Data Mining & Machine Learning

Não existem conhecimentos significativos específicos base recomendados para esta unidade curricular.

As aulas serão lecionadas em regime teórico-prático. Será utilizada a metodologia expositiva, apoiada na experimentação prática através da realização de exercícios de aplicação, alguns em papel e outros em computador. A experimentação prática mais importante será conseguida através de um projeto de Data Mining onde os alunos escolherão uma organização ou fenómeno real, que analisarão e usarão para aplicar conceitos, tarefas e técnicas apreendidas na teoria. As aulas decorrerão num regime presencial ou, se necessário, à distância, por aulas síncronas através de videoconferência.

Muitas organizações de vários setores de atividade implementam projetos de mineração de dados, que lhes permitem obter novo conhecimento, tais como, comportamentos padrão e tendências futuras, e assim, decidir mais proactivamente. Modelos mais robustos permitem analisar mais dados e mais complexos, com resultados mais rápidos e precisos e identificando mais facilmente oportunidades ou riscos. A unidade curricular apresenta estes dois conceitos, suas diferenças, complementaridades, motivações e domínios de aplicação. Pretende-se dotar os alunos de conhecimentos nestas duas áreas, designadamente a classificação, previsão, análise de tendências (séries temporais), agrupamento, sumarização (e visualização) ou associação. Pretende-se ainda exemplificar na prática um conjunto de técnicas, tais como árvores de decisão, regras de associação, regressões lineares, redes neuronais artificiais, conjuntos e lógica difusa ou redes de Bayes. Outro objetivo é desenvolver um projeto usando dados reais.

1. Introdução ao Data Mining e Machine Learning

2. Atividades preditivas (ou supervisionadas):

2.1 Classificação,
2.2 Previsão,
2.3 Análise de Tendências (Séries Temporais)

3. Atividades descritivas (ou não-supervisionadas):

3.1 Agrupamento,
3.2 Sumarização (e visualização),
3.3 Associação

4. Metodologia CRISP-DM

5. Principais Técnicas:

5.1 Árvores de Decisão,
5.2 Regras de Associação,
5.3 Regressão Linear,
5.4 Redes Neuronais Artificiais,
5.5 Conjuntos Difusos e Lógica Difusa,
5.6 Redes de Bayes

NAO

Camilo, C., & Silva, J. (2009). Mineração de dados. Goiânia: Universidade Federal de Goiás.
Chakrabarti, S., Cox, E., Frank, E., Güting, R., Han, J., Jiang, X., Neapolitan, R. (2008). Data Mining: Know It All.Burlinghton: Morgan
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-By-Step Data Mining
Delen, D.. (2014). Real-World Data Mining: FT Press.
Larose, D. (2005). Discovering Knowledge in Data. Hoboken: John Wiley & Sons, Inc.
Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2018). Foundations of machine learning. MIT press.
North, M. (2012). Data mining for the masses: A Global Text Project Book.
Santos, M., & Azevedo, C. (2005). Data Mining: Descoberta de Conhecimento em Bases de Dados. Lisboa: FCA.
Witten, I., & Frank, E. (2005). Data Mining: Practical machine learning tools and techniques. San Francisco: MorganKaufmann