MARKETING RESEARCH E CRM
Detalhe de Disciplinas - Data Mining I
Curso: Marketing Research e CRM
Unidade curricular: Data Mining I
Código da Unidade curricular: 42346
Tipo de unidade curricular: Opcional
Ano do plano de estudos: 1º
Semestre: Outono-Inverno
Número de créditos: 7.5
Docente responsável:
Número de horas de aula por semana: 2
Objectivos da unidade curricular:
Na conclusão do curso o aluno deverá:
• Discutir criticamente as principais noções e conceitos associados ao Data Mining;
• Ser capaz de executar tarefas básicas de preparação e pré-processamento de dados;
• Descrever os princípios e executar uma análise RFM;
• Descrever em detalhe o funcionamento do algoritmo k-means e self-organizing map;
• Descrever em detalhe o funcionamento do algoritmo self-organizing map;
• Analisar e descrever os resultados apresentados por uma Matriz-U;
• Produzir uma segmentação, defendendo as opções tomadas e explicando as alternativas;
• Descrever o funcionamento do algoritmo apriori e a forma como são geradas as regras de associação;
• Saber calcular os principais indicadores de qualidade de regras de associação;
Requisitos de frequência:
O curso não pressupõe familiaridade do aluno com o tema, mas é altamente recomendável que o aluno possua conhecimentos de estatística inferencial, bem como competências como utilizador informático.
Conteúdo da unidade curricular:
1. Introdução ao Data Mining
1.1. Os dados...
1.2. Os dados e as organizações
1.3. A promessa do Data Mining
1.4. Definição de Data Mining
1.5. A perspectiva empresarial
1.6. Tarefas típicas do Data Mining
1.6.1. Descoberta de Conhecimento (Clustering e Resumo)
1.6.2. Modelação Preditiva (Classificação e Regressão)
1.7. Tópicos adicionais
1.7.1. Diferentes tipos de Aprendizagem
1.7.2. A Maldição da Dimensionalidade
1.7.3. O Problema da Separabilidade
1.8. Exemplos de aplicação
2. Aspectos metodológicos do Data Mining
2.1. Definição do Problema
2.2. Recolha de dados
2.3. Metodologia de abordagem (SEMMA)
3. Visualização de dados
3.1. O papel da visualização
3.2. Lie Factor
3.3. Ferramentas de análise para dados 1d
3.4. Ferramentas de análise para dados 2d e 3d
3.5. Ferramentas de análise para dados 4d ou mais
4. Introdução às Tarefas de Preparação e Préprocessamento de Dados
4.1. Ruído vs sinal
4.2. Dados Omissos
4.3. Dados Inconsistentes
4.4. Identificação e Remoção de Outliers
4.5. Dados Temporais
4.6. Normalização de Dados
4.7. Redução da Dimensionalidade
4.8. Discretização de Valores
5. Fundamentos da Análise de Clusters
5.1. Introdução
5.2. Escolha das Variáveis
5.3. Critérios de Semelhança
5.4. Análise RFM
5.4.1. Exact quintiles
5.4.2. Hard coding
5.5. Algoritmos de Clustering
5.5.1. Algoritmos Hierárquicos
5.5.2. Algoritmo k-means
5.6. Número de Clusters
5.7. Interpretação e caracterização dos clusters
5.8. Validade da solução
6. Self-Organizing Maps
6.1. Algoritmo SOM
6.2. Parâmetros de treino
6.3. Batch
6.4. Online
6.5. Análise de resultados
6.6. Matrizes U
7. Regras de Associação
7.1. Objectivo
7.2. Tipos de Regras
7.3. Funcionamento (algoritmo apriori)
7.4. Medidas de qualidade das regras
7.5. Aspectos adicionais sobre a implementação
7.6. Extensão temporal
Bibliografia recomendada:
Hand D. J., 1998, Data mining: statistics and more? The American Statistician, 52, 112--118. 11. Cap. 3, 6 e 8
A. K. Jain, M.N. Murthy and P.J. Flynn, 1999 Data Clustering: A Review, ACM Computing Review.
Han, J., Kamber, M. 2001, Data Mining – Concepts and Techniques, Morgan Kaufmann, San Francisco, California
Berry, M.J.A. Linoff, G., 1997, Data Mining Techniques for marketing, sales and customer support. 2000, John Wiley & Sons. Cap. 1, 2, 3, 4, 5, 8 e 10
Apontamentos da disciplina
Métodos de ensino:
Aulas teóricas e sessões práticas para elaboração do projecto.
Métodos de avaliação:
1ª Época - Exame (65%), Projecto (35%)
2ª Época - Exame (65%), Projecto (35%)
Língua de ensino: Português. No caso de o ISEGI receber alunos de Erasmus ou um docente estrangeiro, as aulas serão leccionadas em Inglês.