Universidade Estadual de Feira de Santana - Engenharia de Computação

 

EXA864 - Mineração de Dados (2018.1) 

Prof. Rodrigo Tripodi Calumby

 

Materiais da Aulas

[20/03] Apresentação da disciplina (slides)

[20/03] Computação, Dados e Inteligência (slides)

[27/03] Introdução: KDD, CRISP-DM e Data Mining (slides)

[03/04] Dados, Análise Descritiva (programaexercício)

[10/04] Similaridade e pré-processamento de dados.

[12/04] Técnicas de pré-processamento de dados.

(exercício extra 1)

[17/04] Aula prática (Laboratório MP53)

 

PROGRAMA 

Parte 1 - Introdução

- Introdução à KDD e Mineração de Dados

- Dados, pré-processamento e análise descritiva e exploratória

- Similaridade/distância de dados

Parte 2 – Algoritmos e Métodos

- Regressão

- Regras de Associação

- Classificação

- Agrupamento

- Avaliação de Eficácia

Parte 3 – Fusão e Características

- Ensemble

- Engenharia de características

Parte 4 - Tópicos Especiais

- Mineração de textos

- Mineração de dados multimídia

- Recuperação da Informação

- Sistemas de Recomendação

- Mineração de opiniões

Parte 5 - Tópicos Avançados

- Active Learning

- Big Data Analytics

- Visual Analytics

 

HABILIDADES E COMPETÊNCIAS 

Ao concluir a disciplina, o estudante deverá possuir as seguintes competências e habilidades:

- Ser capaz de identificar problemas cujas soluções possam ser construídas a partir da análise de dados;

- Realizar processos de preparação de dados para atividades de mineração;

- Conhecer as diferentes atividades de mineração de dados, os algoritmos aplicáveis em cada cenário, suas características de operação e limitações;

- Dominar os diferentes processos experimentais de avaliação de eficácia de métodos de mineração de dados;

- Possuir conhecimento amplo sobre as diversas aplicações da mineração de dados.

 

OBJETIVO GERAL 

Capacitar os alunos a resolverem problemas através da interpretação de cenários, modelando soluções através de técnicas e métodos de Mineração de Dados.

 

OBJETIVOS ESPECÍFICOS 

- Apresentar aos estudantes a grande área de Descoberta de Conhecimento em Bases de Dados;

- Capacitar os estudantes a realizar atividades de preparação de dados para mineração;

- Capacitar os estudantes a aplicar as técnicas de mineração de dados;

- Permitir que os estudantes tenham experiência prática no desenvolvimento de soluções de mineração de dados aplicadas a diferentes problemas da vida real;

- Permitir o desenvolvimento de conhecimento técnico-científico acerca da avaliação de eficácia de sistemas de mineração de dados;

- Apresentar uma visão geral de tópicos avançados relacionados à mineração de dados, processamento analítico/preditivo em larga escala e como estas tecnologias podem trazer contribuições decisivas ao processo de tomada de decisões.

 

METODOLOGIA 

- Aulas expositivas

- Atividades práticas em laboratórios

- Projetos práticos

- Seminários

 

AVALIAÇÃO 

- Avaliação 1: Projeto prático 1 (peso 3)

- Avaliação 2: Projeto prático 2 (peso 3)

- Avaliação 3: Seminário (peso 2)

- Avaliação 4: Prova escrita (peso 2)

 

CRONOGRAMA DAS ATIVIDADES 

[20/03/17 a 24/07/17] Aulas teóricas

[10/04, 26/04, 15/05, 24/05] Aulas práticas

[26/04/17] Início do projeto 1

[16/05/17] Entrega do projeto 1

[24/05/17] Início do projeto 2

[14/06/17] Entrega do projeto 2

[21/06/17 a 28/06/17] Seminários

[03/07/17] Prova

 

BIBLIOGRAFIA BÁSICA 

- I. H. Witten; E. Frank. Data Mining: practical machine learning tools and techniques 4th Edition. Morgan Kaufmann Publishers, 2017.

- J. Han; M. Kamber; and J. Pei. Data Mining: Concepts and Techniques, 3rd ed. Morgan Kaufmann Publishers, 2011.

- L. de Castro; D. Ferrari. Introdução à Mineração de Dados: Conceitos Básicos, Algoritmos e Aplicações. Saraiva, 2017.

 

BIBLIOGRAFIA COMPLEMENTAR

- C. C. Aggarwal. Data Mining: The Text Book. Springer. 2015.

- M. J. Zaki; and W. M. Jr. Data Mining and Analysis: Fundamental Concepts and Algorithms. Cambridge University Press. 2014.

- J. Leskovec; A. Rajaraman; J. D. Ullman. Mining of Massive Datasets. Cambridge University Press, 2014.