Aplicação de Data Mining em Data Warehouse Desenvolvimento da Ferramenta ToolMiner
Resumo
Este trabalho utilizou um data warehouse como fonte de informação para a aplicação de data mining. Para isso, analisou-se uma base de dados real de uma empresa de varejo, correspondente a um módulo do software Sadig, na qual se identificaram algumas tarefas de data mining que poderiam ser aplicadas. Para resolver essas tarefas, escolheu-se dois algoritmos: o Kmeans e o C4.5, implementados na ferramenta denominada ToolMiner. Os algoritmos foram validados em bases de repositórios públicos e aplicados no data warehouse para resolver duas das tarefas identificadas. A partir dos resultados das tarefas, são analisados os conhecimentos gerados.
Palavras-chave:
Data mining, Data warehouse, Desenvolvimento de ferramenta, Algoritmos
Referências
Engel, P. M. (2002) “Sistemas de Informação Inteligentes”, Material de Aula, PPGC–UFRGS.
Fayyad, U. et al (1996) “Advances in Knowledge Discovery and Data Mining”, Califórnia: American Association for Artificial Intelligence.
Feldens, M. A. (1996) “Descoberta de Conhecimento Aplicada à Detecção de Anomalias em Base de Dados”, Trabalho Individual, PPGC–UFRGS.
Halmenschlager, C. (2002) “Um Algoritmo de Indução de Árvores e Regras de Decisão”, Dissertação de Mestrado, PPGC-UFRGS.
Inmon, W. H. (1997) “Como Construir o Data Warehouse”, Rio de Janeiro: Campus.
Monash (2005) “K-means Clustering”, Faculty of Information Technology – Monash University: Australia”, http://www.csse.monash.edu.au/courseware/cse5230/assets/tutorials/clustering.pdf, March.
Quinlan, J. R. (1993) “C4.5: Programs for Machine Learning”, San Mateo: Morgan Kaufmann.
UCI (2005) “UCI Machine Learning Repository Content Summary”, Information and Computer Science University of California: Irvine, http://www.ics.uci.edu/~mlearn/ MLSummary.html, March.
Weka (2005) “Weka 3: Data Mining Software in Java Collections of datasets”, The University of Waikato: New Zealand, http://www.cs.waikato.ac.nz/ml/weka, March.
Fayyad, U. et al (1996) “Advances in Knowledge Discovery and Data Mining”, Califórnia: American Association for Artificial Intelligence.
Feldens, M. A. (1996) “Descoberta de Conhecimento Aplicada à Detecção de Anomalias em Base de Dados”, Trabalho Individual, PPGC–UFRGS.
Halmenschlager, C. (2002) “Um Algoritmo de Indução de Árvores e Regras de Decisão”, Dissertação de Mestrado, PPGC-UFRGS.
Inmon, W. H. (1997) “Como Construir o Data Warehouse”, Rio de Janeiro: Campus.
Monash (2005) “K-means Clustering”, Faculty of Information Technology – Monash University: Australia”, http://www.csse.monash.edu.au/courseware/cse5230/assets/tutorials/clustering.pdf, March.
Quinlan, J. R. (1993) “C4.5: Programs for Machine Learning”, San Mateo: Morgan Kaufmann.
UCI (2005) “UCI Machine Learning Repository Content Summary”, Information and Computer Science University of California: Irvine, http://www.ics.uci.edu/~mlearn/ MLSummary.html, March.
Weka (2005) “Weka 3: Data Mining Software in Java Collections of datasets”, The University of Waikato: New Zealand, http://www.cs.waikato.ac.nz/ml/weka, March.
Publicado
26/10/2005
Como Citar
PESSANO, Nilo Braccini; HALMENSCHLAGER, Carine.
Aplicação de Data Mining em Data Warehouse Desenvolvimento da Ferramenta ToolMiner. In: SIMPÓSIO BRASILEIRO DE SISTEMAS DE INFORMAÇÃO (SBSI), 2. , 2005, Florianópolis.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2005
.
p. 151-158.
DOI: https://doi.org/10.5753/sbsi.2005.14979.
