O documento discute conceitos e técnicas de mineração de dados (data mining), incluindo agrupamento (clustering), classificação, regressão, árvores de decisão e regras de associação. Vários exemplos destacam como essas técnicas podem ser usadas para descobrir padrões e relacionamentos nos dados.
O documento discute conceitos e técnicas de mineração de dados (data mining), incluindo agrupamento (clustering), classificação, regressão, árvores de decisão e regras de associação. Vários exemplos destacam como essas técnicas podem ser usadas para descobrir padrões e relacionamentos nos dados.
O documento discute conceitos e técnicas de mineração de dados (data mining), incluindo agrupamento (clustering), classificação, regressão, árvores de decisão e regras de associação. Vários exemplos destacam como essas técnicas podem ser usadas para descobrir padrões e relacionamentos nos dados.
1. (CESPE EBSERH 2018) A descoberta de novas regras e padrões em conjuntos de dados fornecidos, ou aquisição de conhecimento indutivo, é um dos objetivos de data mining. 2. (CESPE MPOG 2013) ETL é definido como o processo de descobrir padrões, associações, mudanças, anomalias e estruturas em grandes quantidades de dados armazenados ou em repositórios de informação gerais dentro do data mining. 3. (CESPE TCE/PB 2018) A respeito das técnicas e(ou) métodos de mineração de dados, assinale a opção correta. a) O agrupamento (ou clustering) realiza identificação de grupos de dados que apresentam coocorrência. b) A classificação realiza o aprendizado de uma função que pode ser usada para mapear os valores associados aos dados em um ou mais valores reais. c) A regressão ou predição promove o aprendizado de uma função que pode ser usada para mapear dados em uma de várias classes discretas definidas previamente, bem como encontrar tendências que possam ser usadas para entender e explorar padrões de comportamento dos dados. d) As regras de associação identificam grupos de dados, em que os dados têm características semelhantes aos do mesmo grupo e os grupos têm características diferentes entre si. e) Os métodos de classificação supervisionada podem ser embasados em separabilidade (entropia), utilizando árvores de decisão e variantes, e em particionamento, utilizando SVM (support vector machines). 5. (CESPE TCE/PE 2017) O método de clustering k- means objetiva particionar ‘n’ observações entre ‘k’ grupos; cada observação pertence ao grupo mais próximo da média. 6. (CESPE BACEN 2013) Árvores de decisão e regras de associação são exemplos de algoritmos de data mining. 7. (CESPE TRE/BA 2017) O agrupamento de dados no processo de data mining procura, em uma massa de dados que caracterizam uma população de indivíduos, grupos semelhantes e diferentes. O algoritmo baseado na teoria dos grafos e que dispensa a definição de protótipos utilizado para segmentar a base de dados em diferentes grupos é denominado a) K média. b) K medoides. c) Apriori. d) DBSCAN. e) Árvore geradora mínima. 8. (CESPE SEDF 2017) Comparados aos bancos de dados transacionais, os data warehouses são mais voláteis porque, para que se mantenham consistentes, são atualizados em tempo real a cada atualização que ocorrer em qualquer uma das bases originais de dados que o componham. 9. (CESPE SEDF 2017) Agrupar registros em grupos, de modo que os registros em um grupo sejam semelhantes entre si e diferentes dos registros em outros grupos é uma maneira de descrever conhecimento descoberto durante processos de mineração de dados. 10. (CESPE FUNPRESP-JUD 2016) Em DataMining, as árvores de decisão podem ser usadas com sistemas de classificação para atribuir informação de tipo. 11. (CESPE TCE/PA 2016) No contexto de data mining, o processo de descoberta de conhecimento em base de dados consiste na extração não trivial de conhecimento previamente desconhecido e potencialmente útil. 12. (CESPE TCE/SC 2016) Para a realização de prognósticos por meio de técnicas de mineração de dados, parte-se de uma série de valores existentes obtidos de dados históricos bem como de suposições controladas a respeito das condições futuras, para prever outros valores e situações que ocorrerão e, assim, planejar e preparar as ações organizacionais. 13. (CESPE TCE/SC 2016) As aglomerações, tipos de informação obtidos por meio da mineração de dados, caracterizam-se por se ligarem a um único e específico evento, em torno do qual ocorrem várias ações, com produção sistêmica de informações gerenciais que apoiarão uma nova ocorrência do mesmo tipo de evento. 14. (CESPE TRT - 8ª REGIÃO (PA E AP) 2016) A fase de preparação para implementação de um projeto de data mining consiste, entre outras tarefas, em coletar os dados que serão garimpados, que devem estar exclusivamente em um data warehouse interno da empresa. 15. (CESPE MPU 2013) Em se tratando de mineração de dados, a técnica de agrupamento (clustering) permite a descoberta de dados por faixa de valores, por meio do exame de alguns atributos das entidades envolvidas. 16. (CESPE TRT - 8ª REGIÃO (PA E AP) 2016) As aplicações de data mining utilizam diversas técnicas de natureza estatística, como a análise de conglomerados (cluster analysis), que tem como objetivo agrupar, em diferentes conjuntos de dados, os elementos identificados como semelhantes entre si, com base nas características analisadas. 17. (CESPE TRT - 8ª REGIÃO (PA E AP) 2016) Os processos de data mining e OLAP têm os mesmos objetivos: trabalhar os dados existentes no data warehouse e realizar inferências, buscando reconhecer correlações não explícitas nos dados do data warehouse. 18. (CESPE TRT - 8ª REGIÃO (PA E AP) 2016) As séries temporais correspondem a técnicas estatísticas utilizadas no cálculo de previsão de um conjunto de informações, analisando-se seus valores ao longo de determinado período. Nesse caso, para se obter uma previsão mais precisa, devem ser descartadas eventuais sazonalidades no conjunto de informações. 19. (CESPE FUNPRESP 2016) As Na implementação de mineração de dados (data mining), a utilização da técnica de padrões sequenciais pode ser útil para a identificação de tendências. 20. (CESPE TJDFT 2015) Em um processo de mineração, durante a etapa de preparação dos dados, são analisados os requisitos de negócio para consolidar os dados. 21. (CESPE MEC 2015) Selecionar uma amostra e determinar os conjuntos de itens frequentes dessa amostra para formar a lista de previsão de subconjunto são as principais características do algoritmo de previsão. 22. (CESPE MEC 2015) A predição em algoritmos de data mining objetiva modelar funções sobre valores para apresentar o comportamento futuro de determinados atributos. 23. (CESPE MEC 2015) O conhecimento obtido no processo de data mining pode ser classificado como uma regra de associação quando, em um conjunto de eventos, há uma hierarquia de tuplas sequenciais. 24. (CESPE MEC 2015) Situação hipotética: Após o período de inscrição para o vestibular de determinada universidade pública, foram reunidas informações acerca do perfil dos candidatos, cursos inscritos e concorrências. Ademais, que, por meio das soluções de BI e DW que integram outros sistemas, foram realizadas análises para a detecção de relacionamentos sistemáticos entre as informações registradas. Assertiva: Nessa situação, tais análises podem ser consideradas como data mining, pois agregam valor às decisões do MEC e sugerem tendências, como, por exemplo, o aumento no número de escolas privadas e a escolha de determinado curso superior. 25. (CESPE SERPRO 2013) Em tarefas preditivas, o atributo a ser predito é conhecido como variável independente, enquanto que os atributos usados para fazer a predição são conhecidos como alvo. 26. (CESPE TCU 2015) O uso prático de data mining envolve o emprego de processos, ferramentas, técnicas e métodos oriundos da matemática, da estatística e da computação, inclusive de inteligência artificial. 27. (CESPE TCU 2015) Quem utiliza o data mining tem como objetivo descobrir, explorar ou minerar relacionamentos, padrões e vínculos significativos presentes em grandes massas documentais registradas em arquivos físicos (analógicos) e arquivos lógicos (digitais). 28. (CESPE TCU 2015) A finalidade do uso do data mining em uma organização é subsidiar a produção de afirmações conclusivas acerca do padrão de comportamento exibido por agentes de interesse dessa organização. 29. (CESPE ANTAQ 2014) Em um processo de descoberta do conhecimento, um Data Mining executado para atingir uma meta pode falhar nas classes de predição, de identificação, de classificação e de otimização.. 30. (CESPE ANATEL 2014) No processo de Data Mining (mineração de dados), é indispensável o uso de técnica conhecida como Data Warehousing, uma vez que a mineração de dados deve ocorrer necessariamente em estruturas não normalizadas (FN0). 31. (CESPE TJSE 2014) Assim como o DataMining, os DataMarts são voltados para a obtenção de informações estratégicas de maneira automática, ou seja, com o mínimo de intervenção humana a partir da análise de dados oriundos de DataWarehouses. 32. (CESPE TJSE 2014) DataMining pode ser considerado uma etapa no processo de descoberta de conhecimento em base de dados, consistindo em análise de conjuntos de dados cujo objetivo é descobrir padrões úteis para tomada de decisão. 33. (CESPE TJCE 2014) A classificação, uma das principais tecnologias da mineração de dados, caracteriza-se por possuir um conjunto de transações, sendo cada uma delas relacionada a um itemset. 34. (CESPE TJSE 2014) O uso de agrupamento (clustering) em DataMining exige que os registros sejam previamente categorizados, tendo por finalidade aproximar registros similares para predizer valores de variáveis. 35. (CESPE TJCE 2014) A informação acerca dos resultados obtidos no processo de mineração é apresentada apenas de forma gráfica.