REGISTRO DOI: 10.69849/revistaft/th102501241262
DENILSON DA SILVA
Professor Orientador:DSc. ANA PAULA RODRIGUES
Resumo: Este estudo é baseado em uma perspectiva de mineração de dados, sendo apresentados não só alguns conceitos fundamentais dessa tecnologia como, também, métodos e ferramentas que são utilizados na perscrutação de novos dados. O objetivo da pesquisa é averiguar algumas ferramentas na realização de tarefas e analisar os métodos que desempenham em determinadas condições, apresentando assim, suas vantagens e desvantagens no cenário de mineração. Para atingir essa meta, adotou-se como metodologia, o levantamento bibliográfico, embasando-se em autores que já utilizaram essas ferramentas do qual trata o tema do estudo. Foram extraídos modelos de dados, de alguns trabalhos, para exemplificar o passo a passo dos métodos em determinadas tarefas. Assim, pretende-se esclarecer a importante necessidade do uso de métodos e ferramentas para a mineração de dados. Em síntese, está proposta de investigação, foi efetuada para contribuir com o conhecimento dos métodos aplicáveis, para dá suporte na tomada de decisões e revelar as peculiaridades desta tecnologia.
Palavras-Chave: Mineração de dados, métodos, algoritmos, investigação, conhecimento.
1 INTRODUÇÃO
Com a introdução das Tecnologias de Informação e Comunicação (TIC), a internet em conjunto com os recursos computacionais tornou atividades que até então eram complexas e impossíveis para o homem, possíveis. No entanto, dado a facilitação impostar pelas tecnologias, o crescimento rápido e avultoso de dados nas bases de dados de empresas e setores que disponibilizam serviços a usuários, tornouse inviável para o ser humano analisar e tratar essas grandes quantidades de dados. Dessa forma, surgi à demanda por ter-se ferramentas eficientes e ágeis para análise de dados em grandes quantidades.
Atualmente, por conta desse crescimento de dados nas bases de dados, o data mining ou mineração de dados, tem-se apresentado como tecnologia importantíssima para essa imposição. Pois, apresentam ferramentas que essencialmente extrair informações significativas para a tomada de decisões em relação a eventos futuristas. Dentro desse contexto, o presente estudo reflete sobre a seguinte problemática: a evolução dos métodos e ferramentas usados para obtenção de novos dados tem contribuído eficazmente na qualidade das tomadas de decisões?
A discussão em torno desse desafio tem como justificativa, a necessidade de examinar os métodos que estão sendo usados por algoritmos na mineração de dados. Além disso, verificar se as ferramentas tecnológicas usadas para filtração de novos dados oferecem, de fato, mecanismos propícios para uma boa tomada de decisão.
Portanto, o objetivo geral da pesquisa consiste em analisar os métodos e ferramentas mais empregadas na geração de novos dados de alguns setores que manipulam está tecnologia. Os objetivos específicos consistem em: apresentar alguns estudos de autores que trabalharam com essa tecnologia, buscando fazer um comparativo descritivo com a presente pesquisa, apontado o contexto, o objetivo e o diferencial sobre suas aplicações de utilidades; e, buscar refletir sobre a usabilidade dessas ferramentas nas tomadas de decisões mais assertiva.
A estrutura desta pesquisa está subdividida em duas seções, além do tópico de introdução e conclusão. Os elementos de perspectivas metodológicas, como a apresentação dos dois principais modelos de mineração de dados e a seleção de autores e trabalhos adotados, para a elaboração da pesquisa, constam no desenvolvimento, ou seja, segunda seção. A última seção do trabalho faz alusão aos resultados e os debates obtidos por meio da pesquisa biográfica, que realizou-se nos principais repositórios de informações, como o Google Scholar, por exemplo.
2 DESENVOLVIMENTO
Devido a informação propaga-se de modo tão rápido, o ser humano não conseguiu acompanhar e observar a formulação de novos padrões de informação, ou seja, o gigantesco volume de dados nas bases de dados. Nesse ínterim, o data mining, com seus métodos e ferramentas, através do uso de algoritmos de aprendizagem ou classificação, buscar ajudar diversos setores da sociedade a separar modelos de dados e contribuir na identificação de novos dados.
Nesta seção, no tópico 2.1, apresentar-se os dois padrões mais conhecidos de mineração de dados, bem como a descrição de cada um desses modelos. No tópico 2.2 é apresentada uma revisão sobre os trabalhos relacionados ao tema da pesquisa.
2.1 Mineração de dados (Data Mining)
Conforme ao uso da linguagem computacional, mineração de dados emprega o termo data mining em sentidos variados, ou seja, a ele recorre tanto uma tarefa que consiste na precisão do que se buscar nos dados, como as técnicas e configurações que garantem perscrutar os padrões de análises da informação. As perspectivas dadas por este novo tipo de tecnologia, de certa forma estão baseados em dois padrões bastantes consistentes, o CRISP-DN (Acrônimo de CRoss Industry Standard Process for Data Mining) e o KDD (Acrônimo de Knowledge Discovery in Databases).
2.1.1 Modelo de processo de mineração de dados: CRISP-DN
Desenvolvido já na segunda metade dos anos 90, o CRISP-DN, tornou-se um modelo específico em processos que descrevem abordagens usualmente em mineração de dados. De acordo com Ramos et al. (2020, p. 1092), esse protótipo é “um modelo de mineração de dados não proprietário, neutro, documentado e disponível livremente”. Dessa formar, as tarefas dentro dessa amostra, podem ser utilizadas sem restrições por usuários que tenham conhecimento dessa tecnologia.
O modelo de processo CRISP – DN é composto por 6 (seis) fases ou etapas, sendo elas: compreensão de negócio, compreensão de dados, preparação de dados, modelagem, avaliação e desenvolvimento. Na figura 1 é representado o processo CRISP – DN e o modo como as fases se inter-relacionam:
Figura 1 -Fases do modelo CRISP – DN
Fonte: Moura (2018)[1]
A primeira fase consiste em conhecer e entender o problema a ser solucionado. Para Pacheco (2018) essa etapa concerne em compreender, em seguida definir o problema e, por fim, delimitar um método preliminar para alcança o objetivo. EspinosaZúñiga (2020) acrescenta que as principais atividades desta etapa são: identificação do problema, determinação dos objetivos a serem atingidos e avaliação da situação atual do problema. A segunda etapa, geralmente está associada com a fase anterior, ou seja, os dados são coletados e em seguida é feito um estudo explícito, de forma minuciosa. Na terceira etapa, os dados são preparados com o objetivo de refletir na construção do conjunto de dados final.
Encarregada pela modelagem dos dados, a quarta etapa se dá em várias relações, ou seja, múltiplos modelos bem configurados com configurações padrão que ajustam os métodos para valores otimizados. A quinta etapa consiste na checagem do modelo elaborado, em vista de avaliar se esse modelo é aceitável ou deverá ser encaminhado para redefinição de novos processos. Por fim, a sexta etapa desse modelo, implementa a definição das fases de implantação de todo o projeto de mineração de dados, ou seja, o desenvolvimento do modelo de forma precisa, que atende as necessidades das organizações, sendo implementável e com capacidade operacional[2].
2.1.2 Modelo de processo de mineração de dados: KDD
Corriqueiro pela extração de aspectos importantes da base de dados, o KDD no seu processo desenvolve ligações cujo interesse não é ponderado por peritos no assunto, mas contribui para a comprobação dos dados substanciados. Maciel et al. (2015) apontam que o processo KDD apresenta o pré-processamento, mineração de dados e o pós-processamento como as etapas para a obtenção dos dados. Em relação a delimitação e conceituação das respectivas fases desse modelo de mineração de dados, em seu trabalho: “Data Mining: conceitos e consequências”, Rossini et al. (2018).
Na primeira fase, os dados de uma determinada área de interesse são organizados, com a finalidade de descobrir algum conhecimento útil. Na segunda fase, os dados são organizados em um repositório único, como um Data Warehouse, que é um depósito de dados corporativos voltados ao apoio à decisão (Rossini et al. 2018, apud Amaral, 2016b).
Esse modelo apresentar em suas fases finalidades únicas, no processo de mineração. A Figura 2 apresenta o modo como as fases do KDD são organizadas.
Figura 2 – Etapas do KDD
Fonte: Adaptação Silva et al. (2016), apud Fayyad et al. (1996)
É notório enfatizar que, este modelo lida com o amplo processo de descoberta de informações em bancos de dados. De acordo com Tronchoni et al. (2010), o KDD é imprescindível para a tomada de decisões, pois permite a aplicação de técnicas em vista de auxiliar em todo o processo de descobrimento dos dados.
2.2 Trabalhos relacionados a mineração de dados
A preocupação em compreender os conceitos de mineração de dados está fortemente conectada ao momento das tomadas de decisões, tendo em vista que sua compreensão tange conhecimentos prévios de aprendizado de máquina. Dentro da literatura, evidencia-se trabalhos relevantes sobre o tema da pesquisa, os quais, alguns são tratamos a seguir, estabelecem conceitos na maneira de desenvolver e compreender aspectos e resultados da mineração de dados nas mais variadas áreas de estudos. Em seu livro “Aprenda mineração de dados: teoria e prática”, Amaral (2016, p.2) conceitual mineração de dados como “[…] processos para explorar e analisar grandes volumes de dados em busca de padrões, previsões, erros, associações entre outros” e considera que “normalmente a mineração de dados está associada a aprendizagem de máquina”.
Interpondo uma posição subjetivista e fazendo uma comparação similar a uma ‘mina de ouro’, também, em seu livro “Introdução a mineração de dados” Ferrari et al. (2017) procurou demonstrar em termos simplistas o processo de explorar uma base de dados com o objetivo de tomar decisões. O autor enfatiza o termo mineração de dados em acunha ao próprio processo de mineração, explicitando que uma base de dados corresponde a “uma base de dados (mina) usando algoritmos (ferramentas) adequadas para obter conhecimento (minerais preciosos)”.
Em seu artigo “Técnica de mineração de dados: uma revisão da literatura”, Galvão et al. (2009) aponta que na “mineração de dados é onde são definidos as tarefas e os algoritmos que serão utilizados de acordo com os objetivos do estudo, afim de obter uma resposta para um problema” e acrescenta que as tarefas realizáveis por um algoritmo de extração de padrões são agrupadas em “atividades preditivas e descritivas”.
O trabalho de Nascimento et al. (2018) buscou investigar e explicar variáveis educacionais relacionadas com a evasão e reprovação no âmbito escolar. O autor aplicou todas as fases do modelo CRISP-DM em sua metodologia de trabalho e averiguou a sua importância quando obteve resultados de forma mais assertiva. O autor ainda concluiu que “[…] utilizar a mineração de dados educacionais possibilita a identificação prévia de aspectos que podem precisar de melhorias e investimentos mais adequados […]”.
Partindo dessa conceituação, o trabalho aborda as ferramentas e técnicas mais utilizadas na geração de novos dados e, consequentemente, as tomadas de decisões em relação a esses dados. Sabendo que, o conhecimento que esses dados trazem, por sua vez, são de extrema importância em áreas como, educação, politica, indústria e etc. Nesse trajeto, o papel do indivíduo é consonante da forma em que os dados lhe são apresentados nas devidas situações devidas.
3 METODOLOGIA
Para realização da pesquisa, foi feito levantamento bibliográfico, que analisou algumas ferramentas e as técnicas sobres estas empregadas em áreas diversas. De acordo com Lakatos e Marconi (2011), a pesquisa bibliográfica é um método que possibilita ao investigador ter um contato mais específico e direto com o abjeto que já foi descrito em determinados temas. Com o intuito de aprofundar ainda mais as informações, os autores defendem que esse método integra o início da ação a ser desenvolvida à perspectiva da pesquisa científica. Ademais, também, foi realizado uma buscar na internet por livros, artigos e dissertações disponíveis para consulta.
4 RESULTADOS E DISCUSSÕES
Sabe-se que há diversos dispositivos de mineração de dados, desde comerciais até acadêmicos, que disponibilizam e promovem algoritmos de data mining e outras formas de processamentos de dados. Na literatura, encontrou-se quatro ferramentas que são destaque em processamento de dados, que apresentam métodos variados, precisos e ágeis, são elas: Knime, RapidMiner, Tanagra e Weka.
A Tabela 1 apresenta informações gerais (licença e sistema operacional) e funcionais (suporte de dados e sua visualização) das ferramentas envolvidas na pesquisa. Nesta tabela, mostrar-se informações que são essências para a escolha da ferramenta no início da efetuação de mineração de dados.
Tabela 1 – Ferramentas usadas para minerar dados
Fonte: Autor (2022)
Por meio da Tabela 1, o usuário, seja especialista ou leigo, tem uma noção previa de cada instrumento. Podendo, assim, optar pelo apetrecho que melhor atenda sua máquina, por exemplo. Além disso, conforme a tabela acima e levando em consideração a usabilidade das ferramentas que, são mais utilizados no cenário de mineração, pode-se constatar que as informações são básicas para, pelo menos, iniciar um processo de mineração correto nas bases de dados.
Na Tabela 2, apresentar-se o modo como os métodos em mineração de dados são tradicionalmente divididos. Em relação a subdivisão dos métodos, Camilo et al. (2009) enfatiza que apesar do limite dessa divisão ser pequeno, o autor chama atenção para sua importância, em virtude da sua aplicação em fins didáticos.
Tabela 2 – Divisão dos métodos em mineração de dados
Fonte: Autor (2022)
Segundo Camilo et al. (2009), tais métodos comumente usam alguma medida de similaridade entre os atributos. A diferença, portanto, entre os métodos supervisionados e não-supervisionados se dá em razão de que, nos métodos supervisionados, os dados são compostos em juntos, em virtude de serem rotulados para que haja uma resposta com a qual a máquina pode mensurar sua precisão no momento da tomada de decisão. Já, nos métodos não- supervisionados, os dados não precisam de uma especificação precisa, ou seja, a própria máquina com seu algoritmo, tentar entender por conta própria os dados.
A revisão bibliográfica notória na Tabela 3 teve por resultado verificar a similaridade de outros trabalhos com relação à pesquisa. Quanto aos objetivos que cada trabalho buscou atingir e, suas relações com o trabalho exposto, percebeu-se que a investigação e a verificação são nortes principais para a dedução dos resultados.
Tabela 1 – Trabalhos comparativos
| TRABALHOS | CONTEXTO | OBJETIVO | CONTRIBUIÇÃO DIFERENCIAL |
| Campos et al. (2018) | Um estudo experimental com três ferramentas de mineração de dados, entre elas, RapidMiner, | Verificar em quais problemas essas ferramentas podem ser aplicas e destacar as | Constatou que a ferramenta RapidMiner é excelente em problemas de Associação e o |
| que contribuiu para a tomada de decisão nas várias áreas do conhecimento humano. | características dessas ferramentas. | algoritmo de metaaprendizado é bem eficiente. | |
| Damasceno (2015) | Um minicurso de forma teórica e prática, que utilizou técnicas de mineração de dados para resolver problemas clássicos utilizando o suíte de mineração Weka. | Deliberar problemas de agrupamento, predição, regressão numérica e classificação. | Constatou que a ferramenta Weka possui grande potencialidade em lidar e tratar com os problemas reais. |
| Wagner et al. (2016) | Um trabalho realizado para analisar as variáveis meteorológicas por meio da mineração de dados. | Buscar encontrar um padrão ou mudança em intervalos de dez anos nas bases de dados. | Constatou que as técnicas de mineração de dados por meio ferramenta tanagra foi um sucesso e assimilou que a principal dificuldade encontrada em relação a essa ferramenta diz respeito à documentação. |
| Boscarioli (2014) | O trabalho realizou uma discussão em torno das ferramentas de análise de cluster, dentre essas ferramentas analisada estar a knime. | Investigar a usabilidade e a experiência do usuário com tais ferramentas, em virtude de servir de norte para a melhor tomada de decisão em base de dados | Constatou que a usabilidade e a facilidade de manuseio das ferramentas são boas. E, acrescentou um ponto fundamental, essas podem abranger públicos com qualquer nível de conhecimento sobre as ferramentas |
| Hora et al. (2018) | O trabalho realiza um estudo em vista de analisar a aceitação e saber se os cientistas de dados, ainda em formação, utilizam tais ferramentas: Weka, Knime, RapidMiner e Tanagra. | Avaliar a aceitação dessas ferramentas de mineração de dados através de alguns modelos de aceitação de tecnologia. | Constatou que ambas as ferramentas se mostraram úteis no processo de descoberta do conhecimento, além de serem fáceis de se utilizar. |
| Silva (2022) | O trabalho buscou realizar uma averiguação de forma superficial de ambas das ferramentas de mineração de dados: Weka, RapidMiner, Tanagra e Knime, averiguando suas utilidades nas tomadas de decisões. | Apontar as técnicas mais utilizadas por essas ferramentas e averiguar suas utilizações em contextos da sociedade. | Constatamos que essas ferramentas são de boa utilidade e de fácil usabilidade dentro de áreas da sociedade. |
Fonte: Autor (2022)
Os resultados das Tabelas 4, 5, 6 e 7, são pertinentes aos apontamentos das vantagens e desvantagens de cada dispositivo. Essas informações contribuem para uma visibilidade coerente, estando corroborada a eficácia gradativa que os instrumentos devem possuir, em vista de melhor ser aplicado. O propósito das tabelas a seguir, foi de corroborar na utilização dos dispositivos e gerar insumos, que poderão orientar um possível professional, quanto suas prestabilidades em determinada situação de aplicação.
Por meio dos resultados obtidos nas tabelas acima, foi possível constatar dos trabalhos pesquisados e analisados, os desafios mais pertinentes da área de mineração de dados. Dentro de um total de vinte (20) trabalhos, sendo divididos em, quinze (15) artigos, quatro (4) livros e uma (1) dissertação, percebeu-se que os problemas mais relevantes então, principalmente, relacionados aos métodos que os equipamentos usam na mineração. Os Gráficos a seguir mostram os principais desafios elencados a mineração de dados e a porcentagem em relação a presença desses dentro dos trabalhos pesquisados na literatura.
O Gráfico 1 mostra as ocorrências dos desafios encontrados nos artigos pesquisados. Como resultado, obtivemos que o desafio mais pertinente dentro área de mineração é o tempo de resposta que se deve dá há um determinado problema.
A informação em relação ao grau dos desafios mais pertinentes e saber identificá-los, sem dúvida, tornar-se uma tarefa fundamental para todo gestor que trabalhar com as tecnologias de dados. Também, pode-se destacar que os problemas relacionados a segurança dos dados com 53% e tempo de resposta com 73%, enfatizados nos trabalhos pesquisados, alertam fortemente para uma maior preocupação no momento das tomadas de decisão.
No Gráfico 2 ficou evidente que, dentre os vintes (20) trabalhos pesquisados, os métodos (tarefas) mais usadas em processo de mineração de dados estão intrinsecamente ligados ao fato de melhor preparar os dados. A relação probabilística da tabela está de 6 para 20, 8 para 20 e 14 para 20.
Portanto, percebe-se que a maioria das ferramentas estão ligadas a tarefa de associação, isso porque, esse método tem como cerne a ideia básica de encontrar padrões em uma mesma transação. Outro dado importante referente as tarefas que pode-se observar no gráfico é que, a tarefa de classificação, também, está eventualmente entre as tarefas mais associadas e investigadas em pesquisas. Isso se dá por conta que ela busca prever uma classe de um novo dado automaticamente, facilitando assim o tratamento dos dados.
Esses resultados reforçam a importância do conhecimento que deve-se ter dos métodos ao aplicá-las no ato da mineração. Visto que, diminuir a perca de dados e melhorar o tempo de resposta para a tomada de decisão, ainda são os requisitos fundamentais dessa área de estudo.
5 CONCLUSÃO
Perante as informações que foram obtidas por intermédio da revisão bibliográfica, pôde-se perceber que, a mineração de dados é uma modalidade da computação que mostra-se viável em diversas áreas da sociedade. Os dados demonstram que o uso das ferramentas mencionadas na pesquisa com os métodos elencados é de grande valia, pois proporcionam progresso e aproveitamento por parte de gestores de empresas, docentes, analistas e administradores de banco de dados.
O presente estudo denotou uma proposta fundamentada em investigar a evolução dos métodos e ferramentas, bem como sua constituição na tomada de decisão. Assim, por meio da pesquisa bibliográfica, constatou-se que os métodos e ferramentas mais usuais na atualidade são eficazes e contribuem de modo significativo no tangente à decisão final dentro de um processo. O trabalho teve como principal contribuição, demonstrar que o conhecimento da ferramenta e o(s) método(s) que as mesmas utilizam no processo de mineração, aliadas a procedimentos eficientes e bem definidos, pode aumentar e facilitar na geração de novos dados e na tomada de decisão precisa.
Para trabalhos futuros, espera-se que este estudo seja acrescido com novas análises, investigações e reflexões no diz respeito a mineração de dados. Tudo isso, a parti de testes de verificação, sob o acompanhamento presencial do uso das ferramentas em ambientes próprios de implementação. Além disso, recomenda-se que sejam agregados ao presente modelo de pesquisa novas ferramentas que tenham poder computacional, no subsídio da área de mineração de dados.
6 REFERÊNCIAS BIBLIOGRÁFICAS
AMARAL, F.; Aprenda mineração de dados: teoria e prática. Alta Books Editora, 2016. BOSCARIOLI, C.; VITERBO, J.; TEIXEIRA, M. F.; Avaliaçao de aspectos de usabilidade em ferramentas para mineraçao de dados. In: Anais da I Escola Regional de Sistemas de Informação do Rio de Janeiro. SBC, 2014. p. 87-94.
CAMILO, C. O.; SILVA, J. C.; Mineração de dados: Conceitos, tarefas, métodos e ferramentas. Universidade Federal de Goiás (UFC), v. 1, n. 1, p. 1-29, 2009.
CAMPOS, B. A.; CAMPOS, P. G. Estudo Experimental com as Ferramentas CMSR Data Miner, KnowledgeSTUDIO e RapidMiner. Anais da Jornada Científica e de Extensão-JCE 2018 da UPE Caruaru, 2018.
CARVALHO, H. M.; Aprendizado de máquina voltado para mineração de dados: árvores de decisão. 2014.
DAMASCENO, M.; Introdução a mineração de dados utilizando o weka. Disponível: http://connepi. ifal. edu. br/ocs/index. php/connepi/CONNEPI2010/paper/viewFile/258/207.
Espinosa-Zúñiga, J. J.; Aplicación de metodología CRISP-DM para segmentación geográfica de una base de datos pública. Ingeniería, investigación y tecnología, v. 21, n. 1, 2020.
FERRARI, D. G.; SILVA, L. N. C.; Introdução a mineração de dados. Saraiva Educação SA, 2017.
GALVÃO, N. D.; MARIN, H. F.; Técnica de mineração de dados: uma revisão da literatura. Acta Paulista de Enfermagem, v. 22, p. 686-690, 2009.
HORA, Gleidison Santos et al. Avaliação de ferramentas de mineração de dados: uma abordagem com o modelo TAM. Interfaces Científicas-Exatas e Tecnológicas, v. 2, n. 3, p. 109-121, 2018.
LAKATOS, E. M.; MARCONI, M. A.; Metodologia do trabalho científico: procedimentos básicos, pesquisa bibliográfica, projeto e relatório, publicações e trabalhos científicos.7. ed. São Paulo: Atlas, 2011.
LEANDRA, S. N. R.; GOMES, C. J. G.; ANDRADE, A. F. R.; Mineração de DadosEducacionais: Um Estudo Sobre Indicadores da Educação em Bases de Dados doINEP. RENOTE, Porto Alegre, v. 16, n. 1, 2018. DOI: 10.22456/1679-1916.85989.Disponível em: https://www.seer.ufrgs.br/index.php/renote/article/view/85989. Acesso em: 16 jul. 2022.
MACIEL, T. V.; Mineração de dados em triagem de risco de saúde. Revista Brasileira de Computação Aplicada, v. 7, n. 2, p. 26-40, 2015.
QUILICI-GONZALEZ, J. A.; ASSIS ZAMPIROLLI, F.; Sistemas inteligentes e mineração de dados. 2015.
RAMOS, J. L. C.; CRISP-EDM: uma proposta de adaptação do Modelo CRISP-DM para mineração de dados educacionais. In: Anais do XXXI Simpósio Brasileiro de Informática na Educação. SBC, 2020. p. 1092-1101.
ROSSINI, L. A. S.; SILVA, R. R. de P.; SOTTO, E. C. S.; ARAÚJO, L. S. de. DATA MINING: conceitos e consequências. Revista Interface Tecnológica, [S. l.], v. 15, n. 2, p. 50–59, 2018. DOI: 10.31510/infa.v15i2.486. Disponível em: https://revista.fatectq.edu.br/interfacetecnologica/article/view/486. Acesso em: 9 jul. 2022.
SANTOS, B. S.; Data Mining: Uma abordagem teórica e suas aplicações. Revista ESPACIOS| Vol. 37 (Nº 05) Año 2016, 2016.
TRONCHONI, A. B.; ROSA, M. A. Da; PRETTO, C. O.; LEMOS, F. A. B. (2010); Descoberta de conhecimento em base de dados de eventos de desligamentos de empresas de distribuição. Revista Controle & Automação, v. 21, n. 2, p.185-200.
VASCONCELOS, L. M. R.; CARVALHO, Cedric, L.; Aplicação de regras de associação para mineração de dados na web. Revista Telfract, v. 1, n. 1, 2018.
WAGNER, M. M.; Mineração de Dados Meteorológicos Empregando Dados de
Temperatura: o caso de uma cidade gaúcha. Interfaces Científicas-Exatas e Tecnológicas, v. 2, n. 2, p. 57-70, 2016.
[1] https://medium.com/@kvmoura/crisp-dm-79580b0d3ac4
[2] Adaptação – https://blog.grancursosonline.com.br/processo-de-mineracao-de-dados-com-crisp-dm/
[3] Extraído: https://www.softwareadvice.com.br/reviews/85226/knime-analytics-platform
[4] Extraído: https://www.capterra.com.br/software/148220/rapidminer#abou
[5] Extraído: https://www.cin.ufpe.br/~pgc/upe/MD/Parte2/pratica_tanagra/Tanagra1_4_25.PPT
[6] Extraído: https://www.capterra.com.br/software/171134/weka