{"id":1587,"date":"2023-07-18T09:59:31","date_gmt":"2023-07-18T12:59:31","guid":{"rendered":"https:\/\/eic.cefet-rj.br\/~eogasawara\/?p=1587"},"modified":"2026-03-15T13:44:18","modified_gmt":"2026-03-15T16:44:18","slug":"data-mining","status":"publish","type":"page","link":"https:\/\/eic.cefet-rj.br\/~eogasawara\/data-mining\/","title":{"rendered":"Minera\u00e7\u00e3o de Dados"},"content":{"rendered":"

Ementa<\/strong><\/p>\n

Minera\u00e7\u00e3o de Dados. Processo de Descoberta de Conhecimento em Bases de Dados (KDD). An\u00e1lise explorat\u00f3ria de dados. Pr\u00e9-processamento e qualidade de dados. Minera\u00e7\u00e3o de padr\u00f5es frequentes e sequenciais. T\u00e9cnicas de agrupamento. Modelagem preditiva por classifica\u00e7\u00e3o e regress\u00e3o. Arquiteturas anal\u00edticas para suporte \u00e0 minera\u00e7\u00e3o de dados, incluindo data warehouses, data lakes e OLAP. Aspectos \u00e9ticos, de privacidade e responsabilidade no uso de t\u00e9cnicas de minera\u00e7\u00e3o de dados..<\/p>\n

Objetivos<\/strong><\/p>\n

Fundamentar os conhecimentos indispens\u00e1veis \u00e0 extra\u00e7\u00e3o sistem\u00e1tica de conhecimento a partir de grandes volumes de dados, com foco no processo de Descoberta de Conhecimento em Bases de Dados. Para isso, \u00e9 realizado um estudo detalhado das etapas do KDD, desde a compreens\u00e3o do dom\u00ednio e o pr\u00e9-processamento dos dados at\u00e9 a aplica\u00e7\u00e3o, avalia\u00e7\u00e3o e interpreta\u00e7\u00e3o de modelos de minera\u00e7\u00e3o. O curso visa proporcionar um s\u00f3lido embasamento te\u00f3rico aliado \u00e0 pr\u00e1tica com ferramentas computacionais modernas, capacitando o aluno a selecionar, aplicar e analisar t\u00e9cnicas de minera\u00e7\u00e3o de dados em diferentes contextos, bem como a compreender limita\u00e7\u00f5es, impactos e implica\u00e7\u00f5es \u00e9ticas associadas ao uso dessas t\u00e9cnicas em cen\u00e1rios reais e multidisciplinares.<\/p>\n

 <\/p>\n

\n

 <\/p>\n

Slides<\/strong><\/p>\n

    \n
  1. Introdu\u00e7\u00e3o \u00e0 Minera\u00e7\u00e3o de Dados – Vis\u00e3o geral do curso e do papel da metodologia cient\u00edfica na minera\u00e7\u00e3o de dados. PDF<\/a><\/li>\n
  2. Fundamentos da Linguagem R – Fundamentos da linguagem R e ferramentas necess\u00e1rias para an\u00e1lises reprodut\u00edveis. PDF<\/a> | C\u00f3digo: examples\/02-R-Basics.md<\/a><\/li>\n
  3. Visualiza\u00e7\u00e3o de Dados – Princ\u00edpios e exemplos de visualiza\u00e7\u00e3o de dados para explorar padr\u00f5es iniciais. PDF<\/a> | C\u00f3digo: examples\/03-DataVisualization.md<\/a><\/li>\n
  4. An\u00e1lise Explorat\u00f3ria de Dados – Estrat\u00e9gias de an\u00e1lise explorat\u00f3ria para entender distribui\u00e7\u00f5es, correla\u00e7\u00f5es e outliers. PDF<\/a> | C\u00f3digo: examples\/04-ExploratoryAnalysis.md<\/a><\/li>\n
  5. Pr\u00e9-processamento de Dados Fundamentos – T\u00e9cnicas de limpeza, normaliza\u00e7\u00e3o e prepara\u00e7\u00e3o dos dados antes da modelagem. PDF<\/a> | C\u00f3digo: examples\/05-DataPreprocessing.md<\/a><\/li>\n
  6. Minera\u00e7\u00e3o de Padr\u00f5es – Descoberta de padr\u00f5es frequentes e regras de associa\u00e7\u00e3o em conjuntos de dados. PDF<\/a> | C\u00f3digo: examples\/06-PatternMining.md<\/a><\/li>\n
  7. Classifica\u00e7\u00e3o \u2013 Introdu\u00e7\u00e3o e Fundamentos – Modelos supervisionados para classifica\u00e7\u00e3o e avalia\u00e7\u00e3o de desempenho preditivo. PDF<\/a> | C\u00f3digo: examples\/07-Classification.md<\/a><\/li>\n
  8. Classifica\u00e7\u00e3o \u2013 Conceitos Avan\u00e7ados – Uma explora\u00e7\u00e3o abrangente dos conceitos fundamentais de classifica\u00e7\u00e3o em ci\u00eancia de dados e aprendizado de m\u00e1quina. PDF<\/a> | C\u00f3digo: examples\/08-Classification-Advanced.md<\/a><\/li>\n
  9. Regress\u00e3o – Fundamentos – Uma introdu\u00e7\u00e3o clara aos fundamentos da an\u00e1lise de regress\u00e3o, explorando os conceitos essenciais, tipos de modelos e aplica\u00e7\u00f5es pr\u00e1ticas na ci\u00eancia de dados. PDF<\/a> | C\u00f3digo: examples\/09-Regression.md<\/a><\/li>\n
  10. Clustering – Fundamentos – M\u00e9todos de agrupamento n\u00e3o supervisionado para encontrar estruturas naturais nos dados. PDF<\/a> | C\u00f3digo: examples\/10-Clustering.md<\/a><\/li>\n
  11. Outliers – Uma introdu\u00e7\u00e3o abrangente aos conceitos, tipos e desafios na detec\u00e7\u00e3o de anomalias em dados. PDF<\/a><\/li>\n
  12. Gest\u00e3o de Dados – Bem-vindo ao mundo da gest\u00e3o de dados empresariais, onde informa\u00e7\u00f5es estrat\u00e9gicas impulsionam decis\u00f5es inteligentes e transformam neg\u00f3cios. PDF<\/a><\/li>\n
  13. Deep Learning: Vis\u00e3o Geral – Deep Learning representa o aprendizado com redes neurais profundas, onde a caracter\u00edstica central \u00e9 o aprendizado autom\u00e1tico de representa\u00e7\u00f5es. PDF<\/a><\/li>\n<\/ol>\n

    DAL Toolbox (vis\u00e3o pr\u00e1tica)<\/strong><\/p>\n

      \n
    1. d01. DAL Toolbox – Vis\u00e3o pr\u00e1tica das ferramentas do DAL Toolbox. PDF<\/a> | C\u00f3digo: examples\/transf<\/a><\/li>\n
    2. d02. DAL Toolbox – Tutorial pr\u00e1tico do DAL Toolbox. PDF<\/a> | C\u00f3digo: examples\/tutorial<\/a><\/li>\n
    3. d03. DAL Toolbox – Casos de pr\u00e9-processamento com DAL Toolbox. PDF<\/a> | C\u00f3digo: examples\/transf<\/a><\/li>\n
    4. d04. DAL Toolbox – Classifica\u00e7\u00e3o. PDF<\/a> | C\u00f3digo: examples\/classification<\/a><\/li>\n
    5. d05. DAL Toolbox – Regress\u00e3o. PDF<\/a> | C\u00f3digo: examples\/regression<\/a><\/li>\n
    6. d06. DAL Toolbox – Clustering. PDF<\/a> | C\u00f3digo: examples\/clustering<\/a><\/li>\n
    7. d07. DAL Toolbox – Gr\u00e1ficos. PDF<\/a> | C\u00f3digo: examples\/graphics<\/a><\/li>\n
    8. d08. DAL Toolbox – Exemplos customizados. PDF<\/a> | C\u00f3digo: examples\/custom<\/a><\/li>\n<\/ol>\n

      Reposit\u00f3rio<\/strong><\/p>\n

      https:\/\/github.com\/eogasawara\/datamining<\/a><\/p>\n

       <\/p>\n

      \n

      Playlist<\/strong><\/p>\n