Julgue os seguintes itens, relativos à tarefa de classificação, a qual consiste em aprender uma função (construir um modelo) que mapeie um item de dado para uma entre várias classes pré-definidas. A acurácia de um classificador, em um conjunto de teste, pode ser sumarizada por uma matriz de confusão, em que os valores nas diagonais representam as classificações corretas.

Julgue os seguintes itens quanto a tarefa de associação, a qual consiste na aprendizagem de regras de produção a partir de uma base de dados, considerando a análise de afinidade entre atributos. Uma regra de associação é uma regra de produção cujo conseqüente pode conter múltiplas condições ou relações entre atributos. Um atributo de saída em uma regra de associação pode ser um atributo de entrada em outra regra.

Julgue os seguintes itens quanto a tarefa de associação, a qual consiste na aprendizagem de regras de produção a partir de uma base de dados, considerando a análise de afinidade entre atributos. O suporte da regra é o percentual de casos que levam a determinada regra, em relação ao número de casos da base de dados que possuem as mesmas evidências de entrada na regra.

Julgue os seguintes itens quanto a tarefa de associação, a qual consiste na aprendizagem de regras de produção a partir de uma base de dados, considerando a análise de afinidade entre atributos. A descoberta de regras de associação corresponde a uma tarefa de treinamento supervisionado.

Mineração de dados é o processo de empregar uma ou mais técnica de aprendizagem em computador para, automaticamente, analisar e extrair conhecimentos de dados contidos em uma base de dados. Julgue os itens seguintes, que versam sobre mineração de dados e KDD. Existem diversas técnicas de mineração de dados, todas elas, usam exclusivamente a aprendizagem indutiva.

Mineração de dados é o processo de empregar uma ou mais técnica de aprendizagem em computador para, automaticamente, analisar e extrair conhecimentos de dados contidos em uma base de dados. Julgue os itens seguintes, que versam sobre mineração de dados e KDD. KDD é o processo não-trivial de identificação de padrões em um conjunto de dados. Tais padrões devem possuir as seguintes características: validade (aplicarem-se a novos dados com algum grau de certeza ou probabilidade), novidade (não terem sido detectados por nenhuma outra abordagem), utilidade potencial (poderem ser utilizados para a tomada de decisões úteis, medidas por alguma função) e serem assimiláveis (ao conhecimento humano).

Mineração de dados é o processo de empregar uma ou mais técnica de aprendizagem em computador para, automaticamente, analisar e extrair conhecimentos de dados contidos em uma base de dados. Julgue os itens seguintes, que versam sobre mineração de dados e KDD. O processo de KDD é iterativo e cíclico, podendo a saída de uma etapa requerer revisão em etapa anterior. Nesse contexto, a mineração de dados pode ser entendida como uma etapa desse processo.

Mineração de dados é o processo de empregar uma ou mais técnica de aprendizagem em computador para, automaticamente, analisar e extrair conhecimentos de dados contidos em uma base de dados. Julgue os itens seguintes, que versam sobre mineração de dados e KDD. Os principais objetivos de alto nível da mineração de dados são previsão e descrição. A previsão envolve o uso de variáveis da base de dados para serem previstos valores desconhecidos ou futuros de variáveis de interesse. Com a descrição, objetiva-se encontrar padrões de descrição dos dados que sejam interpretáveis pelos seres humanos.

Mineração de dados é o processo de empregar uma ou mais técnica de aprendizagem em computador para, automaticamente, analisar e extrair conhecimentos de dados contidos em uma base de dados. Julgue os itens seguintes, que versam sobre mineração de dados e KDD. A metodologia para a realização de tarefas de mineração de dados, prescrita pelo modelo de referência proposto pelo Consórcio CRISP/DM, consiste nas seguintes fases: entendimento do negócio (business understanding), entendimento dos dados (data understanding), préprocessamento dos dados (data preparation), modelagem (modeling), avaliação dos modelos (evaluation) e colocação do modelo selecionado em uso (deployment).

Julgue os seguintes itens, acerca de técnicas de mineração de dados. Agrupamento (clustering) não-supervisionado pode ajudar a se detectarem instâncias de dados atípicas na base de dados.