disciplina:
Esta é disciplina com carga horária estimadas de 80 horas.
Introdução à mineração de dados. Análise estatística de dados. O processo de descoberta do conhecimento. Segmentação de sumarização de dados. Métodos de classificação supervisionada. Medidas de capacidade preditiva. Análise de associação. Análise de agrupamentos. Métodos de redução de dimensionalidade. Técnicas de seleção de atributos. Combinação de classificadores. Mineração com Restrições (Web Mining).
Apresentar as várias técnicas de mineração estatística de dados. Conteúdo programático Introdução à mineração de dados e descoberta de conhecimento Pré-processamento de dados e redução de dados Análise descritiva de dados Métodos de classificação supervisionada Análise de agrupamento Análise de associação Detecção de anomalias
-
Bibliografia Base CARVALHO, A. C. P. de L. F. et al. Inteligência artificial: uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC, 2011. CASTRO, L. N. de; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016. MORAIS, I. S. D. et al. Introdução a big data e internet das coisas (IoT). Porto Alegre: Grupo A, 2018.
-
Bibliografia Complementar HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The elements of statistical learning: data mining, inference, and prediction. Berlim: Springer-Verlag, 2001. THEODORIDIS, S.; KOUTROUMBAS, K. Pattern recognition. Cambridge: Academic Press, 2008.
Não possui.
A avaliação da disciplina é formativa* e somativa**. Os alunos devem entregar as resoluções de atividades e/ou exercícios no Ambiente Virtual de Aprendizagem semanalmente e realizar, ao final do período letivo, uma prova presencial aplicada nos polos da Univesp.
*A avaliação formativa ocorre quando há o acompanhamento dos alunos, passo a passo, nas atividades e trabalhos desenvolvidos, de modo a verificar suas facilidades e dificuldades no processo de aprendizagem e, se necessário, adequar alguns aspectos do curso de acordo com as necessidades identificadas.
**A avaliação somativa é geralmente aplicada no final de um curso ou período letivo. Esse tipo de avaliação busca quantificar o que o aluno aprendeu em relação aos objetivos de aprendizagem do curso. Ou seja, a avaliação somativa quer comprovar se a meta educacional proposta e definida foi alcançada pelo aluno.
data de início | semana | tema |
---|---|---|
25/09 | Semana 1 | Introdução à mineração de dados e descoberta de conhecimento |
02/10 | Semana 2 | Pré-processamento de dados e redução de dados |
09/10 | Semana 3 | Análise descritiva de dados |
16/10 | Semana 4 | Métodos de classificação supervisionada |
23/10 | Semana 5 | Análise de agrupamento |
30/10 | Semana 6 | Análise de associação |
06/11 | Semana 7 | Detecção de anomalias |
13/11 | Semana 8 | Revisão |
13/11 | Semana 9 | Orientações para realização da prova |
Introdução à Mineração de Dados: Conceitos Básicos, Algoritmos e Aplicações (Leia as páginas 22 a 44 do capítulo 1) | Leandro Nunes de Castro e Daniel Gomes Ferrari Texto-base - Introdução a Big Data e Internet das Coisas (IoT) (Leia as páginas 123 a 132) | Izabelly Soares de Morais e outros
O que é Big Data? | Fábio dos Reis, Bóson Treinamentos KDD e Data Mining: mais do que apenas conceitos | Luiz P. Favero, itforum Dados Abertos para um dia a dia melhor | Núcleo de Informação e Coordenação do Ponto BR (NIC.br) Data Mining and Machine Learning