Universidade Federal do ABC Rua Santa Adélia, 166

Universidade Federal do ABC
Rua Santa Adélia, 166 - Bairro Bangu - Santo André - SP - Brasil
CEP 09.210-170 - Telefone/Fax: +55 11 4996-3166
1. CÓDIGO E NOME DA DISCIPLINA
MC5003 - MINERAÇÃO DE DADOS
2. DISCIPLINA REQUISITO (RECOMENDAÇÃO)
Interliência Artificial
3. INDICAÇÃO DE CONJUNTO(BCC)
Opção Limitada
4. CURSO
5. CRÉDITOS
BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO T P I: 3-1-4
6. QUADRIMESTRE IDEAL
7. NÍVEL
Graduação
8. Nº. MÁXIMO DE ALUNOS POR TURMA
TEORIA: 60
LABORATÓRIO: 30
9. OBJETIVOS
-
Assimilar conceitos de mineração de dados e descoberta de conhecimento em bases dados
Apresentar/experimentar técnicas de mineração de dados e descoberta de conhecimento de
bases de dados para a modelagem de problemas em áreas científicas e tecnológicas
10. COMPETÊNCIAS
Ao final da disciplina o aluno deverá ser capaz de aplicar os conceitos e técnicas de Mineração de
Dados, dando ênfase ao projeto e à construção de sistemas de relacionados à extração de
informações e conhecimento de bases de dados
11. PROGRAMA RESUMIDO (EMENTA)
Introdução. Preparação e pré-processamento dos dados. Modelagem: o processo de mineração de
dados. Pós-processamento do conhecimento adquirido. Ferramentas.
12. PROGRAMA
1. Introdução (4 h/a)
- Contextualização no processo de descoberta de conhecimento em banco de dados
- Aplicações práticas da descoberta de conhecimento
2. Seleção, preparação e pré-processamento dos dados (8 h/a)
- Caracterização e importância da preparação de dados
- Tarefas de pré-processamento de dados
3. Modelagem: o processo de mineração (16 h/a)
- Etapas da modelagem
- Principais algoritmos de mineração de dados
4. Pós-processamento do conhecimento adquirido (12 h/a)
- Validação do conhecimento
- Interpretação e uso do conhecimento
- Comparação de modelos
5. Algumas ferramentas (8 h/a)
- Progol: uma ferramenta de mineração de regras da 1a ordem
- Weka: uma caixa de ferramenta Java para associação, classificação, previsão e clustering
- DBMiner: um ambiente integrado para OLAM
13. MÉTODOS UTILIZADOS
Os conteúdos serão apresentados em aulas expositivas, com uso de recursos audiovisuais (slides)
e lousa para a resolução de exercícios. Em seguida, eles serão trabalhados em exercícios e
demonstrações de ferramentas, através da aplicação de cada técnica na resolução de um dado
problema. Os alunos desenvolverão um projeto computacional em grupo, que consistirá na
aplicação de técnicas de mineração de dados. Os alunos também apresentarão seminários sobre
novas técnicas, ferramentas ou aplicações inovadoras.
14. ATIVIDADES DISCENTES
Os alunos resolverão listas de exercícios, leitura de artigos e material bibliográfico complementar e
a experimentos com ferramentas de mineração de dados disponíveis na internet. Como trabalho
final da disciplina, os alunos desenvolveram um projeto computacional selecionando conjuntos de
dados para aplicação de técnicas de mineração de dados. Os alunos também apresentarão
seminário em grupo de até três alunossobre novas técnicas e tecnologias, ferramentas e
aplicações.
15. CARGA HORÁRIA
AULAS TEÓRICAS: 36 AULAS PRÁTICAS: 12
TOTAL:48hs
RECOMENDADO PARA DEDICAÇÃO INDIVIDUAL: 48
16. CRITÉRIOS DE AVALIAÇÃO DE APRENDIZAGEM
Média ponderada de prova, trabalho e seminário.
17. NORMAS DE RECUPERAÇÃO (CRITÉRIOS DE APROVAÇÃO E ÉPOCAS DE REALIZAÇÃO
DAS PROVAS OU TRABALHOS)
As notas serão dadas por conceito, conforme estabelecido pelas normas internas da UFABC.
Alunos que não atingiram um nível de aprendizado adequado, e sem reprovação por presença,
poderão fazer uma prova de exame para mais uma oportunidade de avaliação. A prova de exame
será realizada após as provas normais, no final do trimestre.
18. BIBLIOGRAFIA RECOMENDADA
BIBLIOGRAFIA BÁSICA:
1. Fayyad, U. M., Shapiro, G. P., Uthurusamy, R. Advances in Knowledge Discovery and Data
Mining
2. WITTEN, Ian H; FRANK, Eibe. Data mining: pratical machine learning tools and techniques. 2
ed. New York: Elsevier; Morgan Kaufmann, 2005. 524 p. ISBN 9780120884070.
3. GOLDSCHMIDT, Ronaldo; PASSOS, Emmanuel. Data mining: um guia prático. Rio de Janeiro:
Elsevier; Campus, 2005. ix, 253 p. ISBN 9788535218770.
BIBLIOGRAFIA COMPLEMENTAR:
4. Berger, James. Statistical Decision Theory and Bayesian AnalysisLehmann, E. L.; Romano,
Joseph P. Testing Statistical Hypotheses
5. Wasserman, L. All of Statistics: A Concise Course in Statistical InferenceAlpaydin, E.
Introduction to Machine Learning (Adaptive Computation and Machine Learning)
6. Hastie, Trevor; Tibshirani, Robert; Friedman, Jeromebert Tibshirani (Author), Jerome Friedman.
The Elements of Statistical Learning: Data Mining, Inference, and Prediction
7. Dunham, Margaret H. Data Mining: Introductory and Advanced
8. TopicsTan, Pang-Ning; Steinbach, Michael; Kumar, Vipin. Introduction to Data Mining
9. TAN, Pang-Ning; STEINBACH, Michael; KUMAR, Vipin. Introdução ao DATA MINING:
mineração de dados. Rio de Janeiro: Editora Ciência moderna, 2009. 900 p. ISBN
9788573937619.
19. PLANO SUGERIDO PARA AS AULAS (em semanas letivas)
1a. semana
Apresentação do curso
Introdução: o processo de descoberta de conhecimento em bases de dados
2a. semana
Classificação (K-vizinhos mais próximos)
Classificação (Árvore de decisão e naivebayes
3a. semana
Aula prática: introdução à ferramenta weka
Avaliação de modelos, curvas ROC
4a. semana
Aula prática: Classificação
Agrupamento
5a. semana
Aula prática: Agrupamento
Regras de associação
6a. semana
Padrões sequencias
Aula prática: regras de associação
7a. semana
Preparação de dados e pré-processamento
Aula prática de pré-processamento
8a. semana
Web Mining/Text Mining
PCA/Seleção de atributos
9a. semana
Aula prática: text mining/seleção de atributos
Avaliação escrita
10a. semana
Seminários
11a. semana
Seminários
12a. semana
Apresentação de projetos
20. PROFESSOR(A) RESPONSÁVEL
Ronaldo Cristiano Prati