Informática · Concurso PF

Mineração de dados — tarefas, técnicas e processo KDD

3 min de leitura5 flashcards8 questões

Cai no edital de: Agente PF, Escrivão PF, Papiloscopista PF

Resumo: Mineração de dados — tarefas, técnicas e processo KDD

Essência. Mineração de dados (data mining) é descobrir padrões úteis, não óbvios e previamente desconhecidos em grandes volumes de dados, com estatística, aprendizado de máquina e bancos de dados. É a etapa central do KDD (descoberta de conhecimento em bases de dados).

Tarefas

Preditivas (supervisionadas, usam rótulo conhecido):
- Classificação: prevê categoria (fraude/não fraude). Técnicas: árvore de decisão, k-NN, Naive Bayes, SVM, redes neurais.
- Regressão: prevê valor numérico (valor de um imóvel).
Descritivas (não supervisionadas):
- Agrupamento (clustering): forma grupos por semelhança sem rótulos prévios (k-means).
- Regras de associação: "quem compra X também compra Y" (algoritmo Apriori), medidas suporte, confiança e lift.
- Detecção de anomalias (outliers): casos fora do padrão (transação atípica).
- Padrões sequenciais: ordem temporal dos eventos.

Processo KDD: seleção → pré-processamento (limpeza) → transformação → mineração → interpretação/avaliação. CRISP-DM: entendimento do negócio → entendimento dos dados → preparação → modelagem → avaliação → implantação (cíclico).

Pegadinha Cebraspe. "Agrupamento é técnica supervisionada, pois exige classes definidas previamente" → errado: o clustering é não supervisionado; quem exige classes é a classificação.

Visão geral

Na PF, mineração aparece em análise financeira (padrões de lavagem), de vínculos e de fraudes. A prova cobra o nome da tarefa a partir de um caso descrito. A preparação dos dados costuma consumir a maior parte do esforço do projeto.

Regra

Caso descrito	Tarefa
Separar transações em "suspeita" e "normal" a partir de histórico rotulado	Classificação
Prever o valor movimentado no próximo mês	Regressão
Descobrir perfis de clientes sem categorias prévias	Agrupamento
"Contas que recebem PIX de A costumam transferir para B"	Associação
Achar movimentação muito fora do padrão do correntista	Detecção de anomalias

Associação X → Y: suporte = fração das transações com X e Y; confiança = P(Y | X); lift > 1 = associação positiva.

Pontos-chave

Text mining: mineração em textos (não estruturados); web mining: em páginas, links e logs.
Overfitting: modelo decora o treino e generaliza mal; avaliar em dados de teste separados.
Mineração × consulta SQL/OLAP: a consulta responde perguntas já formuladas; a mineração descobre padrões não buscados explicitamente.
Limpeza: tratar ausentes, duplicados, ruídos e inconsistências.
Árvore de decisão é interpretável (gera regras "se… então").

Como o Cebraspe cobra

"A mineração de dados busca padrões previamente desconhecidos em grandes bases" → certo.
"Regras de associação são avaliadas por medidas como suporte e confiança" → certo.
"A classificação é tarefa descritiva, que dispensa dados rotulados" → errado.
"No processo KDD, a mineração é precedida por etapas de seleção, pré-processamento e transformação" → certo.
"Detecção de anomalias pode ser usada para identificar fraudes em cartões" → certo.

Mapa mental: Mineração de dados — tarefas, técnicas e processo KDD

0:00 / 0:00

Toque play para percorrer o mapa. Clique num card para ver de perto, no fundo para afastar; arraste para mover e use Ctrl/⌘ + roda do mouse (ou a pinça) para zoom.

Flashcards de Mineração de dados — tarefas, técnicas e processo KDD

Tente lembrar antes de virar o card.

Mineração de dados
Revelar resposta
Descoberta de padrões úteis, não óbvios e desconhecidos em grandes volumes de dados; etapa central do KDD.
Classificação × agrupamento
Revelar resposta
Classificação: supervisionada, prevê categoria com rótulos conhecidos. Agrupamento (clustering): não supervisionado, forma grupos sem rótulos (k-means).
Regras de associação
Revelar resposta
"Quem compra X também compra Y" (Apriori); medidas suporte, confiança e lift.
Classificação × regressão
Revelar resposta
Ambas preditivas; classificação prevê categoria, regressão prevê valor numérico.
Fases do CRISP-DM
Revelar resposta
Entendimento do negócio → dos dados → preparação → modelagem → avaliação → implantação (cíclico).

Questões de Mineração de dados — tarefas, técnicas e processo KDD

Questão 1 · Agente PF · Certo ou Errado
O agrupamento (clustering) é técnica supervisionada, pois exige classes definidas previamente.
Revelar gabarito
Gabarito: Errado
Errado. Clustering é não supervisionado; quem exige classes é a classificação.
Questão 2 · Agente PF · Certo ou Errado
A técnica de regras de associação é adequada para descobrir que clientes que compram determinado produto tendem a comprar outro.
Revelar gabarito
Gabarito: Certo
Certo. É o exemplo típico de associação (Apriori).
Questão 3 · Agente PF · Certo ou Errado
Prever o valor de mercado de um imóvel a partir de suas características é tarefa de regressão.
Revelar gabarito
Gabarito: Certo
Certo. Regressão prevê valor numérico.
Questão 4 · Agente PF · Certo ou Errado
No processo KDD, a mineração de dados é a etapa inicial, anterior à seleção e ao pré-processamento.
Revelar gabarito
Gabarito: Errado
Errado. A mineração vem após seleção, pré-processamento e transformação.
Questão 5 · Agente PF · Certo ou Errado
Árvores de decisão são técnica usada em tarefas de classificação.
Revelar gabarito
Gabarito: Certo
Certo. Como k-NN, Naive Bayes e redes neurais.

Ver as 8 questões comentadas de Mineração de dados — tarefas, técnicas e processo KDD