Avaliação de Ferramentas de Apoio ao Ensino de Técnicas de Mineração de Dados em Cursos de Graduação

• José Viterbo UFF
• Clodis Boscarioli UNIOESTE
• Flavia Cristina Bernardini UFF
• Mateus Felipe Teixeira UNIOESTE

DOI: https://doi.org/10.5753/wei.2016.9644

Resumo

O mercado de trabalho requer, cada vez mais, profissionais com senso analítico para lidar com volumosos conjuntos de dados de forma a produzir conhecimento útil à tomada de decisão. O processo de Mineração de Dados (MD) está entre os principais conceitos de descoberta de conhecimento e envolve o uso de diferentes algoritmos de aprendizado de máquina, aplicados para extrair novos padrões em bases de dados, comumente apoiado por ferramentas que implementam esses diferentes algoritmos. O uso de ferramentas para MD por alunos de graduação em disciplinas como Inteligência Artificial, Mineração de Dados ou outras que abordem técnicas de aprendizado de máquina, é fundamental para que eles adquiram experiência prática. Este trabalho avalia diferentes ferramentas utilizadas no ensino de MD, no intuito de oferecer aos docentes um guia na escolha e uso dessas ferramentas, do ponto de vista da usabilidade, aferida por alunos de graduação na descoberta e compreensão dos saberes associados.

Referências

BOSCARIOLI, C.; VITERBO, J.; TEIXEIRA, M. F.; ROHSIG, V. Analyzing HCI Issues in Data Clustering Tools. (2014) In: Proceedings of the 16th International Conference on Human-Computer Interaction. London: Springer, v. 8521. p. 22-33.

BRETERNITZ, V. J.; SILVA, L. A. “Big Data: Um Novo Conceito Gerando Oportunidades e Desafios” (2013), Revista Eletrônica de Tecnologia e Cultura – RETC. 13ª Ed., FATEC, ISSN: 2177-0425, p. 106-113.

CANVAS. Orange Canvas: Data Mining – Fruitful and Fun. (2013). Disponível em http://orange.biolab.si/. Acessado em 05 de março de 2016.

CHAWLA, N.V. Teaching Data Mining by Coalescing Theory and Applications. In: Proc. 35th ASEE/IEEE Frontiers in Education Conference.

FERREIRA, P. C.; BERNARDINI, F. C.; SILVA, C. R. C.; VITERBO, J. How Computer Science Undergraduate Programs in Brazilian Public Universities Address Artificial Intelligence and its Topics: A Preliminary Report (2012). Learning and Nonlinear Models, v. 12, pp. 73-85.

HALL, M.; FRANK, E.; HOLMES, G.; PFAHRINGER, B.; REUTEMANN, P.; WITTEN, I. H. The WEKA Data Mining Software: An Update (2009); SIGKDD Explorations, Volume 11, Issue 1.

JAFAR, J. M. A Tools-Based Approach to Teaching Data Mining Methods (2010). Journal of Information Technology Education: Innovations in Practice. Beachboard, J (Editor). Volume 9, p. 1-24.

KING, B.R.; SATYANARAYANA, A. Teaching Data Mining in The Era of Big Data (2013). In: Proc. 120th ASEE Annual Conference & Exposition.

KNIME. Knime: Open for Innovation (2013). Disponível em https://www.knime.org/. Acessado em 29 de maio de 2015.

MANASEER, S. A.; MALIBARI, A. Improve Teaching Method of Data Mining Course (2012). I. J. Modern Education and Computer Science, Volume 2, p. 15-22.

RAPIDMINER. Rapidminer: Analytics for Anyon (2013). Disponível em https://rapidminer.com/. Acessado em 08 de março de 2016.

REZENDE, R. O.; PUGLIESI, J. B.; MELANDA, E. A.; DE PAULA, M. F. (2005). Mineração de Dados. Cap 12. In: REZENDE, S. O. (Org.). Sistemas Inteligentes: Fundamentos e Aplicações. Barueri-SP: Ed. Manole, p. 307-335.

SATYANARAYANA, A. Software Tools for Teaching Undergraduate Data Mining Course (2013). In: Proc. ASEE MidAtlantic Conference.

WHARTON, C., RIEMAN, J., LEWIS, C., and POISON, P. The cognitive walkthrough method: A practitioner's guide (1994).

WITTEN, I.; FRANK, E.; HALL, M. Data Mining: Practical Machine Learning Tools and Techniques (2011). Morgan Kaufmann Publishers.