---

Área de concentração: 55134 - Ciências de Computação e Matemática Computacional

Criação: 28/06/2022

Nº de créditos: 8

Carga horária:

Teórica Por semana	Prática Por semana	Estudos Por semana	Duração	Total
4	3	8	8 Semanas	120 Horas

Docentes responsáveis:

Ricardo Marcondes Marcacini

Objetivos:

Caracterizar a mineração de dados não estruturados identificando algoritmos, técnicas e teorias relacionados ao tema. Explorar as particularidades e necessidades da mineração para diferentes tipos de dados não estruturados. O curso visa prover teoria e prática a fim de que os alunos possam aplicar as novas técnicas e ferramentas estudadas em problemas reais.

Justificativa:

A quantidade de dados gerados por diferentes fontes tem crescido em escalas cada vez maiores. A necessidade de analisar esses dados de forma automática e as dificuldades encontradas nessa análise têm levado à necessidade do desenvolvimento de novos métodos que possam lidar com os vários problemas associados à análise de dados não estruturados. Este curso irá apresentar ao aluno os princípios gerais da mineração de dados não estruturados e fornecer uma visão geral dos problemas relacionados aos diferentes tipos de dados não estruturados e as soluções disponíveis. As ciências e engenharias lidam cada vez mais com problemas de dados não estruturados. Nesse contexto, a mineração de dados não estruturados é relevante em várias linhas de pesquisa como classificação supervisionada e semissupervisionada, agrupamento de dados, detecção de comunidades, processamento de imagens, recuperação de informação e reconhecimento de padrões.

Conteúdo:

O objetivo desta disciplina é explorar os conceitos, técnicas e aplicações envolvidas na mineração de dados. Principais tópicos:
Parte I - Fundamentos da Mineração de Dados não estruturados: Identificação de problemas; pré-processamento de dados; extração de padrões e pós-processamento
Parte II - Tópicos especiais: Mineração de textos; Mineração de Opiniões, Mineração de Web, Mineração de grafos, Mineração de imagens; entre outros.

Forma de avaliação:

Prova teórica e trabalhos práticos. A nota final é dada pela média ponderada das notas obtidas pelo aluno no decorrer do semestre.

Observação:

Forma de oferecimento
Apenas presencial

Bibliografia:

Fundamentais:
Zaki, M. J., & Meira Jr, W. (2019). Data Mining and Machine Learning: Fundamental Concepts and Algorithms. Cambridge University Press.
Tan, P.N.; Steinbach, M.; Karpatne, A.; Kumar, V. (2016). Introduction to Data Mining (2nd Edition). Pearson.
Aggarwal, C. C. (2018). Machine learning for text. Cham: Springer.
Carvalho, A. C. P. L. F., Faceli, K., Lorena, A., & Gama, J. (2011). Inteligência Artificial–uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC, 45.


Complementares:
Aggarwal, C.C. (2015). Data mining: the textbook (Vol. 1). New York: springer.
Liu, B. (2012). Sentiment analysis and opinion mining. Synthesis lectures on human language technologies, 5(1), 1-167.
Rezende, S. O. (2003). Sistemas inteligentes: fundamentos e aplicações. Editora Manole Ltda.