Questões sobre Data Mining

Processo de explorar grandes quantidades de dados à procura de padrões consistentes, como regras de associação ou sequências temporais, para detectar relacionamentos sistemáticos entre variáveis, detectando assim novos subconjuntos de dados é conhecido como

• A. datawarehouse.
• B. SGBD
• C. mineração de dados (data mining).
• D. modelagem relacional de dados.
• E. mineração de textos (text mining).

Em relação às soluções existentes para o problema de tomada de decisão nas organizações, julgue os itens a seguir.

Algumas das principais técnicas utilizadas para a realização de Datamining são: estatística, aprendizado de máquina, datawarehouse e recuperação de informações.

• C. Certo
• E. Errado

No que se refere a data mining e sistemas de suporte a decisão, assinale a opção correta.

• A.

  A técnica de clustering em data mining utiliza os algoritmos ID3 e o C4.5. Esses algoritmos produzem árvores de decisão, o que permite gerar clusters de elementos que, por sua vez, geram mapeamento dos elementos em grupos predefinidos.

• B.

  Utilizando-se a técnica dice em data mining, é possível descobrir regras do tipo basket data, em que cada tupla consiste em um conjunto de atributos binários chamados itens.

• C.

  A técnica de associação em data mining verifica se há controle ou influência entre atributos ou valores de atributos, no intuito de verificar, mediante a análise de probabilidades condicionais, dependências entre esses atributos.

• D.

  Data mining é o processo não trivial de identificar, em bases de dados, padrões válidos, novos e potencialmente úteis ao usuário. KDD (knowledge discovery in databases) é um processo dentro do data mining.

• E.

  A técnica de classificação em data mining possibilita a definição de classes e o enquadramento de elementos em grupos de afinidades, por meio de avaliação de similaridade entre esses elementos.

Acerca de conceitos básicos, arquiteturas e aplicações de data warehouse e datamining e técnicas de modelagem e otimização de bases de dados multidimensionais, julgue os itens que se seguem.

Em datamining, o uso de holdout induz o modelo de classificação a partir do conjunto de treinamento, e seu desempenho é avaliado no conjunto de teste. Quanto menor o conjunto de treinamento, maior a variância do modelo; no entanto, se o conjunto de treinamento for grande demais, a precisão estimada calculada a partir do conjunto menor é menos confiável.

• C. Certo
• E. Errado

A Mineração de Dados é

• A.

  o processo de desenvolvimento de soluções automáticas de acesso a informações úteis em depósitos de dados.

• B.

  a transformação automática de dados existentes em grandes depósitos de dados em informações quantifi cáveis.

• C.

  a automação da recuperação de informações caracterizadas por registros com grande quantidade de atributos.

• D.

  a descoberta de relações signifi cativas entre dados e informações passíveis de atualização automática.

• E.

  o processo de descoberta automática de informações úteis em grandes depósitos de dados.

São aspectos motivadores da Mineração de Dados:

• A.

  Escalabilidade. Dimensionalidade moderada. Dados homogêneos. Propriedade e centralização dos dados.

• B.

  Extensibilidade. Alta paridade. Dados complexos e heterogêneos. Concorrência e distribuição dos dados.

• C.

  Escalabilidade. Alta dimensionalidade. Dados complexos e heterogêneos. Propriedade e distribuição de dados.

• D.

  Escalabilidade. Dimensionalidade variável. Dados compatíveis e acoplados. Adequação da distribuição de dados.

• E.

  Especialidade. Alta dimensionalidade de verifi cação. Dados complexos e complementares. Propriedade e consistência de dados.

Em relação a Data Warehouse, Data Mining e banco de dados distribuídos, julgue os itens subsequentes.

Um Data Mart pode ser considerado, na visão bottom-up, uma reunião de vários Data Mining, desde que estes sejam desenvolvidos em modelos multidimensionais (MDM).

• C. Certo
• E. Errado

Em relação a Data Warehouse, Data Mining e banco de dados distribuídos, julgue os itens subsequentes.

O Data Mining possibilita descobrir padrões úteis de diferentes formas. Uma delas é por meio de classificação, utilizando-se o algoritmo ID3 que recebe como entrada um conjunto de tuplas para treinamento chamado exemplos e um atributo objetivo, que permite criar árvores de decisão.

• C. Certo
• E. Errado

As técnicas de mineração de dados podem ser categorizadas em supervisionadas e não supervisionadas.

As técnicas de árvores de decisão, agrupamento e regras de associação são categorizadas, respectivamente, como

• A. não supervisionada, não supervisionada, não supervisionada
• B. não supervisionada, supervisionada e não supervisionada
• C. supervisionada, não supervisionada e não supervisionada
• D. supervisionada, não supervisionada e supervisionada
• E. supervisionada, supervisionada e supervisionada

No que diz respeito a sistemas de suporte a decisão, julgue os itens subsequentes.

O data mining possibilita analisar dados para obtenção de resultados estatísticos que poderão gerar novas oportunidades ao negócio.

• C. Certo
• E. Errado