Você está na página 1de 36

FERRAMENTAS

PARA DATA
MINING
MINERAÇÃO DE
DADOS
Joao Antonio Aparecido Cardoso
DATA MINING – MINERAÇÃO DE DADOS

INTRODUÇÃO

• A evolução da computação possibilitou um aumento na


capacidade de processamento e armazenamento de dados.
• Diante da deficiência para analisar e compreender grande
volume de dados. Diversos estudos têm sido direcionados ao
desenvolvimento de tecnologias de extração automática de
conhecimento de Bases de Dados.
• “Mineração de dados é a exploração e análise de dados, por
meios automáticos ou semiautomáticos, em grandes
quantidades de dados, com o objetivo de descobrir regras ou
padrões interessantes.”
DATA MINING – MINERAÇÃO DE DADOS
INTRODUÇÃO
Segundo Figueira (1998), “a tecnologia tornou relativamente fácil o
acúmulo de dados. A consequência é a aplicação do uso dos Data
Warehouses. Ao mesmo tempo, a informação é valorizada como
nunca antes na história, e os dados armazenados nos Data
Warehouses são vasculhados por profissionais especializados, a
procura de tendências e padrões”.

Data Warehouse: Um datawarehouse é um


conjunto de dados orientado por assunto,
integrado, variável com o tempo, e não-volátil, que
fornece suporte ao processo de tomada de decisão
do negócio.
DATA MINING – MINERAÇÃO DE DADOS

• Grande disponibilidade de dados


armazenados eletronicamente
• Existem informações úteis, invisíveis,
nesses grandes volumes de dados
• Aproveitar para prever um
conhecimento futuro (ir além do
armazenamento explícito de dados).
DATA MINING – MINERAÇÃO DE DADOS

DEFINIÇÃO

Segundo Groth (1998), Data Mining é o processo de


descoberta automático de informações.

Para Ávila (1998), Data Mining é uma área de pesquisa da


Inteligência Artificial que busca encontrar padrões em
bases de dados. Geralmente, considerado como um dos
passos no processo de KDD – Knowledge Discovery
Database (Descobrimento de Conhecimento em Bases de
Dados.

Data Mining é uma tecnologia usada para


revelar informação estratégica escondida em
grandes massas de dados (KREMER, 1999).
• Grandes quantidades de dados
(bases de dados)
• Conhecimento dos mercados / clientes
• Setores muito dependentes da informação
bancos, seguros, telecomunicações, varejo.

DATA MINING – • Forte pressão competitiva


• Vantagem econômica
MINERAÇÃO DE DADOS • Respostas mais rápidas
• Produtividade
POR QUÊ DATAMINING? • Personalização em massa
• Promoção direta em função das compras
• Automação de tarefas /Apoio à decisão
• Detecção de fraudes

6
DATA MINING – MINERAÇÃO DE DADOS
EVOLUÇÃO
Evolução Perguntas Tecnologia disponível Características

Coleção de “Qual foi meu Computadores, Fitas, Retrospectiva,


dados rendimento total nos discos Dados estáticos
1960 últimos cinco anos ?” como resposta

Acessos aos “Qual foi meu RDBMS, Restropectiva,


dados rendimento no Brasil no SQL, dados dinâmicos a
1980 último janeiro ?” ODBC nível de registos
como resposta

Data “Qual foi meu Processamento analítico Retrospectiva,


warehousing rendimento no Brasil no on-line, banco de dados dados dinâmicos
& suporte a último janeiro? Do sul multidimencionais, data em múltiplos níveis
decisão até o nordeste warehousing como resposta
1990

Data Mining “Porque alguns produtos Algoritmos avançados, Prospectivo,


Atualmente são mais vendidos na computadores Informações
região sul ?” multiprocessados, B.D. (perspectivas)
grandes e poderosos como resposta.

Fonte: Albuquerque (2010).


DATA MINING – MINERAÇÃO DE DADOS
OBJETIVO

• O processo de Extração de Conhecimento de Base de Dados tem o


objetivo de encontrar conhecimento a partir de um conjunto de
dados para ser utilizado em um processo decisório.
• Um requisito importante é que esse conhecimento descoberto seja
compreensível a humanos, além de útil e interessante para os
usuários finais do processo.
• Procura de padrões úteis em grandes quantidades de dados
• padrão: motivo que se repete com alguma frequência
• útil: o padrão deve servir para resolver um problema

8
DATA MINING – MINERAÇÃO DE DADOS
OBJETIVO

Fonte: Albuquerque (2010).

9
DATA MINING – MINERAÇÃO DE DADOS

Bancos de Dados

Limpeza
(consistência,
preenchimento
de informações,
remoção de ruído
e redundâncias)

(Data Marts e
Data
Warehouses)

Um analista
refina e conduz o
processo até que
valiosos padrões
apareçam.
DATA MINING –
MINERAÇÃO DE
DADOS

Funcionalidade em Data Mining

- A Mineração de Dados dispõe de


tarefas básicas, classificadas em
duas categorias: descritivas e
preditivas.

• As descritivas se concentram em
encontrar padrões que descrevam
os dados de forma interpretável
pelos seres humanos.

• As preditivas realizam
interferência nos dados para
construir modelos que serão usados
para predições do comportamento
de novos dados.
DATA MINING – MINERAÇÃO DE DADOS
TÉCNICAS

Análise Aprendizado Algoritmos


Estatística; de Máquina; Genéticos;

Regras e
Clustering; Lógica Fuzzy; Árvores de
Decisão;

Redes Neurais.

12
DATA MINING – MINERAÇÃO DE DADOS
FERRAMENTAS
• Enterprise Miner, ferramenta de data mining do SAS
• Microsoft SQL Server, ferramenta originalmente de banco de dados que a
cada nova versão tem ganho novas funcionalidades de Business Intelligence.
Possui 8 algorítmos na versão do SQL Server 2008 e sua plataforma é
extensível para integração de outros algorítmos desenvolvidos.
• IlliMine Projeto de mineração de dados escrito em C++.
• InfoCodex Aplicação de mineração de dados com uma base de dados
linguística.
• KDB2000 Uma ferramenta livre em C++ que integra acesso à bases de dados,
pre-processamento, técnicas de transformação e um vasto escopo de
algoritmos de mineração de dados.
• KXEN Ferramenta de mineração de dados comercial, utiliza conceitos do
Profesor Vladimir Vapnik como Minimização de Risco Estruturada (Structured
Risk Minimization ou SRM) e outros.

13
DATA MINING – MINERAÇÃO DE DADOS
FERRAMENTAS
• KNIME Plataforma de mineração de dados aberta que implementa o
paradigma de pipelining de dados. Baseada no eclipse
• LingPipe API em Java para mineração em textos distribuída com código-
fonte.
• MDR Ferramenta livre em Java para detecção de interações entre atributos
utilizando o método da multifactor dimensionality reduction (MDR).
• Orange Tookit livre em Python para mineração de dados e aprendizado de
máquina.
• Pimiento Um ambiente para mineração em textos baseado em Java.
• PolyaAnalyst Ambiente que permite a montagem de fluxos para mineração
de dados e texto.
• Tanagra Software livre de mineração de dados e estatística.
• WEKA Software livre em java para mineração de dados.
• Cortex Intelligence Sistema de PLN para mineração de textos aplicado à
Inteligência Competitiva
14
DATA MINING – MINERAÇÃO DE DADOS
FERRAMENTAS ANALISADAS
• KNIME Plataforma de mineração de dados aberta que implementa
o paradigma de pipelining de dados. O pipeline de dados é um
conjunto de ações que extrai dados (analíticos e visualização) de
várias fontes. Através de plugins, os usuários podem adicionar
módulos para o texto, imagem, e processamento de séries
temporais e a integração de vários outros projetos de código
aberto, como a linguagem de programação R, Weka, o Chemistry
Development Kit, e LIBSVM.
• WEKA Environment for Knowledge Analysis - é uma ferramenta de
KDD open-source, escrita em Java, que contempla uma série de
algoritmos de diversas técnicas de mineração de dados,
desenvolvida pela Universidade de Waikato, na Nova Zelândia que
disponibiliza algoritmos para pré-processamento, classificação,
regressão, agrupamento, regras de associação e visualização de
dados provenientes de uma base de dados ou integradas a uma
aplicação Java (WEKA, 2017).
15
DATA MINING – MINERAÇÃO DE DADOS
FERRAMENTAS ANALISADAS
• RapidMiner anteriormente chamado de YALE (Yet Another Learning
Environment), é um ambiente para experiências de aprendizado de
máquina e mineração de dados desenvolvida pela empresa de
mesmo nome que fornece um ambiente integrado para preparação
de dados, aprendizado de máquina, aprendizado profundo,
mineração de texto e análise preditiva.

• SAS Enterprise Miner é um sistema integrado de aplicações para a


análise de dados, que consiste de: Recuperação de dados,
Gerenciamento de arquivos, Análise estatística, Acesso a Banco de
Dados, Geração de gráficos, Geração de relatórios. Trabalha com
quatro ações básicas sobre o dado: Acessar, Manipular, Analisar e
Apresentar. Pode ser instalado em diversos ambientes operacionais
disponíveis no mercado.

16
DATA MINING – MINERAÇÃO DE DADOS
FERRAMENTAS ANALISADAS
• KNIME - O Konstanz Information Miner é uma ferramenta de
mineração criada pela Universidade de Konstanz, na Alemanha, cujo
propósito inicial era analisar os dados do segmento de mercado
farmacêutico. É uma plataforma gratuita de análise de dados,
relatórios e integração de dados. Integra vários componentes para
aprendizado de máquina e mineração de dados através de seu
conceito modular de pipelining de dados. O Knime aproveita a
capacidade de extensão do módulo do Eclipse por meio do uso de
plug-ins
• Sistemas operacionais: Windows, Linux, OS X.
• Gravado em: Java
• Custo: 0,00

17
DATA MINING – MINERAÇÃO DE DADOS
FERRAMENTAS ANALISADAS
• RapidMiner Studio, Server (On-Premise), e Radoop.
• Sistemas operacionais: Windows, Linux, OS X.
DATA MINING – MINERAÇÃO DE DADOS
FERRAMENTAS ANALISADAS
• RapidMiner Server (On-Premise)
DATA MINING – MINERAÇÃO DE DADOS
FERRAMENTAS ANALISADAS
SAS Enterprise Miner é uma solução para criar modelos preditivos e descritivos
precisos em grandes volumes de dados em diferentes origens da organização.
Detectar fraudes, minimizar riscos, demandas de recursos, reduzir o tempo de
inatividade de recursos, campanhas e reduzir o atrito com clientes.

CARACTERÍSTICAS
• Interface gráfica fácil de usar e processamento em lote
• Sofisticada preparação, resumo e exploração de dados
• modelagem preditiva e descritiva avançada
• Integração open source com R
• Capacidades de alto desempenho
• Maneira rápida, fácil e auto-suficiente para os usuários de negócios gerarem
modelos
• Comparações, relatórios e gerenciamento de modelos
• processamento escalável
• opção de implantação na nuvem

PREÇO
Contato para Preços - oferece período de TESTE GRÁTIS
DATA MINING – MINERAÇÃO DE DADOS
FERRAMENTAS ANALISADAS
Weka - (Waikato Environment for Knowledge Analysis) começou a ser escrito em
1993, usando Java, na Universidade de Waikato, Nova Zelândia sendo adquirido
posteriormente por uma empresa no final de 2006.

Sistemas operacionais: Windows, Linux, OS X.

O Weka encontra-se licenciado ao abrigo da General Public License sendo


portanto possível estudar e alterar o respectivo código fonte. Atualmente é mantida
por uma comunidade de entusiastas.

É um conjunto bem conhecido de software de aprendizado de máquina que


suporta várias tarefas típicas de mineração de dados, em especial de pré-
processamento de dados, agrupamento, classificação, regressão, visualização e
seleção de recursos.

Weka fornece acesso a bancos de dados SQL utilizando Java Database


Connectivity e pode processar o resultado retornado por uma consulta de banco
de dados.

CUSTO: 0,00
DATA MINING – MINERAÇÃO DE DADOS
ESTUDO DE CASO
Artigo: Avaliação de Ferramentas de Mineração de Dados: Uma
Abordagem Com o Modelo TAM

Gleidison Santos Hora


Jislane Silva Santos Menezes
Gilson Pereira dos Santos Júnior
Almerindo Nascimento Rehem Neto

Sistemas de Informação – Instituto Federal de Sergipe (IFS), 2017.

O objetivo foi avaliar a aceitação das ferramentas de mineração de


dados (Weka, Knime, RapidMiner e Tanagra) através do modelo de
aceitação de tecnologia (Technology Acceptance Model – TAM)
com os discentes da disciplina de Mineração de Dados do curso de
Sistemas de Informação de uma Instituição Pública.
DATA MINING – MINERAÇÃO DE DADOS
ESTUDO DE CASO

O TAM foi proposto por Davis (1989) sendo uma adaptação do modelo da
Teoria da Ação Raciocinada (TRA). Ele foi projetado para compreender a
relação causal entre variáveis externas de aceitação dos usuários e o uso
real do computador, buscando entender o comportamento do usuário
através do conhecimento da utilidade e da facilidade de utilização
percebida por ele (DAVIS, 1989).

Segundo o modelo, as pessoas tendem a usar ou não uma tecnologia


com o objetivo de melhorar seu desempenho no trabalho – utilidade
percebida. Porém, mesmo que essa pessoa entenda que uma
determinada tecnologia é útil, sua utilização poderá ser prejudicada se o
uso for muito complicado, de modo que o esforço não compense o uso –
facilidade percebida.
DATA MINING – MINERAÇÃO DE DADOS
ESTUDO DE CASO

Foi aplicado um questionário com 23 questões sobre Variáveis Externas


(VE), Facilidade de uso percebido (FUP), Utilidade Percebida (UP) e
Intenção Comportamental (IC) com 12 discentes do referido curso,
durante o segundo semestre de 2016.
DATA MINING – MINERAÇÃO DE DADOS
ESTUDO DE CASO

A ferramenta RapidMiner apresentou altos índices de aceitação para todos os


itens avaliados. Ela registrou um percentual de concordância de
aproximadamente 82,1%, que permite concluir que a ferramenta é fácil de usar,
agradável e bastante intuitiva.

Com 48,9% de aceitação, a ferramenta Tanagra apresentou dados inconclusivos


para o construto FUP, ou seja, não se pode afirmar que a ferramenta é fácil de
ser utilizada. Os itens FUP2, FUP3, FUP5 e FUP7 foram rejeitados, ou seja, a
ferramenta não é clara, não é agradável e não é intuitiva. O software Tanagra
foi rejeitado neste item por cerca de 83,3% dos entrevistados. Conforme os
resultados, a ferramenta não atende a nenhum dos itens avaliados, não é uma
aplicação apropriada para as tarefas de mineração de dados, não atende às
expectativas dos usuários e não é recomendada pelos entrevistados
DATA MINING – MINERAÇÃO DE DADOS
ESTUDO DE CASO

A pesquisa mostrou as ferramentas analisadas são fáceis de serem


usadas, com exceção da Tanagra que obteve 48,9% de aceitação
neste quesito. Todas as ferramentas mostraram-se úteis para
realizar as tarefas de mineração de dados. Além disso, os
participantes demonstraram interesse em utilizar as tarefas diárias
de mineração de dados, em particular o RapidMiner, Weka e Knime.
DATA MINING – MINERAÇÃO DE DADOS
ESTUDO DE CASO
Monografia - Agrupamento e Visualização de Dados: Estudo e Implementações
para a Ferramenta YADMT
Mateus Felipe Teixeira - Bacharelado em Ciência da Computação - UNIOESTE –
Universidade Estadual do Oeste do Paraná
Objetivo - Estudar e implementar métodos que permitam a visualização de
resultados obtidos por algoritmos de agrupamentos de dados presentes na
ferramenta YADMT – Yet Another Data Mining Tool, que é uma ferramenta
desenvolvida na Unioeste de forma modular, facilitando a inserção de novos
módulos do processo KDD. A ferramenta é constituída por sete métodos de
agrupamento de dados, incluindo métodos de visualização.
Knime - O seu fluxo de execução é bastante intuitivo, pelo uso do sistema de
nodos, em que cada nodo executa alguma funcionalidade. Porém, ainda
possui algumas funcionalidades que não são explicitadas o que pode dificultar
o seu uso, ou não tornar o uso da ferramenta ágil
RapidMiner - A ferramenta possui um fluxo de execução bastante intuitivo,
seguindo a ideia de fluxo de execução baseada em nodos que representam
um determinado processo.
A utilização da WEKA é a mais simples dentre as ferramentas analisadas e
estudadas, tendo o fluxo de execução semelhante ao proposto pela YADMT, e
apesar de possuir uma variedade de métodos de mineração de dados,
abrangendo praticamente todas as etapas do processo KDD, a ferramenta não
possui métodos de visualização o que poderia agregar mais ao processo de
extração de conhecimento que a ferramenta se propõe a fazer.
DATA MINING – MINERAÇÃO DE DADOS
ESTUDO DE CASO

Avaliação de Ferramentas de Apoio ao Ensino de Técnicas de


Mineração de Dados em Cursos de Graduação – 2016

José Viterbo1, Clodis Boscarioli2, Flavia Cristina Bernardini3,


Mateus Felipe Teixeira2
1 Instituto de Computação Universidade Federal Fluminense (UFF) Niterói – RJ – Brasil
2 Colegiado de Ciência da Computação Universidade Estadual do Oeste do Paraná (UNIOESTE)
Cascavel – PR – Brasil
3 Instituto de Ciência e Tecnologia Universidade Federal Fluminense Rio das Ostras – RJ – Brasil

XXXVI Congresso da Sociedade Brasileira de Computação-


WEI - 24º Workshop sobre Educação em Computação- 2016
DATA MINING – MINERAÇÃO DE DADOS
ESTUDO DE CASO

Realizou-se uma inspeção por meio do Percurso Cognitivo, um


método de avaliação de IHC (Interação Humano-Computador) por
inspeção cujo principal objetivo é avaliar a facilidade de
aprendizado de um sistema interativo por meio da exploração de
sua interface.
Os avaliadores deveriam identificar botões que possibilitam
carregar a base de dados e especificar o caminho; botões que
executam o algoritmo solicitado e configurar os parâmetros de
entrada; e botões que possibilitam inserir métodos de visualização
e, por fim, interpretar a saída dos algoritmos.
Um teste de usabilidade foi então planejado e realizado com um
grupo de 30 estudantes de Ciência da Computação da Universidade
Federal Fluminense (UFF), aplicado imediatamente após terem
cursado a disciplina de Aprendizado de Máquina, na qual foram
ensinados os conceitos introdutórios de MD, suas tarefas e as
principais técnicas de agrupamento e classificação de dados, usadas
durante o teste de usabilidade com as ferramentas.
DATA MINING – MINERAÇÃO DE DADOS
ESTUDO DE CASO
Avaliação de Ferramentas de Apoio ao Ensino de Técnicas
de Mineração de Dados em Cursos de Graduação – 2016
Os alunos foram divididos em grupos de tal forma que cada 1/5 dos
alunos ficou responsável pelo estudo prático da execução das tarefas de
MD em uma das seguintes ferramentas: Knime, Orange Canvas,
RapidMiner, Weka e CMSR Data Miner. Dessa maneira, cada uma das
ferramentas avaliadas era conhecida por apenas 20% dos alunos
(usuários), porém, todos deviam fazer as atividades em todas elas e,
assim, responder a todas as questões propostas.
DATA MINING – MINERAÇÃO DE DADOS
ESTUDO DE CASO

Resultados: A ferramenta Weka, uma das mais utilizadas em cursos de


graduação e pósgraduação no Brasil, muito pelo seu pioneirismo, foi, no
geral, a que obteve uma das piores avaliações pelos estudantes quanto à
sua usabilidade. Outras ferramentas como Knime, Orange Canvas e
RapidMiner, tiveram melhores avaliações gerais.
Esse resultado é bastante interessante para mostrar que a preocupação
com a escolha de uma ferramenta, mesmo para o ensino de estudantes de
cursos da área de Computação, deve estar também pautada em aspectos
de interação que podem ser facilitadores ao processo de apropriação do
conhecimento de MD.
DATA MINING – MINERAÇÃO DE DADOS
ESTUDO DE CASO
Comportamento Do Consumidor: O Caso Dos Clientes Zara
Jéssica Patrícia Barbosa Graça – Universidade Lusófona De Humanidades e
Tecnologias Escola de Ciências Económicas e das Organizações – Lisboa, 2016.

O trabalho teve como objetivo a análise do comportamento do consumidor


Zara, em contraste com os “não clientes Zara”. Foi realizada uma pesquisa
quantitativa direta através da aplicação de um questionário online
Tiveram 144 respostas, sendo a população os consumidores de vestuário de
marca adquirido em loja, e a amostra consumidores Zara e não Zara, com
idade igual ou superior aos 16 anos.
O estudo de campo focou-se na análise da influência dos fatores testados no
processo de decisão de compra no varejo de roupas, comparando o
comportamento de compra de clientes ZARA com “não clientes Zara”.
Os dados obtidos foram analisados e trabalhados na ferramenta SAS
Enterprise Guide e posteriormente criados alguns gráficos e tabelas auxiliares
em Excel. Utilizamos ainda o SPSS para a realização do Teste t que nos
permitiu testar diferenças das médias entre os Grupos de clientes Zara e
Clientes Não Zara, foi ainda realizada a Análise de Concordância e o Teste de
Levene que nos permitiu averiguar a homogeneidade das variâncias.
DATA MINING – MINERAÇÃO DE DADOS
ESTUDO DE CASO
Using SAS Enterprise Miner to predict breast cancer at early
stage

Gibson O. Ikoro, Queen Mary University of London;


B. de la Iglesia, University of East Anglia.

Este artigo apresenta uma análise de um banco de dados real


contendo informações de pacientes submetidos a triagem
mamária. Os dados são daqueles pacientes que se acreditava estar
em risco de desenvolver tipos específicos de câncer de mama. A
informação utilizada foi datada de 9 de janeiro de 1997 a 27 de
junho de 2002, com 13078 registros no total.

https://support.sas.com/resources/papers/proceedings15/3101-
2015.pdf
DATA MINING – MINERAÇÃO DE DADOS
CONCLUSÃO

Existem inúmeras ferramentas no mercado para a Mineração de


Dados, algumas mais complexas ou simples que outras, além de
soluções gratuitas que podem atender pequenas empresas e
pesquisadores. Cabe a empresa ou aos usuários encontrar uma
ferramenta que atenda sua necessidade.

A principal função dessas ferramentas é de explorar um conjunto de


dados, extraindo ou ajudando a evidenciar padrões nestes dados e
auxiliando na descoberta de conhecimento, para ser exposto de
maneira prática e fácil através de gráficos e dashboards, interativos
ou não.

Enfim, a vantagem dessas ferramentas consiste na melhoria da


tomada de decisão como um todo, sendo ela estratégica ou não. Com
elas, a tomada de decisão se dá com mais embasamento.
REFERÊNCIAS
Albuquerque, R. DATA MINING – MINERAÇÃO DE DADOS: INTRODUÇÃO, 2010. Disponível em:
<https://slideplayer.com.br/slide/1247752/>. Acesso em: 20 set. 2018.
ÁVILA, B.C. Data Mining, Dissertação (Mestrado em Informática Aplicada) – Pontifícia Universidade Católica do
Paraná. Curitiba, 1998.
CARLOS, H.; MOTA, L.; COSTA, M. C.; BARBOSA, M. M.; PEREIRA, N. R. Data Mining. Disponível em:
<https://pt.slideshare.net/niltonrpereira/apresentao-data-mining>. Acesso em: 20 set. 2018.
DAVIS, Fred D.; BAGOZZI, Richard P.; WARSHAW, Paul R. User acceptance of computer technology: a comparison of
two theoretical models. Management science, v. 35, n. 8, p. 982-1003, 1989.
E SILVA, Gercely da Silva. Estudo de técnicas e utilização de mineração de dados em uma base de dados da saúde
pública, 2003. Trabalho de Conclusão (Graduação)–Curso Superior de Tecnologia em Informática, Universidade
Luterana do Brasil, Canoas, 2003.
FIGUEIRA, Rafael. Mineração de dados e bancos de dados orientados a objetos. Rio de. Janeiro: UFRJ, Dissertação,
Mestrado, Ciência da Computação, 1998.
FIGUEIRA R. M. A. Miner: Um Software para Inferência de Dependências Funcionais, Trabalho de Conclusão de
Curso, Instituto de Matemática da Universidade Federal do Rio de Janeiro — UFRJ, 1998.
GRAÇA, Jéssica Patrícia Barbosa et al. Comportamento do consumidor: o caso dos clientes Zara. 2016. Dissertação
de Mestrado. Universidade Lusófona De Humanidades e Tecnologias Escola de Ciências Económicas e das
Organizações – Lisboa, 2016.
Groth, Robert. Data Mining, A Hands-on Approach for Business Professionals. Prentice-Hall PTR, 1998.
GURGEL, Tarcisio Barbosa. Mineração de Dados Aplicada à Cardiologia Pediátrica. 2007.
HORA, Gleidison Santos et al. Avaliação De Ferramentas De Mineração De Dados: Uma Abordagem Com O Modelo
Tam. Interfaces Científicas-Exatas e Tecnológicas, v. 2, n. 3, p. 109-121, 2018.
KREMER, R. Sistema de Apoio à Decisão para Previsões Genéricas Utilizando Data Mining, Trabalho de Conclusão
de Curso, Blumenau: FURB, 1999.
TEIXEIRA, MATEUS FELIPE. Agrupamento e Visualização de Dados: Estudo e Implementações para a Ferramenta
YADMT. Tese de Doutorado. Dissertação (Trabalho de Conclusão de Curso). UNIOESTE, Cascavel, 2013.