Mineração de Dados_ Vantagens, Algoritmos, Técnicas e Ferramentas

Prévia do material em texto

Material Complementar:
 
Mineração de Dados: Vantagens, 
Algoritmos, Técnicas e Ferramentas 
Mineração de Dados: Vantagens, Algoritmos, Técnicas e Ferramentas Mineração de Dados: Vantagens, Algoritmos, Técnicas e Ferramentas 
Vantagens da Mineração de Dados Vantagens da Mineração de Dados 
Vantagens da 
mineração de dados Descrição 
Identificação de padrões 
A mineração de dados pode ajudar a identificar padrões e 
tendências nos dados que podem ser difíceis de detectar usando 
métodos tradicionais de análise de dados 
Descoberta de 
insights valiosos 
A mineração de dados pode ajudar a descobrir insights valiosos 
que podem ajudar as organizações a melhorarem sua eficiência, 
produtividade e tomada de decisões 
Previsão de 
comportamentos futuros 
A mineração de dados pode ajudar a prever comportamentos 
futuros com base em padrões históricos, permitindo que as 
organizações tomem medidas preventivas ou corretivas 
Identificação de fraudes 
A mineração de dados pode ajudar a identificar padrões suspeitos 
que possam indicar atividades fraudulentas, ajudando a prevenir 
fraudes e a aumentar a segurança financeira 
Melhoria do marketing 
e vendas 
A mineração de dados pode ajudar a identificar padrões 
de compra dos clientes, permitindo que as organizações 
desenvolvam campanhas de marketing mais eficazes e 
personalizadas para os clientes 
Melhoria da tomada 
de decisões
A mineração de dados pode ajudar a fornecer insights valiosos 
para apoiar a tomada de decisões em áreas como por exemplo 
finanças, educação, saúde, segurança, transporte, políticas 
públicas, entre outras para entregar valor para a sociedade
Identificação de 
oportunidades de negócios
A mineração de dados pode ajudar a identificar novas oportunidades 
de negócios com base em padrões e tendências nos dados
Redução de custos
A mineração de dados pode ajudar as organizações a reduzirem 
custos ao identificar ineficiências e áreas de desperdício
Existem muitos algoritmos e técnicas disponíveis para a mineração de dados, aqui 
estão alguns exemplos:
Algoritmos de Aprendizado de Máquina Algoritmos de Aprendizado de Máquina 
Árvores de decisão 
Regressão linear e logística 
Redes neurais 
Máquinas de vetores de suporte (SVM) 
K-Means clustering 
Florestas aleatórias 
Aprendizado por reforço 
Redes Bayesianas. 
Análise de Redes Análise de Redes 
Análise de centralidade 
Clusterização de redes 
Detecção de comunidades 
Análise de fluxo de rede 
Modelagem de difusão de informações em redes sociais 
Análise de ocorrência de termos em texto. 
 
 Análise Estatística Análise Estatística 
Análise de regressão 
Análise de variância (ANOVA) 
Testes de hipóteses 
Análise discriminante 
Análise fatorial 
Análise de séries temporais. 
 
Exemplos de Ferramentas para Mineração de Dados Exemplos de Ferramentas para Mineração de Dados 
RapidMiner: é uma plataforma de análise preditiva que oferece uma interface gráfica 
para a construção de fluxos de trabalho de mineração de dados. Essa ferramenta 
oferece 3 produtos: 
• RapidMiner Studio: utilizado para desenhar os workflows que mapeiam 
todo o processo de mineração de dados, iniciando na etapa de carregamento 
dos dados até a etapa de visualização dos resultados; 
• RapidMiner Server: utilizado para gerenciar seus modelos, compartilhar 
com outros usuários; e 
• RapidMiner Radoop: utilizado para compilar e executar workflows 
armazenados no Hadoop. 
 
KNIME: é uma plataforma de código aberto que permite a integração de diversas 
ferramentas de mineração de dados, visando criar fluxos de trabalho personalizados. 
Weka: é uma coleção de algoritmos de aprendizado de máquina para mineração de 
dados, visualização e análise. É um projeto open source que busca disseminar técnicas 
de machine learning, visando disponibilizar a ferramenta para pesquisadores. 
Python: é uma linguagem de programação popular para análise de dados e 
aprendizado de máquina, com várias bibliotecas úteis, como por exemplo as 
bibliotecas Pandas, Matplotlib e Tkinter. 
R: é uma linguagem de programação popular para análise de dados, com uma 
ampla gama de pacotes para mineração de dados, como por exemplo os pacotes 
Dplyr, ggplot2, knitr, mlr3, xgboost e data.table. 
Orange: é uma plataforma de código aberto para análise de dados visuais que inclui 
ferramentas de mineração de dados; 
IBM Watson Studio: é uma plataforma de análise de dados que permite a criação 
de fluxos de trabalho de mineração de dados com uma interface gráfica. 
IBM SPSS Modeler: é uma ferramenta de mineração de dados que permite a criação 
de modelos preditivos com uma interface gráfica. É uma ferramenta que inclui várias 
técnicas de mineração de dados, como árvores de decisão, redes neurais, regressão 
e análise de associação. 
IBM Cognos Analytics: é uma plataforma de Business Intelligence que pode ser 
usada para análise de dados e mineração de dados, com ferramentas para criação 
de relatórios, análise visual e modelagem preditiva. 
IBM InfoSphere BigInsights: é uma plataforma que pode ser usada para armazenar 
e processar grandes conjuntos de dados. O BigInsights inclui várias ferramentas de 
análise de dados, como Hadoop, Spark e BigSQL; 
IBM Cloud Pak for Data: uma plataforma de dados e inteligência artificial que 
permite a preparação de dados, a análise e a construção de modelos preditivos, com 
ferramentas para ciência de dados, mineração de dados e governança de dados. 
Amazon S3: é um serviço de armazenamento de objetos que pode ser utilizado 
para armazenar grandes conjuntos de dados. 
Amazon EC2: é um serviço de computação em nuvem que permite a criação de 
instâncias de servidores virtuais, que possibilita executar algoritmos de mineração 
de dados em grandes conjuntos de dados. 
Amazon EMR: é um serviço gerenciado de clusters que permite a execução de 
algoritmos de processamento distribuído em grandes conjuntos de dados. 
Amazon Athena: é um serviço de consultas de dados interativo que permite a 
consulta de grandes conjuntos de dados armazenados no serviço Amazon S3 usando 
a linguagem SQL padrão; e 
Amazon Redshift: um serviço de Data Warehouse que pode ser usado para 
armazenar grandes conjuntos de dados e executar consultas complexas.