Material da disciplina de Mineração de Dados.
Mineração de Dados. Processo de Descoberta de Conhecimento em Bases de Dados (KDD). Análise exploratória de dados. Pré-processamento e qualidade de dados. Mineração de padrões frequentes e sequenciais. Técnicas de agrupamento. Modelagem preditiva por classificação e regressão. Arquiteturas analíticas para suporte à mineração de dados, incluindo data warehouses, data lakes e OLAP. Aspectos éticos, de privacidade e responsabilidade no uso de técnicas de mineração de dados.
Fundamentar os conhecimentos indispensáveis à extração sistemática de conhecimento a partir de grandes volumes de dados, com foco no processo de Descoberta de Conhecimento em Bases de Dados. Para isso, é realizado um estudo detalhado das etapas do KDD, desde a compreensão do domínio e o pré-processamento dos dados até a aplicação, avaliação e interpretação de modelos de mineração.
O curso visa proporcionar um sólido embasamento teórico aliado à prática com ferramentas computacionais modernas, capacitando o aluno a selecionar, aplicar e analisar técnicas de mineração de dados em diferentes contextos, bem como a compreender limitações, impactos e implicações éticas associadas ao uso dessas técnicas em cenários reais e multidisciplinares.
- Introdução à Mineração de Dados - Visão geral do curso e do papel da metodologia científica na mineração de dados. PDF
- Fundamentos da Linguagem R - Fundamentos da linguagem R e ferramentas necessárias para análises reprodutíveis. PDF | Código
- Visualização de Dados - Princípios e exemplos de visualização de dados para explorar padrões iniciais. PDF | Código
- Análise Exploratória de Dados - Estratégias de análise exploratória para entender distribuições, correlações e outliers. PDF | Código
- Pré-processamento de Dados Fundamentos - Técnicas de limpeza, normalização e preparação dos dados antes da modelagem. PDF | Código
- Mineração de Padrões - Descoberta de padrões frequentes e regras de associação em conjuntos de dados. PDF | Código
- Classificação - Introdução e Fundamentos - Modelos supervisionados para classificação e avaliação de desempenho preditivo. PDF | Código
- Classificação - Conceitos Avançados - Uma exploração abrangente dos conceitos fundamentais de classificação em ciência de dados e aprendizado de máquina. PDF | Código
- Regressão - Fundamentos - Uma introdução clara aos fundamentos da análise de regressão, explorando os conceitos essenciais, tipos de modelos e aplicações práticas na ciência de dados. PDF | Código
- Clustering - Fundamentos - Métodos de agrupamento não supervisionado para encontrar estruturas naturais nos dados. PDF | Código
- Outliers - Uma introdução abrangente aos conceitos, tipos e desafios na detecção de anomalias em dados. PDF
- Gestão de Dados - Bem-vindo ao mundo da gestão de dados empresariais, onde informações estratégicas impulsionam decisões inteligentes e transformam negócios. PDF
- Deep Learning: Visão Geral - Deep Learning representa o aprendizado com redes neurais profundas, onde a característica central é o aprendizado automático de representações. PDF
- d01. DAL Toolbox - Visão prática das ferramentas do DAL Toolbox. PDF | Código
- d02. DAL Toolbox - Tutorial prático do DAL Toolbox. PDF | Código
- d03. DAL Toolbox - Casos de pré-processamento com DAL Toolbox. PDF | Código
- d04. DAL Toolbox - Classificação. PDF | Código
- d05. DAL Toolbox - Regressão. PDF | Código
- d06. DAL Toolbox - Clustering. PDF | Código
- d07. DAL Toolbox - Gráficos. PDF | Código
- d08. DAL Toolbox - Exemplos customizados. PDF | Código
https://github.com/eogasawara/datamining
Mineração de Dados - Fundamentos e Algoritmos
- HAN, Jiawei; KAMBER, Micheline; PEI, Jian. Data mining: concepts and techniques. 4. ed. Cambridge, MA: Morgan Kaufmann, 2022.
- JAMES, Gareth; WITTEN, Daniela; HASTIE, Trevor; TIBSHIRANI, Robert. An introduction to statistical learning: with applications in R. 2. ed. New York: Springer, 2021.
- Escovedo, T.; Koshiyama, A. Introdução a Data Science: Algoritmos de Machine Learning e métodos de análise. Casa do Código, 2020.
- BISHOP, C. M.; Bishop, H. Deep Learning: Foundations and Concepts. Springer Nature, 2023.
- BRAMER, M. Principles of Data Mining. Springer London, 2020.
- GARCIA, S.; LUENGO, J.; HERRERA, F. Data Preprocessing in Data Mining. Springer, 2014.
- GOLDSCHMIDT, R.; PASSOS, E.; BEZERRA, E. Data Mining. Elsevier Brasil, 2015.
Deixe bugs, dúvidas e sugestões em https://github.com/eogasawara/datamining/issues.