SISTEMAS DE APOIO À DECISÃO E MINERAÇÃO DE DADOS

Prof. Paulo Adeodato

CIn-UFPE

Objetivo

Ao concluir a disciplina o aluno poderá dizer que tem experiência em mineração de dados.

A metodologia é escolher um problema real a ser atacado em equipe e realizar todos os passos necessários à sua resolução, seguindo o processo do CRISP-DM.

Bibliografia

Data Mining: Concepts and Techniques

Jiawei Han and Micheline Kamber. Morgan Kaufmann Publishers, 2001.

Data Mining

Ian H. Witten and Eibe Frank. Morgan Kaufmann Publishers, 2005.

Data Mining Cookbook: Modeling Data for Marketing, Risk and Customer Relationship Management

Olivia Parr Rud. John Wiley & Sons, 2001.

Cross-Industry Standard Process for Data Mining

http://www.crisp-dm.org/CRISPWP-0800.pdf

Sites Recomendados

www.dmreview.com (softwares, aplicações comerciais, problemas reais)

www.kdnuggets.com (conferências, softwares, repositórios de dados)

www.spss.com (softwares da SPSS, aplicações reais, eventos e apresentações de mineração de dados)

www.sas.com (softwares da SPSS, aplicações reais, eventos e apresentações de mineração de dados)

www.the-modeling-agency.com (Empresa de soluções e treinamento em aplicações reais)

Palestrantes convidados

Adrian L. Arnaud

Rodrigo C. L. V. Cunha

Ferramentas

MS-Excel

Weka : http://www.cs.waikato.ac.nz/~ml/weka/index.html

R: http://www.r-project.org/

Enterprise Miner: http://www.sas.com/ (em negociação com a SAS-Brasil)

Avaliação para Graduação e pós-graduação

Exercício sobre resolução de problemas: 10% da avaliação e Prova: 10% da avaliação

ou Seminário individual: 20% da avaliação

Projeto: 80% da avaliação = 3 x 15% dos relatórios + 35% de (apresentaÇão + Relatório final)

Temas das aulas:

• Apresentação da disciplina e Apresentação dos projetos para escolha
• O processo de descoberta de conhecimento em banco de dados
• A metodologia para desenvolvimento de soluções com mineração de dados CRISP-DM
• Demonstração do desenvolvimento e da solução de um sistema de apoio à decisão (NeuroTech)
• Aplicações práticas da descoberta de conhecimento em banco de dados e Escolha dos projetos (equipes de 2 ou 3 alunos)
• Erros típicos em projetos de KDD
• Princípios da aprendizagem baseada em dados
• OLAP: consultas analíticas em um data warehouse e Aula Prática com o Excel (Tabelas dinâmicas)

Entrega do 1^o relatório (problema analisado, dados e visão analisados)

• Modelagem dos problemas
• Tipologia dos dados de entrada
• Problemática geral da preparação de dados
• NeuroMiner: um sistema de mineração de dados híbrido conexionista e simbólico
• Orientação de projetos

Entrega do 2 ^o relatório (visão montada e dados transformados)

• Weka: ferramenta de modelagem
• Tanagra: ferramenta de modelagem
• Visão geral das técnicas de classificação, estimação e indução de regras
• Tipologia do conhecimento de saída
• Validação estatística do conhecimento minerado
• Orientação de projetos

Entrega do 3 ^o relatório (conhecimento extraído e desempenho avaliado)

• Revisão, correção e integração das partes

Entrega do relatório final (conjugação dos 3 relatórios anteriores corrigidos) e Apresentação de Projeto para toda a turma

Pré-requisitos:

• Fundamentos de Inteligência Artificial
• Estatística básica