Um data mining inteligente descobre informações em data war...

A alternativa correta é a letra A, que afirma que os métodos usados para identificar padrões em dados são modelos simples, modelos intermediários e modelos complexos.

No contexto do Data Mining, o objetivo é extrair conhecimento a partir de grandes volumes de dados. Essa extração ocorre através da identificação de padrões que não são facilmente perceptíveis. Os modelos mencionados na alternativa correta referem-se à complexidade crescente das técnicas e algoritmos utilizados para a mineração de dados:

• Modelos Simples: São abordagens mais diretas e menos sofisticadas, que procuram padrões evidentes e são mais fáceis de compreender e implementar.
• Modelos Intermediários: Representam um nível de complexidade maior, lidando com padrões que requerem técnicas mais avançadas, tais como a análise de cluster ou árvores de decisão.
• Modelos Complexos: Englobam métodos altamente sofisticados, como redes neurais, algoritmos genéticos ou máquinas de vetores de suporte, capazes de identificar padrões ocultos e estabelecer regras não triviais a partir de grandes conjuntos de dados.

É crucial compreender que o Data Mining opera em um nível de análise mais profundo que o tradicional sistema de consulta e relatórios de um Data Warehouse. Este último é projetado para a recuperação eficiente de dados, enquanto o Data Mining é projetado para a descoberta de conhecimento, o que muitas vezes requer uma combinação de métodos e modelagens de diferentes complexidades dependendo do problema em questão.

• Modelos simples (Consultas SQL, OLAP, e raciocínio humano)
• Modelos intermediários (regressão, árvores de decisão, agrupamento)
• Modelos complexos (redes neurais, outra indução de regras)

Apenas para mostrar uma referência, vou repetir o comentário do colega acima. Em [1], temos:

"De acordo com NEMATI e BARKO (apud TURBAN et al., 2009) são usadostrês métodos para identificar padrões em dados:

- Modelos simples (consultas baseadas em SQL, OLAP, raciocíniohumano)
- Modelos intermediários (regressão, árvores de decisão, agrupamento)
- Modelos complexos (redes neurais, outra indução de regras)" (Meu grifo)

Referência:
[1] Data Mining: http://pt.scribd.com/doc/61492282/33/Data-Mining-Mineracao-de-Dados

Um ambiente de apoio à tomada de decisões, integrando técnicas de data mining sobre um ambiente de data warehousing, possibilita um grande número de aplicações, que já vêm sendo implementadas em diversos segmentos de negócios, como manufatura, automação de pedido de remessas, varejo, gerenciamento de inventários, financeiro, análise de risco, transporte, gerenciamento de frotas, telecomunicação, análise de chamadas, saúde, análise de resultados, marketing, estabelecimento do perfil dos consumidores, seguros, detecção de fraude, dentre outros.

Basicamente, são usados 3 métodos para identificar padrões em dados:

·         Modelos simples (consultas baseadas em SQL, raciocínio humano);

·         Modelos intermediários (regressão, arvores de decisão, agrupamento);

·         Modelos complexos (redes neurais, outra indução de regras).

 

Fonte: www.casadoconcurseiro.com.br

Professor: Júlio Alves

Claro, vamos comentar cada uma das alternativas:

A) Essa alternativa está correta. Em Data Mining, os métodos para identificar padrões em dados podem ser categorizados em modelos simples, que envolvem técnicas mais básicas, modelos intermediários, que podem incluir abordagens mais avançadas, e modelos complexos, que geralmente englobam técnicas sofisticadas e avançadas.

B) Essa alternativa está Incorreta. Esta opção não reflete as categorias comumente usadas em Data Mining. Modelos físicos geralmente se referem à implementação física de um banco de dados, enquanto modelos integrados podem abordar integração de sistemas, mas não são categorias típicas em Data Mining.

c) Essa alternativa está Incorreta. Essa opção não se alinha diretamente com as categorias tradicionais em Data Mining. Modelos híbridos, top-down e bottom-up geralmente são termos usados em outras áreas, como design de sistemas, mas não são comumente associados às técnicas de mineração de dados.

D) Essa alternativa está Incorreta. Esta opção aborda diferentes aspectos do design de banco de dados, mas não reflete diretamente as categorias de técnicas de mineração de dados.

E) Essa alternativa está Incorreta. Essa opção não reflete as categorias típicas em Data Mining. Modelos básicos, genéricos e complementares não são termos comumente usados nesse contexto.