Extração de Conhecimento de Dados I

Código:

2MADSAD01

Sigla:

ECD I

Áreas Científicas
Classificação	Área Científica
OFICIAL	Tecnologia da Informação

Ocorrência: 2017/2018 - 1S

Ativa?	Sim
Página Web:	http://moodle.up.pt/course/view.php?id=480
Unidade Responsável:	Agrupamento Científico de Matemática e Sistemas de Informação
Curso/CE Responsável:	Mestrado em Modelação, Análise de Dados e Sistemas de Apoio à Decisão

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MADSAD	49	Plano Oficial de Bolonha	1	-	7,5	56	202,5

Língua de trabalho

Inglês

Objetivos

No final do semestre os alunos deverão conhecer os vários tipos de tarefas de extracção de conhecimento de dados (Data Mining), conhecer os principais métodos/algoritmos para cada tipo de tarefa, serem capazes de aplicar esses métodos a um novo problema de análise de dados, serem capazes de avaliar os resultados e compreender o funcionamento dos métodos estudados.

Resultados de aprendizagem e competências

Conhecimento de vários tipos de tarefas de extracção de conhecimento de dados (Data Mining), conhecimento de principais métodos/algoritmos para cada tipo de tarefa; capacidade de aplicar esses métodos a um novo problema de análise de dados e de avaliar os resultados e compreender o funcionamento dos métodos estudados.

Modo de trabalho

Presencial

Programa

- Aprendizagem automática, data mining - Desde o OLTP ao OLAP. Bases de dados multidimensionais. - Conhecimento: Representação de conhecimento. Generalização e especialização. - Dados: Exemplos e instâncias de conceitos. Atributos e valores. Ruído e sinal. Representações multi-relacionais. Tipos de atributos. Formatos de dados para sistemas de data mining. Análise exploratória dos dados. - Métodos baseados em distâncias: o algoritmo do k-NN, propriedades. - Métodos Probabilisticos: classificadores Bayesianos. - Métodos baseados em Procura: arvores de decisão e regras de decisão. O algoritmo de cobertura. - Avaliação de modelos de classificação. Custos. Sobre-ajustamento. - Pre-processamento: valores desconhecidos, outliers. - Tópicos avançados em classificação. - Regressão. Avaliação de modelos de regressão. Séries temporais. - Padrões frequentes, regras de associação. - Análise de agrupamentos. - Métodos de Combinação de modelos. Métodos de votação, métodos baseados em amostragem, Combinação hierarquica de modelos. Ferramentas de data mining. - Metodologias de projectos de data mining (CRISP-DM)

Bibliografia Obrigatória

J. Gama, A. Carvalho, K. Faceli, A. Lorena, M. Oliveira; Extração de Conhecimento de Dados, Silabo, 2012. ISBN: 978-972-618-698-4
Jiawei Han; Data Mining: Concepts and Techniques, Moegan Kaufman, 2006
Tom M. Mitchell; Machine learning, McGraw Hill, 1997
an Witten, Eibe Frank; Data Mining: practical machine learning tools and Techniques with java implementations, Morgan Kaufmann, 2000
David Hand, Heikki Mannila; Padhraic Smyth;Principles of Data Mining, MIT Press, 2001

Métodos de ensino e atividades de aprendizagem

Aulas teórico-praticas

Software

Weka -> http://www.cs.waikato.ac.nz/ml/weka/
R -> http://www.r-project.org/
Knime

Palavras Chave

Ciências Tecnológicas > Tecnologia > Tecnologia da informação
Ciências Físicas > Ciência de computadores > Cibernética > Inteligência artificial

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	50,00
Participação presencial	0,00
Trabalho escrito	50,00
Total:	100,00

Fórmula de cálculo da classificação final

Exame: 50% Trabalhos: 50% - a nota dos trabalhos é a média dos trabalhos realizados - um trabalho não entregue conta como 0 - o exame tem nota mínima de 6,5 - os trabalhos têm nota mínima de 6,5