PERGUNTAS BIG DATA

Prévia do material em texto

PERGUNTAS
Qual é o principal objetivo da mineração de dados?
Coletar e armazenar grandes volumes de dados.
Criar visualizações gráficas complexas dos dados.
Identificar padrões e tendências nos dados.
Realizar análises estatísticas em dados estruturados.
Desenvolver algoritmos de aprendizado de máquina.
Resposta Correta:
A mineração de dados tem como objetivo principal identificar padrões, tendências, relações e insights valiosos nos conjuntos de dados. Essa análise permite descobrir informações ocultas e úteis para a tomada de decisões.
Qual é o processo inicial na mineração de dados?
Limpeza e preparação dos dados.
Definição dos objetivos do projeto.
Implementação de modelos preditivos.
Exploração visual dos dados.
Implementação de algoritmos de mineração de dados.
Resposta Correta:
O processo inicial na mineração de dados envolve a definição clara dos objetivos do projeto. Isso envolve entender quais são as questões a serem respondidas, os problemas a serem resolvidos e os resultados desejados. Essa etapa é essencial para orientar todas as fases subsequentes do processo de mineração de dados, são elas: Coleta de dados, Limpeza e pré-processamento dos dados, Exploração dos dados, Transformação dos dados, Escolha dos algoritmos de mineração, Aplicação dos algoritmos de mineração, Avaliação dos resultados, visualização de dados e Implementação e uso dos resultados.
Questão 03
Com base no texto fornecido sobre mineração de dados, selecione as opções que descrevem corretamente essa técnica:
O que significa o termo mineração de dados?
'Mineração de dados' é um nome impróprio porque o objetivo da mineração de dados não é extrair ou minerar os dados em si. Em vez disso, uma grande quantidade de dados já está presente e a mineração de dados extrai significado ou conhecimento valioso deles. O processo típico de coleta, armazenamento, análise e mineração de dados é descrito abaixo.
1. A coleta de dados está capturando dados de diferentes fontes, como feedback do cliente, pagamentos e pedidos de compra.
2. Data warehousing é o processo de armazenar esses dados em um grande banco de dados ou data warehouse.
3. A análise de dados está processando, armazenando e analisando os dados usando software e algoritmos complexos.
4. A mineração de dados é um ramo da análise de dados ou uma estratégia de análise usada para encontrar padrões ocultos ou anteriormente desconhecidos nos dados.
Fonte: AWS. O que é mineração de dados?. Disponível em https://aws.amazon.com/pt/what-is/data-mining/#seo-faq-pairs#what-is-data-mining
É uma técnica para coletar dados em larga escala.
É um processo de análise de dados não estruturados.
É uma abordagem para encontrar relacionamentos ocultos em dados.
Envolve o armazenamento e gerenciamento de grandes volumes de dados.
Usa técnicas de visualizações de dados para encontrar padrões
Resposta Correta:
- É uma abordagem para encontrar relacionamentos ocultos em dados.
Mineração de dados é uma abordagem utilizada para encontrar relacionamentos ocultos em dados.
- Envolve o armazenamento e gerenciamento de grandes volumes de dados.
Embora não seja a definição principal da mineração de dados, ela pode envolver o armazenamento e gerenciamento de grandes volumes de dados (Big Data) para análise.
- Usa técnicas de visualizações de dados para encontrar padrões
As técnicas de visualização de dados são muito usada sna mineração de dados para facilitar a compreensão e a interpretação dos resultados.
Questão 04
Considerando o texto apresentado, avalie as afirmações a seguir.
Quais são as técnicas de mineração de dados?
As técnicas de mineração de dados se baseiam em vários campos de aprendizado que se sobrepõem, incluindo análise estatística, machine learning (ML) e matemática. Alguns exemplos são dados abaixo.
· Mineração de regras de associação: A mineração de regras de associação é o processo de encontrar relacionamentos entre dois conjuntos de dados diferentes e aparentemente não relacionados. As instruções if-then demonstram a probabilidade de uma relação entre dois pontos de dados. Os cientistas de dados medem a precisão dos resultados usando critérios de suporte e confiança. O suporte mede a frequência com que os elementos relacionados aparecem no conjunto de dados, enquanto a confiança mostra o número de vezes que uma instrução if-then é precisa.Por exemplo, quando os clientes compram um item, eles também costumam comprar um segundo item relacionado. Os varejistas podem usar a mineração de associação em dados de compras anteriores para identificar o interesse de um novo cliente. Eles usam resultados de mineração de dados para preencher as seções recomendadas de lojas online.
· Classificação: A classificação é uma técnica complexa de mineração de dados que treina o algoritmo de ML para classificar dados em categorias distintas. Ela usa métodos estatísticos como árvores de decisão e vizinho mais próximo para identificar a categoria. Em todos esses métodos, o algoritmo é pré-programado com classificações de dados conhecidas para adivinhar o tipo de um novo elemento de dados.Por exemplo, os analistas podem treinar o software de mineração de dados usando imagens rotuladas de maçãs e mangas. Com alguma precisão, o software pode prever se uma nova imagem é uma maçã, manga ou outra fruta.
· Agrupamento em clusters: O agrupamento em clusters se trata de agrupar vários pontos de dados com base em suas semelhanças. É diferente da classificação porque não consegue distinguir os dados por categoria específica, mas pode encontrar padrões em suas semelhanças. O resultado da mineração de dados é um conjunto de clusters em que cada coleção é distinta de outros grupos, mas os objetos em cada cluster são semelhantes de alguma forma.Por exemplo, a análise de cluster pode ajudar na pesquisa de mercado ao trabalhar com dados multivariados de pesquisas. Os pesquisadores de mercado usam a análise de cluster para dividir os consumidores em segmentos de mercado e entender melhor as relações entre os diferentes grupos.
· Análise de sequência e caminho: O software de mineração de dados também pode procurar padrões nos quais um determinado conjunto de eventos ou valores leva a outros posteriores. Ele pode reconhecer alguma variação nos dados que ocorre em intervalos regulares ou no fluxo e refluxo de pontos de dados ao longo do tempo. Por exemplo, uma empresa pode usar a análise de caminho para descobrir que as vendas de determinados produtos aumentam pouco antes dos feriados ou para perceber que o clima mais quente traz mais pessoas ao site.
Falar em Big Data consiste em Ciência dos Dados. O que podemos afirmar já, é que, dado o seu escopo, trata-se de uma das áreas mais promissora da TI.
Por enquanto e, como resumo, podemos dizer que uma empresa que adota Big Data tem a capacidade de "injetar" insumos diferenciais aos seus processos de negócio que poderão lhe ajudar a traçar o caminho da inteligência na criação de produtos e serviços mais completos, se adaptando de forma mais rápida à constante mudança dos interesses das pessoas.