-
LETRA C
A questão é autoexplicativa, para mais detalhes:
http://www.ubicity.com.br/blog/saiba-como-explorar-dados-com-o-metodo-crisp-dm/
Aqui vão outras técnicas de exploração de dados, é bom ficarmos cientes delas.
https://paulovasconcellos.com.br/crisp-dm-semma-e-kdd-conheça-as-melhores-técnicas-para-exploração-de-dados-560d294547d2
-
Fases do CRISP-DM
Entender o Negócio: foca em entender o objetivo do projeto a partir de uma perspectiva de negócios, definindo um plano preliminar para atingir os objetivos.
Entender os Dados: recolhimento de dados e inicio de atividades para familiarização com os dados, identificando problemas ou conjuntos interessantes.
Preparação dos Dados: construção do conjunto de dados final a partir dos dados iniciais. Normalmente ocorre várias vezes no processo.
Modelagem: várias técnicas de modelagem são aplicadas, e seus parâmetros calibrados para otimização. Assim, é comum retornar à Preparação dos Dados durante essa fase.
Avaliação: é construído um modelo que parece ter grande qualidade de uma perspectiva de análise de dados. No entanto, é necessário verificar se o modelo atinge os objetivos do negócio.
Implantação: o conhecimento adquirido pelo modelo é organizado e apresentado de uma maneira que o cliente possa utilizar.
-
O CRISP-DM (Cross Industry Standard Process for Data Mining) é um modelo de referência de mineração de dados que descreve um conjunto de processos para realizar projetos de mineração de dados em uma organização baseado nas melhores práticas utilizadas por profissionais e acadêmicos do ramo.
É importante destacar que se trata de uma metodologia não proprietária que pode ser aplicada livremente a qualquer projeto independentemente do tamanho ou tipo do negócio. Bem, essa metodologia possui um ciclo de vida não-linear composto por seis fases ou etapas.
“O Projeto CRISP-DM desenvolveu um modelo de processos de mineração de dados com foco industrial e independente de ferramentas. Partindo dos processos embrionários de descoberta de conhecimento usados atualmente na indústria e respondendo diretamente aos requisitos do usuário, este projeto definiu e validou um processo de mineração de dados aplicável em diversos setores da indústria. Isso tornará grandes projetos de mineração de dados mais rápidos, mais baratos, mais confiáveis e mais gerenciáveis. Até casos de mineração de dados em pequena escala se beneficiarão do uso do CRISP-DM”.
As fases são:
(1) Entendimento do Negócio;
(2) Entendimento dos Dados;
(3)Preparação dos Dados;
(4) Modelagem;
(5) Avaliação; e
(6) Implantação.
-
CRISP-DM (Cross Industry Standard Process for Data Mining),
- Conhecido como Processo Padrão da Indústria para Mineração de dados.
- É um processo que define e padroniza as fases e atividades da Mineração de Dados;
- Consiste de seis fases:
- Entendimento dos Negócios;
- Entendimento dos Dados;
- Preparação dos Dados;
- Modelagem;
- Avaliação;
- Entrega.
Alternativa: C
-
GAB: C
IMAGINA UM VENDEDOR DE RUA NO BRÁS. DAÍ UMA PESSOA AVISA PRA ESSE VENDEDOR QUE O RAPA (POLICIA) ESTÁ CHEGANDO PRA APREENDER O PRUDUTO DELE.
A PESSOA AVISA:
Ei Ei PM AÍ!
- ENTENDIMENTO DE NEGOCIO
- ENTENDIMENTO DE DADOS
- PREPARACAO
- MODELAGEM
- AVALICAO
- IMPLANTACAO
-
ESPMÃE
ENTENDIMENTO
SELEÇÃO DE DADOS
PREPARAÇÃO
MODELAGEM
AVALIAÇÃO
EXECUÇÃO/IMPLEMENTAÇÃO
-
GAB: C
É um modelo de processo de mineração de dados (não proprietário) que descreve abordagens comumente usadas por especialistas em mineração de dados para atacar problemas.
FASES:
1) Entender o Negócio: foca em entender o objetivo do projeto a partir de uma perspectiva de negócios, definindo um plano preliminar para atingir os objetivos.
2) Entender os Dados: recolhimento de dados e inicio de atividades para familiarização com os dados, identificando problemas ou conjuntos interessantes.
3) Preparação dos Dados: construção do conjunto de dados final a partir dos dados iniciais. Normalmente ocorre várias vezes no processo.
4) Modelagem: várias técnicas de modelagem são aplicadas, e seus parâmetros calibrados para otimização. Assim, é comum retornar à Preparação dos Dados durante essa fase.
5) Avaliação: é construído um modelo que parece ter grande qualidade de uma perspectiva de análise de dados. No entanto, é necessário verificar se o modelo atinge os objetivos do negócio.
6) Implantação: o conhecimento adquirido pelo modelo é organizado e apresentado de uma maneira que o cliente possa utilizar.
-
CRISP DM é a abreviação de Cross Industry Standard Process for Data Mining que, trazendo para o português, pode ser entendida como processo padrão da indústria cruzada para mineração de dados. Essa é uma metodologia capaz de transformar os dados da empresa em conhecimento e informações de gerenciamento.
Quais são as etapas do processo?
A metodologia CRISP DM define o ciclo de vida do projeto, dividindo-o em seis etapas, que vamos conhecer agora:
Entendimento do problema
A primeira coisa a ser feita é entender de fato qual o problema a ser resolvido, buscando todos os detalhes sobre o impacto dele na empresa e quais os objetivos em relação ao trabalho.
Compreensão dos dados
Essa etapa consiste em organizar e documentar todos os dados que se encontram disponíveis. É aqui que começa de fato o trabalho de mineração de dados, pois o profissional deve ser capaz de identificar quais são os dados importantes para a resolução do problema.
Nesse momento, o lado investigativo deve entrar em campo, para que os dados revelem problemas, soluções e tendências dos negócios.
Preparação dos dados
Agora que os dados já foram identificados, documentados e analisados, é hora de aplicar a parte técnica de análise deles. Agora, serão preparadas as databases e definidos os formatos e questões técnicas da análise.
Nessa etapa, é feita a escolha dos dados que serão trabalhados e de como eles serão cruzados para resolver o problema da empresa.
Modelagem
É nesta fase que são aplicadas de fato as técnicas de Data Mining, com base nos objetivos identificados no primeiro momento.
A partir de agora, a mineração de dados pode ser associada a análises preditivas, para que a empresa prepare-se para o futuro, resolvendo a questão principal.
Como? Os dados minerados podem ser usados para alimentar algoritmos que preveem as tendências dos negócios.
Avaliação
Agora, na verdade, entra o que é feito após o trabalho propriamente dito. Trata-se de um momento muito importante, pois é quando serão acompanhados os resultados em relação aos objetivos e também à aplicação dos conhecimentos obtidos com o Data Mining.
Isso pode ser feito por meio de reuniões, onde os dados e insights são apresentados para os envolvidos nas tomadas de decisão.
Implementação dos modelos na empresa
Aqui, é a hora da verdade, onde tudo que foi obtido de conhecimento dos dados são entregues de forma a ser aplicada. A partir disso, podem ser mudados os processos dentro da organização e criados novos produtos — tudo com base em dados, garantindo, assim, o sucesso dos negócios.
-
Em ordem: Compreensão do negócio; Compreensão dos Dados; Preparação dos Dados;
Modelagem; Avaliação; Implementação. Apesar de alguns nomes um pouco diferentes, essa é a
opção correta
-
Dica para conquistar a "CRIS" (CRISP/DM):
O NEGÓCIO é o seguinte... (1 etapa: Entendimento do Negócio)
Vc tem que ter os DADOS da garota, (2 etapa: Entendimento dos Dados)
PREPARÁ-la para uma surpresa, (3 etapa: Preparação dos Dados)
Fazer uma massagem MODELADORA nela, (4 etapa: Modelagem)
AVALIAR que ela ficou louca... (5 etapa: Avaliação)
IMPLANTAR a .................. nela ! (6 etapa: Implantação)
FONTE: Algum comentário do qc
-
Letra C
CRISP-DM (“é um modelo que está incluso na Mineração de dados”)
· Esse modelo define o CICLO DE VIDA do projeto de Mineração de dados (data mining)
· Faz com quem a Mineração de dados seja mais produtiva e eficiente
Etapas: (“EE.PM.AI”)
- Entendimento do negócio: definir os objetivos, requisitos, e o problema
- Entendimento dos dados: entender e conhecer os dados
- Processo de limpeza (preparação dos dados): preparar os dados para a modelagem, limpeza de inconsistências e ruídos.
- Modelagem dos dados: aplicação de técnicas de data mining sobre os dados
- Avaliação: realização de testes para validar os dados
- Implementação: execução