<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Cinthia Katiane on Medium]]></title>
        <description><![CDATA[Stories by Cinthia Katiane on Medium]]></description>
        <link>https://medium.com/@cinthiakatiane?source=rss-b55373404922------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*Zydzbgm5lcOvM3Cy</url>
            <title>Stories by Cinthia Katiane on Medium</title>
            <link>https://medium.com/@cinthiakatiane?source=rss-b55373404922------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 11:11:14 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@cinthiakatiane/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[MongoDB]]></title>
            <link>https://medium.com/@cinthiakatiane/mongodb-4b63cc7abb69?source=rss-b55373404922------2</link>
            <guid isPermaLink="false">https://medium.com/p/4b63cc7abb69</guid>
            <category><![CDATA[api]]></category>
            <category><![CDATA[e-commerce-software]]></category>
            <category><![CDATA[mongo]]></category>
            <category><![CDATA[mongodb]]></category>
            <category><![CDATA[nosql]]></category>
            <dc:creator><![CDATA[Cinthia Katiane]]></dc:creator>
            <pubDate>Wed, 04 Dec 2019 14:14:58 GMT</pubDate>
            <atom:updated>2019-12-04T14:14:58.800Z</atom:updated>
            <content:encoded><![CDATA[<h4>Do ‘MongoDB for dummies’ a uma aplicação de loja de Pokémons. Duvida? É só continuar lendo.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/739/0*y_FZ7tAJX0a4AMcX" /></figure><p>Grupo: <a href="https://medium.com/@cinthiakatiane">Cinthia Katiane</a> e <a href="https://medium.com/@will.lucena">William Lucena</a></p><p>Esse artigo foi desenvolvido para a disciplina de Banco de Dados NoSQL, ministrada pelo professor <a href="https://medium.com/@gustavo.leitao">Gustavo Leitão</a>, no curso de Bacharelado em Tecnologia da Informação da Universidade Federal do Rio Grande do Norte.</p><h3>Conhecendo o Mongo DB</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/363/1*vb0yRxQeu_bDu3pt0l2vjg.png" /></figure><p>MongoDB é um banco de dados NoSQL <strong>orientado a documentos</strong> e que é <strong>livre de Schema</strong>. O mongo possui <strong>alta escalabilidade horizontal</strong>, pois possui alta <strong>performance</strong> e <strong>disponibilidade</strong>. Se algum desses termos ficou confuso pra você, fique tranquilo, vamos entender o que significa tudo isso e como podemos aproveitar essas características do mongo em diferentes aplicações.</p><h4>Mongo Overview</h4><p>Como eu já disse, o Mongo é um banco de dados orientado a documentos, isso significa que a sua estrutura de armazenamento é baseada em arquivos, no mongo esses arquivos são chamados <strong>BSON</strong> têm um formato muito parecido com um JSON, que conta com uma estrutura atributo-valor que tornam as consultas mais legíveis e práticas, um diferencial importante é que o BSON contém tipos não presentes no JSON, como datetime, matriz de bytes e diversos tipos para representar valores numéricos. O BSON foi projetado para ser eficiente tanto no espaço de armazenamento quanto na velocidade da busca, tendo valores prefixados que servem como “atalhos” para os elementos grandes do documento — vamos falar sobre outra forma de agilizar as buscas no mongo daqui a pouco.</p><p>O mongo se distancia dos SGBDs tradicionais por ser extremamente flexível com relação aos seus registros, enquanto os SGBDs tradicionais necessitam de uma descrição mais formal e rígidas de como as tabelas se relacionam e são separadas baseadas em <strong>Schemas</strong>, o Mongo não precisa que as as tabelas e colunas sejam criadas previamente e não possui relacionamentos entre os documentos, fazendo com que um documento represente toda a informação necessária, com todos os dados referentes a ele. Dessa forma alguns conceitos que nós conhecemos em bancos de dados tradicionais — como os termos tabelas e colunas que eu acabei de usar — agora precisam ser ‘traduzidos’ para as diretrizes do Mongo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/819/1*xBHNTuCUNCFJ69jQjY2pug.png" /></figure><p>O mongo está centrado no conceito de documento, e é neles que está todo o dado que seria originalmente representado por uma linha da tabela e tudo que está relacionado com ela. Esse é um dos pontos que facilitam o potencial de alta escalabilidade do Mongo, permitindo que os dados sejam facilmente particionados — em bancos NoSQL o conceito de particionamento está diretamente relacionado com a distribuição de dados — , mas para ter alta disponibilidade é preciso que haja replicação, é aí que chegamos a solução para <strong>alta disponibilidade</strong> do Mongo: <strong>ReplicaSet.</strong></p><p>Em um cenário de falha do servidor, o <a href="https://medium.com/@gustavo.leitao/criando-um-cluster-mongodb-com-replicaset-e-sharding-com-docker-9cb19d456b56"><em>ReplicaSet</em></a> vai mascarar os efeitos das falhas mantendo o a disponibilidade e minimizando o tempo de inatividade através de uma reação rápida e a redistribuição das atividades dos nós. Em palavras mais simples, o que ele vai fazer é manter copias idênticas dos dados em mais de um nó do <em>Cluster</em> — de preferencia em máquinas separadas, mas também pode ser na mesma máquina — para que quando algum nó vier a falhar os dados que estão nele continuarão disponíveis em outro nó de forma automática. Isso também permite<strong> </strong>distribuição da carga de leitura entre os nós e a distribuição geográfica dos dados para redirecionar os dados para locais mais próximos do seu consumidores diminuindo a latência de acesso.</p><p>Falando em diminuição na latência precisamos voltar ao assunto da otimização das buscas, o mongo provê uma ferramenta para otimizar as consultas: os <strong>Índices</strong>. Eles consistem em uma estrutura de dados que armazena uma pequena porção de um atributo especifico ou uma conjunto de atributos e que agiliza a leitura, em outras palavras ele funciona como um índice de um livro, onde para encontrar um capítulo desejado você pode consultar o índice e ir direto para a pagina ao invés de folhear todas as páginas. Sem os índices o banco fará a busca em toda a coleção, mas utilizando o mongo irá utiliza-lo automaticamente para fazer a busca.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fgiphy.com%2Fembed%2FS6BLhq4ZOvIdN0WVEQ%2Ftwitter%2Fiframe&amp;display_name=Giphy&amp;url=https%3A%2F%2Fgiphy.com%2Fgifs%2Fflash-the-barry-allen-S6BLhq4ZOvIdN0WVEQ&amp;image=https%3A%2F%2Fmedia4.giphy.com%2Fmedia%2FS6BLhq4ZOvIdN0WVEQ%2Fgiphy.gif&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=giphy" width="435" height="244" frameborder="0" scrolling="no"><a href="https://medium.com/media/daad26552c59ba73b1eaaa347bc12d07/href">https://medium.com/media/daad26552c59ba73b1eaaa347bc12d07/href</a></iframe><p>O índice promete bastante, para melhoria de buscas e realmente o faz quando se trata de coleção que são muito lidas, mas “There is no free lunch”, na <a href="https://docs.mongodb.com/manual/indexes/">documentação do MongoDB</a> do você pode ver que em alguns alertas com relação a casos em que o uso de índices pode piorar ainda mais o desempenho, então para os casos onde se tem um volume muito alto de escritas, quando os dados estão particionados e replicados você precisa de um pouco mais de cuidado para criar seus índices e para esses casos recomendo a leitura da documentação.</p><p>É por causa da sua alta disponibilidade e da sua performe que podemos dizer que o MongoDB é um banco muito bom para ser escalado horizontalmente, ideal para o cenário em que o sistema precisa de um upgrade de armazenamento, mas não dispõe de um hardware mais potente, sendo possível que esse upgrade aconteça utilizando outro hardware semelhante para crescer.</p><h4>Pontos fortes</h4><ul><li>Orientado a documentos</li><li>Alta performance</li><li>Alta disponibilidade — Replicação</li><li>Alta escalabilidade — Particionamento</li><li>Livre de <em>Schema</em></li><li>Flexibilidade na adição e remoção de campos</li><li>Informação heterogenia</li><li>Não tem necessidade de <em>Joins</em></li><li>Distribuído</li><li>Representação dos dados em JSON or BSON</li><li>Suporte geoespacial (Próximos trabalhos)</li><li>BigData</li><li>Query language muito poderosa</li></ul><p><strong>Bom para as seguinte aplicações:</strong></p><ul><li>Catalogo de produtos de um E-commerce</li><li>Gerenciamento de Blogs</li><li>Análises em tempo real</li><li>Cache</li><li>Gerencia de configuração</li><li>Aplicações que baseadas em localização</li><li>Redes sociais</li></ul><h4>Pontos fracos</h4><ul><li>Não garante o ACID (atomicidade, consistência, isolamento, durabilidade)</li><li>Transação complexa</li><li>Não permite o relacionamento de dados, o que demanda a necessidade de que relacionamentos sejam contemplados a nível de aplicação.</li></ul><p><strong>Não é recomendado para as seguintes aplicações:</strong></p><ul><li>Sistemas altamente transacionais ou onde o modelo de dados é rígido e pré definido.</li></ul><h3>Aplicação</h3><p>Para aplicar alguns dos conhecimentos que vimos acima vamos trabalhar em uma aplicação simples de e-commerce: <strong>Um mercado de Pokémons</strong>. Okay, mas como assim? A ideia é usar a dados retirados da<a href="https://pokeapi.co/"> API de Pokémons</a>, para popular o banco a medida que os Pokémons forem sendo buscados. Além de todas as informações que a API provê será adicionado uma lista de transações de compra e venda de cada Pokémon.</p><p>Para isso será necessário a criação de uma API (Node) que irá se comunicar com o banco mongo através de endpoints para busca por Pokémon, lances, visualização da lista de Pokémons e de suas informações detalhadas. No futuro o próximo passo seria construir uma aplicação web para consumir essa API e fazer a exibição desses dados.</p><p>Como estamos usando o node como backend, usaremos o mongoose para fazer a comunicação com o banco, por sorte nossa para fins didáticos os comandos do mongoose são bem próximos aos do MongoDB. Por questões de organização o projeto tem a seguinte estrutura, mas o que cada um desses arquivos significam?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/482/0*JOuoBAijqpUhMPuv" /></figure><h4>Dissecando a aplicação</h4><p>Começando de fora para dentro, como uma boa dissecação, temos o <a href="https://github.com/will-lucena/Pokemon-shop/blob/master/package.json">package.json</a> que contém informações como descrição do projeto, dependências e scripts de execução. Em seguida temos as pastas Models, Routes e Controllers dentro da pasta de backend, cada uma dessas pastas contêm uma responsabilidade.</p><p>O arquivo <a href="https://github.com/will-lucena/Pokemon-shop/blob/master/backend/routes/pokemonRoutes.js">pokemonRoutes</a> contém o mapeamento de todas as rotas, também conhecidos como endpoints da nossa API, as rotas são responsáveis por conectar cada endpoint a um método do nosso controlador.</p><p>Passando para próxima camada da cebola, temos <a href="https://github.com/will-lucena/Pokemon-shop/blob/master/backend/controllers/pokemonControllers.js">pokemonControllers</a>, responsável por fazer a ponte entre o modelo e as rotas, é nesse arquivo que fazemos uso do Mongoose de maneira mais próxima ao Mongo, cada um dos métodos aqui é responsável por fazer algum processamento de dados no banco, seja ele uma busca, uma inserção, uma atualização ou uma deleção.</p><pre>Model.find({}, ‘id name sprites transactions’)</pre><pre>Model.find({ name: req.params.pokemon_name }, ‘id name sprites transactions’)</pre><pre>Model.findOne({ name: req.params.pokemon_name })</pre><p>São três diferentes formas de se buscar dados no banco de dados, onde o primeiro parâmetro { } é a nosso filtro, equivalente a um WHERE nos bancos relacionais, o segundo ‘ ‘ é o equivalente ao projection no Mongo e o SELECT campos nos bancos relacionais.</p><p>Uma forma de criar um dado baseado no Schema é usando</p><pre>pokemon = new Model(response);</pre><p>E para concluir a alteração e/ou criação usamos o método</p><pre>pokemon.save(function(err, _)</pre><p>E na camada mais interna há o <a href="https://github.com/will-lucena/Pokemon-shop/blob/master/backend/models/pokemonModels.js">pokemonModels</a> que é responsável por definir o nosso modelo ou Schema e aqui o Mongoose se difere um pouco do Mongo, enquanto o mongo é totalmente ‘Schema free’ podendo-se alterar os documentos a qualquer momento, o Mongoose por padrão é mais restrito, é possível sim modificar nosso Schema, mas para isso é necessário algumas alterações no Mongoose como podemos encontrar nessa <a href="https://github.com/Automattic/mongoose/issues/1867">issue</a> e nessa <a href="https://mongoosejs.com/docs/guide.html#strict">item</a> da documentação.</p><p>Há diversas outras maneiras de se criar um novo documento, atualizar e buscar um documento, cada um para uma situação diferente e nesses momentos a <a href="https://mongoosejs.com/docs/index.html">documentação</a> é sua melhor amiga, juntamente do Stack Overflow e algumas issues no Github.</p><p>Por fim, subindo um nível na hierarquia de pastas, mas com certeza não menos importante, temos o arquivo <a href="https://github.com/will-lucena/Pokemon-shop/blob/master/backend/server.js">server.js</a>, nele é feita a inicialização do nosso app usando express, a conexão com o banco e a inicialização do watcher da porta de comunicação com o banco.</p><h3>Referências</h3><p><a href="https://dzone.com/articles/why-mongodb">https://dzone.com/articles/why-mongodb</a></p><p><a href="https://raw.githubusercontent.com/Biuni/PokemonGO-Pokedex/master/pokedex.json">https://raw.githubusercontent.com/Biuni/PokemonGO-Pokedex/master/pokedex.json</a></p><p><a href="https://github.com/iampawan/PokemonApp">https://github.com/iampawan/PokemonApp</a></p><p><a href="https://docs.mongodb.com/manual/indexes/">https://docs.mongodb.com/manual/indexes/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4b63cc7abb69" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Estudo de detecção de câncer de pele utilizando Convolutional Neural Network (CNN)]]></title>
            <link>https://medium.com/@cinthiakatiane/estudo-de-detec%C3%A7%C3%A3o-de-c%C3%A2ncer-de-pele-utilizando-convolutional-neural-network-cnn-f7b30383795?source=rss-b55373404922------2</link>
            <guid isPermaLink="false">https://medium.com/p/f7b30383795</guid>
            <category><![CDATA[aprendizado-de-maquina]]></category>
            <category><![CDATA[câncer-de-pele]]></category>
            <category><![CDATA[redes-neurais]]></category>
            <category><![CDATA[detecção]]></category>
            <dc:creator><![CDATA[Cinthia Katiane]]></dc:creator>
            <pubDate>Tue, 03 Dec 2019 02:10:25 GMT</pubDate>
            <atom:updated>2019-12-03T02:10:25.635Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*WJpTSxJ6p7qsWglL.jpg" /></figure><h3><strong>Equipe</strong></h3><p>A equipe responsável pela preparação deste estudo e produção desse artigo é composto por <a href="https://medium.com/@cabral.jhon00">Jhonattan Cabral</a>, <a href="https://medium.com/@cinthiakatiane">Cinthia Katiane</a> and <a href="https://medium.com/@franklinmatheus_">Frank Matheus</a>. Todos estudantes do curso de Bacharelado em Tecnologia da Informação na Universidade Federal do Rio Grande do Norte. O notebook resultante desse estudo está disponível no seguinte repositório do GitHub: <a href="https://github.com/Jhon3/skin-cancer-detection">https://github.com/Jhon3/skin-cancer-detection</a></p><h3><strong>Motivação</strong></h3><p>O câncer de pele é o mais frequente tipo de câncer, e corresponde a cerca de 30% de todos os tumores malignos registrados no País (<a href="https://www.sbmt.org.br/portal/">SBMT</a>, 2019). Cerca 80 mil novos casos são registrados todos os anos, tais casos podem ser descobertos em vários estágios da doença, todavia quando detectado e diagnosticado de forma precoce a chance de cura através dos tratamentos adequados aumenta consideravelmente.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/472/1*TvdEYO8nk--4WAwwvtgLqQ.jpeg" /></figure><p>Existem dois tipos de câncer de pele: o câncer não melanoma e o melanoma. O câncer de pele do tipo não melanoma baixa letalidade e é mais frequente, já o câncer do tipo melanoma é mais agressivo e menos frequente.</p><p>O câncer de pele se manifesta através de manchas na pele que se assemelham muito com sinais, mas tem mais urgência para seu diagnóstico devido ao seu caráter mais agressivo, por esse motivo neste estudo focaremos na detecção de câncer, desenvolvendo uma aplicação que auxilie o usuário na detecção do tumores malignos o mais precoce possível para que, desta maneira, suas chances de cura sejam as mais elevadas.</p><h3><strong>Dataset</strong></h3><p>O dataset que foi utilizado nesse estudo está disponível no Kaggle, no seguinte link: <a href="https://www.kaggle.com/kmader/skin-cancer-mnist-ham10000">https://www.kaggle.com/kmader/skin-cancer-mnist-ham10000</a></p><p>Esse dataset foi montado com para fins de estudo e pesquisa acadêmica na área de biologia e medicina, utilizando aprendizado de máquina, nele contam com mais de 10000 imagens de lesões na pele e CSV’s contendo informações como o sexo, idade, tipo da lesão, local da lesão e valores de RGB de cada pixel. As lesões que estão no dataset são as amostras diversos tipo de lesões cutâneas pigmentadas, como hemorragias, dermatofibroma, queratose e também o melanoma, que é o nosso alvo neste estudo.</p><h3><strong>Tecnologias utilizadas</strong></h3><p>Para a realização desse estudo nós utilizamos as seguintes ferramentas, e o seu uso está demonstrado no notebook do repositório do projeto, elas foram a linguagem de <em>Python, o </em>ambiente do <em>Colaboratory</em> para escrever e executar os notebooks e as bibliotecas:</p><ul><li><em>Numpy</em></li><li><em>Pandas</em></li><li><em>Matplotlib</em></li><li><em>Seaborn</em></li><li><em>Sklearn</em></li><li><em>Keras — CNN</em></li></ul><figure><img alt="CNN" src="https://cdn-images-1.medium.com/max/1024/1*GfI5nScYGyo1gf0fGsQcaA.png" /></figure><h3><strong>Metodologia</strong></h3><p>Antes de entrarmos de fato na metodologia, decidimos fixar bem o nosso objetivo diante dos dados coletados. Foi decidido criar um modelo de categorização onde dado uma imagem contendo uma lesão na pele, o modelo iria determinar se tal lesão é benigna ou maligna, ou seja, o modelo iria apontar se através da imagem de entrada o usuário é portador ou não de câncer de pele.</p><h4>Análise dos dados</h4><p>O primeiro passo a ser realizado foi observar os dados dispostos no dataset. Nele, é possível encontrar informações relacionadas aos indivíduos, como idade e sexo, e sobre a lesão propriamente dita, como a localização no corpo e o tipo. O tipo da lesão foi o ponto principal deste estudo, e é nesta informação que iremos trabalhar e analisar com mais atenção; há um total de 7 tipos de lesões neste dataset, nos dando assim um total de 7 classes possíveis para as lesões. Podemos observar a proporção de cada uma destas classes no gráfico abaixo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/579/1*fF53HUG511qnAxh5p7ke1Q.png" /></figure><p>E, além disso, podemos também ver como esta proporção está dividida entre as pessoas do sexo masculino e feminino:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/827/1*eLl9GYkwtBJeg-bHS6pe-Q.png" /></figure><p>Logo vemos que os dados estão bastante desbalanceados, pois, por exemplo, temos muitos casos da classe <em>Melanocytic nevi</em> (um total de 6705 ocorrências) e poucos para <em>Dermatofibroma</em> (um total de 115), porém, também vale ressaltar que os as informações entre sexos diferentes (desconsiderando a classe <em>unknown</em>) são bem proporcionais de acordo com o tipo de lesão. Isto nos leva para nossa próxima etapa, o undersampling, onde iremos tentar resolver este problema de desbalanceamento.</p><h4>Undersampling</h4><p>Diante da análise dos dados fica claro o entendimento de que existe um desbalanceamento óbvio nas classes. Como o nosso objetivo é determinar se um usuário tem ou não câncer, foi agrupado todas as classes para as quais o tipo da lesão é benigno (nome das classes) e, similarmente, foi agrupado todas as classes para as quais o tipo da lesão é considerado maligno (nome das classes). Em seguida foi observado que ainda existia o desbalanceamento entre as duas classes resultantes. Para resolver este problema foi aplicado a técnica undersampling a fim de reduzir a quantidade de dados da primeira classe e assim balancear a nossa entrada.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/602/1*pGCps2Am0bt8eAXGl6ZTvw.png" /></figure><h4>Modelo</h4><p>O modelo criado foi o Sequencial do Keras, a fim de montar uma CNN, várias camadas foram adicionadas e, ao final, nosso modelo ficou da seguinte forma:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/651/1*dmSQtZRntmNE-iNyIW9xCw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/627/1*vnRD597-h7R9BZw1WOyyvw.png" /></figure><h4>Treino</h4><p>Com o modelo definido, chegou a hora de treinar a partir dos dados para que ele seja capaz de aprender quais lesões são malignas e quais são benignas. No processo de treinamento, foram executadas um total de 20 <em>epochs</em>. Durante todo o processo, foi possível ver um crescimento considerável da acurácia com relação aos dados de treino.</p><h3><strong>Resultados</strong></h3><p>Ao avaliar o modelo com os dados de teste, foi obtido uma acurácia de 76%, um resultado consideravelmente melhor que o da referência utilizada para realizar este trabalho, que foi de 72%.</p><h3><strong>Conclusão</strong></h3><p>Ao final da execução deste estudo, foi possível notar uma melhora na acurácia com relação à referência utilizada; para alcançar isto, algumas técnicas foram desenvolvidas, como o undersampling, onde o problema dos dados desbalanceados foi resolvido.</p><p>Além disso, também vale ressaltar os novos conhecimentos de Machine Learning que o desenvolvimento deste estudo possibilitou, como o de categorização de imagens.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f7b30383795" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>