POS0450 ANÁLISE PREDITIVA PG0072211 - 202112 ead-15435 01

Prévia do material em texto

07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 1/24
A análise preditiva é o uso de métodos estatísticos, ou de aprendizado de máquina, que podem ser utilizados
para fazer previsões sobre resultados futuros ou desconhecidos. Embora as técnicas de modelagem preditiva
tenham sido pesquisadas pela comunidade de mineração de dados por várias décadas, elas se tornaram cada
vez mais difundidas nos últimos anos, impactando todas as áreas de nossas vidas.
Novos métodos estão sendo aplicados em áreas como segurança nacional, prevenção de crimes, gerenciamento
de infraestrutura, segurança cibernética, transporte inteligente, assistência médica e bioinformática, mineração
de texto, detecção de fraudes, mídias sociais e suporte à decisão para tarefas complexas, como fusões e
aquisições.
Análise Preditiva
Roteiro deRoteiro de 
EstudosEstudos
Autor: Me. Marcelo Henrique dos Santos
Revisor: Me. Douglas Melman
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 2/24
Caro(a) estudante, ao ler este roteiro você irá:
aprender sobre a avaliação de riscos;
re�etir sobre as técnicas para realizar previsões para a tomada de decisão;
aprender sobre os modelos analíticos de classi�cação;
compreender sobre regressão e clustering;
estudar sobre análise preditiva e a Internet das Coisas (IoT).
Introdução
A partir da proposta do estudo de caso, o qual solicita a realização do planejamento de uma aplicação que utiliza
a análise preditiva para auxiliar na tomada de decisão, será possível observar que é fundamental aprender sobre
a avaliação de riscos, pois a aplicação deverá veri�car o processo de estimativa de probabilidades e a(s)
expectativa(s) e sua(s) consequência(s) para os riscos identi�cados.
A tomada de decisão humana geralmente transcende nossos modelos formais de "racionalidade". Para
implementar o aplicativo que consiga gerenciar diversos recursos que estão estritamente ligados com a
agricultura, será primordial re�etir sobre as técnicas para realizar previsões para a tomada de decisão de forma
automatizada.
Aprender sobre os modelos analíticos de classi�cação e compreender sobre regressão e clustering é fundamental
na implementação da mineração de dados e aplicação da classi�cação e regressão para obter precisão na
previsão de dados com baixos erros.
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 3/24
Por �m, é importante estudar sobre análise preditiva e a Internet das Coisas (IoT), pois esses serão os principais
impulsionadores do investimento e da inovação no setor de agricultura, nos próximos anos, oferecendo a
vantagem valiosa para todos os envolvidos no processo.
Avaliação de Riscos
A validação do modelo é uma etapa fundamental em qualquer estudo de riscos naturais. Validação refere-se ao
processo de comparar as previsões do modelo com um conjunto de dados do mundo real, para avaliar sua
precisão ou poder preditivo. A validação permite estabelecer o grau de con�ança do modelo, o que é de grande
importância para transferir os resultados aos usuários �nais. Além disso, sem uma validação adequada, não é
possível comparar o modelo com outros, ou mesmo com conjuntos alternativos de parâmetros ou variáveis
preditoras.
A avaliação do modelo, por outro lado, refere-se à avaliação de sua adequação às necessidades dos usuários
�nais. Dentro da análise de perigos, isso muitas vezes envolve o delineamento de zonas com diferentes níveis de
perigos, o que levaria a diferentes práticas de gestão. Além disso, uma boa validação também pode fornecer um
feedback para melhorar o modelo.
O estudo de caso típico em análise de risco compreende um conjunto de dados unitários que podem, ou não,
desenvolver uma característica. Entre os modelos preditivos que produzem uma resposta contínua expressando
o grau de perigo ou a propensão a expressar um risco, podemos citar os seguintes:
Análise bivariada: índice de susceptibilidade combinada ou probabilidade de ocorrência que é derivada da
análise da in�uência de cada variável explicativa. Vários métodos diferentes foram publicados, desde a estimativa
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 4/24
direta (CLERICI, 2002) à estimativa bayesiana ou lógica difusa (LEE et al., 2002).
Análise de regressão múltipla: uma relação linear é usada para prever uma característica contínua do
fenômeno perigoso, como a porcentagem de área afetada, a partir de um conjunto de variáveis explicativas
(CARRARA, 1983).
Análise discriminante: é determinada uma função que atribui discriminantes pontuações para as unidades de
estudo. Geralmente, as unidades são classi�cadas de acordo com as distâncias de alguns grupos de respostas
�xas a priori, mas mais regras re�nadas podem ser usadas em um contexto de análise de risco (LORENTE et al.,
2002).
Modelos lineares gerais: extensão de modelos de regressão que não permite as funções de resposta linear. O
exemplo mais usado é a logística de regressão, que gera diretamente uma probabilidade de ocorrência do
fenômeno perigoso (BLEDSOE; WATSON, 2001).
A discussão não se reduz apenas a abordagens estatísticas, pois existem diversos exemplos de modelos
baseados �sicamente com componentes probabilísticos. Normalmente, módulos probabilísticos são incluídos
para explicar a incerteza da estimativa de parâmetros (VAN BEEK; VAN ASCH, 2004).
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 5/24
LEITURA
Governança corporativa: fundamentos, desenvolvimento e tendências
Autor: José Paschoal Rosseti
Editora: Atlas
Ano: 2019
Esse livro fornece uma visão abrangente dos desenvolvimentos de governança corporativa (CG) a partir de
duas perspectivas: enriquecer o debate nesta área e possibilitar a análise dos riscos que envolvem a
construção e elaboração do projeto. Leia, principalmente, o Capítulo 2, “Objetivos, Concepções e Valores da
Governança Corporativa”, para auxiliá-lo(a) na resolução do problema do estudo de caso. Este título está
disponível na Biblioteca Virtual da Laureate.
 
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 6/24
LEITURA
Técnicas para análise de risco: uma avaliação da literatura sobre gerenciamento de projetos de SI
(Qualis B2).
Autores: Edmir Parada Vasques Prado e Paulo Mannini
Ano: 2018
Uma etapa fundamental do gerenciamento de riscos de projetos de TI é a avaliação de riscos. Os métodos de
avaliação de risco dependem do problema e do objeto a ser tratado. O artigo apresenta o processo e analisa a
aplicação dos métodos de avaliação de riscos de projetos de TI, além de apresentar as diferenças dos métodos
de avaliação de risco. A leitura do artigo irá auxiliar no desenvolvimento da atividade proposta no estudo de
caso. 
A C E S S A R
Técnicas para Realizar Previsões para a
Tomada de Decisão
https://www.revistagesec.org.br/secretariado/article/view/780-3155
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 7/24
Existem diversos riscos para realizar previsões para a tomada de decisão em muitos domínios. Uma lista não
exaustiva inclui economia, seguros, serviços bancários, gerenciamento de portfólio, investimentos,risco da
instituição �nanceira, risco da empresa, operações de gestão, gestão de negócios, engenharia e ciências
ambientais.
Os aplicativos de aprendizado de máquina para a tomada de decisão e suporte à decisão estão em pleno
crescimento. Além disso, a cada aplicativo bem-sucedido, os algoritmos de aprendizado estão ganhando maior
autonomia e controle sobre a tomada de decisões. Como exemplo, temos o Watson, que após superar o
desempenho de jogadores no jogo de perguntas e respostas humanas, foi reposicionado como uma ferramenta
de suporte à decisão inteligente.
As áreas de aplicação atuais incluem planejamento �nanceiro, pesquisa de medicamentos, medicina e direito.
Muitos desses domínios de aplicativos lidam com uma aleatoriedade subjacente de distribuições de escolha
desconhecida a priori. Problemas de exemplo especí�cos incluem reparos fundamentais na infraestrutura,
previsão de clima severo, previsão de turbulência na aviação, auditorias �scais e privacidade da detecção de
violação.
O desempenho dos algoritmos de aprendizado de máquina depende diretamente de quão explícitos são os
aspectos exclusivos do domínio formalizado (RUDIN; WAGSTAFF, 2014). Considerando a crescente autonomia dos
algoritmos de aprendizado de máquina na tomada de decisões, é natural considerar noções do risco teórico da
decisão em relação a essa aleatoriedade desconhecida. Quando aplicados para a tomada de decisão, os
algoritmos de aprendizado de máquina geralmente não consideram os objetivos de risco. A inclusão formal de
riscos no objetivo de aprendizado permite que o algoritmo pondere as decisões de acordo com seu risco.
O conceito de risco abrange muitos domínios com diversas interpretações. Willett (1901) se referiu a ele como
uma incerteza objetivada em relação à ocorrência de um evento indesejável. Knight (1921) descreveu o risco
como o processo de conhecer com certeza as probabilidades matemáticas de possíveis resultados e a incerteza
de quando a probabilidade de resultados não pode ser expressa com qualquer precisão.
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 8/24
A literatura de aprendizado de máquina geralmente se refere ao "risco" de aprender, mas isso está relacionado
ao desempenho abaixo do ideal devido à incerteza intrinsecamente presente em amostras aleatórias (HASTIE et
al., 2009). Essa tese considera apenas riscos observando objetivos e seu impacto nos algoritmos de aprendizado
de máquina usados para a tomada de decisão.
A tomada de decisão requer um conhecimento distributivo completo para cada uma das ações acionáveis
(escolhas a priori) para executar uma política (PETERSON, 2009). Na prática, nem sempre é o caso em que o
conhecimento distributivo completo esteja disponível. A avaliação de políticas pode ser problemática quando as
propriedades estatísticas do processo são desconhecidas e devem ser estimadas. Em muitas aplicações práticas,
como em �nanças (CHATFIEL, 2013), há geralmente apenas uma única sequência disponível para a análise, que é
apenas uma das muitas possíveis histórias que poderiam ter sido geradas pelo processo subjacente. Em alguns
casos, o tamanho da sequência é muito curto para exibir completamente essas dinâmicas complexas ou esses
padrões são de baixa probabilidade. Em muitas aplicações práticas, como a medição de eventos raros em séries
temporais �nanceiras, isto não é viável (TALEB, 2007).
Como resultado, quando apenas uma única sequência dependente curta é observada, estimar estatísticas
complexas pode ser muito desa�ador. Na ausência do processo ou de amostras adicionais, o princípio Bootstrap
trata a distribuição da amostra como a distribuição verdadeira, aproximando a variabilidade da verdadeira
distribuição por amostragem, com substituição, da amostra observada. O princípio Bootstrap atinge excelente
desempenho de estimativa sem fazer suposições limitativas restritivas no processo (EFRON, 1979).
Os métodos de bloco generalizam diretamente o princípio do Bootstrap para dados dependentes, em que a
sequência original é segmentada em blocos e esses blocos são amostrados aleatoriamente com substituição
para construir cada sequência de bootstrap. A capacidade desses métodos para modelar a dependência serial
depende da seleção precisa da largura do bloco (KULPERGER; PRAKASA RAO, 1989).
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 9/24
LEITURA
Administração de sistemas de informação e a gestão do conhecimento
Autor: Alessandro Marco Rosini
Editora: Cengage Learning
Ano: 2012
A teoria da empresa baseada no conhecimento sugere que o conhecimento é o ativo organizacional que
permite vantagem competitiva sustentável em ambientes hipercompetitivos. A ênfase no conhecimento nas
organizações de hoje baseia-se no pressuposto de que barreiras à transferência e replicação do conhecimento
conferem-lhe importância estratégica. No tópico 1.5.4, Sistemas de Apoio à Decisão (SAD), do livro o autor
apresenta esse contexto e possibilitará a compreensão da importância da utilização das técnicas para realizar
previsões para a tomada de decisão. Este título está disponível na Biblioteca Virtual da Laureate. 
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 10/24
LEITURA
Orientação e gestão para stakeholdersno processo de decisão organizacional
Autores: Fabricio Stocker e Keysa Manuela Cunha de Mascena
Ano: 2019
A complexidade e a �exibilidade da tomada de decisão estão diretamente relacionadas aos objetivos e
características de cada indivíduo. Com este trabalho, será possível re�etir sobre a possibilidade de integrar as
técnicas para realizar previsões para a tomada de decisão de forma automatizada. 
A C E S S A R
Modelos Analíticos de Classi�cação
O Data Mining ensina as técnicas para a mineração de dados, ou seja, é possível realizar a análise de dados em
um banco de dados usando ferramentas que procuram tendências ou anomalias sem conhecimento do
signi�cado dos dados. Data Mining é de�nido como o procedimento de extração de informações de grandes
https://www.revistagesec.org.br/secretariado/article/view/864/pdf
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 11/24
conjuntos de dados. Em outras palavras, podemos dizer que a mineração de dados é a mineração do
conhecimento dos dados.
Podemos classi�car em seis grandes classes a mineração de dados. Embora existam vários outros algoritmos e
muitas variações das técnicas descritas, um dos algoritmos desse grupo de seis é quase sempre usado em
implantações do mundo real de sistemas de mineração de dados.
Muitos algoritmos e técnicas podem ser aplicados na construção da mineração de dados, como: Classi�cação,
Clustering, Regressão, Inteligência Arti�cial, Redes Neurais, Regras de Associação, Árvores de Decisão, Algoritmos
Genéticos, Classi�cação por Indução de Árvore de Decisão, Classi�cação Bayesiana, Support Vector Machines
(SVM) etc., que são usados para a descoberta de conhecimento a partir de bancos de dados.
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 12/24
LEITURA
Redes de computadores
Autora: Diane Barrett
Editora: LTC
Ano: 2010
Mineração de dados é um termo relevante que simpli�ca a exploração e análise da enorme quantidade de
dados com o objetivo de buscar informações ocultas e valiosas. O autor apresenta no Capítulo 1,
“Comunicações de dados”, e no Capítulo 2, “Redes decomunicações”, elementos fundamentais para aplicar
a mineração de dados em aplicações que serão disponibilizadas em rede. Este título está disponível na
Biblioteca Virtual da Laureate. 
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 13/24
LEITURA
O secretário executivo e a tecnologia da informação: um estudo sobre a utilização de recursos
tecnológicos pelos pro�ssionais da cidade de Belém/PA
Autores: Alessandra de Paula Lima Soares e Marco Antonio Lima
Ano: 2014
Com a leitura do material, é possível compreender de forma prática o processo de aplicar a mineração dos
dados de forma a atingir os objetivos que foram estabelecidos no escopo. 
A C E S S A R
Regressão e Clustering
A mineração de dados é classi�cada em preditiva e descritiva. O método preditivo faz a predição sobre os valores
dos dados, e o método descritivo identi�ca o relacionamento entre os dados.
Data Mining visa, principalmente, a extração das informações anteriormente desconhecidas e substancialmente
úteis do conjunto de dados disponível. As principais categorias de mineração de dados incluem as técnicas de
https://www.revistagesec.org.br/secretariado/article/view/254/pdf_58
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 14/24
agrupamento, classi�cação e regressão.
A técnica de regressão pode ser adaptada para predicação. A análise de regressão pode ser usada para modelar
o relacionamento entre uma ou mais variáveis independentes e dependentes (CHAI; LONG, 2001). Na mineração
de dados, as variáveis independentes são os atributos já conhecidos, e as variáveis de resposta são os elementos
que queremos prever. Infelizmente, muitos problemas do mundo real não são simplesmente uma previsão. Por
exemplo, volumes de vendas, estoque, preços e taxas do produto são todos muito difíceis de prever, porque eles
podem depender de interações complexas de múltiplas variáveis preditoras. Portanto, técnicas mais complexas
(por exemplo, regressão logística, árvores de decisão ou redes neurais) podem ser necessárias para prever os
valores futuros. Os mesmos tipos de modelo podem frequentemente ser usados para regressão e classi�cação.
Por exemplo, o Classi�cation and Regression Trees (CART) é um algoritmo da árvore de decisão que pode ser usado
tanto para criar a classi�cação de árvores (para classi�car variáveis de resposta categóricas) como para aplicar a
regressão de árvores (para prever variáveis de resposta contínua). As redes neurais também podem criar
classi�cação e modelos de regressão. Alguns dos tipos de métodos de regressão são: regressão linear, regressão
linear multivariada, regressão não linear e regressão não linear multivariada.
Na mineração de dados, a previsão de dados pode ser feita usando as técnicas de classi�cação de mineração de
dados e regressão. Essas técnicas de mineração de dados possuem vários algoritmos. Na previsão, usando a
classi�cação, a precisão é baixa com erros altos, mas usando regressão, podemos obter precisão na previsão de
dados com baixos erros. Comparando a classi�cação dos algoritmos de regressão sob os diversos parâmetros,
como precisão de previsão, complexidade, erros comparando essas duas técnicas, podemos dizer que,
e�cientemente, a previsão pode ser feita usando regressão e seus algoritmos.
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 15/24
LEITURA
Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações
Autores: Leandro Nunes de Castro e Daniel Gomes Ferrari
Editora: Saraiva
Ano: 2016
O livro apresenta uma introdução sistemática e uma visão geral completa do estado da arte da mineração de
dados de contraste, incluindo conceitos, metodologias, algoritmos e aplicativos. No Capítulo 1, “Introdução à
mineração de dados”, o autor aborda justamente sobre esse contexto. Este título está disponível na Biblioteca
Virtual da Laureate. 
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 16/24
LEITURA
O uso da descoberta de conhecimento em base de dados para apoiar a tomada de decisões
Autores: Eric Rommel G. Dantas, José Carlos Almeida, Patrício Júnior, Daniel Silva de Lima e Ryan Ribeiro de
Azevedo
Ano: 2019
A mineração de dados automatiza o processo de pesquisa de dados históricos para descobrir novas
informações. O artigo aborda justamente sobre essa diferença entre a mineração de dados e a estatística.
Após a leitura do material, será possível compreender qual é a ligação dos princípios de regressão e clustering
com o desenvolvimento de aplicações que utilizam a análise preditiva. 
A C E S S A R
Análise Preditiva e a Internet das Coisas
(IoT)
https://www.aedb.br/seget/arquivos/artigos08/331_331_Artigo_SEGET_EJDR_Versao_Final_010808.pdf
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 17/24
A análise preditiva na Internet das Coisas (IoT) é o ramo da previsão de análises que lidam com a previsão
envolvida na con�guração dos dispositivos da IoT. A análise preditiva na IoT trabalha com a ajuda de dados
coletados por diversos sensores especializados implantados em locais onde dispositivos IoT devem funcionar e
ajuda na criação do conjunto de dados que atua como entrada para o preditor.
O processo de análise preditiva na IoT nos ajuda a alcançar o objetivo de automação residencial e torna as coisas
muito mais fáceis de implementar, oferecendo �exibilidade de implementar o hardware mais recente. Além dos
dados gerados pela IoT, deve-se criar tabela separada para armazenar os dados gerados pelos sensores que
atuam como catalisadores do processo de análise preditiva.
A análise preditiva faz uso de várias técnicas estatísticas e analíticas para prever o cenário utilizado pelos
dispositivos IoT. Utiliza o aprendizado de máquina para fazer os processos de previsão muito mais fácil. A IoT é
atualmente um campo em evolução e muitas pesquisas foram realizadas a esse respeito. Segundo Lutu e
Engelbrecht (2010), foi concluído que a mineração de dados juntamente com a análise preditiva são as
tecnologias mais perturbadoras da era atual. O processo envolve preparação, mineração, apresentação e
revolução em torno da teoria da estatística, probabilidade e conhecimento.
A arquitetura da análise preditiva pode ser dividida em 3 partes:
Visão do conhecimento: essa parte da coleta de dados é feita pelo usuário e pelo sensor. Os dados coletados
são armazenados na forma de mapas de representação e o ciclo do conhecimento. O ciclo é segregado com a
ajuda da inteligência arti�cial. A análise outlier e a análise de séries temporais são feitas neste estágio para
garantir que as informações coletadas sejam de alta qualidade.
Visão técnica: nesta visão, são aplicadas técnicas pré-descobertas que são examinadas adequadamente para
que o resultado obtido seja de alta qualidade. O aprendizado de máquina é usado para otimizar a técnica para
que o conhecimento seja consistente e os valores extremos são mínimos.
Visualização do aplicativo: nesta visão, tente inculcar os aplicativos ou a tarefa; isso deve ser realizado no
banco de dados (ASHTON, 2009).
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 18/24
Segundo Gogoi et al. (2011), o processo de análise preditiva consiste em várias etapas, como segue abaixo:
Coleta dedados: os dados são coletados dos sensores (dispositivos IoT) para facilitar o processo de análise que
requer um conjunto de dados adequado.
Análise de cluster de dados: os dados são então formados em clusters para agrupar valores semelhantes a uma
unidade. O cluster é utilizado para processamento posterior.
Mineração de regras de associação: a mineração de regras de associação é executada nos valores de atributo
para concluir que tipo de valores ocorrem juntos.
Análise outlier: outliers são analisados para derivar uma conclusão para sua posição exata. A decisão sobre se os
valores coletados podem ser acomodados ao cluster de dados atual ou um novo cluster é obtida seguindo certas
etapas prede�nidas.
Recolha conclusiva de declarações: este é o último passo do processo no qual os dados após o processamento
formam um if-else para a construção da derivação de conclusões.
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 19/24
LEITURA
Redes de computadores e internet
Autor: Douglas E. Comer
Editora: Bookman
Ano: 2016
No livro o autor apresenta os conceitos e características da rede de computadores, em que é a conectividade
entre computadores que permite a comunicação entre sistemas ou dispositivos de computador. Ao longo da
obra, são apresentadas algumas características importantes às quais as aplicações devem atender. O Capítulo
4 aborda a construção e o gerenciamento das “Aplicações tradicionais da Internet”. Este título está disponível
na Biblioteca Virtual da Laureate. 
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 20/24
LEITURA
A Internet das Coisas aplicada ao conceito de e�ciência energética: uma análise quantitativo-
qualitativa do estado da arte da literatura
Autores: Arildo Antônio Sônego, Roderval Marcelino e Vilson Gruber
Ano: 2016
A revolução contínua de objetos do cotidiano sem �o conectados à rede, denominada "Internet das Coisas"
(IoT), está criando oportunidades interessantes. A partir desse contexto, o(a) leitor(a) deverá re�etir sobre de
que forma é possível criar estratégias para integrar os recursos da Internet das Coisas em outras áreas,
principalmente com a Análise Preditiva. 
A C E S S A R
Conclusão
Vimos que Data Mining é o processo de analisar dados de diferentes perspectivas e compilá-los em informações
úteis, tornando-o mais preciso, con�ável, e�ciente e bené�co. Na mineração de dados são aplicadas várias
https://revistas.ufpr.br/atoz/article/view/47860/29517
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 21/24
técnicas, como classi�cação, agrupamento, regressão e mineração de associação. Essas técnicas podem ser
usadas em vários tipos de dados; podem ser dados de �uxo, dados dimensionais, bidimensionais ou
multidimensionais.
Analisamos as técnicas de mineração de dados baseadas em vários parâmetros. Todas as técnicas de mineração
de dados usadas nos vários campos do conhecimento para previsão e extração de dados úteis ou conhecimento
de uma grande base de dados são analisadas, e cada dado apresenta um desempenho diferente.
Vimos que o futuro da IoT está na análise preditiva. Os processos de previsão e a análise podem ajudar a
alcançar o objetivo de construir software e aplicativos cada vez mais inteligentes. Os dispositivos IoT se tornam
inteligentes apenas quando os dispositivos conectados à internet se tornam capazes de tomar as suas próprias
decisões. A integração adequada entre análise preditiva e o IoT pode se tornar a próxima tecnologia disruptiva a
governar as próximas décadas. A produtividade dos dispositivos IoT aumenta quando combinadas com a análise
preditiva.
Referências Bibliográ�cas
ASHTON, K. That ‘Internet of Things’ Thing. RFiD Journal, jun. 2009. Disponível em:
https://www.r�djournal.com/articles/view?4986. Acesso em: 17 fev. 2020.
BARRETT, D. Redes de computadores. Rio de Janeiro: LTC, 2010.
BLEDSOE, B. P.; WATSON, C. C. Logistic analysis of channel pattern thresholds: meandering, braiding, and incising.
Geomorphology, n. 38, p. 281-300, 2001. Disponível em: http://bledsoe.engr.uga.edu/wp-
content/uploads/2017/11/Bledsoe_Watson_2001_geomorph_logistic.pdf. Acesso em: 17 fev. 2020.
https://www.rfidjournal.com/articles/view?4986
http://bledsoe.engr.uga.edu/wp-content/uploads/2017/11/Bledsoe_Watson_2001_geomorph_logistic.pdf
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 22/24
CARRARA, A. Multivariate models for landslide hazard evaluation. Mathematical Geology, n. 15, jun. 1983.
Disponível em: https://link.springer.com/article/10.1007/BF01031290. Acesso em: 17 fev. 2020.
CASTRO, L. N; FERRARI, D. G. Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São
Paulo: Saraiva, 2016.
CHAI, D. J. et al. Prediction of Frequent Items to One Dimensional Stream Data. In: INTERNATIONAL CONFERENCE
ON COMPUTATIONAL SCIENCE AND APPLICATIONS, 5., 2007, Kuala Lampur. Anais [...]. Kuala Lampur: IEEE, 2007.
Disponível em: https://ieeexplore.ieee.org/document/4301167. Acesso em: 17 fev. 2020.
CHATFIELD, C. The analysis of time series: an introduction. CRC Press, 2013.
CLERICI, A. et al. A procedure for landslide susceptibility zonation by the conditional analysis method.
Geomorphology, 2002. Disponível em:
https://www.sciencedirect.com/science/article/abs/pii/S0169555X0200079X. Acesso em: 17 fev. 2020.
COMER, D. E. Redes de computadores e internet. Porto Alegre: Bookman, 2016.
DANTAS, E. R. G. et al. O uso da descoberta de conhecimento em base de dados para apoiar a tomada de
decisões. Disponível em:
https://www.aedb.br/seget/arquivos/artigos08/331_331_Artigo_SEGET_EJDR_Versao_Final_010808.pdf. Acesso
em: 17 fev. 2020.
EFRON, B. Bootstrap methods: Another look at the Jackknife. The Annals of Statistics, v. 7, n. 1, p. 1-26, jan.
1979.
GOGOI, P. et al. A survey of outlier detection methods in network anomaly identi�cation. The Computer Journal,
v. 54, n. 4, abr. 2011. Disponível em: https://bit.ly/2PcVxKR. Acesso em: 17 fev. 2020.
HASTIE, T. et al. The elements of statistical learning. Springer, 2009. v. 2.
https://link.springer.com/article/10.1007/BF01031290
https://ieeexplore.ieee.org/document/4301167
https://www.sciencedirect.com/science/article/abs/pii/S0169555X0200079X
https://www.aedb.br/seget/arquivos/artigos08/331_331_Artigo_SEGET_EJDR_Versao_Final_010808.pdf
https://bit.ly/2PcVxKR
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 23/24
KNIGHT, F. H. Risk, uncertainty and pro�t. New York: Hart, Scha�ner and Marx, 1921.
KULPERGER, R. J.; PRAKASA RAO, B. L. S. Bootstrapping a �nite state Markov chain. Sankhya: the Indian Journal of
Statistics, v. 51, n. 2, p. 178-191, 1989.
LEE, S; CHOI, J; MIN, K. Landslide susceptibility analysis and veri�cation using the Bayesian probability model.
Environmental Geology, v, 43, 2002. Disponível em: https://link.springer.com/article/10.1007/s00254-002-0616-
x. Acesso em: 17 fev. 2020.
LIMA, M. A; SOARES, A. P. L. O secretário executivo e a tecnologia da informação: um estudo sobre a utilização de
recursos tecnológicos pelos pro�ssionais da cidade de Belém/PA. Revista de Gestão e Secretariado, São Paulo,
v. 5, n. 2, 2014. Disponível em: https://www.revistagesec.org.br/secretariado/article/view/254/pdf_58. Acesso em:
17 fev. 2020.
LORENTE, A. et al. Factors explaining the spatial distribution of hillslope debris �ows: a case study in the FlyschSector of the Central Spanish Pyrenees. Mountain Research and Development, v. 22, n. 1, fev. 2002. Disponível
em: https://bit.ly/37MDCRN. Acesso em: 17 fev. 2020.
LUTU, P. E. N.; ENGELBRECHT, A. P. A decision rule-based method for feature selection in predictive data mining.
Expert Systems with Applications: an International Journal, v. 37, n. 1, jan. 2010. Disponível em:
https://dl.acm.org/doi/abs/10.1016/j.eswa.2009.06.031. Acesso em: 17 fev. 2020.
PETERSON, M. An introduction to decision theory. Cambridge: Cambridge University Press, 2009.
PRADO, E. P. V; MANNINI, P. Técnicas para análise de risco: uma avaliação da literatura sobre gerenciamento de
projetos de SI. Revista de Gestão e Secretariado, São Paulo, v. 9, n. 3, set./dez. 2018. Disponível em:
https://www.revistagesec.org.br/secretariado/article/view/780-3155/pdf. Acesso em: 17 fev. 2020.
ROSINI, A. M; PALMISANO, A. Administração de sistemas de informação e a gestão do conhecimento. 2. ed.
São Paulo: Cengage Learning, 2012.
https://link.springer.com/article/10.1007/s00254-002-0616-x
https://www.revistagesec.org.br/secretariado/article/view/254/pdf_58
https://bit.ly/37MDCRN
https://dl.acm.org/doi/abs/10.1016/j.eswa.2009.06.031
https://www.revistagesec.org.br/secretariado/article/view/780-3155/pdf
07/06/2021 Roteiro de Estudos
https://fmu.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_665800_1&PARENT_ID=_16389896_1&CONTENT_ID=_16389898_1 24/24
ROSSETI, J. P. Governança corporativa: fundamentos, desenvolvimento e tendências. São Paulo: Atlas, 2019.
RUDIN, C; WAGSTAFF, K. L. Machine learning for science and society. Machine Learning, v. 95, 2014. Disponível
em: https://link.springer.com/article/10.1007/s10994-013-5425-9. Acesso em: 17 fev. 2020.
SÔNEGO, A. A.; MARCELINO, R.; GRUBER, V. A Internet das Coisas aplicada ao conceito de e�ciência energética:
uma análise quantitativo-qualitativa do estado da arte da literatura. AtoZ: novas práticas em informação e
conhecimento, Santa Catarina, v. 5, n. 2, 2016. Disponível em:
https://revistas.ufpr.br/atoz/article/view/47860/29517. Acesso em: 17 fev. 2020.
STOCKER, F; MASCENA, K. M C de. Orientação e gestão para stakeholders no processo de decisão organizacional.
Revista de Gestão e Secretariado, São Paulo, v. 10, n. 1, jan./abr. 2019. Disponível em:
https://www.revistagesec.org.br/secretariado/article/view/864/pdf. Acesso em: 17 fev. 2020.
TALEB, N. N. The black swan: the impact of the highly improbable. 2007.
VAN BEEK, R.; VAN ASCH, T. Regional assessment of the e�ects of land-use change on landslide hazard by means
of physically based modelling. Natural Hazards, v. 31, n. 1, p. 289-304, Jan. 2004.
WILLETT, A. H. The economic theory of risk and insurance. New York: The Columbia University Press, 1901. v.
14, n. 2.
https://link.springer.com/article/10.1007/s10994-013-5425-9
https://revistas.ufpr.br/atoz/article/view/47860/29517
https://www.revistagesec.org.br/secretariado/article/view/864/pdf