Disciplina de Mineração de Dados (2016)

Conteúdo programático:

Introdução, KDD e Análise Exploratória

14/04/2016 - Relação da mineração de dados com Big Data e o contexto atual da Tecnologia da Informação.
14/04/2016 - Processo de Descoberta de Conhecimento.
14/04/2016 - Introdução a Aprendizagem de Máquina.
14/04/2016 - Hierarquia da Aprendizagem de Máquina Indutiva.
28/04/2016 - Pré-processamento (no R) e análise exploratória.
28/04/2016 - Exercícios sobre Análise Exploratória com R.
28/04/2016 - Design de projetos para criação de modelos preditivos e avaliação de classificadores.
12/05/2016 - Resolução dos exercícios sobre Análise Exploratória.

Aprendizagem de Máquina Supervisionada

12/05/2016 - Algoritmos Indutores de Árvores de Decisão
19/05/2016 - Aprendizado baseado em instâncias - knn
19/05/2016 - Exercício sobre construção de classificadores
02/06/2016 - Ensemble Learning: Random Forest
02/06/2016 - Classification and Regression by randomForest, Andy Liaw and Matthew Wiener
02/06/2016 - Random Forest: Algorithm
09/08/2016 - Continuação de Exercício sobre Construção de Classificadores
09/08/2016 - Entrega do enunciado do Segundo Projeto sobre Aprendizagem de Máquina Supervisionada - Exemplo de estrutura de projeto e solução.
11/08/2016 - Continuação de Exercício sobre Construção de Classificadores
25/08/2016 - Data máxima para entrega do projeto sobre detecção de atividades humanas a partir de sensores

Aprendizagem de Máquina Não-Supervisionada

25/08/2016 - Algoritmos de agrupamento - planos
01/09/2016 - Exercícios sobre algoritmos de agrupamento
01/09/2016 - Algoritmos de agrupamento - hierárquicos
08/09/2016 - Regras de Associação - Dataset exemplo para regras de associação
08/09/2016 - Projeto: Descobrindo segmentos de adolescentes em redes sociais

Avaliações e Text Mining

15/09/2016 - Avaliação individual
22/09/2016 - Text Mining
29/09/2016 - Data máxima para entrega do projeto sobre detecção de falhas em bombas de água
29/09/2016 - Fechamento da disciplina
08/10/2016 - Data máxima para entrega do projeto sobre descoberta de segmentos de adolescentes em redes sociais

Método de avaliação:

A nota final será calculada levando-se em consideração os três trabalho práticos, dois sobre aprendizagem de máquina supervisionada e um sobre aprendizagem de máquina não supervisionada, e a avaliação individual. A nota final será a média simples destas três avaliações.

Referências:

EMC Education Services, editor. Data Science and Big Data Analytics: Discovering, Analysing, Visualizing and Presenting Data. John Wiley & Sons, 2015
Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani. An Introduction to Statistical Learning with Applications in R. Springer, 4th edition, 2014.
Redução de dimensionalidade
Pedro Domingos. A Few Useful Things to Know about Machine Learning
P. Branco, L. Torgo, R. P. Ribeiro. A Survey of Predictive Modelling under Imbalanced Distributions
Outras referências serão apresentadas ao longo do curso.

Ferramentas:

Dados:

http://earthquake.usgs.gov/earthquakes/
http://catalog.data.gov/dataset
https://www.kaggle.com/
UCI Machine Learning Repository
https://www.kaggle.com/
Outras baseas de dados serão adicionadas ao longo do curso