Laureate Brasil - Data Mining

Prévia do material em texto

Material do curso. 
A Ciência de Dados é uma fusão de várias disciplinas, incluindo Estatística, 
Ciência da Computação, Tecnologia da Informação e outros campos de estudo 
mais específicos, como o da Inteligência Artificial e da Gestão de Negócios. 
Como resultado, vários termos diferentes podem ser usados para referenciar um 
determinado conceito, e são várias as habilidades exigidas a um profissional de 
Ciência de Dados – o que torna essa área de atuação tão atrativa e, ao mesmo 
tempo, com vagas tão difíceis de preencher. A mineração de dados é uma das 
etapas da Ciência de Dados que está relacionada ao contexto do Big Data e que 
iremos conhecer melhor ao longo deste roteiro de estudos. 
Caro(a) estudante, ao ler este roteiro você vai: 
 compreender o contexto e a importância do Big Data; 
 adquirir os conceitos básicos de Data Mining; 
 aprender as etapas do processo de mineração e análise de dados; 
 descobrir tendências e métodos associados à área; e 
 conhecer as principais ferramentas associadas à prática de mineração de 
dados. 
Preparado(a) para este desafio? Então vamos lá! 
Introdução 
Novas profissões começaram a ganhar destaque com o aumento e a velocidade 
com que as informações são geradas, como o cientista de dados, o analista de 
BI – Business Intelligence – e o engenheiro de dados. Essas profissões foram 
surgindo de forma a acompanhar a evolução da internet e a forma como 
prestamos e recebemos produtos e serviços. Dentro disso, o que se tornou 
conhecido como Big Data está cada vez mais influente e fazendo sentido em 
nossas vidas, sendo que essas grandes inovações só foram possíveis pelo 
advento dos recursos de coleta de dados combinados à rápida melhoria das 
tecnologias da computação. 
Como exemplo dessa realidade, você pode localizar praticamente qualquer coisa 
usando um mecanismo de pesquisa como o Google. Mas como o Google 
funciona? Os buscadores não poderiam existir sem a capacidade de processar 
grandes quantidades de informação a uma velocidade extremamente rápida e 
um software eficiente. E o mesmo se dá com a área de comércio eletrônico, 
sendo a Amazon um clássico exemplo disso. 
As pessoas podem comprar ou vender praticamente todos os tipos de produtos 
e serviços diariamente em lojas virtuais como a Amazon. Frequentemente, os 
preços on-line são mais baixos do que nas lojas tradicionais e o leque de opções 
é maior. Outra grande vantagem das compras on-line é a possibilidade de 
fornecer análises de produtos e recomendações para compras futuras – 
comentários de outros compradores podem fornecer informações extremamente 
importantes que não estão disponíveis em uma descrição fornecida pelos 
fabricantes. E esse tipo de recomendação que você vê nas timelines de uma 
rede social ou uma indicação de série no Netflix são ativadas justamente por um 
recurso de Big Data. 
Isso é feito por meio do uso de programas altamente sofisticados que analisam 
dados de compras e/ou comportamento do usuário ao navegar em um site, 
identificando itens que tendem a ser comprados ou os assuntos mais buscados 
pelos mesmos consumidores. Mas como isso tudo se relaciona à mineração de 
dados e Big Data? Vamos entender essa relação. 
Um site como o da Amazon, para funcionar, precisa processar enormes 
quantidades de informação, algo que seria impensável há alguns anos atrás, 
uma vez que exige um servidor capaz de armazenar muitos gigas de dados e 
que consiga processar tudo isso de maneira rápida e eficiente, além de conseguir 
transmitir as informações por uma rede veloz. Tudo isso só é possível atualmente 
graças à rápida melhoria das tecnologias envolvidas. Voltando ao Big Data, além 
dos mecanismos de pesquisa e do comércio eletrônico, a análise de dados está 
causando um grande impacto em um número surpreendente de outras áreas que 
afetam nossa vida diária, como as mídias sociais, sites de leilão, área da saúde 
e da educação, decisões políticas, previsão do tempo, planejamento de viagens 
e finanças, entre outras. No primeiro capítulo, a seguir, vamos entender melhor 
como essas informações que temos disponíveis se relacionam com o processo 
de mineração de dados. 
Conceitos Básicos 
sobre Data Mining 
Para falar sobre Data Mining, é importante conceituar a área de Big Data. O Big 
Data refere-se a conjuntos de dados muito grandes que podem ser manipulados 
com uso de hardware tradicional. O Big Data também envolve uso 
de softwares de gerenciamento, como os sistemas gerenciadores de banco de 
dados (SGBDs), pacotes estatísticos, servidores e outros recursos. Dentro disso, 
nos últimos anos, os recursos de coleta de dados tiveram um crescimento 
explosivo, de modo que o armazenamento, a mineração e a análise dos dados 
resultantes se tornaram progressivamente mais desafiadores. Com isso, muitos 
campos foram afetados pela crescente disponibilidade de dados, incluindo 
finanças, marketing e comércio eletrônico. Além desses, o Big Data também 
revolucionou campos mais tradicionais, como Direito e Medicina (ANDERSON; 
SEMMELROTH, 2015). 
Para que as informações nas bases de dados possam ser aproveitadas, os 
dados são minerados em grande escala por mecanismos de pesquisa, como o 
Google, e sites de mídia social, como o Facebook. Sempre que falamos em Big 
Data e Ciência de Dados citamos “os cinco Vs”, fatores que distinguem o campo 
de Big Data de outros tipos de dados. Sobre os cinco “Vs”, Rosa (2018, p. 22) 
afirma que: 
A magnitude dos dados gerados, a rapidez com a qual os dados são 
gerados constantemente e a diversidade deles formam o que é 
chamado de três Vs: Volume, Velocidade e Variedade. Posteriormente, 
foram adicionados os conceitos de Veracidade e Valor, passando a 
formar os cincos V’s do Big Data. 
O esquema da Figura 1 ajuda a ilustrar essas diferentes dimensões e seus 
conceitos associados. 
 
Figura 1 - Analisando as cinco diferentes dimensões de Big Data 
Fonte: Rosa (2018, p. 23). 
Descrição da imagem: gráfico exibindo os “5 Vs” ao redor de Big Data, cada qual 
com suas características, sendo eles: Veracidade (relacionado à confiabilidade, 
autenticidade, origem / reputação, responsabilidade e disponibilidade); Valor 
(relacionado a eventos estatísticos, correlacionais e hipotéticos); Variedade 
(relacionado a dados estruturados, não estruturados, de origem multimídia ou 
probabilística); Volume (que se dá na ordem de terabytes e dados distribuídos 
em registros, transações, tabelas e arquivos); e, por fim, Velocidade (que diz 
respeito ao Batch, à coleta em tempo real ou quase real, aos processos e 
ao streaming de dados). 
Desse modo, temos que a mineração de dados é uma das principais etapas do 
processo da Ciência de Dados, que é uma forma de extrair conhecimento a partir 
de grandes conjuntos de dados. Diferentes técnicas são associadas à mineração 
de dados, podendo envolver inteligência artificial e aprendizado de máquina, e 
os procedimentos são sempre baseados em regras e padrões de análise 
científica, de modo a obter resultados precisos e confiáveis que possam ser 
aproveitados na tomada de decisões estratégicas, no gerenciamento de 
informações e no controle de processos (FRACALANZA, 2009). 
 
LIVRO 
Big Data 
Autor: Cezar Taurion 
Editora: Brasport 
Ano: 2019 
Comentário: A partir da leitura dos capítulos 1, 2 e 3, páginas 31 a 54 do livro 
indicado, você irá aprofundar suas noções sobre aplicações e importância da 
Era da Informação e do Big Data. Os capítulos iniciais do livro, disponível no 
sistema da Biblioteca Pearson da instituição, permite uma visão geral sobre 
aplicações e impactos do Big Data na atualidade, de modo a ampliar o 
entendimento do contexto que envolve o uso da mineração de dados. 
Disponível em: Biblioteca Pearson. 
Etapas do Processo de Data 
Mining 
O processo tradicional de análise de dados envolvia uma equipe de especialistas 
que, após realizar um processamento manual das informações disponíveis,gerava relatórios com o resultado das análises. Contudo, o aumento exponencial 
do volume nas bases de dados praticamente inviabilizou qualquer processo de 
análise manual, de modo que novas técnicas e ferramentas surgiram para suprir 
essa necessidade. 
Uma das primeiras soluções para esse processo foi o KDD – Knowledge 
Discovery in Databases ou Descoberta de Conhecimento nas Bases de Dados. 
O método KDD consiste em um processo de descoberta de conhecimento 
envolvendo o Data Mining (mineração de dados) como uma das etapas. Dentro 
disso, o KDD pode ser subdividido em fases que envolvem a seleção dos dados, 
o pré-processamento dos dados, a transformação dos dados, a mineração dos 
dados e, por fim, a etapa de avaliação, conforme indica a Figura 2 (CAMILO; 
SILVA, 2009). 
 
Figura 2 - As etapas de análise de dados pelo método KDD 
Fonte: Camilo e Silva (2009, p. 3). 
Descrição da imagem: gráfico ascendente que inicia em uma base de dados e 
depois passa por seleção para chegar aos dados escolhidos, depois pela etapa 
de pré-processamento (onde são obtidos os dados pré-processados), 
procedendo-se, em sequência, à transformação desses dados (que ficam como 
transformados), à mineração de dados (com identificação de padrões) e, por fim, 
à etapa de avaliação, que permite gerar conhecimento. 
Já em relação à etapa de mineração de dados em si, há diferentes processos e 
técnicas envolvidos. Um dos procedimentos adotados como padrão é o CRISP-
DM (Cross-Industry Standard Process of Data Mining, ou Processo Industrial 
Padrão de Mineração de Dados) que, de acordo com Camilo e Silva (2009, p. 3), 
“[...]apesar de ser composto por fases, tem um fluxo unidirecional [...]”, ou seja, 
que permite ir e voltar entre as fases. Esse ciclo envolve a fase de entendimento 
e pesquisa dos dados, que se alternam com a fase de implantação e a de 
preparação de dados, as quais, por sua vez, comunicam-se com as fases de 
avaliação e de modelagem. Para saber mais sobre a etapa de mineração de 
dados, leia o artigo indicado a seguir. 
ARTIGO 
Uso de Mineração de Dados e Inteligência Artificial para 
Classificar Opiniões nas Redes Sociais 
Autores: Matheus Ferreira Caetano, Renato Soares da Silva Gonçalez e 
Anderson Francisco Talon 
Ano: 2019 
Este artigo explora o conceito de mineração de dados e as etapas envolvidas 
nesse processo diante de uma aplicação prática – o uso da mineração de 
dados e da inteligência artificial para classificar dados minerados em redes 
sociais. 
 
A CESSA R 
Tarefas de Data Mining 
Reunir e armazenar grandes quantidades de dados é um grande desafio, mas, 
em última análise, o maior e mais importante desafio do Big Data é saber como 
aproveitar a sua base de dados. Por exemplo, uma quantidade massiva de dados 
somente será útil ao departamento de pesquisa de marketing de uma empresa, 
se a equipe responsável pela análise dos dados puder identificar as principais 
demandas da empresa. As empresas que atuam com pesquisa política, por 
exemplo, têm acesso a grandes quantidades de dados demográficos sobre os 
eleitores; essas informações devem ser analisadas intensivamente para 
encontrar os principais fatores que podem levar a uma campanha política bem-
sucedida (ANDERSON; SEMMELROTH, 2015). 
Um fundo de financiamento também pode desenvolver estratégias de 
negociação a partir de grandes quantidades de dados financeiros, encontrando 
padrões obscuros nos dados que podem ser transformados em estratégias 
lucrativas. Muitas técnicas estatísticas podem ser usadas para analisar dados e 
encontrar padrões úteis, como distribuições de probabilidade, análises de 
regressão, análise de séries temporais e técnicas de previsão. Essas 
modalidades fazem parte das diferentes tarefas ou objetivos assumidos pela 
mineração de dados. Nesse sentido, Castro e Ferrari (2016, p. 28) afirmam que 
essas tarefas podem ser classificadas em duas categorias: 
a. descritivas: caracterizadas por dados e suas propriedades gerais; e 
b. preditivas: caracterizadas por fazerem análise de inferência com os dados 
para prever tendências. 
Para saber mais detalhes sobre análise descritiva de dados, predição por 
classificação e estimação, clustering, análise por associação e detecção de 
anomalias, que são tarefas e/ou possíveis objetivos da mineração de dados, leia 
o capítulo do livro indicado a seguir. 
 
LIVRO 
Introdução à Mineração de Dados: Conceitos Básicos, Algoritmos 
e Aplicações 
Autores: Leandro Nunes de Castro e Daniel Gomes Ferrari 
Editora: Saraiva 
Ano: 2016 
Comentário: O primeiro capítulo do livro, disponível no sistema Minha 
Biblioteca da instituição, traz uma visão geral do funcionamento da mineração 
de dados, tarefas, nomenclaturas e exemplos de aplicação que irão aprofundar 
seu conhecimento antes de compreender melhor os métodos de Data Mining. 
Considera-se importante fazer a leitura do Capítulo 1: Introdução à Mineração 
de Dados, da página 1 a 24. 
Disponível em: Minha Biblioteca. 
Métodos de Data Mining 
Para chegar à etapa da mineração de dados, antes existe a preparação ou o pré-
processamento dos dados, que consiste em realizar uma limpeza (ou triagem) 
dos dados seguida de integração e transformação dos dados para um padrão 
único, conforme a necessidade. 
Dentro da etapa de preparação dos dados, há diferentes métodos e técnicas 
para cada fase, e a escolha das ferramentas e técnicas que serão utilizadas 
também depende dos objetivos da mineração dos dados – se se pretende 
realizar Data Mining para descrição de padrões para fins de classificação, de 
agrupamento, de associação, de predição ou de estimativa – que, como vimos 
no capítulo anterior, são as diferentes tarefas ou objetivos de um projeto de 
mineração de dados. Os métodos que podem ser usados para a mineração de 
dados, em si, envolvem aprendizado supervisionado (preditivo) ou não 
supervisionado (descritivo), conforme explicação de Camilo e Silva (2009, p. 10): 
A diferença entre os métodos de aprendizado supervisionados e não 
supervisionados reside no fato de que os métodos não supervisionados 
não precisam de uma pré-categorização para os registros, ou seja, não 
é necessário um atributo alvo. Tais métodos geralmente usam alguma 
medida de similaridade entre os atributos. As tarefas de agrupamento e 
associação são consideradas como não supervisionadas. Já no 
aprendizado supervisionado, os métodos são providos com um 
conjunto de dados que possuem uma variável alvo pré-definida e os 
registros são categorizados em relação a ela. As tarefas mais comuns 
de aprendizado supervisionado são a classificação (que também pode 
ser não-supervisionado) e a regressão. 
As diferentes técnicas que podem ser combinadas durante a análise dos dados 
podem ser conferida na Figura 3. 
 
Figura 3 - As diferentes técnicas envolvidas na mineração de dados 
Fonte: Camilo e Silva (2009, p. 11). 
Descrição da imagem: gráfico com técnicas de mineração de dados colocadas 
em linha, iniciando com HMEQ, Agrupamento e Divisão de Dados, depois Árvore 
de Decisão, Indução de Regras e Redes Neurais (bifurcação ao centro), 
continuando a linha com a técnica de comparação de modelos, pontuação (que 
faz uma ligação com pontuação HMEQ) e, por fim, a técnica de lista de riscos. 
Como é possível observar pela Figura 3, a mineração de dados envolve desde 
métodos estatísticos até o uso de deep learning (com inteligência artificial e 
aprendizado de máquina). Na indicação de leitura a seguir, você poderá 
aprender sobre o modelo TAM, que é outro método usado em mineração de 
dados. 
ARTIGO 
Avaliação de Ferramentas de Mineração de Dados: Uma 
Abordagem com o Modelo TAM 
Autores: Gleidison Santos Hora, Jislane Silva Santos Menezes, Gilson Pereira 
dos Santos Júnior e Almerindo Nascimento Rehem Neto 
Ano: 2018 
Comentário: Este artigo, publicado no periódico Interfaces Científicas, narra a 
abordagem de um método utilizado pelos autores como ferramentade 
mineração de dados: o Modelo de Aceitação Tecnológica ou Technology 
Acceptance Model (TAM). 
 
A CESSA R 
Ferramentas de Data Mining 
Conforme vimos em capítulo anterior deste roteiro, a análise de dados não é uma 
área nova. Os analistas de BI já usavam diversas técnicas para coleta, 
organização, análise e monitoramento de informações, de modo a oferecer 
suporte aos processos de negócios. Algumas das ferramentas usadas para isso 
incluem o Microsoft Excel, o SAS, o SPSS, estatística com R, Weka e Cognos 
(MARQUESONE, 2017). 
Contudo, com o aumento de volume dos bancos de dados, ficou praticamente 
impossível usar esses mesmos recursos para a análise de dados - ainda mais 
que os dados não são encontrados somente em formato estruturado e também 
dispersos como dados parcial ou totalmente não estruturados. Diante disso, 
Marquesone (2017) aponta que foram desenvolvidos novos algoritmos 
e frameworks específicos para a análise de dados, tais como o Hadoop, a 
ferramenta Spark e a linguagem Python. 
O autor Taurion (2019) também explica que, para tratar dados frente à nova 
escala de volume, variedade e velocidade do Big Data, foi necessário 
implementar novos modelos, como os bancos de dados NoSQL (que suportam 
imensos volumes de dados estruturados e não estruturados), a exemplo dos 
softwares MongoDB e Neo4j, além de outras ferramentas auxiliares para 
tratamento inicial e de visualização de dados, como o Microsoft Power BI. Esses 
novos softwares, associados à computação em nuvem, trouxeram inovações 
sem precedentes para a área da Ciência de Dados. A esse respeito, Taurion 
(2019, p. 100) afirma que o Hadoop é uma tecnologia que se destaca no cenário 
de Big Data: 
O Hadoop é um projeto da comunidade Apache, foi criado pelo Yahoo 
em 2005, inspirado no trabalho do Google em seu GFS (Google File 
System) e no paradigma de programação MapReduce, que 
basicamente divide o trabalho em tarefas como um mapeador (mapper) 
e um resumidor (reducer) que manipulam dados distribuídos em um 
cluster de servidores usados de forma massivamente paralela. 
Você pode ler o Capítulo 7 do livro Big Data, de Cezar Taurion, que está 
disponível na Biblioteca Pearson, para saber mais detalhes a respeito do 
Hadoop. Adicionalmente, indicamos a leitura de um trecho do trabalho de 
dissertação abaixo, que aborda outras ferramentas utilizadas em Data Mining. 
DISSERTAÇÃO 
Estudo sobre as Técnicas e Métodos de Análise de Dados no 
Contexto de Big Data 
Autora: Caroline Silvério Rosa 
Ano: 2018 
Comentário: Este é um trabalho de dissertação que aborda diversas técnicas 
e métodos de análise e mineração de dados. Leia o Capítulo 3.3: Técnicas de 
Análise Big Data, da página 46 a 52, para conhecer diferentes ferramentas de 
análise usadas em Big Data. 
 
A CESSA R 
Conclusão 
Como pudemos observar ao longo dos tópicos deste roteiro, a mineração de 
dados não é uma área isolada da Ciência de Dados, e sim uma das etapas da 
busca de conhecimento a partir da análise de dados nas grandes bases dos 
bancos conhecidos como Big Data. A mineração de dados, assim, acaba se 
estendendo e sendo auxiliada por várias outras áreas, como Engenharia, 
Sistemas de Informação, Matemática, Estatística, Visualização, Bancos de 
Dados e Inteligência Artificial, sendo que as diferentes tarefas ou objetivos de 
análise da mineração de dados irão definir com qual intensidade cada uma 
dessas áreas do conhecimento interferirá no processo. Cabe ao profissional 
analista ter uma base de entendimento que cruze todas essas informações e que 
tenha objetivos de análise claros e alinhados com os propósitos da pesquisa, da 
empresa e/ou do negócio, de modo que seja possível determinar as melhores 
técnicas e ferramentas que serão usadas durante a mineração dos dados. 
 
 
 
 
 
 
 
 
 
1ª Tentativa 
Revisar envio do teste: Teste Final 
 
Usuário Bruno Moreira de Araújo 
Curso DATA MINING 
Teste Teste Final 
Iniciado 02/06/20 19:28 
Enviado 02/06/20 20:05 
Status Completada 
Resultado da tentativa 5 em 10 pontos 
Tempo decorrido 36 minutos 
Resultados exibidos Respostas enviadas, Respostas corretas, Comentários 
 Pergunta 1 
0 em 1 pontos 
 
Considere a seguinte situação hipotética para responder a questão: 
 
Periodicamente, o auditor de um banco tem a necessidade de avaliar elementos 
que possam ajudar na identificação de fraudes como desvio de verba e 
balanceamento incorreto de caixa. Diante de uma denúncia anônima, o auditor 
agora deseja aplicar técnicas de mineração de dados para conseguir encontrar 
alguma inconsistência nos registros. 
 
Assim sendo, assinale a alternativa que apresenta a ação a ser tomada pelo 
auditor dessa instituição financeira. 
 
Resposta 
Selecionada: 
 
o auditor deverá analisar o percentual de movimentação total do 
caixa, comparando projeções atuais e futuras. 
Resposta 
Correta: 
 
o auditor deve valer-se de instrumentos preditivos de análise para 
comparar dados passados aos registros atuais. 
Feedback 
da 
resposta: 
Sua resposta está incorreta. A análise percentual, a informação média 
de movimentações e a varredura da base de dados não permitirão a 
comparação dos registros anteriores aos registros atuais, nem 
fornecerá um parâmetro para essa comparação. Para tanto, usar a 
análise preditiva favorecerá que o auditor localize o erro ou a possível 
fraude na movimentação ao gerar um gráfico com os registros atuais e 
um gráfico com as projeções de como as movimentações deveriam ter 
ocorrido, com base no histórico dos registros anteriores. 
 
 
 Pergunta 2 
0 em 1 pontos 
 
Em Ciência de Dados, há basicamente dois formatos de análise possível, em que a análise 
de dados pode recorrer tanto a procedimentos estatísticos quanto a algoritmos de 
aprendizado de máquina (ou análise preditiva) para descobrir padrões e extrair 
conhecimento de uma base de dados. 
 
A partir do exposto, associe as técnicas de análise dados a seguir às suas possíveis 
associações: 
 
(1) Análise exploratória. 
(2) Análise de estimação. 
(3) Análise de classificação. 
 
( ) Regressão estatística. 
( ) Cálculo do desvio padrão. 
( ) Predição de valores discretos. 
 
Agora indique a ordenação correta entre os tipos de análise e seus respectivos métodos: 
 
Resposta Selecionada: 
1, 3, 2. 
Resposta Correta: 
 2, 1, 3. 
Feedback 
da 
resposta: 
Sua resposta está incorreta. A análise descritiva faz uso da análise de 
dados exploratória para investigar uma base de dados, sendo que as 
medidas centrais e de dispersão, como Amplitude, Variância e Desvio 
Padrão, fazem parte desse método; já as análises de estimação e de 
classificação são da área da análise preditiva, sendo que a primeira 
lida com regressões estatísticas e valores contínuos, e a segunda lida 
com a previsão de valores discretos. Assim sendo, a associação 
correta entre as colunas é 2 (Análise de estimação - Regressão 
estatística), 1 (Análise exploratória - Cálculo do desvio padrão), 3 
(Análise de classificação - Predição de valores discretos). 
 
 
 Pergunta 3 
1 em 1 pontos 
 
Leia o trecho a seguir: 
 
"A mineração de dados envolve conhecimento de áreas como banco de dados, estatística, 
aprendizagem de máquina, computação de alto desempenho, reconhecimento de padrões, 
computação natural, visualização de dados, recuperação de informação, processamento de 
imagens e de sinais, análise espacial de dados, inteligência artificial, entre outras." 
 
CASTRO, L. N. de; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, 
algoritmos e aplicações. São Paulo: Saraiva, 2016, pág. 28. 
 
Nesse sentido, há muitos conteúdos que se cruzam e que dão respaldo à mineração de 
dados, de modo que um bom cientista de dados ou analista de B.I. - Business 
Intelligence deve apresentar habilidades que vão desde a noção de mercado e negócios 
 
até estatística e programação. Com isso em mente, assinale a palavra que resumea 
condição desse campo de atuação de Big Data: 
Resposta Selecionada: 
Multidisciplinar e interdisciplinar. 
Resposta Correta: 
Multidisciplinar e interdisciplinar. 
Feedback 
da 
resposta: 
Resposta correta. A reunião dessas diversas áreas de conhecimento 
no campo de Big Data e mineração de dados faz com que essa seja 
uma disciplina multidisciplinar - uma vez que abrange conceitos de 
vários campos diferentes - e também interdisciplinar - uma vez que 
relaciona e interliga esses conceitos. 
 
 
 Pergunta 4 
0 em 1 pontos 
 
A prática de análise de dados não é uma novidade para as empresas. Desde o tempo de 
arquivos em papel, era necessário ter uma equipe ou um especialista dedicado a organizar, 
filtrar e analisar as informações contidas nas bases de dados físicas. Para tanto, foi 
desenvolvido o método KDD, que consiste em um processo de descoberta de 
conhecimento dividido em várias etapas. Sobre as etapas de análise de dados pelo método 
KDD, avalie os itens a seguir: 
 
I. Mineração de dados 
II. Avaliação 
III. Seleção 
IV. Pré-processamento 
V. Transformação 
 
Agora assinale a alternativa que representa a ordem correta dessas etapas: 
 
Resposta Selecionada: 
III, IV, I, V, II. 
Resposta Correta: 
IV, III, V, I, II. 
Feedback 
da 
resposta: 
Sua resposta está incorreta. Quando consideramos todas as etapas 
de processamento em uma análise de dados, a mineração é apenas 
uma parte desse processo. Isso significa que, inicialmente, os dados 
devem ser coletados e selecionados, para em seguida serem pré-
processados e transformados em dados estruturados, de modo a 
permitir a transformação estatística e a mineração dos dados - ou 
seja, a busca pelas informações que se deseja obter, e cujo resultado 
será avaliado ao final. 
 
 
 Pergunta 5 
0 em 1 pontos 
 
Leia o trecho a seguir: 
 
“Após ter identificado o foco do projeto de Big Data e definido as respostas que deseja 
obter por meio de dados, você pode dar início à identificação de quais dados deverão ser 
capturados.” 
 
MARQUESONE, R. de F. P. Big Data: técnicas e tecnologias para extração de valor dos 
dados. São Paulo: Casa do Código, 2017, pág. 35. 
 
Nesse trecho é afirmado que saber identificar o foco de um projeto de Big Data, ou seja, os 
objetivos da mineração de dados, é um passo fundamental para obter as respostas 
procuradas em um conjunto de dados. Sobre os objetivos do data mining , avalie e assinale 
a alternativa correta: 
 
Resposta 
Selecionada: 
 
Encontrar padrões nos dados visando o aprimoramento 
estatístico das hipóteses. 
Resposta Correta: 
Descobrir novas regras e padrões visando a aquisição de 
conhecimento indutivo. 
Feedback 
da 
resposta: 
Sua resposta está incorreta. A mineração de dados não visa o 
aprimoramento estatístico, nem confirma ou refuta hipóteses, nem 
segrega informações por si só - a mineração de dados serve para 
detectar padrões em uma base desconhecida ou que já tenha sido 
visitada, de modo a fornecer informações que serão transformadas em 
conhecimento após a análise final dos dados. Aplicar novas regras a 
informações anteriormente analisadas, embora possa ser objeto de 
um projeto de análise de dados, também não faz parte dos objetivos 
da etapa de mineração de dados, em si. 
 
 
 Pergunta 6 
1 em 1 pontos 
 
A mineração de dados é um processo relacionado às áreas de Ciência de Dados e 
Big Data responsável por integrar um processamento maior dentro da análise de 
dados, que consiste em diferentes etapas. Esse processo permite que os dados 
sejam extraídos e trabalhados a partir de um dataset. 
 
Nesse sentido, assinale a alternativa que define a etapa imediatamente anterior à 
da mineração de dados. 
 
Resposta Selecionada: 
Transformar os dados conforme um padrão. 
Resposta Correta: 
Transformar os dados conforme um padrão. 
 
Feedback 
da 
resposta: 
Resposta correta. Após as etapas de seleção de de pré-
processamento, será na fase da transformação dos dados que 
ocorrerá a conversão dos dados brutos em um formato padrão que 
seja possível de filtrar e utilizar para a análise estatística,, de forma 
que os dados estejam melhor relacionados entre si e que possam ser 
analisados posteriormente. 
 
 Pergunta 7 
1 em 1 pontos 
 
Leia o trecho a seguir sobre mineração de dados: 
 
"Uma das famosas frases relacionadas a Big Data é: 'Big Data é o novo petróleo'. Podemos 
pensar que isso é uma analogia coerente, dado que, assim como o petróleo, o maior valor é 
obtido após um processo de refinamento, ou seja, após a transição de dados brutos para 
um determinado produto." 
 
MARQUESONE, R. de F. P. Big Data: técnicas e tecnologias para extração de valor dos 
dados. São Paulo: Casa do Código, 2017, pág. 29. 
 
Sobre o termo data mining, analise as asserções a seguir e a relação proposta entre elas: 
 
I. O termo "mineração de dados" tem associação direta com a atividade de mineração de 
ouro, jazidas e pedras preciosas 
PORQUE 
II. encontrar os dados e a sua relação correta evoca informações que podem ser muito 
valiosas para as estratégias de uma empresa. 
 
Assinale a alternativa correta. 
 
Resposta 
Selecionada: 
 
As asserções I e II são proposições verdadeiras, e a II é uma 
justificativa correta da I. 
Resposta Correta: 
As asserções I e II são proposições verdadeiras, e a II é uma 
justificativa correta da I. 
Feedback 
da 
resposta: 
Resposta correta. Empresas se beneficiam com a análise de dados 
justamente porque a mineração de dados leva à descoberta de novos 
padrões, informações e conhecimentos, o que permite não apenas 
alterar um processo interno da empresa, como também pode 
evidenciar um erro ou um padrão que não havia sido notado antes. 
 
 
 Pergunta 8 
0 em 1 pontos 
 
Sobre as tecnologias relacionadas a mineração de dados e Big Data, leia o excerto a 
seguir: 
 
"Pesquisadores consideram que estamos vivenciando o início de uma nova revolução 
industrial, na qual os dados passam a ser elementos chaves dessa mudança. Podemos 
concluir, portanto, que esse é o momento ideal para criarmos oportunidades a partir dos 
 
dados." 
 
MARQUESONE, R. de F. P. Big Data: técnicas e tecnologias para extração de valor dos 
dados. São Paulo: Casa do Código, 2017, pág. 8. 
 
Com base nisso, analise as asserções a seguir e a relação proposta entre elas: 
 
I. Big Data é uma área de inovações voltada ao processamento de grandes volumes de 
dados 
PORQUE 
II. as tecnologias e arquiteturas envolvidas permitem alta velocidade de coleta, novas 
descobertas e diversos processos de análise. 
 
A seguir, assinale a alternativa correta. 
Resposta 
Selecionada: 
 
As asserções I e II são proposições verdadeiras, e a II é uma 
justificativa correta da I. 
Resposta Correta: 
As asserções I e II são proposições verdadeiras, mas a II não é 
uma justificativa correta da I. 
Feedback 
da 
resposta: 
Sua resposta está incorreta. Big Data é, de fato, uma área inovadora 
que lida com grandes volumes de dados; contudo, isso ocorre devido 
à expansão da internet e à evolução dos usuários e da Internet of 
Things, que gerou essa enorme torrente de dados. As tecnologias e 
arquiteturas envolvidas são apenas o meio pelo qual é possível 
registrar e processar todas essas informações em uma base de 
dados, portanto a I e a II são afirmações corretas, mas a II não 
justifica a I. 
 
 
 Pergunta 9 
1 em 1 pontos 
 
Leia o trecho a seguir: 
 
“É comum, ao ouvir pela primeira vez o termo Big Data, pensarmos que ele está 
unicamente relacionado a um grande volume de dados (o que é normal, já que o nome diz 
exatamente isso). Entretanto, o volume de dados não é sua única característica.”. 
 
MARQUESONE, R. de F. P. Big Data: técnicas e tecnologias para extração de valor dos 
dados. São Paulo: Casa do Código, 2017, pág. 8. 
 
Esse trecho é uma introdução da autora aos termos que designam os “5 Vs” de Big Data, 
sendo um deles o volume, que costuma sero mais associado a uma grande base de 
dados, por motivos óbvios. Entretanto, há outras características que devem ser 
consideradas. Nesse sentido, leia e relacione cada um dos termos dos “5 Vs” às suas 
características correspondentes: 
 
(1) Volume. 
(2) Velocidade. 
(3) Veracidade. 
 
(4) Variedade. 
(5) Valor. 
 
( ) Confiabilidade. 
( ) Eventos estatísticos. 
( ) Tipos de dados. 
( ) Registros. 
( ) Coleta de dados. 
 
A partir das relações feitas anteriormente, assinale a alternativa que apresenta a sequência 
correta: 
Resposta Selecionada: 
3, 5, 4, 1, 2. 
Resposta Correta: 
3, 5, 4, 1, 2. 
Feedback 
da 
resposta: 
Resposta correta. A confiabilidade está associada à integridade e 
Veracidade dos dados, sendo um dos “5 Vs”; o Valor está associado a 
eventos estatísticos, que permitem confirmar ou refutar uma hipótese, 
por exemplo; já os tipos de dados, que podem ser estruturados ou não 
estruturados, configuram a Variedade; e a Velocidade está 
relacionada a quão rapidamente os dados são coletados e 
posteriormente registrados em suas bases de dados; esses registros 
dizem respeito, assim, ao Volume. 
 
 
 Pergunta 10 
1 em 1 pontos 
 
Sobre tomada de decisão estratégica, Provost e Fawcett explicam que a sigla DDD 
refere-se a Data-Driven Decision-making, ou seja, tomada de decisão com base 
nos dados, e consiste na prática de usar a análise de dados como suporte ao 
posicionamento estratégico em vez da gestão baseada na intuição pura. 
 
PROVOST, F.; FAWCETT, T. Data Science for Business: What you need to know 
about data mining and data-analytic thinking. Califórnia: O'Reilly, 2013. 
 
Pensando nisso, assinale a alternativa que reflete a prática de DDD: 
 
Resposta 
Selecionada: 
 
Usa a análise de dados para promover decisões mais 
assertivas. 
Resposta Correta: 
Usa a análise de dados para promover decisões mais 
assertivas. 
 
Feedback 
da 
resposta: 
Resposta correta. Uma vez que o gestor esteja com o resultado da 
análise de dados em mãos, ele consegue perceber detalhes que antes 
eram imperceptíveis, como um padrão ou uma tendência em relação a 
um tipo de serviço e/ou produto. A análise permite ao gestor, assim, 
pensar na melhor estratégia com base em fatores reais, e não 
somente em sua experiência e intuição como gestor. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
2ª Tentativa 
 
1. DATA MINING 
 
 
2. Atividade e Certificado 
 
3. Revisar envio do teste: Teste Final 
Revisar envio do teste: Teste Final 
 
Usuário Bruno Moreira de Araújo 
Curso DATA MINING 
Teste Teste Final 
Iniciado 02/06/20 20:07 
Enviado 02/06/20 20:34 
Status Completada 
Resultado da tentativa 8 em 10 pontos 
Tempo decorrido 27 minutos 
Resultados exibidos Respostas enviadas, Respostas corretas, Comentários 
 Pergunta 1 
1 em 1 pontos 
 
A prática de análise de dados não é uma novidade para as empresas. Desde o tempo de 
arquivos em papel, era necessário ter uma equipe ou um especialista dedicado a organizar, 
filtrar e analisar as informações contidas nas bases de dados físicas. Para tanto, foi 
desenvolvido o método KDD, que consiste em um processo de descoberta de 
conhecimento dividido em várias etapas. Sobre as etapas de análise de dados pelo método 
KDD, avalie os itens a seguir: 
 
I. Mineração de dados 
II. Avaliação 
III. Seleção 
IV. Pré-processamento 
V. Transformação 
 
Agora assinale a alternativa que representa a ordem correta dessas etapas: 
 
Resposta Selecionada: 
IV, III, V, I, II. 
Resposta Correta: 
IV, III, V, I, II. 
 
Feedback 
da 
resposta: 
Resposta correta. O KDD é um método que envolve a seleção dos 
dados, o pré-processamento, a transformação, a mineração dos dados 
e a avaliação dos resultados obtidos. Esse método funciona com 
qualquer quantidade de dados, e para qualquer finalidade. Sendo um 
padrão consistente, continua sendo adotado na Ciência de Dados. 
 
 Pergunta 2 
1 em 1 pontos 
 
Leia o trecho a seguir: 
 
"A mineração de dados envolve conhecimento de áreas como banco de dados, estatística, 
aprendizagem de máquina, computação de alto desempenho, reconhecimento de padrões, 
computação natural, visualização de dados, recuperação de informação, processamento de 
imagens e de sinais, análise espacial de dados, inteligência artificial, entre outras." 
 
CASTRO, L. N. de; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, 
algoritmos e aplicações. São Paulo: Saraiva, 2016, pág. 28. 
 
Nesse sentido, há muitos conteúdos que se cruzam e que dão respaldo à mineração de 
dados, de modo que um bom cientista de dados ou analista de B.I. - Business 
Intelligence deve apresentar habilidades que vão desde a noção de mercado e negócios 
até estatística e programação. Com isso em mente, assinale a palavra que resume a 
condição desse campo de atuação de Big Data: 
 
Resposta Selecionada: 
Multidisciplinar e interdisciplinar. 
Resposta Correta: 
Multidisciplinar e interdisciplinar. 
Feedback 
da 
resposta: 
Resposta correta. A reunião dessas diversas áreas de conhecimento 
no campo de Big Data e mineração de dados faz com que essa seja 
uma disciplina multidisciplinar - uma vez que abrange conceitos de 
vários campos diferentes - e também interdisciplinar - uma vez que 
relaciona e interliga esses conceitos. 
 
 
 Pergunta 3 
0 em 1 pontos 
 
Leia o excerto a seguir sobre métodos de treinamento e teste: 
 
"Na maioria das redes neurais esses parâmetros correspondem aos valores dos 
pesos da rede e à sua arquitetura (número de camadas e/ou neurônios); nas 
árvores de decisão esses parâmetros são os nós da árvore, sua arquitetura 
(profundidade e conexões) e as condições a serem associadas a cada arco; e nas 
regras de decisão os parâmetros são os antecedentes e consequentes de cada 
regra e o número total de regras." 
 
CASTRO, L. N. de; FERRARI, D. G. Introdução à mineração de dados: conceitos 
básicos, algoritmos e aplicações. São Paulo: Saraiva, 2016, pág. 175. 
 
 
Pensando nas possíveis aplicações das técnicas de treinamento, avalie as 
seguintes afirmações: 
 
I. Redes Neurais, Árvores de Decisão e Indução de Regras são técnicas que se 
utilizam de Inteligência Artificial. 
II. Agrupamento é o mesmo que classificação ou clustering, e serve para identificar 
subconjuntos de dados. 
III. A pontuação é uma técnica que pode variar a partir da integração com outro 
método - o HMEQ. 
IV. As Árvores de Decisão usam uma técnica estatística complexa, de modo que 
são pouco usadas em análise de dados. 
 
É correto o que se afirma em: 
Resposta Selecionada: 
II e III, apenas. 
Resposta Correta: 
I, II e III, apenas. 
Feedback 
da 
resposta: 
Sua resposta está incorreta. As diferentes técnicas envolvidas em 
mineração de dados envolvem HMEQ, Agrupamento e Divisão de 
Dados, Árvore de Decisão, Indução de Regras, Redes Neurais, 
comparação de modelos, pontuação, pontuação HMEQ e lista de 
riscos. Dessas, somente a Árvore de Decisão, a Indução de Regras e 
as Redes Neurais estão relacionadas à inteligência artificial, e as 
Árvores de Decisão utilizam cálculos estatísticos simples, sendo um 
método bastante utilizado em Ciência de Dados. Portanto, os itens 
corretos são I, II e III. 
 
 
 Pergunta 4 
1 em 1 pontos 
 
Sobre tomada de decisão estratégica, Provost e Fawcett explicam que a sigla DDD 
refere-se a Data-Driven Decision-making, ou seja, tomada de decisão com base 
nos dados, e consiste na prática de usar a análise de dados como suporte ao 
posicionamento estratégico em vez da gestão baseada na intuição pura. 
 
PROVOST, F.; FAWCETT, T. Data Science for Business: What you need to know 
about data mining and data-analytic thinking. Califórnia: O'Reilly, 2013. 
 
Pensando nisso, assinale a alternativa que reflete a prática de DDD: 
 
Resposta 
Selecionada: 
 
Usa a análise de dados para promover decisões mais 
assertivas. 
Resposta Correta:Usa a análise de dados para promover decisões mais 
assertivas. 
Feedback 
da 
resposta: 
Resposta correta. Uma vez que o gestor esteja com o resultado da 
análise de dados em mãos, ele consegue perceber detalhes que antes 
eram imperceptíveis, como um padrão ou uma tendência em relação a 
um tipo de serviço e/ou produto. A análise permite ao gestor, assim, 
pensar na melhor estratégia com base em fatores reais, e não 
somente em sua experiência e intuição como gestor. 
 
 Pergunta 5 
1 em 1 pontos 
 
Antigamente, as empresas mantinham grandes arquivos com dados de produtos, clientes, 
funcionários, relatórios de vendas, e assim por diante. Com o advento da internet, foi 
possível digitalizar e compartilhar essas informações. Contudo, o número de dados a serem 
arquivados também aumentou, o que gerou um problema de armazenamento e de 
processamento, exigindo que as empresas adequassem suas infraestruturas e aderissem a 
novas tecnologias. Esse é o início do Big Data. 
 
Nesse sentido, assinale a alternativa que apresenta as cinco características mais citadas do 
Big Data: 
 
Resposta Selecionada: 
Volume, Velocidade, Variedade, Valor e Veracidade. 
Resposta Correta: 
Volume, Velocidade, Variedade, Valor e Veracidade. 
Feedback 
da 
resposta: 
Resposta correta. Quando nos referimos a Big Data, algumas 
características mais óbvias se destacam, como o Volume de dados, a 
Velocidade com que os dados são coletados, a Variedade de dados 
coletados, o Valor agregado a esses dados e a Veracidade que esses 
dados devem representar. 
 
 
 Pergunta 6 
1 em 1 pontos 
 
Sobre bases de dados, leia o parágrafo a seguir: 
 
“Atualmente, grande parcela dos dados gerados por humanos é oriunda de mídias sociais, 
onde usuários podem publicar o que pensam sobre algo, gerar debates, publicar suas 
preferências e suas emoções. Essas informações são geradas em formatos de texto, 
imagem, áudio e vídeo, resultando em uma base de dados diversificada e volumosa.” 
 
MARQUESONE, R. de F. P. Big Data: técnicas e tecnologias para extração de valor dos 
dados. São Paulo: Casa do Código, 2017, pág. 18. 
 
Assinale a alternativa que representa o tipo de dado que estaria nessa base de dados 
diversificada e volumosa: 
 
Resposta Selecionada: 
Dados não-estruturados. 
Resposta Correta: 
Dados não-estruturados. 
Feedback 
da 
resposta: 
Resposta correta. Nas mídias sociais e nas páginas web é possível 
encontrar diversos tipos de dados, como textos, imagens, vídeos, 
áudios e outros formatos. Essa mistura de dados em uma organização 
precária configuram os dados não-estruturados, que precisarão 
passar por tratamento antes de poderem ser minerados e analisados. 
 
 
 Pergunta 7 
1 em 1 pontos 
 
Na atualidade, os dados são gerados continuamente pelas mais diversas fontes. Ao 
acessar um site, por exemplo, uma única pessoa gera dados relacionados aos cliques e 
movimentos do mouse, às palavras que escreve na tela, aos termos que busca no Google e 
aos conteúdos pelos quais se interessa. Pensando nos milhões de usuários que acessam a 
internet 24h por dia, o volume de dados gerado a cada segundo é impressionante. 
 
Com base nisso, assinale a alternativa correta. 
 
Resposta 
Selecionada: 
 
Big Data é a evolução das tecnologias e arquiteturas 
relacionadas às bases de dados. 
Resposta Correta: 
Big Data é a evolução das tecnologias e arquiteturas 
relacionadas às bases de dados. 
Feedback 
da 
resposta: 
Resposta correta. Não é à toa que um dos “5 Vs” de Big Data seja 
Velocidade. Para comportar grandes volumes de dados, as 
tecnologias envolvidas também precisaram melhorar em termos de 
processamento - só assim foi possível acompanhar e dar suporte à 
entrada contínua de dados na rede. 
 
 
 Pergunta 8 
0 em 1 pontos 
 
Leia o excerto a seguir: 
 
"Os algoritmos de aprendizagem de máquina são ferramentas poderosas para a descoberta 
de conhecimentos em bases de dados. Entretanto, uma etapa inicial do processo de 
mineração que não requer elevado nível de sofisticação é a análise descritiva dos dados, 
ou seja, o uso de ferramentas capazes de medir, explorar e descrever características 
intrínsecas aos dados." 
 
CASTRO, L. N. de; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, 
algoritmos e aplicações. São Paulo: Saraiva, 2016, pág. 29. 
 
 
Sobre os métodos usados em mineração de dados, analise as afirmativas a seguir e 
assinale V para a(s) Verdadeira(s) e F para a(s) Falsa(s). 
 
I. Para identificar grupos de dados de acordo com um padrão específico, é usada a técnica 
de agrupamento ou clustering. 
II. O mapeamento de um conjunto de dados com variáveis discretas é possível a partir da 
técnica de regressão. 
III. A classificação é usada para mapear os valores discretos de um conjunto de dados. 
IV. Regras de associação servem, unicamente, para identificar grupos de dados. 
V. Deep learning , ou aprendizado de máquina, é um recurso usado tanto em análises com 
aprendizado supervisionado quanto em análises de aprendizado não-supervisionado. 
 
Assinale a alternativa que apresenta a sequência correta: 
Resposta Selecionada: 
V, F, V, F, F. 
Resposta Correta: 
V, F, V, F, V. 
Feedback 
da 
resposta: 
Sua resposta está incorreta. A técnica de clusterização identifica 
grupos de dados a partir de aprendizado supervisionado, em que a 
máquina é treinada para localizar ou repetir um padrão a partir de um 
parâmetro predefinido, trabalhando, assim, com variáveis discretas, 
então as alternativas I e III são verdadeiras; já o mapeamento de 
dados pela regressão ou estimação usa variáveis contínuas, motivo 
pelo qual a alternativa II é falsa; as regras de associação servem, 
principalmente, para analisar a significância entre diferentes conjuntos 
de dados, e não para simplesmente identificar os dados, motivo pelo 
qual a alternativa IV também é falsa. E o aprendizado de máquina 
pode ser do tipo supervisionado, quando inserimos informações 
conhecidas, ou não-supervisionado, quando o sistema deverá 
trabalhar com dados desconhecidos - portanto a afirmação V é 
verdadeira. 
 
 
 Pergunta 9 
1 em 1 pontos 
 
Leia o trecho a seguir sobre mineração de dados: 
 
"Uma das famosas frases relacionadas a Big Data é: 'Big Data é o novo petróleo'. Podemos 
pensar que isso é uma analogia coerente, dado que, assim como o petróleo, o maior valor é 
obtido após um processo de refinamento, ou seja, após a transição de dados brutos para 
um determinado produto." 
 
MARQUESONE, R. de F. P. Big Data: técnicas e tecnologias para extração de valor dos 
dados. São Paulo: Casa do Código, 2017, pág. 29. 
 
Sobre o termo data mining, analise as asserções a seguir e a relação proposta entre elas: 
 
I. O termo "mineração de dados" tem associação direta com a atividade de mineração de 
ouro, jazidas e pedras preciosas 
 
PORQUE 
II. encontrar os dados e a sua relação correta evoca informações que podem ser muito 
valiosas para as estratégias de uma empresa. 
 
Assinale a alternativa correta. 
Resposta 
Selecionada: 
 
As asserções I e II são proposições verdadeiras, e a II é uma 
justificativa correta da I. 
Resposta Correta: 
As asserções I e II são proposições verdadeiras, e a II é uma 
justificativa correta da I. 
Feedback 
da 
resposta: 
Resposta correta. Empresas se beneficiam com a análise de dados 
justamente porque a mineração de dados leva à descoberta de novos 
padrões, informações e conhecimentos, o que permite não apenas 
alterar um processo interno da empresa, como também pode 
evidenciar um erro ou um padrão que não havia sido notado antes. 
 
 
 Pergunta 10 
1 em 1 pontos 
 
Dentre as possíveis metodologias existentes para proceder à análise de dados, o CRISP-
DM ( Cross-Industry Standard Process of Data Mining , ou Processo Industrial Padrão de 
Mineração de Dados) é um método que diz respeito a um processo de fluxo unidirecional 
composto por ciclos ou etapas, assimcomo o método KDD. 
 
Sobre CRISP-DM, assinale a alternativa correta: 
 
Resposta 
Selecionada: 
 
Envolve preparação, implantação, pesquisa, modelagem e 
avaliação de dados. 
Resposta Correta: 
Envolve preparação, implantação, pesquisa, modelagem e 
avaliação de dados. 
Feedback 
da 
resposta: 
Resposta correta. o CRISP-DM possui diversas etapas, assim como o 
método KDD, contudo essas fases, embora tenham um fluxo 
unidirecional, possuem etapas cíclicas, ou seja, que permitem ir e 
voltar entre si. Por exemplo, a fase de entendimento e pesquisa de 
dados pode se alternar com a de implantação e preparação de dados, 
uma vez que se tenha localizado uma inconsistência no momento da 
implantação que traga a exigência de uma nova pesquisa ou de um 
novo entendimento sobre o dado com erro.