Conhecimentos de Base Recomendados
Não estão definidas quaisquer precedências relativamente a outras disciplinas e nem são especificados conhecimentos base recomendados.
Métodos de Ensino
As aulas serão lecionadas em regime teórico-prático. Será utilizada a metodologia expositiva na apresentação dos conceitos da unidade curricular, apoiada na experimentação prática através da realização de exercícios de aplicação dos conceitos transmitidos, alguns em papel e outros em computador. A experimentação prática mais importante será conseguida através de um projeto de Descoberta de Conhecimento em Bases de Dados / Data Mining onde os alunos escolherão uma organização ou fenómeno real, que analisarão e usarão para aplicar conceitos, tarefas e técnicas apreendidas na teoria.
Resultados de Aprendizagem
Esta disciplina introduz os princípios dos sistemas baseados em conhecimento, bem como a teoria da descoberta de conhecimento em base de dados, apresentando os seus conceitos, fases, principais tarefas, técnicas e algoritmos envolvidos. A descoberta do conhecimento é uma área que se cruza com a área da inteligência artificial e que trata de descobrir relacionamentos e padrões em conjuntos de dados ou texto, com possíveis aplicações em problemas reais em áreas, tais como, marketing, financeira, produção, telecomunicações ou deteção de fraude
Programa
- Conceitos e definições
- Estrutura geral de um SBC
- Processo de desenvolvimento de um SBC
- Planeamento, representação do conhecimento e inferência
- Ferramentas de suporte à construção de um SBC
- Introdução ao Conhecimento em Bases de Dados
- Etapas do processo de Descoberta de Conhecimento em Base de Dados
-
Abordagens do Data Mining
-
Áreas relacionadas com Data Mining
- Abordagem do Data Mining
- Metodologia CRISP-DM
- Processo SEMMA
- Especificação PMML
- Indução de árvores de decisão
- Redes neuronais artificiais
- Algoritmos genéticos
- Indução de regras
- Conjuntos difusos
- Redes de Bayes
- Regressão
Docente(s) responsável(eis)
Estágio(s)
NAO
Bibliografia
- Berry, Michael J, & Linoff, Gordon. (1997). Data Mining Techniques: For Marketing, Sales, and Customer Support. New York, USA: John Wiley & Sons, Inc.
- Bigus, Joseph P. (1996). Data Mining with Neural Networks: Solving Business Problems from Application Development to Decision Support. Crawfordsville, Indiana, USA: McGraw-Hill, Inc.
- Chakrabarti, Soumen, Cox, Earl, Frank, Eibe, Güting, Ralf Hartmut, Han, Jiawei, Jiang, Xia, Neapolitan, Richard E. (2008). Data Mining: Know It All. Burlinghton, Massachusetts: Morgan Kaufmann Publishers.
- Fernandes, Anita Maria da Rocha. (2005). Inteligência Artificial: Noções Gerais. Brasil: Visual Books.
- Larose, Daniel T. (2005). Discovering Knowledge in Data: An Introduction to Data Mining. Hoboken, New Jersey: John Wiley & Sons, Inc.
- Santos, Manuel Filipe, & Azevedo, Carla Sousa. (2005). Data Mining: Descoberta de Conhecimento em Bases de Dados. Lisboa: FCA.
- Santos, Maribel Yasmina, & Ramos, Isabel. (2009). Business Intelligence: Tecnologias da informação na gestão de conhecimento (2ª ed.). Lisboa: FCA.
- North, Matthew. (2012). Data mining for the masses: A Global Text Project Book.
- Turban, Efraim, Aronson, Jay, & Liang, Ting-Peng. (2007). Decision Support Systems and Intelligent Systems (7th ed.). New Delhi, India: Prentice Hall. Pearson Education, Inc.
- Witten, Ian H, & Frank, Eibe. (2005). Data Mining: Practical machine learning tools and techniques (2nd ed.). San Francisco: Elsevier.