Questões de Data Mining - 2016

Distribuição, Identificação, Organização e Otimização.

Previsão, Priorização, Classificação e Alocação.

Previsão, Identificação, Classificação e Otimização.

Mapeamento, Identificação, Classificação e Atribuição.

Planejamento, Redirecionamento, Classificação e
Otimização.

A fase de preparação para implementação de um projeto de
data mining consiste, entre outras tarefas, em coletar os dados
que serão garimpados, que devem estar exclusivamente em um
data warehouse interno da empresa.

As redes neurais são um recurso matemático/computacional
usado na aplicação de técnicas estatísticas nos processos de
data mining e consistem em utilizar uma massa de dados para
criar e organizar regras de classificação e decisão em formato
de diagrama de árvore, que vão classificar seu comportamento
ou estimar resultados futuros.

As aplicações de data mining utilizam diversas técnicas de
natureza estatística, como a análise de conglomerados (cluster
analysis), que tem como objetivo agrupar, em diferentes
conjuntos de dados, os elementos identificados como
semelhantes entre si, com base nas características analisadas.

As séries temporais correspondem a técnicas estatísticas
utilizadas no cálculo de previsão de um conjunto de
informações, analisando-se seus valores ao longo de
determinado período. Nesse caso, para se obter uma previsão
mais precisa, devem ser descartadas eventuais sazonalidades
no conjunto de informações.

Os processos de data mining e OLAP têm os mesmos
objetivos: trabalhar os dados existentes no data warehouse e
realizar inferências, buscando reconhecer correlações não
explícitas nos dados do data warehouse.

As ferramentas de ETL têm como objetivo efetuar extração,
transformação e carga de dados vindos de uma base
transacional para um data warehouse (DW). No processo de
extração, que é o mais demorado dos três, ocorre a limpeza dos
dados, a fim de garantir a qualidade do que será posteriormente
carregado na base do DW.

Os operadores de navegação drill-down (navegam entre as
hierarquias diminuindo o nível do detalhe, por exemplo:
município > estado) e roll-up (navegam entre as hierarquias
aumentando o nível do detalhe, por exemplo: estado >
município) são considerados básicos e estão implementados
em todas as ferramentas de OLAP.

As bases de dados criadas para atender ao data
warehouse (DW) são do modelo relacional (E/R), em que as
tabelas representam dados e relacionamentos e são altamente
normalizadas.

Nos processos de análise de inferência, representados pelo
data mining, ocorrem buscas de informação com base em
algoritmos que objetivam o reconhecimento de padrões
escondidos nos dados e não revelados por outras abordagens.

Em uma arquitetura de data warehouse (DW), os dados são
coletados das fontes operacionais na fase de extração,
trabalhados na fase de transformação (ou staging) e carregados
no DW na fase de carga. Quando necessário, um banco de
dados temporário, preparatório para a carga no DW, poderá ser
criado na fase de extração, com características relacionais.