Material Complementar:

Mineração de Dados: Vantagens,

Algoritmos, Técnicas e Ferramentas
Mineração de Dados: Vantagens, Algoritmos, Técnicas e Ferramentas

Vantagens da Mineração de Dados

Vantagens da
Descrição
mineração de dados
A mineração de dados pode ajudar a identificar padrões e
Identificação de padrões tendências nos dados que podem ser difíceis de detectar usando
métodos tradicionais de análise de dados

A mineração de dados pode ajudar a descobrir insights valiosos

Descoberta de que podem ajudar as organizações a melhorarem sua eficiência,
insights valiosos
produtividade e tomada de decisões

A mineração de dados pode ajudar a prever comportamentos

Previsão de futuros com base em padrões históricos, permitindo que as
comportamentos futuros
organizações tomem medidas preventivas ou corretivas

A mineração de dados pode ajudar a identificar padrões suspeitos

Identificação de fraudes que possam indicar atividades fraudulentas, ajudando a prevenir
fraudes e a aumentar a segurança financeira

A mineração de dados pode ajudar a identificar padrões

Melhoria do marketing de compra dos clientes, permitindo que as organizações
e vendas desenvolvam campanhas de marketing mais eficazes e
personalizadas para os clientes

A mineração de dados pode ajudar a fornecer insights valiosos

Melhoria da tomada para apoiar a tomada de decisões em áreas como por exemplo
de decisões finanças, educação, saúde, segurança, transporte, políticas
públicas, entre outras para entregar valor para a sociedade

Identificação de A mineração de dados pode ajudar a identificar novas oportunidades

oportunidades de negócios de negócios com base em padrões e tendências nos dados

A mineração de dados pode ajudar as organizações a reduzirem

Redução de custos
custos ao identificar ineficiências e áreas de desperdício

Existem muitos algoritmos e técnicas disponíveis para a mineração de dados, aqui

estão alguns exemplos:
 Algoritmos de Aprendizado de Máquina Análise Estatística

Árvores de decisão Análise de regressão

Regressão linear e logística Análise de variância (ANOVA)
Redes neurais Testes de hipóteses
Máquinas de vetores de suporte (SVM) Análise discriminante
K-Means clustering Análise fatorial
Florestas aleatórias Análise de séries temporais.
Aprendizado por reforço
Redes Bayesianas.

Análise de Redes

Análise de centralidade
Clusterização de redes
Detecção de comunidades
Análise de fluxo de rede
Modelagem de difusão de informações em redes sociais
Análise de ocorrência de termos em texto.

Exemplos de Ferramentas para Mineração de Dados

RapidMiner: é uma plataforma de análise preditiva que oferece uma interface gráfica
para a construção de fluxos de trabalho de mineração de dados. Essa ferramenta
oferece 3 produtos:

• RapidMiner Studio: utilizado para desenhar os workflows que mapeiam

todo o processo de mineração de dados, iniciando na etapa de carregamento
dos dados até a etapa de visualização dos resultados;

• RapidMiner Server: utilizado para gerenciar seus modelos, compartilhar

com outros usuários; e

• RapidMiner Radoop: utilizado para compilar e executar workflows

armazenados no Hadoop.
KNIME: é uma plataforma de código aberto que permite a integração de diversas
ferramentas de mineração de dados, visando criar fluxos de trabalho personalizados.

Weka: é uma coleção de algoritmos de aprendizado de máquina para mineração de

dados, visualização e análise. É um projeto open source que busca disseminar técnicas
de machine learning, visando disponibilizar a ferramenta para pesquisadores.

Python: é uma linguagem de programação popular para análise de dados e

aprendizado de máquina, com várias bibliotecas úteis, como por exemplo as
bibliotecas Pandas, Matplotlib e Tkinter.

R: é uma linguagem de programação popular para análise de dados, com uma

ampla gama de pacotes para mineração de dados, como por exemplo os pacotes
Dplyr, ggplot2, knitr, mlr3, xgboost e data.table.

Orange: é uma plataforma de código aberto para análise de dados visuais que inclui
ferramentas de mineração de dados;

IBM Watson Studio: é uma plataforma de análise de dados que permite a criação
de fluxos de trabalho de mineração de dados com uma interface gráfica.

IBM SPSS Modeler: é uma ferramenta de mineração de dados que permite a criação
de modelos preditivos com uma interface gráfica. É uma ferramenta que inclui várias
técnicas de mineração de dados, como árvores de decisão, redes neurais, regressão
e análise de associação.

IBM Cognos Analytics: é uma plataforma de Business Intelligence que pode ser
usada para análise de dados e mineração de dados, com ferramentas para criação
de relatórios, análise visual e modelagem preditiva.

IBM InfoSphere BigInsights: é uma plataforma que pode ser usada para armazenar
e processar grandes conjuntos de dados. O BigInsights inclui várias ferramentas de
análise de dados, como Hadoop, Spark e BigSQL;
IBM Cloud Pak for Data: uma plataforma de dados e inteligência artificial que
permite a preparação de dados, a análise e a construção de modelos preditivos, com
ferramentas para ciência de dados, mineração de dados e governança de dados.

Amazon S3: é um serviço de armazenamento de objetos que pode ser utilizado

para armazenar grandes conjuntos de dados.
Amazon EC2: é um serviço de computação em nuvem que permite a criação de
instâncias de servidores virtuais, que possibilita executar algoritmos de mineração
de dados em grandes conjuntos de dados.

Amazon EMR: é um serviço gerenciado de clusters que permite a execução de

algoritmos de processamento distribuído em grandes conjuntos de dados.

Amazon Athena: é um serviço de consultas de dados interativo que permite a

consulta de grandes conjuntos de dados armazenados no serviço Amazon S3 usando
a linguagem SQL padrão; e

Amazon Redshift: um serviço de Data Warehouse que pode ser usado para
armazenar grandes conjuntos de dados e executar consultas complexas.