PGCA008 Mineração de Dados

prof. Dr. Angelo C Loula &

prof. Dr. Rodrigo Tripodi Calumby

Aulas terça-feira 13h30 - 15h30 e quarta 15h30 - 17h30, sala S7 do LABOTEC 3 na UEFS

Mestrado em Computação Aplicada (UEFS) http://pgca.uefs.br/

TRABALHOS (veja descrição em materiais de aula)

Email para entrega dos relatórios para prof Angelo Loula: aulas+pgca(arroba)artificial.eng.br (você receberá aviso de recebimento do seu email, se não receber, envie novamente)

Todos os trabalhos serão individuais. Enviem os relatórios em formato PDF.

Revisão Bibliográfica, veja links para buscas de artigos científicos em Material de aula (acima)

Definição tema: 25/04 (envio por email)

Entrega do relatório por email: 07/05

Apresentação: 09/05 e 10/05

Apresentações de 15 minutos cada, todos alunos devem apresentar (elaborem apresentação em PDF ou tragam computador próprio)

09/05

> Felipe

> Diana

> Moab

> Lucas Carneiro

> Gessica

10/05

> Claudio

> Iago

> Marcondes

> Jorge

> Priscila

> Samara

> Bernardo

> Reuder

Exercício Computacional 1, Classificação

Entrega do relatório por email: dia 14/05, veja modelo SBC para o relário em Material de aula (acima)

Apresentação: dia 16/05 (alunos abaixo relacionados)

Apresentações: 10 minutos cada (elaborem apresentação em PDF ou tragam computador próprio)

> Jorge

> Moab

> Claudio

> Luis Bernardo

> Iago

Exercício Computacional 2, Agrupamento de Dados

Entrega do relatório por email: dia 00/00, veja modelo SBC para o relário em Material de aula (acima)

Apresentação: dia 00/00 (alunos abaixo relacionados)

Apresentações: 10 minutos cada (elaborem apresentação em PDF ou tragam computador próprio)

Projeto Final, Entrega do relatório por email: dia 11/08 - Apresentações: dia 15/08 e 16/08

Apresentações: 15min (elaborem apresentação em PDF ou tragam computador próprio).

Descrição aqui.

EMENTA

Introdução a mineração de dados. Tarefas: classificação, agrupamento, associação, predição, regressão, etc. Técnicas de mineração de dados.

Preparação e pré-processamento de dados. Mineração de textos. Validação de resultados. Domínios de aplicação.

OBJETIVOS

Geral:

• Ser capaz de resolver problemas através da interpretação de cenários, modelando soluções através de técnicas e

métodos de Mineração de Dados;

Específicos:

• Compreender e aplicar as técnicas de pré-processamento;

• Compreender e aplicar as técnicas de classificação, agrupamento, associação e predição;

• Compreender e aplicar as técnicas de avaliação de resultados;

METODOLOGIA

Aulas teóricas expositivas, leitura e discussão de artigos científicos, exercícios computacionais, revisão bibliográfica, projeto em mineração de dados.

CONTEÚDO PROGRAMÁTICO

1. Introdução à KDD e Mineração de Dados.

2. Dados

3. Pré-processamento

4. Classificação

5. Agrupamento

6. Regras de Associação

7. Avaliação de Resultados

8. Mineração de Textos

9. Aplicações: Sistemas de Recomendação, Mineração de Opiniões

CRONOGRAMA

ver portal academico

BIBLIOGRAFIA PRINCIPAL

Artigos científicos

Jiawei Han, Micheline Kamber and Jian Pei. Data Mining: Concepts and Techniques, 3rd ed. Morgan Kaufmann Publishers, July 2011.

Luis Paulo Vieira Braga. Introduçao a mineraçao de dados. 2.ed. rev. ampl. Rio de Janeiro, RJ: E-papers. 2005.

I.H. Witten, E. Frank. Data Mining: practical machine learning tools and techniques 2nd. Edition. Morgan Kaufmann Publishers. 2005.

BIBLIOGRAFIA COMPLEMENTAR

Rezende, Solange Oliveira. Sistemas Inteligentes - Fundamentos e Aplicações. 1ª Edição. Editora Manoele, 2003.

RUSSELL, Matthew A. Mining the social web. Sebastopol, CA: O''Reilly. 2011.

LINOFF, Gordon; BERRY, Michael J. A. Mining the Web: transforming customer data into customer value. New York: Wiley Computer Pub., c2001

FELDMAN, Ronen; SANGER, James. The text mining handbook: advanced approaches in analyzing unstructured data. New York, US: Cambridge University Press, 2008.

LIU, Bing. Web data mining: exploring hyperlinks, contents, and usage data. Berlin ;: Springer, c2007

Ronen Feldman, James Sanger. The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press, 2006