contributor.author.fl_str_mv Manguinho, Maria Letícia da Silva
contributor_str_mv Barreto Neto, Antônio Correia de Sá
Oliveira, Flávio Rosendo da Silva
Medeiros, Erika Carlos
dc.subject.cnpq.fl_str_mv CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
topic CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO
Previsão de Risco de Crédito
Aprendizado de Máquina
Modelos de Ensemble
Redes Neurais Artificiais
Avaliação Comparativa
dc.subject.por.fl_str_mv Previsão de Risco de Crédito
Aprendizado de Máquina
Modelos de Ensemble
Redes Neurais Artificiais
Avaliação Comparativa
description Neste estudo, é explorada a importância da análise de risco de crédito no sistema financeiro, destacando-se seus desafios e implicações econômicas. Diante da complexidade dos dados desbalanceados e da dinâmica do cenário econômico, o trabalho tem como objetivo empregar técnicas de Inteligência Artificial, como Redes Neurais Artificiais e modelos de ensembles, para aprimorar a detecção de casos de riscos de crédito. Seguindo os ideais do Cross Industry Standard Process for Data Mining, que por sua vez, ´e dividido em cinco fases iterativas, foi iniciada a pesquisa com a compreensão do contexto do problema e estabelecimento de objetivos claros. Em seguida, houve uma análise detalhada dos conjuntos de dados de crédito para compreender a relevância de cada atributo. Após o pré-processamento dos dados, incluindo limpeza e tratamento, foram então aplicadas as técnicas de modelagem. Finalmente, os modelos foram avaliados com métricas como acurácia, precisão e recall. Notavelmente, os modelos do tipo ensemble, especialmente o Gradient Boosting e o XGBoost, estiveram com desempenho consiste em todas as três bases de dados examinadas neste estudo. Ambos alcançaram uma notável acurácia de 94%, a mais alta registrada nesta pesquisa, enfatizando assim, a escolha desses modelos para o problema de identificação de casos de alto risco de crédito.
publishDate 2023
dc.date.issued.fl_str_mv 2023-12-06
dc.date.accessioned.fl_str_mv 2024-02-20T23:38:27Z
dc.date.available.fl_str_mv 2024-02-20T23:38:27Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
format article
status_str publishedVersion
dc.identifier.citation.fl_str_mv MANGUINHO, Maria Letícia da Silva. Análise Comparativa de Redes Neurais Artificiais e Algoritmos de Ensemble para a Predição de Risco de Crédito. Orientador: Antônio Correia de Sá Barreto Neto. 2023. Artigo (Tecnólogo em Análise e Desenvolvimento de Sistemas) - Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco - Campus Paulista, Paulista, PE, 2023.
dc.identifier.uri.fl_str_mv https://repositorio.ifpe.edu.br/xmlui/handle/123456789/1177
identifier_str_mv MANGUINHO, Maria Letícia da Silva. Análise Comparativa de Redes Neurais Artificiais e Algoritmos de Ensemble para a Predição de Risco de Crédito. Orientador: Antônio Correia de Sá Barreto Neto. 2023. Artigo (Tecnólogo em Análise e Desenvolvimento de Sistemas) - Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco - Campus Paulista, Paulista, PE, 2023.
url https://repositorio.ifpe.edu.br/xmlui/handle/123456789/1177
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv ABEDIN, M. Z. et al. Combining weighted smote with ensemble learning for the class-imbalanced prediction of small business credit risk. Complex & Intelligent Systems, Springer, p. 1–21, 2022. 4, 5, 6 ALONSO, A.; CARBO, J. M. Machine learning in credit risk: Measuring the dilemma between prediction and supervisory cost. Banco de Espana Working Paper, 2020. 2 BAO, W.; LIANJU, N.; YUE, K. Integration of unsupervised and supervised machine learning algorithms for credit risk assessment. Expert Systems with Applications, Elsevier, v. 128, p. 301–315, 2019. 2, 3 BERRAR, D. et al. Cross-Validation. 2019. 11 BROWNLEE, J. How to use standardscaler and minmaxscaler transforms in python. Machine Learning Mastery, v. 10, 2020. 10 BUSSMANN, N. et al. Explainable machine learning in credit risk management. Computational Economics, Springer, v. 57, p. 203–216, 2021. 2 CARUSO, G. et al. Cluster analysis for mixed data: An application to credit risk evaluation. Socio-Economic Planning Sciences, Elsevier, v. 73, p. 100850, 2021. 4 CHAWLA, N. V. et al. Smote: synthetic minority over-sampling technique. Journal of artificial intelligence research, v. 16, p. 321–357, 2002. 3 CHEN, T.; GUESTRIN, C. Xgboost: A scalable tree boosting system. In: Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. [S.l.: s.n.], 2016. p. 785–794. 5 CREDIT Risk. 2020. ⟨https://www.kaggle.com/datasets/upadorprofzs/credit-risk⟩. Acesso em: 21 de jun de 2023. 9 CREDIT Risk Dataset. 2020. ⟨https://www.kaggle.com/datasets/laotse/credit-risk-dataset⟩. Acesso em: 21 de jun de 2023. 7 GERMAN Credit. 2019. ⟨https://online.stat.psu.edu/stat508/book/export/html/796⟩. Acesso em: 21 de jun de 2023. 8 LI, Z. et al. A survey of convolutional neural networks: analysis, applications, and prospects. IEEE transactions on neural networks and learning systems, IEEE, 2021. 5 LIU, W.; FAN, H.; XIA, M. Credit scoring based on tree-enhanced gradient boosting decision trees. Expert Systems with Applications, Elsevier, v. 189, p. 116034, 2022. 5 MART´ıNEZ-PLUMED, F. et al. Crisp-dm twenty years later: From data mining processes to data science trajectories. IEEE Transactions on Knowledge and Data Engineering, IEEE, v. 33, n. 8, p. 3048–3061, 2019. 5 MIIKKULAINEN, R. et al. Evolving deep neural networks. In: Artificial intelligence in the age of neural networks and brain computing. [S.l.]: Elsevier, 2019. p. 293–312. 5 RASCHKA, S. Python machine learning. [S.l.]: Packt publishing ltd, 2015. 2 20 RIGATTI, S. J. Random forest. Journal of Insurance Medicine, American Academy of Insurance Medicine 1700 Magnavox Way, Fort Wayne, IN 46804, v. 47, n. 1, p. 31–39, 2017. 5 RODR´IGUEZ, P. et al. Beyond one-hot encoding: Lower dimensional target embedding. Image and Vision Computing, Elsevier, v. 75, p. 21–31, 2018. 10 SCHWARZ, K. Mind the gap: Disentangling credit and liquidity in risk spreads. Review of Finance, Oxford University Press, v. 23, n. 3, p. 557–597, 2019. 2 SHEN, F. et al. A novel ensemble classification model based on neural networks and a classifier optimisation technique for imbalanced credit risk evaluation. Physica A: Statistical Mechanics and its Applications, Elsevier, v. 526, p. 121073, 2019. 3, 6 TAUD, H.; MAS, J. Multilayer perceptron (mlp). Geomatic approaches for modeling land change scenarios, Springer, p. 451–455, 2018. 5 TELES, G. et al. Artificial neural network and bayesian network models for credit risk prediction. Journal of Artificial Intelligence and Systems, Institute of Electronics and Computer, v. 2, n. 1, p. 118–132, 2020. 4, 5 TURNER, R. et al. Bayesian optimization is superior to random search for machine learning hyperparameter tuning: Analysis of the black-box optimization challenge 2020. In: PMLR. NeurIPS 2020 Competition and Demonstration Track. [S.l.], 2021. p. 3–26. 7 WICKHAM, H.; WICKHAM, H. Data analysis. [S.l.]: Springer, 2016. 2 WINSTON, P. H. Artificial intelligence. [S.l.]: Addison-Wesley Longman Publishing Co., Inc., 1984. 2 YANG, M. et al. Deep neural networks with l1 and l2 regularization for high dimensional corporate credit risk prediction. Expert Systems with Applications, Elsevier, v. 213, p. 118873, 2023. 5 YEGNANARAYANA, B. Artificial neural networks. [S.l.]: PHI Learning Pvt. Ltd., 2009. 3 ZHANG, C.; MA, Y. Ensemble machine learning: methods and applications. [S.l.]: Springer, 2012. 3 ZHANG, H. The optimality of naive bayes. Aa, v. 1, n. 2, p. 3, 2004. 4, 11
dc.rights.driver.fl_str_mv An error occurred on the license name.
An error occurred getting the license - uri.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv An error occurred on the license name.
An error occurred getting the license - uri.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 21 p.
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Campus Paulista
dc.source.none.fl_str_mv reponame:Repositório Institucional do IFPE
instname:Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)
instacron:IFPE
instname_str Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)
instacron_str IFPE
institution IFPE
reponame_str Repositório Institucional do IFPE
collection Repositório Institucional do IFPE
bitstream.url.fl_str_mv https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1177/1/Artigo_TCC_IFPE_Paulista%20-%20Maria_Let%c3%adcia%20-%20Vers%c3%a3o_Final_Revisada.pdf
https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1177/2/license_rdf
https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1177/3/license.txt
https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1177/4/Artigo_TCC_IFPE_Paulista%20-%20Maria_Let%c3%adcia%20-%20Vers%c3%a3o_Final_Revisada.pdf.txt
https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1177/5/Artigo_TCC_IFPE_Paulista%20-%20Maria_Let%c3%adcia%20-%20Vers%c3%a3o_Final_Revisada.pdf.jpg
bitstream.checksum.fl_str_mv f0363d962238a8ca024b32cec8baa266
d41d8cd98f00b204e9800998ecf8427e
8a4605be74aa9ea9d79846c1fba20a33
69cb754ebbc4fc1c05e15f2ee55da1f4
6a2da8d152b4265f03b58214936cb5f0
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional do IFPE - Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)
repository.mail.fl_str_mv repositorioifpe@reitoria.ifpe.edu.br
_version_ 1801503698658000896

Registros relacionados