Revista de Engenharia e Tecnologia ISSN 2176-7270

EXTRAO DE CONHECIMENTO ATRAVS DA MINERAO

DE DADOS
Dayana Carla de Macedo (UTFPR/ UEPG) dayanamacedo@yahoo.com.br
Simone Nasser Matos (UTFPR) snasser@utfpr.edu.br

Resumo: Para garantir sua permanncia no mercado e competitividade as organizaes

constantemente buscam conhecimentos para fundamentar a tomada de deciso. Como muitas
vezes esse conhecimento est oculto em uma grande base de dados, necessrio recorrer a um
sistema de tecnologia da informao para auxiliar esse processo de extrao de conhecimento.
Nesse sentido a Minerao de Dados uma alternativa que visa extrair conhecimento de um
grande volume de dados, descobrindo novas correlaes, padres e tendncias entre as
informaes de uma empresa. Este artigo tem como objetivo abordar os principais conceitos
atravs de uma breve reviso bibliogrfica sobre a extrao de conhecimento atravs da
Minerao de Dados.
Palavras chave: Gesto do Conhecimento Organizacional, Minerao de Dados, extrao de
conhecimento.

KNOWLEDGE EXTRACTION THROUGH OF THE MINING OF

DATA

Abstract: To guarantee its permanence in the market and competitiveness the organizations
constantly look for knowledge to base the taking of decision. As a lot of times this knowledge
is occult in a big base of data, it is necessary to appeal to a system of technology of the
information to aid that process of knowledge extraction. In that sense the Mining of Data is an
alternative that seeks to extract knowledge of a great volume of data, discovering new
correlations, patterns and tendencies among the information of a company. This article has as
objective to approach the main concepts through a brief bibliographical revision about the
knowledge extraction through of the Mining of Data.
Key words: Management knowledge organizational, Mining of Data, knowledge extraction.

1. INTRODUO
Atualmente as organizaes possuem em seus sistemas de informaes grandes bases
de dados, porm a anlise destas, requer a utilizao de ferramentas da tecnologia da
informao que auxiliam esse processo. Com o intuito de tomar decises de forma inteligente,
segura e confivel as organizaes analisam de forma precisa, grandes volumes de dados
visando minimizao de riscos e resultados no satisfatrios. Nesse sentido utilizar
ferramentas que possam extrair informaes de uma base de dados em forma de
conhecimento voltado para a tomada de deciso resulta em otimizao e flexibilizao de
processos gerenciais. Por meio de grandes avanos na rea da tecnologia da informao h a
possibilidade de armazenarem grandes e mltiplas bases de dados seja de natureza comercial,
administrativa, governamental e cientfica. Mas por outro lado, a anlise de um grande
volume de dados pelo homem invivel sem o auxlio de ferramentas computacionais
apropriadas (GOLDSCHIMIDT & PASSOS 2005). Segundo Fayyad (1996) o homem no
est preparado para interpretar uma grande quantidade de dados. Sendo uma das alternativas

o
V. 2, N . 2, Ago/2010 Pgina 22
Revista de Engenharia e Tecnologia ISSN 2176-7270

para o gestor a utilizao de tcnicas e ferremantas, destacando o processo de descoberta de

Conhecimento KDD (Knowledge Discovery in Databases) onde uma das etapas a
Minerao de Dados. Como a informao e o conhecimento so os elementos essenciais de
qualquer organizao em um mercado altamente competitivo, atravs da minerao de dados
h a possibilidade de descobrir novos e teis conhecimentos para o processo de tomada de
deciso.
O presente artigo tem como objetivo abordar os principais conceitos sobre Minerao
de Dados atravs de uma pesquisa bibliogrfica, onde a seo 2 apresenta os principais
conceitos sobre o processo de KDD, bem como suas etapas. A seo 3 apresenta as principais
ferramentas de minerao de dados. Na seo 4 aborda a extrao de conhecimento atravs da
minerao e na seo 5 reporta a concluso do trabalho.

2. KDD DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS

O termo KDD - Knowledge Discovery in Databases, foi formalizado em 1989 em
referncia ao amplo conceito de procurar conhecimento a partir de base de dados. Segundo
Fayyad (1996) KDD um processo, de vrias etapas, no trivial, interativo e iterativo, para
identificao de padres compreensveis, vlidos, novos e potencialmente teis a partir de
grandes conjuntos de dados. Segundo Goldschimidt & Passos (2005) o termo iterativo
sugere a possibilidade de repeties integrais ou parciais do processo de KDD e a expresso
no trivial alerta para a complexidade normalmente presente na execuo de processos de
KDD. J com relao a expresso padro vlido indica que o conhecimento deve ser
verdadeiro e adequado ao contexto da aplicao de KDD e o termo padro novo deve
acrescentar novos conhecimentos aos existentes, para que todo esse processo gere
conhecimento til que pode ser aplicado de forma a proporcionar benefcios ao contexto de
aplicao de KDD. Porm, a extrao de conhecimento de uma grande base de dados atravs
da aplicao de um processo de KDD exige a melhor compreenso das diferenas entre dado,
informao e conhecimento, conforme ilustra a figura 1.

Figura 1: Hierarquia entre Dado, Informao e Conhecimento (ALESSIO, 2004).

Os dados, na base da pirmide, podem ser interpretados como itens elementares,
captados e armazenados por recursos da Tecnologia da informao (GOLDSHIMIDT &
PASSOS, 2005). Ele , basicamente, um evento fora de contexto e sem uma relao de
significado com qualquer outra coisa (CARVALHO, 2000). Com relao a informao
Drucker (2001) afirma que, informao dado investido de relevncia e propsito. Para
Prusak e Mcgee (1994), no simplesmente um conjunto de dados; informao so dados
coletados, organizados, ordenados, aos quais so atribudos significados e contexto. No topo
da Pirmide encontra-se o conhecimento que o padro ou conjunto de padres, cuja

o
V. 2, N . 2, Ago/2010 Pgina 23
Revista de Engenharia e Tecnologia ISSN 2176-7270

formulao pode envolver e relacionar dados e informaes (GOLDSHIMIDT & PASSOS,

2005).
Porm, como os processos de descoberta de conhecimento em bases de dados so
complexos deve-se realizar um planejamento das atividades, ou seja, estabelecer os objetivos
de acordo com a aplicao de KDD com o objetivo da extrao do conhecimento da base de
dados, que devem ser planejados desde o incio do processo. Para aplicar um processo de
KDD deve-se primeiramente definir o que fazer diante da base de dados apresentada,
estabelecendo os objetivos incluindo as seguintes atividades de acordo com (BOENTE,
GOLDSCHMIDT & ESTRELA, 2006):
_ Identificar pessoas e reas envolvidas com a aplicao de KDD;
_ Levantar o hardware e software existente;
_ Inventar bases de dados disponveis;
_ Analisar bases de dados, procurando compreender o significado e a relevncia dos
atributos, avaliar a qualidade e a quantidade dos dados disponveis;
_ Esboar uma lista inicial de necessidades e expectativas por parte das pessoas e reas
envolvidas;
_ Identificar e documentar conhecimento prvio.
Para definio dos objetivos em um processo de KDD requer, primeiramente, um
entendimento claro da situao vigente no ambiente onde ser realizado o processo. A etapa
de definio de objetivos requer uma forte interao entre o analista de KDD e os
especialistas do domnio da aplicao. A Figura 1 ilustra as principais funes de um analista
de KDD.

Figura 1: Diagrama de implementao da Metodologia do KDD (GOLDSCHMIDT & PASSOS, 2005).

Aps toda a etapa de levantamento inicial, definio de objetivos, planejamento de
atividades, execuo do plano de ao e avaliao de resultados do processo de KDD, para
que os dados sejam extrados de forma eficiente, os dados so submetidos a esse processo,
que possui o Data Mining ou minerao de dados como uma das etapas principais, sendo o

o
V. 2, N . 2, Ago/2010 Pgina 24
Revista de Engenharia e Tecnologia ISSN 2176-7270

ncleo do processo, pois durante essa etapa realizada a busca efetiva por conhecimentos
teis no contexto da aplicao de KDD. A etapa de descoberta de conhecimento possui vrias
etapas operacionais, composto pelas etapas de pr-processamento, minerao de dados e ps-
processamento.

2.1. PR-PROCESSAMENTO
Para iniciar a etapa de pr-processamento necessrio efetuar a seleo de dados
considerada importante para a organizao, ou seja, selecionar um conjunto de dados,
pertencentes a um domnio, para que, a partir de um critrio definido pelo especialista do
domnio, possa ser analisado. Aps seleo de dados, necessrio aplicar mtodos de
tratamento, pois na maioria das vezes os dados disponveis para anlise encontram-se em um
formato inadequado para realizao do processo de KDD, denominado de limpeza dos dados.
Aps o processo de limpeza dos dados necessrio realizar a codificao dos dados, com o
intuito de que estejam na forma correta para serem usados como entrada dos algoritmos de
minerao de dados, para posteriormente enriquec-los de forma a agregar de alguma forma
mais informao para o processo de extrao de conhecimento. A seguir encontram-se
descritas as principais funes de pr-processamento dos dados segundo Boente &
Goldschmidt & Estrela (2006):
_ Seleo de dados: nesta funo necessrio efetuar a identificao de quais informaes
da base de dados existentes devem ser efetivamente consideradas durante o processo de
KDD.
_ Limpeza de dados: Com o intuito de assegurar a qualidade relacionada a completude,
veracidade e integridade realizado uma espcie de tratamento sobre os dados, ou seja,
informaes errneas ou inconsistentes nas bases de dado devem ser corrigidos de forma a
no comprometer a conhecimento a ser extrado no final do processo de KDD.
_ Codificao dos Dados: Para a utilizao dos dados como entrada dos algoritmos de
Minerao de Dados na forma correta, estes devem ser codificados, podendo ser:
Numrica Categrica, que transforma valores reais em categorias ou intervalos; ou
Categrica Numrica, que representa numericamente valores de atributos categricos.
_ Enriquecimento dos dados: Tm como objetivo agregar mais informaes aos registros
existentes, enriquecendo os dados, para que estes forneam mais informaes para o
processo de KDD, podendo ser realizadas as pesquisas para complementao dos dados,
as consultas a bases de dados externas, entre outras tcnicas.
importante ressaltar que na etapa de limpeza de dados Goldschmidt & Passos (2005)
identifica as seguintes funes que podem ser aplicadas para a limpeza de dados:
_ Limpeza de informaes ausentes: compreende a eliminao de valores ausentes em
conjunto de dados;
_ Limpeza de inconsistncias: abrange a identificao e a eliminao de valores
inconsistentes em conjunto de dados;
_ Limpeza de valores no pertencentes ao domnio: compreende a identificao e a
eliminao de valores que no pertenam ao domnio dos atributos do problema.
Outro ponto importante a ser considerado na etapa de pr-processamento que em virtude das
restries de espao em memria ou tempo de processamento com relao ao nmero de
exemplos e de atributos disponveis para a anlise, pode inviabilizar a utilizao de algoritmos
de extrao de padres, sendo necessria a aplicao de mtodos de reduo de dados antes de

o
V. 2, N . 2, Ago/2010 Pgina 25
Revista de Engenharia e Tecnologia ISSN 2176-7270

iniciar a busca pelos padres (REZENDE, 2003).

2.2. MINERAO DE DADOS
Etapa do KDD que consiste na aplicao de algoritmos especficos, que extraem padres a
partir dos dados (FAYYAD et al., 1996). Nesse sentido de acordo com o objetivo da extrao
de conhecimento deve-se escolher o algoritmo apropriado para o processo de KDD. As
principais tarefas de minerao de dados encontram-se so:
Descoberta de Associao: Uma tarefa da Data Mining que tem por objetivo encontrar
relacionamentos ou padres freqentes que ocorrem em um conjunto de dados (BRUSSO,
CERVO & GEYER, 2002); ou seja, a busca por itens que ocorram de forma simultnea
freqentemente em transaes do banco de dados. Algoritmos tais como o Apriori
(AGRAWAL, 1993), GSP, DHP, entre outros, so exemplos de ferramentas que
implementam a tarefa de descoberta de associaes (GOLDSCHMIDT & PASSOS, 2005).
_ Classificao: Tem como objetivo encontrar uma funo para mapear um conjunto de
registros em um conjunto de rtulos categricos pr-definidos, denominados classes. Aps
descoberta essa funo, esta pode ser aplicada a novos registros de forma a prever a classe
que tais registros se enquadram. Exemplos de tecnologias que podem ser aplicados na
tarefa de classificao como Redes Neurais (DIAS & PACHECO, 2005), Algoritmos
Genticos (DIAS & PACHECO, 2005) e Lgica Indutiva (DUARTE, 2001).
_ Regresso: semelhante a tarefa de classificao, na qual analisam valores numricos,
tendo com principal objetivo apresentar uma previso a partir de dados histricos contido
em uma base de dados, ou seja, compreende a busca por uma funo que mapeie os
registros de um banco de dados em valores reais. Estatstica, Redes Neurais, dentre outras
reas, oferecem ferramentas para implementao da tarefa de regresso (MICHIE et al.
1994).
_ Clusterizao ou anlise de agrupamento: Por meio do agrupamento de dados os clusters
so definidos baseados em medidas de similaridade ou modelos probabilsticos. Promove
a associao de um item a uma ou vrias classes categricas em que as classes so
determinadas pelos dados, diversamente da classificao em que as classes so pr-
definidas. A anlise de cluster tem como objetivo verificar a existncia de diferentes
grupos dentro de um determinado conjunto de dados, e em caso de sua existncia,
determinar quais so eles (SFERRA & CORRA, 2003). Para implantar esse tipo de
tarefa so utilizados algoritmos tais como K-Means, K-Modes, K- Prototypes, K-Medoids,
Kohonen (CARLANTONIO, 2001);
_ Sumarizao: consiste em procurar identificar e indicar caractersticas comuns entre
conjuntos de dados (GOLDSCHMIDT & PASSOS, 2005). Exemplos de tecnologias que
podem ser aplicadas para implantar a tarefa de sumarizao so: Lgica indutiva e
Algoritmos Genticos.
_ Deteco de Desvios: Na totalidade do contexto a identificao de registros que no so
considerados normais, ou seja, que no atendem ao padro considerado normal o
objetivo principal da tarefa da deteco de desvios (BOENTE, GOLDSCHMIDT &
ESTRELA, 2006);
_ Descoberta de Sequncias: A anlise de sequncias usada para encontrar padres de
dados escondidos numa sequncia de estados temporais. uma extenso da tarefa de
descoberta de associaes em que se busca itens frequentes considerando-se vrias
transaes ocorridas ao longo de um perodo.
A Tabela 1 ilustra as principais tarefas da minerao de dados e os tipos de algoritmos que
o
V. 2, N . 2, Ago/2010 Pgina 26
Revista de Engenharia e Tecnologia ISSN 2176-7270

utilizam.
Tabela 1: Tarefas da Minerao de dados e os Algoritmos
Estratgia Algoritmos
Classificao rvores de Deciso e Redes Neurais
Agregao Mtodos Estatsticos e Redes Neurais
Associao Mtodos Estatsticos e Teoria de conjuntos
Regresso Mtodos de Regresso e Redes Neurais
Predio Mtodos Estatsticos e Redes Neurais
Fonte: BOENTE, GOLDSCHMIDT & ESTRELA, 2006.

Por meio das tarefas de Minerao de Dados possvel extrair conhecimento de um

grande volume de dados, descobrindo novas correlaes, padres e tendncias entre as
informaes de uma empresa.

2.3. PS-PROCESSAMENTO
A etapa de Ps-processamento compreende o processo de tratamento do conhecimento
adquirido por meio da Minerao de Dados, com o intuito de facilitar a interpretao e
avaliao deste, para priorizar a utilidade do conhecimento descoberto. Dentre as principais
funes da etapa de Ps-processamento esto elaborao e organizao, podendo incluir a
simplificao de grficos, diagramas e outros tipos de relatrios demonstrativos, alm da
converso da forma de representao do conhecimento extrado no processo de KDD
(BOENTE, OLIVEIRA & ROSA, 2007). A seguir encontram-se comentadas os mtodos e
procedimentos utilizados na etapa de ps-processamento segundo Nicolaio & Pelinski (2006):
_ Avaliao: etapa onde o objetivo maior a avaliao do conhecimento extrado da base de
dados por meio de critrios, tais como preciso, compreensibilidade e interessabilidade.
_ Interpretao e Explanao: consiste em tornar o conhecimento extrado compreensvel ao
usurio, ou seja, document-lo, visualiz-lo, modific-lo e/ou compar-lo o conhecimento
pr-existente com o intuito de compreender melhor o conhecimento descoberto no
processo de KDD.
_ Filtragem: consiste em filtrar o conhecimento extrado do conjunto de dados, realizado
por meio de mecanismo que variam de acordo com a tcnica utilizada, para que
posteriormente a anlise do conhecimento na etapa de Ps-processamento, este possa ser
utilizado no processo de tomada de deciso;
_ Interpretao: fase que inclui o processo de interpretao do modelo descoberto, onde
pode requerer a repetio de vrios passos, porm normalmente encarada como uma
simples visualizao dos dados. Os padres identificados pelo sistema so interpretados
em conhecimento, que pode ser utilizado como ferramenta de apoio ao processo de
tomada de deciso.
Aps a etapa de ps-processamento, o conhecimento extrado depois de avaliado e
validado consolidado na fase de utilizao do conhecimento, sendo incorporado a um
sistema inteligente, que utilizado pelo usurio final para o apoio a algum processo de
tomada de deciso, ou seja, relatado s pessoas interessadas.

o
V. 2, N . 2, Ago/2010 Pgina 27
 Revista de Engenharia e Tecnologia ISSN 2176-7270

3. FERRAMENTAS PARA A MINERAO DE DADOS

Para Rezende (2005) atualmente h um progresso da rea de extrao de
conhecimento de uma base dados nas organizaes, onde ocorre um estmulo para o
desenvolvimento de ferramentas capazes de facilitar a extrao do conhecimento por meio de
uma variedade de tcnicas, com diferentes tipos de algoritmos voltados para a Minerao de
Dados. Na Tabela 2 descrita resumidamente as principais ferramentas, disponveis no
mercado, utilizadas na Minerao de Dados.
Tabela 2: Ferramentas para a Minerao de Dados
Nome Tarefas Disponveis Fabricante e Site de Acesso
PolyAnalyst Classificao, regresso, regras Megaputer Intelligence
de associao, clustering, www.megaputer.com
sumarizao e modelagem de
dependncia
DataMite Regras de associao Dr. Phillip Vasey atravs da LPA
Prolog
www. ipa.co.uk/dtm.htm
Microsoft Data Analyser 2002 Classificao e clustering Microsoft Corp.
www.microsoft.com
Oracle 9i Data Mining Classificao e regras de Oracle Corp.
associao www.oracle.com
Darwin Classificao, regresso e Oracle Corp.
clustering www.oracle.com
MineSet Classificao, regresso e Slicon Graphics inc.
clustering www.sgi.com
WEKA Classificao, regresso, regras University Waikato
de associao www.cs.waikato.ac.nz
Intelligent Miner Regras de associa, padres IBM Corp.
sequncias, classificao, www.ibm.com
clustering, sumarizao e
modelagem de dependncia
FONTE: Adaptado de Rezende (2005)

Aps captao dos dados considerados importantes para a organizao efetuar o

processo de KDD, necessrio a escolha da ferramenta adequada e o tipo de tarefa a ser
executada para a extrao do conhecimento, fornecendo as informaes necessrias para de
tomada de deciso.

4. EXTRAO DE CONHECIMENTO ATRAVS DA MINERAO DE DADOS

A extrao do conhecimento por meio da utilizao da minerao de dados possibilita

descobrir novas correlaes, padres e tendncias entre as informaes de uma empresa,
contidas em uma grande base de dados. Esse processo oferece um diferencial para a
organizao, pois em tempos de concorrncia acirrada, exigncia de qualidade por parte dos
clientes e dificuldades econmicas ter um sistema de apoio a deciso necessrio. Atravs da
Minerao de dados possvel extrair conhecimentos que esto ocultos em um banco de
dados, podendo utiliz-los como estratgias no negcio.
Segundo KREMER (1999):
Prospeco de conhecimento em bases de dados (Knowledge Discovery in
Databases - KDD) um processo que envolve a automao da identificao e do
reconhecimento de padres em um banco de dados. Trata-se de uma pesquisa de
fronteira, que comeou a se expandir mais rapidamente nos ltimos cinco anos. Sua

o
V. 2, N . 2, Ago/2010 Pgina 28
Revista de Engenharia e Tecnologia ISSN 2176-7270

principal caracterstica a extrao no-trivial de informaes a partir de uma base

de dados de grande porte. Essas informaes so necessariamente implcitas,
previamente desconhecidas, e potencialmente teis.
Atualmente muitas organizaes perdem negcios ou tomam o rumo errado por
tomarem decises infundadas, ou seja, decises que no esto fundamentadas em dados reais,
obtidos de fontes seguras. Nesse sentido o conhecimento extrado de uma base de dados pode
fornecer as informaes necessrias e imprescindveis para a tomada de deciso. De acordo
com Mardegan, Azevedo & Oliveira (2002), devido a grande concorrncia, a utilizao de
informaes imprecisas e dados incorretos em uma empresa podem prejudic-la em muito no
processo de tomada de deciso, em sua produtividade e, inclusive, na prpria permanncia no
mercado e competitividade.
A minerao de dados como uma tecnologia que tem como objetivo extrair
conhecimentos visa coletar dados de todas as formas e inter-relacion-las para assim poder
gerar informao, podendo ou no ser til para o empresrio, ou seja, o conhecimento
gerencial. Mesmo se esses dados no tiverem valor especfico para a situao em questo,
podem chamar a ateno para outras reas de atuao da empresa, muitas vezes esquecidas,
pela preocupao em manter-se focada na sua rea foco (CARNIEL & STAHNKE, 2009).
Nesse sentido a utilizao de Minerao de Dados nas organizaes um diferencial,
pois em tempos de concorrncia acirrada, exigncia pela qualidade e dificuldades econmicas
necessrio tomar decises fundamentadas em dados reais para assegurar a competitividade e
permanncia no mercado

6. CONCLUSO

A minerao de dados uma das etapas pertencentes ao processo de KDD -

Knowledge Discovery in Databases, que composto pelas etapas de onde visa a extrao de
conhecimento de uma grande base dados exigindo uma compreenso melhor das diferenas
entre dado, informao e conhecimento. Por meio do conhecimento extrado este pode ser til
para os empresrios, pois se trata de conhecimento gerencial fornecendo subsdios necessrios
para a tomada de deciso segura e confivel. Nesse sentido a utilizao de Minerao de
Dados nas organizaes oferece um diferencial, pois em tempos de concorrncia acirrada,
exigncia pela qualidade e dificuldades econmicas necessrio tomar decises
fundamentadas em dados reais para assegurar a competitividade e permanncia no mercado.

REFERNCIAS
AGRAWAL, R.; SRIKANT, R. Mining generalized association rules in large relational tables. Proc.
Of 21 st Int`L Conference on Very Large Databases. Zurique, Sua, 1995. Disponvel em:
<HTTP://rakesh.agrawal-family.com/pubs.hyml> acesso em 07 de junho de 2009.

ALESSIO, Paulo Agostinho. Informao e Conhecimento um modelo de gesto para potencializar a

inovao e a cooperao Universidade-Empresa. Tese (Doutorado)-Ps Graduao em Engenharia de
Produo, Universidade Federal de Santa Catarina. Florianpolis, Santa Catarina, 2004.

BOENTE, Alfredo Nazareno Pereira ; GOLDSCHMIDT ; ESTRELA, Vania Vieira . Uma

Metodologia de Suporte ao Processo de Descoberta de Conhecimento em Bases de Dados. In: V
Simpsio de Excelncia em Gesto e Tecnologia, 2008, Resende - RJ. V SEGeT, 2008. v. 1. p. 4-5.

BOENTE, A. N. P. ; OLIVEIRA, F. S. G. ; ROSA, J. L. A. . Utilizao de Ferramenta de KDD para

Integrao de Aprendizagem e Tecnologia em Busca da Gesto Estratgica do Conhecimento na
Empresa. Anais do Simpsio de Excelncia em Gesto e Tecnologia, v. 1, p. 123-132, 2007.

o
V. 2, N . 2, Ago/2010 Pgina 29
Revista de Engenharia e Tecnologia ISSN 2176-7270

BRUSSO, M. J.; CERVO, L. V.; GEYER, C. F. R. Ferramenta para Descoberta de Regras de

Associao em Banco de Dados Relacionadas a rea da Sade. Porto Alegre, 2002, 12 pginas.
Monografia (Graduao). Universidade Federal do Rio Grande do Sul.

CARLANTONIO, Lando Mendona di. Novas metodologias para clusterizao de dados. Dissertao
(Mestrado)-Engenharia Civil, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2001.

CARNIEL, Juliano D; STAHNKE, Aron M. Transformao de dados em conhecimento gerencial para

apoio a decises. Disponvel em: <http://www.dainf.cefetpr.br/~graeml/InfoDigital/artigos.htm>
acesso em 16 de junho de 2009.

CARVALHO, Hlio Gomes de. Inteligncia Competitiva Tecnolgica para PMEs Atravs da
Cooperao Escola-Empresa. Tese de Doutorado apresentada ao Programa de Ps-Graduao em
Engenharia de Produo da Universidade Federal de Santa Catarina - UFSC. Florianpolis, 2000.

DIAS, M. M. ; PACHECO, R. C. S. . Uma Metodologia para o Desenvolvimento de Sistemas de

Descoberta de Conhecimento. Acta Scientiarum (UEM), Maring - PR - Brasil, v. 27, n. 1, p. 61-72,
2005.

DRUCKER, Peter F. O Advento da Nova Organizao. Srie Harvard Business Review. Rio de
Janeiro: Ed. Campus Ltda, 2001.

DUARTE, Denio. Utilizando Tcnicas de Programao Lgica Indutiva para Minerao de Banco de
Dados Relacional. Dissertao (Mestrado) Ps Graduao em Engenharia de Produo,
Universidade Federal do Paran, Curitiba, 2001.

FAYYAD, Usama, PIATETSKY-SHAPIRO, Gregory e SMYTH, Padhraic. From Data Mining to

Knowlegde discovery. American Association for Artificial Intelligence. 1996.

GOLDSCHIMIDT, R e PASSOS, E. Data mining: Um guia prtico. Rio de Janeiro: Campus, 2005.

KREMER, Ricardo. Sistema de apoio deciso para previses genricas utilizando tcnicas de Data
Mining. TCC (Graduao) Curso de Cincias da Computao, Bacharelado, Universidade Regional
de Blumenau, Blumenau, Santa Catarina, 1999.

MARDEGAN, Ronaldo; AZEVEDO, Rodrigo C.; OLIVEIRA, Joo F. G. de. Os Benefcios da Coleta
Automtica de Dados no Cho-de-Fbrica para o Processo de Negcio e Gesto da Demanda.
Curitiba, ENEGEP 2002.

MICHIE, D.; SPIEGELHALTER, D.; TAYLOR, C. Machine Learning, Neural and Statistical
Classifications. Ellis Horwood, 1994.

NICOLAIO, Rodrigo Augusto e PELINSKI, Rogrio. Estudo e aplicao da tarefa de associao de

Data Mining em uma base de dados real. Trabalho de Concluso de Curso. (Graduao em Superior de
Tecnologia em Sistemas de Informao) - Universidade Tecnolgica Federal do Paran, 2007.

PRUSAK, Lawrence e McGEE, James. Gerenciamento Estratgico da Informao. Rio de Janeiro: Ed.
Campus, 1994.

REZENDE, Solange Oliveira. Sistemas Inteligentes: Fundamentos e Aplicaes. So Paulo: Barueri,

2003.

SFERRA, Heloisa Helena; CORREA, ngela M. C. Jorge. Conceitos e Aplicaes de Data Mining.
Jul/Dez de 2003, Revista Cincia & Tecnologia, PP. 19-34.

o
V. 2, N . 2, Ago/2010 Pgina 30