Made available in DSpace on 2014-06-12T16:01:02Z (GMT). No. of bitstreams: 2 arquivo7136_1.pdf: 692443 bytes, checksum: c11cfd3f38b51311500d8d8599c11600 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2005 / Nesta dissertação a linguagem DMPML é proposta como alternativa para a padronização da fase de preparação de dados em um processo de KDD. A DMPML é baseada em XML e utiliza transformações XSL para transformar dados. Devido às características da linguagem XML tais como extensibilidade, robustez e independência de plataforma, projetos de preparação de dados gerados com a utilização da DMPML podem ser compartilhados de forma eficiente através da Internet, promovendo o reuso de trabalho e a troca de experiência entre projetos semelhantes. Outros benefícios da aplicabilidade da DMPML são: (a) não necessidade de utilização de banco de dados relacionais para armazenar informações geradas pelas subfases de tratamento de dados; (b) não necessidade de implementação de código especial para transformar dados brutos em dados prontos para aplicação em um algoritmo específico de mineração de dados; (c) possibilidade de criação de regras específicas de transformação de dados para algoritmos específicos de mineração de dados sem necessariamente ser preciso redefinir o projeto de preparação de dados e (d) grande potencialidade de reutilização de projetos de preparação de dados entre massas de dados com atributos semelhantes

Made available in DSpace on 2014-06-12T15:51:10Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Os avanços tecnológicos têm aumentado drasticamente a magnitude dos dados armazenados em diversos domínios de aplicação. Esta abundância de dados tem excedido a capacidade de análise humana. Como conseqüência, algumas informações valiosas escondidas nestes grandes volumes de dados não são descobertas. Este cenário impulsionou a criação de várias técnicas capazes de extrair conhecimento de grandes volumes de dados. Algumas dessas técnicas são resultantes do emergente campo de Descoberta de Conhecimento em Bases de Dados (Knowledge Discovery in Databases - KDD). O processo de KDD é composto de várias etapas. A etapa de preparação dos dados consome de 50% a 90% do tempo e esforço necessário para a realização de todo o processo. Quanto mais completa e consistente for a preparação, melhor será o resultado da mineração de dados. Uma forma de garantir a completude e a consistência dos dados é utilizar uma metodologia que aborde detalhadamente todas as atividades relacionadas à preparação dos dados. Muitas metodologias foram propostas para o desenvolvimento de projetos de KDD. Apesar da maioria citar o processo de preparação dos dados, poucas metodologias específicas para montagem de visão de dados têm sido propostas. Diante deste cenário, esta dissertação tem como objetivos investigar as metodologias para o desenvolvimento de projetos de KDD, enfatizando os aspectos relacionados à preparação dos dados, e como resultado da investigação, propor uma metodologia para montagem de visões em bases de dados dirigidas a problemas de Mineração de Dados. Esta metodologia engloba, de forma detalhada, todo processo de preparação dos dados, desde o entendimento do problema até a geração da base. A viabilidade prática da metodologia proposta, DMBuilding, é demonstrada através da realização de um estudo de caso que utiliza uma base de dados de um problema real de larga escala no domínio da análise de risco crédito. Os resultados ilustram os benefícios da metodologia, comprovando sua relevância para a montagem de visão em bases de dados