Dados da Disciplina

Instituição de Ensino Superior:

UNIVERSIDADE FEDERAL DE CIÊNCIA E INOVAÇÃO DO RIO DE JANEIRO

Programa:

Engenharia de Produção e Sistemas (31022014001P4)

Nome:

MINERAÇÃO DE DADOS

Sigla:

MAD

Número:

3017

Créditos:

Período de Vigência:

01/09/2016 à -

Disciplina obrigatória:

Não

Ementa:

Este curso oferece um estudo abrangente das técnicas de mineração de dados, com foco no processo de descoberta de conhecimento a partir de dados (KDD). Ele abrange etapas fundamentais, incluindo análise exploratória de dados, pré-processamento de dados (limpeza, transformação, seleção de atributos e redução de dimensionalidade), detecção de anomalias, mineração de padrões (conjuntos frequentes, regras de associação e padrões sequenciais), modelagem preditiva (classificação, regressão e aprendizado de conjunto), técnicas de agrupamento e mineração de séries temporais para análise de dados sequenciais. O curso também explora data warehousing e OLAP, além de tópicos emergentes, como aprendizado profundo aplicado à mineração de dados e considerações éticas relacionadas a viés, justiça e privacidade. A ênfase está tanto nos fundamentos teóricos quanto na prática aplicada com conjuntos de dados reais em diversos domínios.

Bibliografia:

[1] G. M. James, D. Witten, T. Hastie, and R. Tibshirani, An Introduction to Statistical Learning: With Applications in R. Springer Nature, 2021. [2] J. Han, J. Pei, and H. Tong, Data Mining: Concepts and Techniques, 4th edition. Cambridge, MA: Morgan Kaufmann, 2022. [3] I. H. Witten, E. Frank, M. A. Hall, and C. J. Pal, Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 2016. [4] C. C. Aggarwal, Data Mining: The Textbook. Springer, 2015. [5] S. Garcia, J. Luengo, and F. Herrera, Data Preprocessing in Data Mining. Springer, 2014. [6] C. M. Bishop and H. Bishop, Deep Learning: Foundations and Concepts. Springer Nature, 2023. [7] E. Ogasawara, R. Salles, F. Porto, and E. Pacitti, Event Detection in Time Series, 2025th ed. in Synthesis Lectures on Data Management. Cham: Springer Nature Switzerland, 2025. doi: 10.1007/978-3-031-75941-3. [8] C. C. Aggarwal, Outlier Analysis. Springer International Publishing, 2016. [9] M. Bramer, Principles of Data Mining. Springer London, 2020.

Cursos

Curso:

Engenharia de Produção e Sistemas

Nível:

Mestrado

Carga Horária:

Curso:

ENGENHARIA DE PRODUÇÃO E SISTEMAS

Nível:

Doutorado

Carga Horária:

Plataforma Sucupira

Dados da Disciplina

Cursos