Mineração de dados
um olhar instigante de possibilidades e aplicações para órgãos da administração pública federal
Palavras-chave:
descoberta de conhecimento;, tarefas e técnicas de mineração de dados;, aplicaçõesResumo
O objetivo deste trabalho é descrever o processo de descoberta de conhecimento (KDD) e utilizá-lo no enorme volume de dados gerados atualmente por redes sociais, robôs e sistemas organizacionais diversos. A intenção é demonstrar a utilização da mineração de dados sem entrar nos detalhes mais profundos dos algoritmos computacionalmente aplicáveis, porém subsidiar com ferramental teórico os servidores e gestores públicos, principalmente, para facilitar a compreensão das tarefas e técnicas da mineração de dados e possibilitar o apoio na implantação e aplicação dessas técnicas no seu cotidiano para buscar aumento de efetividade, abrangência e perspectiva nas suas atividades. Foi realizada uma pesquisa qualitativa para analisar as aplicações relativas à mineração de dados encontradas na literatura. Como resultado, foi identificada uma gama de possibilidades de aplicações das técnicas de mineração de dados, considerando contextos diversos em órgãos da administração pública federal.
Downloads
Referências
AGRAWAL, R; SRIKANT, R. Fast algorithms for mining association rules. In: INTERNATIONAL CONFERENCE ON VERY LARGE DATA BASES, 20.,1994. Anais... San Francisco, CA, United States: VLDB '94, 1994. p. 487-499.
ALMEIDA, F. G. O. Automação de classificador SVM para aplicação em projetos de consultoria de gestão. 2019. Dissertação (Mestrado Profissional em Computação Aplicada) - Universidade de Brasília, Brasília, 2019. Disponível em: <https://repositorio.unb.br/handle/10482/37488>. Acesso em: 15 jan. 2020.
BARVINSKI, C. A. et al. Refinamento dos fatores motivacionais e estados de ânimo a partir do uso de mineração de dados educacionais. Novas Tecnologias na Educação, v. 17, n. 3, p. 214-223, dez. 2019.
BASILIO, R. F. Diarização de locutor em conteúdo de vídeo baseada em análise de expressão facial via aprendizado de máquina supervisionado. 2020. Tese (Doutorado) – Universidade Federal do Rio de Janeiro, 2020. Disponível em: <http://www.repositorio.poli.ufrj.br/monografias/monopoli10031910.pdf>. Acesso em: 05 abr. 2022.
BATISTA, L.; SILVA, G.; ARAUJO, V.; JONATHAN, V.; ARAUJO, V.; REZENDE, T.; GUIMARÃES, A.; CAMPOS, P. Utilização de redes neurais nebulosas para criação de um sistema especialista em invasões cibernéticas. In: INTERNATIONAL CONFERENCE ON FORENSIC COMPUTER SCIENCE AND CYBER LAW (ICOFCS), 2018. Anais... São Paulo - Volume 1: ICOFCS. 2018. p. 12-22.
BEHBAHANI, R.M., JAZAYERI-RAD, H.; HAJMIRZAEE, S. Fault detection and diagnosis in a sour gas absorption column using neural networks. Chemical engineering & technology, Volume 32, Issue 5. 2009. p. 840-845.
BERKHIN, P. Survey of clustering data mining techniques. Grouping Multidimensional Data: Recent Advances in Clustering, Volume 10, 2002.
BRAMER, M. Undergraduate topics in computer science - principles of data mining. Publisher: Springer, United States, 2007.
CABENA, P. et al. Discovering data mining: from concept to implementation. Editora Prentice Hall, 1998.
CABRAL, L. S.; SIEBRA, S. A. Identificação de competências em currículos usando ontologias: uma abordagem teórica. Editora Novas Edições Acadêmicas, 2018.
CAMARGO, B. V.; JUSTO, A. M. Tutorial para uso do software de análise textual IRAMUTEQ. Laboratório de Psicologia Social da Comunicação e Cognição - LACCOS, Universidade Federal de Santa Catarina, 2013.
CAMILO, C. O.; SILVA, J. C. Mineração de dados: conceitos, tarefas, métodos e ferramentas. Technical Report - RT-INF 001-09 - Instituto de Informática - Universidade Federal de Goiás (UFC), 2009.
CAMPBELL, C.; YIMING, Y. Learning with support vector machines. Synthesis lectures on artificial intelligence and machine learning, v. 5, n. 1, p. 1-95, fev. 2011.
CARDOSO, O. N. P.; MACHADO, R. T. M. Gestão do conhecimento usando data mining: estudo de caso na Universidade Federal de Lavras. Revista de Administração Pública, Rio de Janeiro, Volume: 42, Número: 3. p. 495-528, 2008.
CHAPMAN, P. et al. CRISP-DM 1.0 Step-by-step data mining guide. SPSS inc, v. 9, p. 13 Inc, 2000.
CHEN, H.; CHIANG, R. H.; STOREY, V. C. Business intelligence and analytics: from big data to big impact. Management Information Systems Quarterly, Volume 36, Número 4, p.1165, 2012.
CORRÊA, E. S. Comunicação digital e novas mídias institucionais. Comunicação Organizacional: histórico, fundamentos e processos – Volume 1. São Paulo: Saraiva, 2009.
CIOS, K. J. et al. Data mining – a knowledge discovery approach. Publisher: Springer Science & Business Media, United States, 2007.
CRISTIANINI, N.; JOHN, S. T. An introduction to support vector machines and other kernel-based learning methods. Cambridge University Press, United Kingdom, 2000.
DAVENPORT, T. H. Ecologia da informação: por que só a tecnologia não basta para o sucesso na era da informação. São Paulo: Futura, 1998.
DEMCHENKO, Y. et al. Addressing big data issues in scientific data infrastructure. In: COLABORATION TECHNOLOGIES ANS SYSTEMS (CTS), 2013. Anais… San Diego, CA, USA: Institute of Electrical and Electronic Engineers. 2013. p. 48-55.
EBECKEN, N; LOPES, M; COSTA, M. Mineração de textos. Sistemas inteligentes: fundamentos e aplicações. São Carlos: Manole, p. 337-370. 2003.
FALCO, R. Comunicação organizacional digital: o papel das mídias e redes sociais. In: CONGRESSO LATINO AMERICANO DE ADMINISTRAÇÃO E NEGÓCIOS, 2017, Paraná. Anais… Ponta Grossa, Paraná: CONLAAN, 2017.
FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to knowledge discovery in databases. AI Magazine, v. 17, n. 3, p. 37, 1996.
GIL, A. C. Como elaborar projetos de pesquisa. São Paulo: Editora Atlas S/A, 2002.
GUPTA, V.; LEHAL, G. S. A survey of text mining techniques and applications. Journal of Emerging Technologies in Web Intelligence, v. 1, n. 1, p.60-76, ago. 2009.
GUROVITZ, H. O que cerveja tem a ver com fraudas? Informática Exame Online, 18 fev. 2011. Disponível em: <https://exame.com/revista-exame/o-que-cerveja-tem-a-ver-com-fraldas-m0053931/>. Acesso em: 02 dez. 2020.
HAND, D.; MANNILA, H.; SMYTH, P. Principles of data mining. Cambridge, Massachusetts, London, England. MIT Press, 2001.
HAN, J.; KAMBER, M. Data mining: concepts and techniques. Southeast Asia Edition. Elsevier, 2006.
HAYKIN, S. Neural networks: a comprehensive foundation. 2nd Edition, Pearson Education, Indian, Bangladesh. 2004.
INMON, W.; STRAUSS, D.; NEUSHLOSS, G. DW 2.0: the architecture for the next generation of data warehousing. Morgan Kaufmann Publishers. 2007.
KAMPFF, A. J. C. Mineração de dados educacionais para geração de alertas em ambientes virtuais de aprendizagem como apoio à prática docente. Universidade Federal do Rio Grande do Sul - UFRGS, 2009. Tese (Doutorado) – Universidade Federal do Rio Grande do Sul, 2009. Disponível em: <https://lume.ufrgs.br/handle/10183/19032>. Acesso em: 05 abr. 2022.
KLEMANN, M.; REATEGUI, E.; RAPKIEWICZ, C. Análise de ferramentas de mineração de textos para apoio à produção textual. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO – SBIE, 2012. Anais... Porto Alegre/RS – Brazil: XXII SBIE - XVII WIE 2012. p. 1100 – 1103.
LAROSE, D. T. Discovering knowledge in data: an introduction to data mining. Hoboken, New Jersey. John Wiley and Sons, 2005.
MACIEL, T. V. et al. Mineração de dados em triagem de risco de saúde. Revista Brasileira de Computação Aplicada, v. 7, n. 2, p. 26-40, 2015.
MARSLAND, S. Machine learning: on algorithmic perspective. New York, USA: CRC Press, 2015.
MATOS, G.; CHALMETA, R.; COLTELL, O. Metodología para la extracción del conocimiento empresarial a partir de los datos. Inf Tecnol, La Serena, vol.17, n.2, p.81-88, 2006.
MCCUE, C. Data mining and predictive analysis – intelligence gathering and crime analysis. Butterworth-Heinemann. Publisher: Elsevier, United States, 2007.
OCHI, L. S.; VIANNA, D. S.; DRUMMOND, L. M. A. A parallel hybrid evolutionary algorithm for the vehicle routing problem. Lectures Notes in Computer Science (LNCS), v. 1586, p. 183-192, Publisher: Springer, United States, 1999.
OCHI, L. S.; DIAS, C. R.; SOARES, S. S. F. Clusterização em mineração de dados. 2004. Minicurso (Programa de Pós-Graduação em Computação) Instituto de Computação – Universidade Federal Fluminense (IC – UFF) Niterói, Rio de Janeiro, 2004. Disponivel em: <http://www2.ic.uff.br/~satoru/conteudo/artigos/ERI-Minicurso-SATORU.pdf>. Acesso em: 05 abr. 2021.
OLSON, D. L.; DELEN, D. Advanced data mining techniques. Publisher: Springer, United States, 2008.
OSÓRIO, F. S.; CECHIN, A. L. Sistemas híbridos: inserção e extração de regras. Cadernos de Informática, v. 1, n. 1, p. 36-39, 2000.
PAULA, E. L. Mineração de dados como suporte à detecção de lavagem de dinheiro. 2016. Dissertação (Mestrado Profissional em Computação Aplicada) – Universidade de Brasília, Brasília, 2016.
PINTO, P. S. Universidades federais têm evasão de 15% em 2018. Poder 360, 08 out. 2019. Disponível em: <https://www.poder360.com.br/governo/universidades-federais-tem-evasao-de-15-em-2018/>. Acesso em: 28 dez. 2020.
SILVA, C. V. S.; RALHA, C. G. Detecção de cartéis em licitações públicas com agentes de mineração de dados. Revista Eletrônica de Sistemas de Informação, p. 1-20, 2011.
SILVEIRA JUNIOR, R. S. Utilização de inteligência competitiva, da gestão de riscos e da computação aplicada para ganhos de competitividade em instituição organizadora de concursos. Universidade de Brasília, 2015. Dissertação (Mestrado Profissional em Computação Aplicada) Universidade de Brasília, Brasília, 2015. Disponível em: <https://repositorio.unb.br/handle/10482/20623>. Acesso em: 28 dez. 2020.
SOUTO, H. M.; ARRUDA, E. M.; ARAÚJO, W. J. Mineração de dados no contexto dos pregões eletrônicos. Inf. Pauta Fortaleza, v. 4, n. especial, p. 47-64, nov. 2019.
REATEGUI, E. et al. Sobek: a text mining tool for educational applications. In: INTERNATIONAL CONFERENCE ON DATA MINING, 2011, Las Vegas, Nevada, USA. Anais... Las Vegas: Anais do DMIN '11. 2011. p. 59-64.
SILVA, J. C. S. et al. Análise do engajamento de estudantes com base na distância transacional a partir da mineração de dados educacionais. v. 14, n. 1, p. 1-11, 2016.
VIANNA, Rossana Cristina Xavier Ferreira et al. Perfil da mortalidade infantil nas Macrorregionais de Saúde de um estado do Sul do Brasil, no triênio 2012–2014. Espaço para a Saúde, v. 17, n. 2, p. 32-40, 2016.
VIJAYARANI, S.; ILAMATHI, J.; NITHYA, M. Preprocessing Techniques for Text Mining-An Overview. International Journal of Computer Science & Communication Networks, vol 5(1), p. 7-16, 2015.
WITTEN, I. H.; FRANK, E.; HALL, M. A. Data mining: practical machine learning tools and techniques. 3. ed. Elsevier, United States, 2011.
YOON, B.; PHAAL, R.; PROBERT, D. Morphology analysis for technology roadmapping: application of text mining. R&D Management, v. 38, n. 1, p. 51-68, 2008.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Revista do Serviço Público
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
- A RSP adota a licença Creative Commons (CC) do tipo Atribuição – Uso Não-Comercial (BY-NC).
- A licença permite que outros remixem, adaptem e criem obra licenciada, sendo proibido o uso com fins comerciais.
- As novas obras devem fazer referência ao autor nos créditos e não podem ser usadas com fins comerciais, porém não precisam ser licenciadas sob os mesmos termos dessa licença.
- Ao publicar o artigo na RSP, o autor cede e transfere para a ENAP os direitos autorais patrimoniais referentes ao artigo.
- O artigo publicado na RSP não poderá ser divulgado em outro meio sem a devida referência à publicação de origem.
- O autor que tiver o artigo publicado na RSP deverá assinar o Termo de Concessão de Direitos Autorais (em momento oportuno a editoria da Revista entrará em contato com o autor para assinatura do Termo).
