Questão de Banco de Dados — Data Mining — FEPESE 2022
Banco de Dados›Data Mining
Código
qq722285
Banca
FEPESE
Órgão
Prefeitura de Criciúma - SC
Ano
2022
Nível
Superior
Cargo
Auditor Fiscal da Receita Municipal
Quais tipos de conhecimento podem ser descobertos empregando técnicas clássicas de mineração de dados?1. Regras de Associação2. Hierarquias de classificação3. Padrões sequenciais ou de série temporal4. Conhecimento implícito, emergente e não estruturado5. Agrupamentos e segmentaçõesAssinale a alternativa que indica todas as afirmativas corretas.
ASão corretas apenas as afirmativas 3 e 5.
BSão corretas apenas as afirmativas 1, 2, 3 e 4.
CSão corretas apenas as afirmativas 1, 2, 3 e 5.
DSão corretas apenas as afirmativas 2, 3, 4 e 5.
ESão corretas as afirmativas 1, 2, 3, 4 e 5.
Revelar gabarito e comentário▾
GabaritoC — São corretas apenas as afirmativas 1, 2, 3 e 5.
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Mineração de Dados: Tipos de Conhecimento
Gabarito: letra C — estão corretas apenas as afirmativas 1, 2, 3 e 5. A afirmativa 4 está incorreta, pois as técnicas clássicas de mineração de dados extraem conhecimento explícito, estruturado e padronizado (regras, agrupamentos, sequências), e não conhecimento implícito, emergente ou não estruturado, que foge ao escopo do data mining clássico.
A questão testa o conhecimento das principais tarefas de mineração de dados. As técnicas clássicas incluem:
Regras de Associação (afirmativa 1): descobrem relacionamentos entre itens (ex.: análise de cestas de compras).
Hierarquias de Classificação (afirmativa 2): criam um modelo que classifica dados em classes pré-definidas (aprendizagem supervisionada).
Padrões Sequenciais ou de Série Temporal (afirmativa 3): identificam sequências de eventos ou padrões ao longo do tempo.
Agrupamentos e Segmentações (afirmativa 5): particionam dados em grupos homogêneos sem classes pré-definidas (aprendizagem não supervisionada).
O material de apoio descreve exatamente essas quatro técnicas:
Classificação: tem como objetivo criar uma hierarquia de classes... Associação: visa descobrir relacionamentos entre variáveis... Padrões sequenciais / série temporal: uma sequência de ações ou eventos é buscada; similaridades dentro de uma série temporal. Agrupamento (clusterização): partição de uma coleção em segmentos cujos membros são semelhantes.
Além disso, a definição de mineração de dados reforça que o conhecimento descoberto é compreensível e explícito:
"A mineração de dados é entendida como o processo não trivial de identificar padrões válidos, novos, potencialmente úteis e, em última instância, compreensíveis em dados armazenados em bancos de dados estruturados."
Afirmativa 4 — ❌ Incorreta
"Conhecimento implícito, emergente e não estruturado" não é resultado das técnicas clássicas de mineração. O data mining trabalha com dados estruturados (ou semi-estruturados) e produz padrões explícitos (regras, árvores, clusters, sequências). Conhecimento implícito ou emergente está mais associado a áreas como descoberta de conhecimento em bases textuais não estruturadas (text mining) ou processos de inteligência competitiva, mas não é um tipo canônico obtido por métodos clássicos de mineração.
PEGA ESSA DICA!
Para memorizar as tarefas clássicas, lembre-se do acrônimo CASP (Classificação, Associação, Sequências, Partição/Clusterização) — todas produzem padrões explicitamente representáveis, nunca conhecimento difuso.
Conclusão: As afirmativas 1, 2, 3 e 5 são verdadeiras; a 4 é falsa. Portanto, a alternativa C é a resposta.