Baixe o app para aproveitar ainda mais
Prévia do material em texto
FACULDADE RUY BARBOSA BANCO DE DADOS Mineração de Dados Larissa de Oliveira Pinheiro Viliane de Souza Oliveira Wagner Nevony Salvador, novembro de 2012 BANCO DE DADOS Mineração de Dados Trabalho apresentado para avaliação do rendimento acadêmico na disciplina Banco de Dados do curso de Ciência da Computação, ministrada pelo professor Rodrigo Spínola. Larissa de Oliveira Pinheiro Viliane de Souza Oliveira Wagner Nevony Salvador, novembro de 2012 3 MINERAÇÃO DE DADOS Larissa de Oliveira Pinheiro1 Viliane de Souza Oliveira2 Wagner Nevony3 RESUMO A mineração de dados é uma das etapas pelo qual está inserido no conceito do processo de descoberta de conhecimento (KDD). O KDD é um processo computacional que permite extrair conhecimento de informações armazenadas em grandes bases de dados especializadas. Contudo, era necessário transformar essa quantidade de informação em conhecimento, para serem utilizadas em atividades comerciais ou científicas. Este artigo tem o objetivo de definir mineração de dados, abordar suas técnicas e tarefas e além de descrever como ela contribuiu para o processo de descoberta do conhecimento. Palavras-chaves: Mineração de Dados, KDD, Dados, Informação. ABSTRACT Data mining is one of the steps by which the concept is embedded in the process of knowledge discovery (KDD). KDD is a computational process that extracts knowledge from large data stored in specialized databases. However, this amount was necessary to transform information into knowledge to be used in commercial or scientific activities. This article aims to define data mining, and address their tasks and techniques and describe how it contributed to the process of knowledge discovery. Keywords: Data Mining, KDD, Data, Information. INTRODUÇÃO Atualmente, empresas de qualquer setor empresarial têm a necessidade de armazenar seus dados. Devido aos avanços tecnológicos, essa técnica tornou-se indispensável. A partir disso, a quantidade de dados armazenados se tornou problema, pois, onde armazenar tantos dados sem afetar o desempenho do sistema, a integridade destes e os custos elevados de hardware na tentativa de facilitar o armazenamento de grandes quantidades de dados. Assim surgiu o termo Mineração de Dados (Data Mining). 1 Acadêmico do Curso de bacharel em Ciência da Computação da Faculdade Ruy Barbosa. 2 Acadêmico do Curso de bacharel em Ciência da Computação da Faculdade Ruy Barbosa. 3 Acadêmico do Curso de bacharel em Ciência da Computação da Faculdade Ruy Barbosa. 4 Segundo Sferra e Corrêa (2003) Data Mining é uma tecnologia que emergiu da intersecção de três áreas: estatística clássica, inteligência artificial e aprendizado de máquina, sendo a primeira a mais antiga delas. A mineração de dados é das tecnologias mais promissoras da atualidade. Esse conceito se deu por conta da Descoberta de Conhecimentos em Base de Dados (KDD- Knowledge Discovery in Databases). O KDD são processos a fim de solucionar problemas da sobrecarga de dados (CAMILO; SILVA, 2009). De Acordo com Camilo e Silva (2009) existem algumas áreas que utilizaram a mineração de dados, são elas: Bancos: identificar padrões para auxiliar no gerenciamento de relacionamento com o cliente; Cartão de Crédito: identificar segmentos de mercado, identificar padrões de rotatividade; Cobrança: detecção de fraudes; Medicina: indicação de diagnósticos mais precisos; Segurança: na detecção de atividades terroristas e criminais; Auxílio em pesquisas biométricas; RH: identificação de competências em currículos; Um supermercado melhore a disposição de seus produtos nas prateleiras, através do padrão de consumo de seus clientes; Diante deste artigo serão abordados aspectos importantes relacionados à mineração de dados, são eles: definição, mineração de dados como campo multidisciplinar, descoberta de conhecimento em base de dados (KDD), tarefas, técnicas. DEFINIÇÃO DE MINERAÇÃO DE DADOS Por conta do desenvolvimento tecnológico, a facilidade de obter informações está cada vez mais acessíveis, assim organizações administram numerosas quantidades de dados decorrentes por pesquisas cientificas ou por causa da coleta de informações diárias. O problema decorrente disso, é que não há a transformação dessas quantidades de informações em conhecimento, que possam ser utilizados em atividades tanto comerciais quanto científica. Com isso surgiu o conceito de Data Mining (CÔRTES et. al, 2002). Para Amo (S/D), É um ramo da computação que teve início nos anos 80, quando os profissionais das empresas e organizações começaram a se preocupar com os grandes volumes de dados informáticos estocados e inutilizados dentro da empresa. Nesta época, Data Mining consistia essencialmente em extrair informação de gigantescas bases de dados 5 da maneira mais automatizada possível. Atualmente, Data Mining consiste, sobretudo na análise dos dados após a extração, buscando-se, por exemplo, levantar as necessidades reais e hipotéticas de cada cliente para realizar campanhas de marketing. Como citado acima, atualmente a mineração de dados consiste na manipulação de grandes quantidades de dados. Segundo Côrtes et. al (2002) é a exploração e a análise de dados, por meios automáticos ou semi-automáticos, em grandes quantidades de dados com o objetivo de descobrir regras e padrões interessantes. Muitos autores descreve a mineração de dados como KDD. Contudo, a relação da mineração de dados com o KDD é que a mineração faz parte da descoberta de conhecimento, pois possui técnicas para a busca do conhecimento. Segundo AMO (S/D) o KDD é um processo mais amplo possuindo várias etapas, na qual serão descrita ao decorrer do artigo. MINERAÇÃO DE DADOS COMO CAMPO MULTIDISCIPLINAR Por existir técnicas para a busca do conhecimento, a mineração de dados está presente em diversas áreas do conhecimento, por isso que ela engloba um campo multidisciplinar. Ela está inserida na área da estatística, inteligência artificial e banco de dados. Em relação à estatística, é comum visualizar a mineração de dados na avaliação e validação de resultados (SILVA, 2004). “Mineração de dados é a análise de grandes conjuntos de dados a fim de encontrar relacionamentos inesperados e de resumir os dados de uma forma que eles sejam tanto úteis quanto compreensíveis ao dono dos dados (CAMILO e SILVA, 2009)”. Na área da inteligência artificial ou aprendizado de máquina, a mineração de dados trabalha juntamente com o KDD, é a realização da descoberta de dados a partir de algoritmos computacionais a fim de desenvolver conjunto de padrões para certos dados (CAMILO e SILVA, 2009). No que diz respeito à área de banco de dados, a mineração de dados forma um campo multidisciplinar, pois junta todas as áreas (estatística, aprendizado de máquina) para extrair quantidades de informações nas grandes bases de dados (CAMILO e SILVA, 2009). 6 DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS (KNOWLEDGE DISCOVERY IN DATABASE - KDD Segundo Boente et. al (2007) a descoberta de conhecimento em bases de dados é um processo computacional que permite extrair conhecimento de informações armazenadas em grandes bases de dados especializadas, geralmente por assunto, como é o caso de Data Warehouses, Data Marts e Data Stores, por meio de uma ferramenta específica de KDD, auxiliando na busca da gestão do conhecimento estratégicoorganizacional. Ainda segundo Boente et. al (2007) a descoberta do conhecimento baseada em computador vem sendo realizada desde a década de 60. No entanto, as técnicas que se tornam possíveis foram ampliadas e aperfeiçoadas com o passar do tempo. Diante do processo de descoberta de conhecimento podemos dizer que ele deve obedecer a etapas para conseguir atingir seus objetivos, o que será observado ao decorrer deste trabalho. 1. Dados, Informação e Conhecimento Para Carvalho e Dias (2008) dado é um elemento puro, quantificável sobre um determinado evento. Dados são fatos, números, texto ou qualquer mídia que possa ser processada pelo computador. É importante frisar que o dado sozinho, não oferece qualquer tipo de embasamento para a compreensão de uma determinada situação. Já para Carvalho e Dias (2008) a informação é o dado analisado e contextualizado. Envolve a interpretação de um conjunto de dados, ou seja, a informação é constituída por padrões, associações ou relações que todos aqueles dados acumulados podem proporcionar. Ainda segundo Carvalho e Dias (2008) o conhecimento refere-se à habilidade de criar um novo modelo mental que descreva o objeto e indique as ações e decisões a serem tomadas. De modo geral, o dado é um fato cru, sob nenhum contexto específico. A informação são dados organizados com a devida contextualização e conhecimento é a informação organizada. Com os esclarecimentos acima citados do que vem a ser dados, informação e conhecimento, já podemos falar um pouco sobre gestão do conhecimento. 7 Segundo Rossatto (2002) a gestão do conhecimento é um processo estratégico contínuo e dinâmico que visa gerir o capital intangível da empresa e todos os pontos estratégicos a ele relacionados e estimular a conversão do conhecimento. Organizações saudáveis geram e usam o conhecimento. À medida que interagem com seus ambientes, elas absorvem informações, transformam-nas em conhecimento e agem com base numa combinação desse conhecimento com suas experiências, valores e regras internas (DAVENPORT E PRUSAK, 2003). Esse processo de transformação de informação em conhecimento é agilizado através do emprego de tecnologia da informação. O uso de ferramentas de KDD permite esse tipo de integração de maneira mais fácil e ágil, principalmente pelo fato de que a análise de grandes quantidades de dados pelo homem é inviável sem o auxílio de uma ferramenta computacional apropriada (GOLDSCHMIDT E PASSO, 2005). 2. Etapas da descoberta do conhecimento O KDD é um conjunto de funcionalidades contínuas que compartilham a descoberta do conhecimento a partir de bases de dados. É composta das seguintes etapas, como a seleção de dados, pré-processamento e limpeza, transformação, mineração de dados e interpretação. GSI - Grupo de Sistemas Inteligentes - Mineração de Dados Segundo GSI (1998), a descoberta de conhecimento em base de dados descreve as seguintes etapas para definição de problemas a serem resolvidos através do processo de KDD: 1. Seleção - Seleção ou segmento de dados apropriados para a análise de acordo com algum critério. Por exemplo, todas as pessoas que possuem um carro – desta maneira subconjuntos dos dados podem ser determinados. 8 2. Pré-Processamento - Eliminação de ruídos e erros, estabelecimento de procedimentos para verificação da falta de dados; estabelecimento de convenções para nomeação e outros passos demorados para a construção de uma base de dados consistente. 3. Transformação - Redução dos dados através da busca por atributos que representem várias características dos dados. 4. Mineração de Dados - Aplicação dos algoritmos para descoberta de padrões nos dados; envolve a seleção de métodos/técnicas e modelos que melhor se enquadram no cumprimento das metas estabelecidas. 5. Interpretação/Avaliação - Pode requerer a repetição de vários passos, mas normalmente é encarada como uma simples visualização dos dados. Os padrões identificados pelo sistema são interpretados em conhecimento, que pode então ser utilizado para suportar a tomada de decisão humana. 3. O processo de KDD 3.1 A Etapa de Pré-Processamento Segundo Boente et. al (2007) compreende as funções relacionadas à captação, à organização, ao tratamento e à preparação dos dados para a etapa de Mineração de Dados. É indispensável dizer que esta etapa representa fundamental importância no processo de descoberta de conhecimento em banco de dados. No pré-processamento podem ocorrer alguns métodos (seleção de dados, limpeza, codificação, enriquecimento, normalização de dados, construção de atributos e correção de prevalência). 3.2 A Etapa de Mineração de Dados Para Boente et. al (2007) é considerada a principal etapa do processo de KDD. É aqui onde ocorre a busca efetiva por novos conhecimentos a partir de dados conhecidos. A execução dessa etapa compreende a aplicação de algoritmos sobre os dados procurando abstrair o tão esperado conhecimento. A mineração de dados pode ocorrer por meio de diferentes métodos e cada um deles requer diferentes necessidades de pré-processamento. Esses métodos podem ser baseados em redes neurais, algoritmos genéticos, instâncias, métodos estatísticos, 9 métodos específicos, indução de árvore de decisão e lógica nebulosa (BOENTE et. al, 2007). 3.3 A Etapa do Pós-Processamento Esta etapa envolve a visualização, a análise e a interpretação do modelo de conhecimento gerado pela etapa de mineração de dados. Será nesta etapa que o especialista em KDD e o especialista de domínio da aplicação avaliam os resultados obtidos e definem novas alternativas de investigação dos dados (BOENTE et. al, 2007). 4. Aplicabilidade de Descoberta do Conhecimento em Banco de Dados Segundo Witten e Frank (2000 apud SILVA, 2004) visando uma exemplificação da aplicabilidade de KDD, são apresentados a seguir casos onde a descoberta de conhecimento em bancos de dados pode desempenhar tarefas relevantes: Submissões a empréstimos demandam do proponente o fornecimento de dados pessoais e financeiros relevantes. Estas informações são utilizadas pelas instituições financeiras como base para a decisão de efetuar ou não o empréstimo. Tal decisão é comumente tomada em dois estágios. Primeiro, os métodos estatísticos são utilizados para determinar situações bem definidas em relação à aceitação ou rejeição do pedido. Os casos remanescentes, ou seja, aqueles que estão no limite necessitam de análise humana. KDD pode ser aplicado neste problema da seguinte forma: suponha-se a disponibilidade de um banco de dados histórico sobre clientes da instituição, com aproximadamente 5000 cadastros contendo 20 diferentes atributos, tais como idade, tempo de serviço, vencimentos, bens, status atual de crédito etc. o tratamento dessas informações por métodos de KDD geraria automaticamente regras objetivas e claras sobre características fundamentais a bons e maus clientes, podendo estas regras serem aplicadas para aumentar a taxa de sucesso das operações de empréstimos. Diagnóstico é uma das principais aplicações de sistemas especialistas. A manutenção preventiva de dispositivos eletromecânicos pode evitar falhas que interrompam processos industriais. Técnicos regularmente inspecionam cada dispositivo, medindo vibrações e outros fenômenos 10 que indicam necessidade de manutenção. Instalações de indústrias químicas chegam a utilizar mais de mil diferentes dispositivos, que vão de pequenas bombas a grandes turbo-alternadores. A medição de vibrações e demais fenômenos é muito ruidosa, devido às limitações dos procedimentosde medição e registro. Estes dados, uma vez estudados por um especialista, conduzem a um diagnóstico. As limitações dos procedimentos técnicos, aliadas à subjetividade humana, oferecem uma margem de erro preocupante. Por outro lado, um universo de 600 falhas, cada uma devidamente registrada com seus conjuntos de medições representando 20 anos de experiência, pode ser utilizado para determinar o tipo de falha através de procedimentos de KDD, aperfeiçoando assim o processo de busca e correção de problemas eletromecânicos. TAREFA E TÉCNICAS DE MINERAÇÃO DE DADOS Para melhor entendimento, temos que distinguir o que é tarefa e o que é uma técnica de mineração de dados. A tarefa sem dúvida consiste na especificação do que estamos querendo buscar nos dados. As principais tarefas são: classificação, estimativa, associação, segmentação e sumarização (COSTA, 2005). Na técnica de mineração de dados temos a especificação de métodos que consiste em garantir padrões que nos interessam. As principais técnicas utilizadas em mineração de dados, temos: memory based reasoning, algoritmo genético, regras de associação, árvores de decisão, redes neurais artificiais, modelo hibrido. 1 Tarefas de Mineração de dados As tarefas de mineração de dados, relacionadas abaixo estão resumidas para uma melhor compreensão. 1.1 Classificação Segundo Costa (2005), a tarefa de classificação constrói um modelo de algum tipo que possa ser aplicado aos dados não classificados procurando classificá-los em classes. Os objetos são classificados e examinados de acordo com a classe definida. Podemos dar exemplos de classificação, tais como: classificar pedidos de créditos como de: baixo, médio e alto risco, esclarecer pedidos de seguros fraudulentos, 11 identificar a melhor forma de tratamento que o paciente pode responder, baseado em classes de pacientes que respondem a um determinado tratamento médico. 1.2 Estimativa Para Costa (2005), a tarefa estimativa é usada para definir um valor para variável que continua desconhecida. A diferença da tarefa estimativa e da classificação é que a estimativa lida com resultados contínuos enquanto a classificação lida com resultados discretos. Assim, ela pode executar uma tarefa de classificação, com isso, todos os diferentes intervalos de valores contínuos correspondem a diferentes classes. Como exemplo de tarefa estimativa, temos: estimar o número de filhos em uma família, estimar o valor em tempo de vida de um cliente, estimar a probabilidade de que uma paciente morrerá com base nos resultados de um conjunto de diagnósticos médicos, prever a demanda de um consumidor para um determinado produto (COSTA, 2005). 1.3 Associação Segundo Costa (2005), na tarefa associação é possível determinar quais itens podem ser adquirido com uma mesma transação. Sendo assim, podendo determinar quais produtos costumam ser colocados juntos em carrinho de compra. Com isso, as grandes redes de supermercados usam a associação para planejar a disposição dos produtos nas prateleiras, para que os itens adquiridos em uma mesma compra ficam próximos entre si. 1.4 Segmentação ou Clustering Para Cortes (2002), nessa tarefa o conjunto de dados é subdividido em conjunto menor, sendo similar no comportamento dos atributos de segmentação. Através destes subconjuntos é possível determinar novos agrupamentos (clustering). Sendo assim, na segmentação não há classes predefinidas, ou seja, os registros são agrupados de acordo com a semelhança, o que diferencia da tarefa de classificação. Podemos dar exemplo de registros dos bilhetes aéreos de uma determinada companhia aérea por cidade, origem, sexo, classe e assento. Feito a segmentação podemos formar agrupamentos (clustering) por profissão, estado, frequência de viagens e faixa salarial para ter o perfil de seus passageiros (CORTES, 2002). 12 1.5 Sumarização Para Sferra (2003) a tarefa de sumarização é uma descrição compacta para um subconjunto. São exemplos as medidas de posição e variabilidade. As funções de sumarização são mais usadas análise exploratória de dados com geração automatizada de relatórios. 2 Técnicas de mineração de dados As técnicas apresentadas logo abaixo são de forma resumida. 2.1 Memory Based Reasoning (MRB) Segundo Cortes (2002), raciocínio baseado em memória (MRB) é a técnica que utiliza exemplos conhecidos como modelo previsões sobre exemplos não conhecidos, ou seja, o raciocínio baseados em casos tem base no método do vizinho mais próximo. Procurando vizinhos mais próximos nos exemplos conhecidos, ele procura combinar seus valores para atribuir valores de classificação e de previsão. Sua vantagem é a habilidade de aprender novas classificações introduzindo novos exemplos no banco de dados. Algumas das técnicas de raciocínio baseado em memória utilizam algoritmos como: Birch, Clarans. 2.2 Algoritmo Genético Na década de 60 John Holland inventou o algoritmo genético para abstrair e explicar o processo adaptativo de sistemas neurais, contudo projetou sistemas artificiais de software contendo importantes mecanismos (CORTES, 2002). Os algoritmos genéticos possibilitam a busca e otimização simulando os processos naturais de evolução, como a seleção natural e a genética. Os algoritmos usam estratégias de busca massiva e estruturada, mas trabalha não com uma solução para o problema e sim testando e modificando várias soluções em paralelo. Estes algoritmos são aleatórios, ou seja, efetuam caminhadas aleatórias direcionadas, explorando informações anteriormente apreendidas buscando novos pontos de busca (CORTES, 2002). A mineração de dados é usada para formular hipóteses sobre dependências entre variáveis. Esta técnica é apropriada nas tarefas de classificação e segmentação. 13 2.3 Regras de Associação Segundo Sferra (2003), as regras de associação determinam relações entre campos do banco de dados, ou seja, uma correlação que permita uma tomada de decisão. Assim podemos dizer que também é conhecida como análise de carrinho de supermercado. Tendo como objetivo encontrar todos os conjuntos de itens que freqüentemente ocorrem de forma conjunta. Para Berry & Linoff (1997), existe três tipos de regras produzidas por esta análise são: as regras úteis, as triviais. As triviais são conhecidas por qualquer pessoa que conheça o negócio, assim produzem conhecimento comum sobre o negócio. Esta regra trivial mede ações prévias, tais como campanhas de marketing. As regras úteis são de alta qualidade e informação para ação uma vez que o padrão é encontrado não é difícil de justificá-lo. Exemplo é que um determinado produto B é comprado junto com o produto A por estar localizado próximo. Esta regra também pode utilizar colocando um produto C entre os produtos A e B para que ele também seja consumido (CORTES, 2002). Para Cortes (2002) existem vários métodos e algoritmos que possibilitam encontrar regras de Associação nas grandes bases de dados, são os algoritmos: PARTITION, DIC, AIS, SETM, DHP, DLG, mas o mais comum deles é o APRIORI e suas variações, como o APIORIO TID e o APRIORI HYBRID. 2.4 Árvores de Decisão Segundo Cortes (2002) uma árvore de decisão é uma árvore onde cada nó não terminal representa uma decisão com o objetivo de separar as classes. A vantagem desta técnica é o modelo bem explicável. A partir de um numero de dados com várias colunas e linhas é possível com uma ferramenta de árvore de decisão escolher qual a coluna como objetivo de saída gerando o primeiro nó da árvore de decisão. CONCLUSÃO Com o avanço tecnológico, surgiuum grande volume de dados e tornou-se quase que impossível a sua manipulação. Então surgiu a necessidade de utilizar técnicas que possibilitassem esta manipulação. 14 A mineração de dados é uma grande ferramenta de apoio na gestão de informações dentro das empresas, pois ela torna menos complexa à manipulação grandes quantidades de dados e extrai de forma otimizada a informação contida nesses registros. Mesmo com todos os bons resultados da mineração de dados, ainda existem desafios a serem superados. E a todo o momento novos desafios surgem e é papel da mineração juntamente com o campo multidisciplinar e o processo KDD trazer soluções adequadas para esses problemas. 15 REFERÊNCIAS AMO, Sandra. Técnicas de Mineração de Dados. Disponível em: www.lsi.ufu.br/documentos/publicacoes/ano/2004/JAI-cap5.pdf Acessado em 24 de outubro de 2012. BERRY, Michael J. A.; LINOFF, Gordon. Data Mining techniques: for marketing, Sales and Customer Support. USA: Wiley Computer Publishing, 1997. Disponível em: http://ebookbrowse.com/wiley-data-mining-techniques-for-marketing-sales-and- customer-support-2004-2ed-pdf-d74911770, Acessado em 10/11/2012. CARVALHO, Daniel Dias de; DIAS, Maxwel Macedo. Descoberta de Conhecimento em Ambientes Virtuais de Aprendizagem: Um Estudo de Caso no LabSQL. 2008. Disponível em: http://pt.scribd.com/doc/58807938/55/O-PROCESSO-DE-KDD. Acesso em 18 de setembro de 2012. CORTÊS, Sérgio da Costa; PORCARO, Rosa Maria; LIFSCHITZ, Sérgio. Mineração de Dados- Funcionalidades, Técnicas e Abordagens. 2002. Disponível em: ftp://ftp.inf.puc-rio.br/pub/docs/techreports/02_10_cortes.pdf Acessado em 24 de outubro de 2012. COSTA, Marcelo Senos. Mineração de Dados Utilizando Redes Neurais. Disponível em: http://www.cin.ufpe.br/~tg/2006-2/tmas.pdf. Acessado em 29/10/2012. ROSSATTO, M.A. Gestão do Conhecimento: A Busca da Humanização, Transparência, Socialização e Valorização do Intangível. Rio de Janeiro: Interciência, 2002. DAVENPORT, T.H.; PRUSAK, L. Conhecimento Empresarial: Como as Organizações Gerenciam o seu Capital Intelectual. Rio de Janeiro: Elsevier, 2003. GOLDSCHIMIDT, R.R.; PASSO, E. Data Mining: Um Guia Prático. Rio de Janeiro: Campus, 2005. BOENTE, Alfredo Nazareno Pereira. Et al. Utilização de Ferramentas de KDD para Integração de Aprendizagem e Tecnologia em Busca da Gestão Estratégica do Conhecimento na Empresa. 2007. Disponível em: http://www.aedb.br/seget/artigos07/1219_Artigo%20SEGET%202007.pdf. Acesso em 20 de setembro de 2012. GSI, Grupo de Sistemas Inteligentes. O processo de mineração. 1998. Disponível em: http://www.din.uem.br/ia/mineracao/introducao/processo.html. Acesso em 18 de setembro de 2012. SILVA, Marcelino Pereira dos Santos. Mineração de Dados – Conceitos, Aplicações e Experimentos com Weka. 2004. Disponível em: www.lbd.dcc.ufmg.br:8080/colecoes/erirjes/2004/004.pdf.Acesso em 30 de setembro de 2012. 16 SFERRA, Heloisa Helena; CORRÊA, Ângela M. C. Jorge, Conceitos e Aplicações de Data Mining. Disponível em: http://www.unimep.br/phpg/editora/revistaspdf/rct22art02.pdf Acessado em 09 de outubro de 2012.
Compartilhar