Descrição geral desta (classe de) disciplina, incluindo ementa, avaliação e material bibliográfico encontram-se em: www.di.ufpe.br/~compint/kdd.html

Informações Gerais

Horários:

• aulas: 4a 14:00-16:00 & 6a 12:00-14:00
• orientação seminários: 2a 12:00-13:00

Turma:

• Graduação:
•  
•  
•  
•  
• Pós-graduação:
• Ana Carla de Oliveira Santos
• Ivan Romero Teixeira
• Leonardo Feitosa de França
• Luiz Alberto Crispiano Garcia
• Orlando Campos de Pinho Junior
• Roberto Angelo Fernandes Santos

Calendário:

• 06/09-20/09: Introdução a descoberta de conhecimento em banco de dados
• 22/09-27/09: Banco de dados avançados
• 29/09-08/11: Aprendizagem de máquina
• 10/11-01/12: Ferramentas
• 06/12-01/01: Projetos

Aula 1: Apresentação da disciplina (06/09)

• Paulo e Chico
• Plano:
• Objetivo da disciplina
• Metodologia didática e de avaliação
• Ementa
• Material bibliográfica

Aula 2: Descoberta de conhecimento em banco de dados (08/09)

• Chico
• Leotura
• capítulos 1, 2 e 23 e apendice A do Fayyad
• capítulo 1 do Pyle
• Plano:
• O que é descobrimento de conhecimento em banco de dados?
• A plurisiciplinaridade de KDD
• O processo interativo, iterativo e exploratório de KDD
• Transparências: aula00_introducao_kdd. ps

Aula 3: Apresentação inicial dos Temas de Projeto (13/09)

• Paulo e Chico

Aula 4: Antes da mineração de dados: preparação e pre-processamento de dados (15/09)

• Chico
• Leitura: capítulos 2, 3 (seção 3.3) e 4 (seções 4.2 e 4.3) do Pyle, capitulos 2 e 7 do Witten & Franck
• Plano:
• Ontologia dos dados
• O processo de preparação de dados
• Caracterização dos dados
• Análise exploratória de dados
• Transparências: aula02_preparation.ps

Aula 5: Depois da mineração de dados: avaliação, interpretação e apresentação do conhecimento (20/09)

• Chico
• Plano:
• Avaliação da representatividade dos dados e dos resultados
• Feedback loop no processo de KDD
• Apresentação e disseminação do resultados da mineração
• Interpretação dos resultados
• Incorporação do conhecimento adquirido no componente de performance
• Transparências: aula03_interpretation.ps

Aula 6: Panorama das aplicações da descoberta de conhecimento em banco de dados (22/09)

• Paulo
• Plano:
• Tipologia do conhecimento adquerido por KDD
• Domínios de aplicações de KDD
• Estudos de casos
• Transparências:
• Applications.ps

Aula 7: OLAP (27/09)

• Jacques
• Plano:
• OLTP x OLAP: BD dimensionais, BD temporais, data warehouses e data marts
• BD x aplicações: BD ativos, BD orientado a objetos e BD API
• BD x base de conhecimento: BD dedutivas e DOOD
• BD x web: BD multimídia e criação de BD a partir de informação semi-estruturada
• BD x agentes: BD federadas, heterogeneidade e interoperabilidade
• Transparências: olap.ps

Aulas 8: Data Warehouse (29/09)

• Decio
• Plano:
•  
• Transparências:

Aulas 09: Tarefas, técnicas e aplicações de aprendizagem (04/10)

• Chico
• Ficha de leitura:
• Capítulo 1 do Mitchell
• Capítulos 3 e 4 do Witten & Frank
• pp. 525-531 do Russell & Norvig
• Plano:
• Dimensões de tarefas e técnicas de aprendizagem
• Técnicas e paradigmas de aprendizagem
• K vizinhos mais próximos
• Regressão estatística localmente ponderada
• Raciocínio baseado em casos
• Classificador bayesiano ingênuo
• Perceptrões multi-camada
• Memórias associativas
• Algoritmos genéticos
• Transparências: Aula04_learning.ps

Aulas 10: Decisão Bayesiana (06/10)

• Paulo
• Ficha de leitura:
•  
•  
• Plano:
•  
• Transparências:

Aulas 11: k-vizinhos mais próximos e janela de Parzen (11/10)

• Paulo
• Ficha de leitura:
•  
•  
• Plano:
•  
• Transparências:

Aula 12: Redes bayesianas (13/10)

• Paulo
• Ficha de leitura:
• Seções 15.1-15.5 e 19.6 do Russell & Norvig
• Capítulo 6 do Mitchell
• Plano:
• Teorema de Bayes
• Hipóteses MAP e ML
• Princípio de descrição mínima
• Raciocínio com redes bayesianas
• Treinar redes bayesianas

Aulas 13: Perceptron Multi-Camadas (MLP) (18/10)

• Germano
• Ficha de leitura:
•  
•  
• Plano:
•  
• Transparências:

Aulas 14: Fuzzy (20/10)

• Patricia Ramos
• Ficha de leitura:
•  
•  
• Plano:
•  
• Transparências:

Aulas 15: Algoritmos Genéticos (25/10)

• Hendrick Macedo
• Ficha de leitura:
•  
•  
• Plano:
•  
• Transparências:

Aulas 16: Kohonen (27/10)

• Paulo
• Ficha de leitura:
•  
•  
• Plano:
•  
• Transparências:

Aula 17: Classificação não supervisionada (03/11)

• Chico
• Ficha de leitura:
• Data clustering: a review
• Plano:
• Classificação não supervisionada
• Agrupamento numérico
• Agrupamento conceitual

• Transparências:  analise_de_agrupamentos.ps

Aula 18: Introdução a Abordagem Simbolica em Analise de Dados (08/11)

• Chico
• Ficha de leitura:
•  
• Plano:
•  

• Transparências:

Aula 18: Indução de árvores de decisão e regras proposicionais (10/11)

• Chico
• Ficha de leitura:
• Capítulo 18 do Russell & Norvig
• Capítulos 2, 3 e seção 10.1-10.3 do Mitchell
• Plano:
• Induzir árvores de decisões
• Limitações expressivas e extensões das árvores de decisão
• Obter regras proposicionais a partir de árvores de decisão
• Induzir regras propocisionais iterativamente por cobertura sequencial de exemplos
• Induzir formulas gerais da lógica proposicional por eliminação de candidatos no espaço de hipótese:
• Transparências: ID3VS.ps

Aula 19: Aprendizagem de Regras Proposicionais de Classificação e Associação (17/11)

• Jacques
• Ficha de leitura:
• pp. 274-282 do Mitchell
• pp. 63-70, 97-111 e 170-188 do Witten & Frank
• Plano:
• Arvores de Decisão versus regras de Classificação
• Algoritmo de Cobertura
• Cirtérios
• Qualidade de uma regra
• Regras com exceção
• Geração de regras de associação

• Transparências:PropositionalRules.zip 

Aula 20: Prova (22/11)

Aula 21: Apresentações dos assuntos de projetos (24/11)

• Chico e Paulo
• Assunto propostos pelos professores:
•  
• Transparências:

Aula 22: Análise exploratória de dados com S+ (29/11)

• Seminário 1:

• Plano:
• ??
• Transparências:

Aula 23: Construir, treinar e executar redes bayesianas com BNPC (29/11)

• Seminário 5:
• Plano:

• ??

• Transparências:

Aula 24: Induzir árvores de decisão e regras proposicionais com Weka (01/11)

• Seminário 7:

• Ficha de leitura: capítulos 4.3, 4.4, 6.1, 6.2 do Witten & Frank

• Plano:
•  
• Transparências:

Aula 25: Minerar a Web com XSB, InterProlog e FLORA (01/12)

Ficha de leitura:

• The XSB system version 2.2: volume 1, the programmer's manual
• The XSB system: version 2.2: volume 2, the libraries and interfaces,
• InterProlog documentation
• Flora: the secret of object-oriented logic programming
• Plano:
•  

• Transparências:

Aula 26: Redes MLP com o Qnet-97(06/12)

• Seminário 5:

• Ficha de leitura:
•  

• Plano:
• ??
• Transparências:

Aula 27: Redes neurofuzzy com o NefClass (06/12)

• Seminário 5:

• Ficha de leitura:
•  

• Plano:
• ??
• Transparências:

Aula 28: Analise de Dados Simbolicos com o SODAS (13/12)

• Seminário 5:

• Ficha de leitura:
•  

• Plano:
• ??
• Transparências:

Aulas 28 a 32: Orientação dos projetos (15/12, 20/12, 22/12, 03/01, 05/01, 10/01)

Aula 33: Apresentação dos projetos (12/01)

Avaliação das fichas de leituras:

• Apenas uma página por capítulo de livro e/ou por artigo
• Relevância (i.e., completude dada a restrição de espaço) 4pts
• Corretude 2pts
• Clareza e organização 2pts
• Exemplos 2pts