01 - ANÁLISE PREDITIVA

Prévia do material em texto

08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435_… 1/16
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.
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
Análise Preditiva
Roteiro deRoteiro de 
EstudosEstudos
Autor: Me. Marcelo Henrique dos Santos
Revisor: Me. Douglas Melman
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435_… 2/16
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.
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.
Para Raymundo (2009, p. 87):
A validação é o processo de examinar a precisão de uma determinada predição
ou inferência realizada a partir dos escores de um teste. Validar, mais do que a
demonstração do valor de um instrumento de medida, é todo um processo de
investigação. O processo de validação não se exaure, ao contrário, pressupõe
continuidade e deve ser repetido inúmeras vezes para o mesmo instrumento.
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435_… 3/16
Ao passar por um processo de validação, estabelece-se uma interpretação quanto aos
resultados obtidos. Desse modo, a cada validação, pode-se obter um diferente resultado.
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.
Nesse sentido, a validação serve como um diagnóstico sobre os caminhos percorridos (ou a
percorrer) para atender às necessidades dos usuários.
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 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).
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435_… 4/16
LEITURA
Governança corporativa: fundamentos, desenvolvimento e tendências
Autores: José Paschoal Rosseti e Adriana Andrade
Editora: Atlas
Ano: 2019
Comentário: esse livro fornece uma visão abrangente dos desenvolvimentos de Governança
Corporativa (CG), a partir de duas perspectivas: enriquecer o debate nessa área e possibilitar a
análise dos riscos que envolvem a construção e a 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.
Esse título está disponível na Biblioteca Virtual da Laureate. 
Técnicas para Realizar Previsões
para a Tomada de Decisão
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 aplicativoslidam com uma aleatoriedade
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435_… 5/16
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.
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).
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435_… 6/16
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).
LEITURA
Administração de sistemas de informação e a gestão do conhecimento
Autores: Alessandro Marco Rosini e Angelo Palmisano
Editora: Cengage Learning
Ano: 2012
Comentário: 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 à replicação do conhecimento conferem-lhe
importância estratégica. No Tópico 1.5.4, “Sistemas de Apoio à Decisão (SAD)”, o autor
apresenta esse contexto, que possibilitará a compreensão da importância da utilização das
técnicas para realizar previsões para a tomada de decisão.
Esse título está disponível na Biblioteca Virtual da Laureate. 
Modelos Analíticos de
Classi�cação
O termo “Data Mining” surgiu nos anos 90 e se relaciona a um processo de descoberta e
extração de conhecimento em grandes bases de dados, ou Knowledge Discovery in Databases —
KDD (como popularmente é conhecido). De acordo com Rossini et al. (2018, p. 57), “A Data
Mining ou Mineração de Dados utiliza ferramentas que podem analisar os dados, descobrir
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435_… 7/16
problemas ou oportunidades escondidas nos relacionamentos dos dados que podem auxiliar
na tomada de decisão”.
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 conjuntos de dados. Em outras palavras,
podemos dizer que a mineração de dados é a mineração do conhecimento dos dados.
Segundo Kleinschmidt (2008, p. 3),
Para melhorar a con�abilidade dos dados enviados no canal sem �o, técnicas
como retransmissão ARQ (do inglês: Automatic Repeat Request) ou correção de
erros FEC (do inglês: Forward Error Correction) podem ser usadas. As técnicas
FEC usam códigos corretores de erros que adicionam redundância (bits de
paridade) para corrigir erros de bits. O receptor usa os bits de paridade para
detectar e corrigir erros. As técnicas FEC usam códigos corretores de erros que
adicionam redundância (bits de paridade) para corrigir erros de bits. O
receptor usa os bits de paridade para detectar e corrigir erros.
Ou seja, de modo a ser possível a detecção de erros, torna-se imprescindível utilizar a
estratégia de veri�cação de paridade, em que o �uxo de bits é empacotado em blocos.
A mineração de dados, classi�cada como preditiva e descritiva, é um tema expressivo, pois
contribui para a análise e a investigação de grande quantidade de dados, tendo como meta
encontrar informações veladas e preciosas. No método preditivo, realiza-se a predição a
respeito dos valores dos dados, e, no descritivo, é possível observar o relacionamento que se
estabelece entre esses 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.
O controle de �uxo é um método pelo qual o �uxo de dados entre os
dispositivos é gerenciado de modo que os dados possam ser tratados em um
ritmo e�ciente. O controle de �uxo pode ocorrer em diversos níveis, como de
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435_… 8/16
processo do usuário para processodo usuário, de host para host, e de roteador
para roteador. Dois tipos de controle de �uxo geralmente são suportados:
hardware e software (BARRETT, 2010, p. 24).
Podemos concluir que a mineração de dados, um processo que possibilita a extração de
associação, mudanças, anomalias, padrões, tendências e outras informações, é uma tecnologia
recente, com importante potencial para os sistemas de informação, que favorece sobremaneira
a tomada de decisões.
LEITURA
Redes de computadores
Autores: Andrew S. Tanenbaum e David Wetheral
Editora: Pearson
Ano: 2011
Comentário: “mineração de dados” é um termo relevante que simpli�ca a exploração e a
análise da enorme quantidade de dados com o objetivo de buscar informações ocultas e
valiosas. Os autores apresentam, no Capítulo 3, “A camada de enlace de dados”, e, no Capítulo
6, “A camada de transporte”, elementos fundamentais para usar a mineração de dados em
aplicações que serão disponibilizadas em rede.
Esse título está disponível na Biblioteca Virtual da Laureate. 
Regressão e Clustering
Como já vimos, anteriormente, a mineração de dados é classi�cada como 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, à extração das informações anteriormente desconhecidas e
substancialmente úteis do conjunto de dados disponível. As principais categorias de mineração
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435_… 9/16
de dados incluem as técnicas de agrupamento, classi�cação e regressão. As etapas delas
envolvem: “a de�nição clara do problema; a seleção de todas as fontes internas e externas de
dados e a preparação dos dados, que inclui o pré-processamento, reformatação dos dados e
análise dos resultados obtidos do processo de Data Mining” (GALVÃO; MARIN, 2009, p. 688).
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.
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435… 10/16
LEITURA
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 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.
Esse título está disponível na Biblioteca Virtual da Laureate. 
Análise Preditiva e a Internet das
Coisas (IoT)
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.
Colombo e Facchini Neto (2017, p. 63) salientam que a análise preditiva pode se traduzir em
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435… 11/16
um olhar para o passado, a partir dos dados que estão diante do gestor, para
fundamentar decisões futuras. Esta forma de agir não é recente. No entanto, os
meios tecnológicos aprimoraram a coleta, o tratamento e a utilização dos
dados. A atualidade do tema se veri�ca por estar sendo aplicada amplamente
por gigantes do setor de varejo.
Nesse sentido, o termo “predizer signi�ca antecipar, projetar ou prever situações, tendo como
ponto central algoritmos computacionais, sem haver interação humana.
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).
Segundo Gogoi et al. (2011), o processo de análise preditiva consiste em várias etapas, como
segue abaixo:
Coleta de dados: 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 sãoentão 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.
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435… 12/16
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.
LEITURA
Redes de computadores e internet
Autor: Douglas E. Comer
Editora: Bookman
Ano: 2016
Comentário: 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”.
Esse título está disponível na Biblioteca Virtual da Laureate. 
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435… 13/16
LEITURA
Internet das Coisas: uma introdução com o Photon
Autor: Simon Monk
Editora: Bookman
Ano: 2018
Comentário: 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.
Esse título está disponível na Biblioteca Virtual da Laureate. 
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 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
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435… 14/16
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.
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.
COLOMBO, C.; FACCHINI NETO, E. mineração de dados e análise preditiva: re�exões sobre
possíveis violações ao direito de privacidade na sociedade da informação e critérios para sua
adequada implementação à luz do ordenamento brasileiro. Revista de Direito, Governança e
Novas Tecnologias, Maranhão, v. 3, n. 2, p. 59-80, jul./dez. 2017.
COMER, D. E. Redes de computadores e internet. Porto Alegre: Bookman, 2016.
https://www.rfidjournal.com/articles/view?4986
http://bledsoe.engr.uga.edu/wp-content/uploads/2017/11/Bledsoe_Watson_2001_geomorph_logistic.pdf
https://link.springer.com/article/10.1007/BF01031290
https://ieeexplore.ieee.org/document/4301167
https://www.sciencedirect.com/science/article/abs/pii/S0169555X0200079X
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435… 15/16
EFRON, B. Bootstrap methods: Another look at the Jackknife. The Annals of Statistics, v. 7, n. 1,
p. 1-26, jan. 1979.
GALVÃO, N. D.; MARIN, H. de F. Técnica de mineração de dados: uma revisão da literatura. Acta
Paul. Enferm., São Paulo, v. 22, n. 5, p. 686-690,   out.   2009.   Disponível em:
https://bityli.com/Td9us. Acesso em: 22 maio 2021.
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.
KLEINSCHMIDT, J. H. Propostas e análise de estratégias de controle de erros para redes de
sensores sem �o. 2008. 96 f. Tese (Doutorado em Engenharia Elétrica) – Universidade Estadual
de Campinas, Campinas, 2008. Disponível em:
http://repositorio.unicamp.br/jspui/bitstream/REPOSIP/261209/1/Kleinschmidt_JoaoHenrique_D.pdf.
Acesso em: 22 maio 2021.
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.
LORENTE, A. et al. Factors explaining the spatial distribution of hillslope debris �ows: a case
study in the Flysch Sector 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.
MONK,S. Internet das Coisas: uma introdução com o Photon. Porto Alegre: Bookman, 2018.
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,
https://bityli.com/Td9us
https://bit.ly/2PcVxKR
http://repositorio.unicamp.br/jspui/bitstream/REPOSIP/261209/1/Kleinschmidt_JoaoHenrique_D.pdf
https://link.springer.com/article/10.1007/s00254-002-0616-x
https://bit.ly/37MDCRN
https://dl.acm.org/doi/abs/10.1016/j.eswa.2009.06.031
08/07/2021 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-course_content_soap-BBLEARN/Controller?ACTION=OPEN_PLAYER&COURSE_ID=_729435… 16/16
set./dez. 2018. Disponível em: https://www.revistagesec.org.br/secretariado/article/view/780-
3155/pdf. Acesso em: 17 fev. 2020.
RAYMUNDO, V. P.  Construção e validação de instrumentos: um desa�o para a psicolinguística.
Letras de Hoje, Porto Alegre, v. 44, n. 3, p. 86-93, jul./set. 2009. Disponível em:
https://revistaseletronicas.pucrs.br/ojs/index.php/fale/article/download/5768/4188. Acesso em:
22 maio 2021.
ROSINI, A. M; PALMISANO, A. Administração de sistemas de informação e a gestão do
conhecimento. 2. ed. São Paulo: Cengage Learning, 2012.
ROSSETI, J. P.; ANDRADE, A. Governança corporativa: fundamentos, desenvolvimento e
tendências. São Paulo: Atlas, 2019.
ROSSINI, L. A. S. et al. Data Mining: conceitos e consequências. Revista Interface Tecnológica,
[S. l.], v. 15, n. 2, p. 50-59, 2018. Disponível em:
https://revista.fatectq.edu.br/index.php/interfacetecnologica/article/view/486. Acesso em: 22
maio 2021.
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.
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.
TANENBAUM, A. S.; WETHERAL, D. Redes de computadores. São Paulo: Pearson, 2011.
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://www.revistagesec.org.br/secretariado/article/view/780-3155/pdf
https://revistaseletronicas.pucrs.br/ojs/index.php/fale/article/download/5768/4188
https://revista.fatectq.edu.br/index.php/interfacetecnologica/article/view/486
https://link.springer.com/article/10.1007/s10994-013-5425-9
https://www.revistagesec.org.br/secretariado/article/view/864/pdf