Extracção de Conhecimento
Áreas Científicas |
Classificação |
Área Científica |
OFICIAL |
Inteligência Artificial |
Ocorrência: 2008/2009 - 1S
Ciclos de Estudo/Cursos
Língua de trabalho
Português
Objetivos
O objectivo da disciplina é o de dotar os alunos de conhecimentos que os tornem capazes de utilizar técnicas de análise automática de grandes quantidades de dados.
Programa
Introdução à disciplina de extracção de conhecimento: O que se entende por pesquisa de informação (Data Mining).
Metodologia CRISP para desenvolvimento de projectos de extracção de conhecimento
Preparação de Dados: Limpeza de dados; Normalização, Redução e Discretização de dados.
Regras de associação: Definição do problema de pesquisa de regras de associação. Medidas de qualidade das regras de associação Alguns algoritmos de pesquisa de regras de associação.
Clustering: Técnicas de clustering. Algoritmos de clustering de partição (K-means, K-medoids) e Algoritmos de clustering hierárquicos. Outros algoritmos: BIRCH, CURE, DBSCAN.
Web Mining: Conceitos de data mining na Web; Pesquisa de informação na Web; Pesquisa de Padrões de utilização na Web; Pesquisa e análise da estrutura da Web.
Classificação: Técnicas de classificação para análise de grandes quantidades de dados; Árvores de decisão; Árvores de classificação e de Regressão (CART); Princípios de prunning; Classificação Bayesiana.
Data Mining relacional usando Indução de Programas em Lógica.
Visualização de Dados: Técnicas de visualização para identificação de padrões ou excepções em grandes quantidades de dados.
PKDD: Parallel Knowledge Discovery in Databases - Técnicas de processamento paralelo para extracção de padrões em grandes quantidades de dados.
Aplicações KDD.
Bibliografia Obrigatória
Han, Jiawei;
Data mining. ISBN: 1-55860-489-8
Métodos de ensino e atividades de aprendizagem
Aulas teóricas: Exposição dos conceitos referidos.
Tipo de avaliação
Avaliação distribuída com exame final
Obtenção de frequência
Nota média da componente distribuída (trabalho e apresentação de artigo) igual ou superior a 6 valores.
Fórmula de cálculo da classificação final
0.35* Nota do trabalho + 0.15* Apresentação de artigo + 0.5 * Nota do exame
Provas e trabalhos especiais
O trabalho será elaborado em grupo e consiste na análise de um conjunto de dados e preparação de um relatório que apresente o método de análise e os resultados obtidos. Será necessária a apresentação de um relatório de progresso.
O trabalho vale 35% da nota final, sendo 5% relativos ao relatório de progresso e 30% relativos ao relatório final.
Apresentação de artigo consiste na apresentação Oral de um Artigo Cientifico relacionado com a matéria leccionada. O artigo deverá ser seleccionado de um conjunto de artigos propostos pelos docentes. Alternativamente, os alunos poderão propor um artigo para ser apresentado tendo o artigo ser atempadamente aprovado pelos docentes.
Avaliação especial (TE, DA, ...)
Os alunos com estatuto que isenta da frequência das aulas práticas têm que realizar o trabalho prático e a apresentação do artigo.
Melhoria de classificação
A melhoria da avaliação distribuída só pode ser feita no ano seguinte.