Outros Negócios

Visite também

Busca Avançada

Universitário

INTRODUÇÃO A MINERAÇÃO DE DADOS - Conceitos básicos, algoritmos e aplicações

Autores
Leandro Nunes de Castro
Daniel Gomes Ferrari

1ª Edição (2016)

Formatos Disponíveis Código do Produto Preço sugerido  
LIVRO IMPRESSO
376 páginas
ISBN: 9788547200985 R$ 85,00 Comprar
LIVRO DIGITAL
ISBN: 9788547200992 R$ 58,90 ebook

A Mineração de Dados surgiu como área de pesquisa e aplicação independente em meados da década de 1990, mas suas origens na matemática, estatística e computação são muito anteriores a esse período. A área também ganhou evidência nos últimos anos após ser cunhado o termo Big Data e com a publicação do relatório intitulado “Big Data: The Next Frontier for Innovation, Competition, and Productivity” pelo McKinsey Global Institute em meados de 2011. 

A mineração de dados é o elemento central responsável pela parte analítica (do inglês data analytics) do Big Data, ou seja, pela preparação e análise das grandes massas de dados. Com a nova nomenclatura, até os profissionais que atuam na área ganharam novo nome: analistas de dados (do inglês data analysts), ou cientistas de dados (do inglês data scientists). E esses profissionais são cada vez mais requisitados e bem pagos, principalmente no momento em que o volume de dados produzidos cresce exponencialmente, ao ponto de que em curtos períodos de tempo se gera mais dados do que em muitos séculos de história da humanidade. Para esse crescimento não parece haver limites e as oportunidades acadêmicas e comerciais da área surgem também em grande variedade, velocidade e volume!

Apesar da importância atual da área, a maior parte da literatura disponível está escrita em inglês e ainda são raros seus cursos de formação. Em Português há poucos livros, alguns poucos textos em análise de dados que possuem uma abordagem bastante distinta da proposta deste livro. Ao mesmo tempo, começam a surgir disciplinas específicas de graduação e pós-graduação em mineração de dados, análise de dados, Big Data e outras relacionadas. 

É nesse contexto que surge o livro “Introdução a Mineração de Dados: Conceitos Básicos, Algoritmos e Aplicações”, com a proposta de ser uma referência introdutória a área, voltada para estudantes e profissionais das ciências exatas, humanas e sociais aplicadas. Este livro foi escrito como texto básico para a área no idioma Português e está pautado numa escrita acessível a alunos de graduação, pós-graduação e profissionais que atuam ou querem atuar na área. 

Leandro Nunes de Castro

Engenheiro Eletricista pela Universidade Federal de Goiás (1996), Mestre em Engenharia Elétrica pela Unicamp (1998), Doutor em Engenharia de Computação (2001) pela Unicamp, possui MBA em Gestão Empresarial Estratégica pela Universidade Católica de Santos (2008) e fez Empretec pelo Sebrae-SP (2012). Foi Pesquisador ou Professor Visitante nas seguintes instituições: Universidade de Kent em Canterbury (junho de 2001 a maio de 2002); Universidade Tecnológica da Malásia (setembro de 2005); FT-Unicamp (março a junho de 2012); e Universidade de Salamanca (janeiro a julho de 2014). Foi professor e pesquisador junto ao Programa de Mestrado em Informática da Unisantos de 2003 a 2007. Possui bolsa produtividade em pesquisa do CNPq, nível 2, pelo comitê de Ciência da Computação. Sua principal linha de pesquisa é a Computação Natural com aplicações em Análise Inteligente de Dados, enfocando os sistemas imunológicos artificiais, as redes neurais artificiais, a computação evolutiva e a inteligência de enxame. Ele é membro do IEEE (Computational Intelligence Society) desde 1998, da SBA desde 1999 e da SBC desde 2006. Ele também faz parte de comitês de programa de diversas conferências e periódicos nacionais e internacionais e tem prestado serviço como revisor de livros para a Springer-Verlag e Idea Group Publishing. Leandro N. de Castro é autor principal do livro Artificial Immune Systems: A New Computational Intelligence Approach (Springer-Verlag, 2002); um dos organizadores de Recent Developments in Biologically Inspired Computing (Idea Group Publishing, 2004); autor do best-seller da CRC Fundamentals of Natural Computing: Basic Concepts, Algorithms, and Applications (CRC Press, 2006), autor do livro Computação Natural: Uma Jornada Ilustrada (Livraria da Física, 2010) e organizador do livro Nature-Inspired Computing Design, Development, and Application (IGI-Global, 2012). É proponente e Editor-Chefe do International Journal of Natural Computing Research (IJNCR), publicado pela IGI-Global. Possui mais de 200 artigos publicados em revistas e conferências nacionais e internacionais. Fundou e coordena o Laboratório de Computação Natural (LCoN) do Programa de Pós-Graduação em Engenharia Elétrica do Mackenzie (www.mackenzie.br/lcon.html) e mantém o site www.computacaonatural.com.br.

Daniel Gomes Ferrari

Bacharel em Ciência da Computação pela Universidade Estadual de Maringá (1999), mestre em Engenharia de Computação pela Universidade Federal de Goiás (2003), e doutor em Engenharia Elétrica pela Universidade Presbiteriana Mackenzie (2014). Tem experiência na área de Computação Natural atuando principalmente nos seguintes temas: mineração de dados, bioinformática, meta-aprendizado, computação natural, classificação, agrupamento de dados, redes neurais e computação evolutiva. Atualmente é pós-doutorando na Universidade Presbiteriana Mackenzie, e professor e coordenador adjunto na Universidade Anhembi Morumbi.

CAPÍTULO 1 – Introdução à mineração de dads
1.1 Introdução
1.2 O que é mineração de dados?
1.3 As diferentes nomenclaturas 
1.4 Exemplos de aplicação 

CAPÍTULO 2 – Pré-processamento de dados 
2.1 Introdução 
2.2 O processo de preparação da base de dados 
2.3 Limpeza dos dados 
2.4 Integração de dados 
2.5 Redução dos dados
2.6 Transformação dos dados 
2.7 Discretização 

CAPÍTULO 3 – Análise descritiva de dados
3.1 Introdução 
3.2 O processo de análise descritiva de dados 
3.3 Exemplo do processo de ADD 

CAPÍTULO 4 – Análise de grupos 
4.1 Introdução 
4.2 O processo de agrupamento de dados
4.3 Algoritmos de agrupamento 
4.4 Exemplo do processo de análise de grupos 

CAPÍTULO 5 – Classificação de dados
5.1 Introdução
5.2 O processo de predição de dados 
5.3 Algoritmos de classificação
5.4 Exemplo do processo de classificação

CAPÍTULO 6 – Estimação 
6.1 Introdução 
6.2 Algoritmos de estimação 
6.3 Exemplo do processo de estimação 

CAPÍTULO 7 – Regras de associação 
7.1 Introdução
7.2 Processo de mineração de regras de associação 
7.3 Algoritmos para mineração de regras de associação
7.4 Exemplo do processo de mineração de regras de associação 

CAPÍTULO 8 – Detecção de anomalias 
8.1 Introdução
8.2 O processo de detecção de anomalias 
8.3 Métodos estatísticos 
8.4 Métodos algorítmicos 
8.5 Exemplo do processo de detecção de anomalias 

Referências

APÊNDICE 1 – Fundamentos matemáticos 
A1.1 Conceitos elementares em álgebra linear 
A1.2 Conceitos elementares em teoria dos grafos
A1.3 Conceitos elementares em redes neurais artificiais (RNAs) 
A1.4 Resolução de problemas via métodos de busca 
A1.5 Conceitos elementares em estatística

APÊNDICE 2 – Pseudocódigos 
A2.1 Pseudocódigos

APÊNDICE 3 – Lista de softwares para mineração de dados 
A3.1 Softwares para mineração de dados
A3.2 Periódicos e conferências >

PARA OS ALUNOS/LEITORES CADASTRADOS
Conjunto de Dados
Tabela - Capítulo 2
Tabela - Capítulo 3
Tabela - Capítulo 4
Tabela - Capítulo 5
Tabela - Capítulo 6
Tabela - Capítulo 7
Tabela - Capítulo 8
PARA OS PROFESSORES CADASTRADOS
Slides
Apêndice 1
Capítulo 1
Capítulo 2
Capítulo 3
Capítulo 4
Capítulo 5
Capítulo 6
Capítulo 7
Capítulo 8
Orientação ao Professor
Caderno de exercícios do Professor

www.editorasaraiva.com.br

© Saraiva S/A - Livreiros Editores

Voltar ao topo
Imprimir selecionados