Bases de Dados 2013/2014. Sistemas de Apoio à Decisão: Armazéns de Dados e Prospecção de Dados. Helena Galhardas. Sumário

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "Bases de Dados 2013/2014. Sistemas de Apoio à Decisão: Armazéns de Dados e Prospecção de Dados. Helena Galhardas. Sumário"

Transcrição

1 Bases de Dados 2013/2014 Sistemas de Apoio à Decisão: Armazéns de Dados e Prospecção de Dados Helena Galhardas Sumário Sistemas de Apoio à Decisão Modelo multidimensional Operações OLAP Índices para OLAP Bitmap Prospecção de dados 1

2 Referências Raghu Ramakrishnan, Database Management Systems, 3ª edição: Caps 25 e 26 Introdução Sistemas de Apoio à Decisão Possibilitam análise de dados actuais e históricos com o objectivo de encontrar padrões que suportem a estratégia seguida Análise complexa, interactiva, exploratória de grandes conjuntos de dados obtidos por integração das várias fontes da empresa (e externas) OLAP (On-Line Analytic Processing): Dados são fundamentalmente estáticos Interrogações longas só de leitura Define-se por contraposição a OLTP (On-Line Transaction Processing) 3 2

3 Terminologia dos níveis de informação CONHECIMENTO A P L I C A Ç Õ E S EIS Executive Information System DSS Decision Support System OLTP On Line Transaction Processing BD Estratégicas BD Apoio à Decisão Bases de Dados Operacionais - Que factores influenciam as vendas em Lisboa? - Quais as tendências para as vendas no Porto? INFORMAÇÃO - Vendas mensais por produto em Lisboa? - Evolução das vendas em Lisboa e Porto DADOS - Lista de preços de cada produto - Quais as vendas em Lisboa? Três Aspectos Complementares Data Warehousing: Consolidação de dados de muitas fontes num único repositório Carregamento, sincronização periódica de dados Integração de dados OLAP: Interrogações SQL complexas, baseadas em operações típicas de folhas de cálculo com vistas multidimensionais sobre os dados Data Mining (prospecção de dados): Análise exploratória; explorar tendências interessantes e anomalias 5 3

4 Armazém de Dados (Data Warehouse) Dados integrados, referentes a longos períodos, muitas vezes aumentados com informação de sumarização Frequente ter de gerir gigabytes ou terabytes Tempos de resposta interactivos para interrogações muito complexas; actualizações adhoc muito pouco comuns Fontes de Dados Externas Repositório de Meta- Dados Prospecção de Dados EXTRACÇÃO TRANSFORMAÇÃO CARREGAMENTO REFRESCAMENTO Suportam DATA WAREHOUSE OLAP 6 Desafios dos Armazéns de Dados Integração Semântica: Ao obter dados de várias fontes, há que compatibilizar a informação, por ex., esquemas diferentes, escrita das moradas, moedas Fontes Heterogéneas: Há que aceder a dados provenientes de uma variedade de formatos e fontes de dados Carregamento, Refrescamento, Limpeza: Carregar dados, referescá-los periodicamente e filtrar dados muito antigos Gestão dos Metadados: Há que registar as fontes, data de carregamento, e outra informação para todos os dados no armazém de dados 4

5 Sumário Sistemas de Apoio à Decisão Ø Modelo multidimensional! Operações OLAP Índices para OLAP Bitmap Prospecção de Dados Modelo de Dados Multidimensional Colecção de tabelas de medidas (measures) dependentes de um conjunto de tabelas de dimensões (dimensions) Exemplo (figura seguinte): Medida: Vendas Dimensões: Produto (chave: pid), Localização (locid),e Tempo (timeid) 9 5

6 pid Exemplo timeid Fatia (slice) com locid=1 locid pid timeid locid vendas Hierarquias de Dimensões Para cada dimensão, o conjunto dos valores pode ser organizado numa hierarquia: PRODUTO TEMPO LOCALIZAÇÃO ano trimestre país categoria semana mês região nome_prod data cidade 11 6

7 Esquema em estrela PRODUTOS pid timeid nome TEMPOS data semana mês trimestre ano feriado Tabela de pid timeid locid vendas VENDAS factos LOCALIZAÇÕES categoria preço locid cidade região país Tabela de factos na BCNF; tabelas dimensões desnormalizadas Tabelas dimensões pequenas; actualizações, inserções, remoções são raras. Anomalias devidas a redundância de dados menos importantes que desempenho O que é OLAP? Processo interactivo de criar, gerir, analisar, e reportar sobre dados Análise de grandes quantidades de dados em tempo real! Os dados são compreendidos e manipulados como se estivessem guardados num array multi-dimensional! Mas ideias são explicadas em termos de tabelas relacionais 7

8 Operações OLAP Influenciadas por SQL e paradigma da folha de cálculo Uma operação comum é agregar uma medida segundo uma ou mais dimensões. Obter o total das vendas Obter totais de vendas para cada cidade e cada região Obter os 5 principais produtos em volume de vendas 14 Agregação de dados Agregação de dados de muitas maneiras diferentes O número de possíveis agrupamentos torna-se rapidamente muito grande O utilizador tem que considerar todos os agrupamentos 8

9 Exemplo: Consultas sobre uma BD de fornecedores (suppliers) e peças (parts) 1) Qual a quantidade total enviada? 2) Qual a quantidade total enviada por fornecedor? 3) Qual a quantidade total enviada por peça? 4) Qual a quantidade total enviada por fornecedor e por peça? SP S# P# QTY S1 P1 300 S1 P2 200 S2 P1 300 S2 P2 400 S3 P2 200 S4 P

10 1. SELECT SUM(QTY) AS TOTQTY FROM SP GROUP BY () ; TOTQTY SELECT S#, SUM(QTY) AS TOTQTY FROM SP GROUP BY (S#) ; S# TOTQTY S1 500 S2 700 S3 200 S

11 3. SELECT P#, SUM(QTY) AS TOTQTY FROM SP GROUP BY (P#) ; P# TOTQTY P1 600 P SELECT S#, P#, SUM(QTY) AS TOTQTY FROM SP GROUP BY (S#,P#), S# P# TOTQTY S1 P1 300 S1 P2 200 S2 P1 300 S2 P2 400 S3 P2 200 S4 P

12 Desvantagens Formulação das consultas semelhantes mas ter interrogações distintas é canasativo Executar as interrogações é caro Ideia é tornar a vida mais fácil Computaçãomais eficiente Uma única interrogação: Opções GROUPING SETS, ROLLUP, CUBE Adicionadas ao SQL standard 1999 GROUPING SETS Executar várias interrogações simultaneamente SELECT S#, P#, SUM (QTY) AS TOTQTY FROM SP GROUP BY GROUPING SETS ( (S#), (P#) ) ; Tabela de resultados única Não é uma relação!! null è informação em falta S# P# TOTQTY S1 null 500 S2 null 700 S3 null 200 S4 null 200 null P1 600 null P

13 SELECT CASE GROUPING ( S# ) WHEN 1 THEN?? S# P# TOTQTY ELSE S# S1!! 500 AS S#, S2!! 700 CASE GROUPING ( P# ) S3!! 200 WHEN 1 THEN!! S4!! 200 ELSE P#?? P1 600 AS P#, SUM ( QTY ) AS TOTQTY FROM SP?? P GROUP BY GROUPING SETS ( ( S# ), ( P# ) ); ROLLUP S# P# TOTQTY S1 P1 300 S1 P2 200 S2 P1 300 SELECT S#,P#, SUM ( QTY ) AS TOTQTY FROM SP GROUP BY ROLLUP (S#, P#) ; S2 S3 S4 P2 P2 P S1 null 500 S2 null 700 S3 null 200 S4 null 200 null null 1600 GROUP BY GROUPING SETS ( ( S#, P# ), ( S# ), ( ) ) 13

14 ROLLUP As quantidades foram rolled up (estendidas) para cada fornecedor Rolled up ao longo da tabela Suppliers GROUP BY ROLLUP (A,B,...,Z) (A,B,...,Z) (A,B,...) (A,B) (A) () GROUP BY ROLLUP (A,B) is not symmetric in A and B! CUBE S# P# TOTQTY S1 P1 300 S1 P2 200 S2 P1 300 S2 P2 400 SELECT S#, P#, SUM ( QTY ) AS TOTQTY S3 P2 200 FROM SP GROUP BY CUBE ( S#, P#) ; S4 P2 200 S1 S2 S3 S4 null null null null null P1 600 null P null null 1600 GROUP BY GROUPING SETS ( (S#, P#), ( S# ), ( P# ), ( ) ) 14

15 CUBE Termo que gera alguma confusão: CUBE (?) Derivado do facto de, na terminologia multidimensional, os valores dos dados são guardados em células de um array multidimensional ou hiper-cubo O armazenamento físico real pode variar No nosso exemplo Cubo tem só duas dimensões (supplier, part)! Significa group by por todos os subconjuntos possíveis do conjunto {A, B,..., Z } Operações OLAP Roll-up: Agregação em níveis diferentes de uma dimensão da hierarquia Dado o total das vendas por cidade, obter por Rollup as vendas por região. Drill-down: a inversa de roll-up Dado o total de vendas por região, drill-down para obter o total de vendas por cidade Por drill-down noutra dimensão, obter o total das vendas por produto para cada estado Pivoting: Agregação selectiva em múltiplas dimensões. Pivoting em Localização e Tempo resulta na tabulação cruzada abaixo 1995 Slicing and Dicing: operações que designam restrições por igualdade e intervalo numa ou mais dimensões Total Nte Sul Total

16 Aspectos da Concretização Tabela de Factos em geral na BCNF Tabelas de dimensões não são normalizadas Novos tipos de índice: Índices Bitmap, Índices de junção,... Representações de arrays Compressão Pré-computação de agregações etc. 30 Bit-vector: 1 bit para cada valor possível. Índice Bit Map Muitas interrogações podem ser respondidas recorrendo apenas a operações sobre os vectores de bits! sex cusjd name sex rating rating Joe M Ram M Sue F Woo M

17 Índices Bitmap Especial para interrogação eficiente sobre várias chaves de pesquisa! Registos numa relação assumem-se numerados sequencialmente! Funciona sobre atributos que tomam um conjunto reduzido de valores distintos (esparsos) Por ex: sexo, país, Ex: nível rendimento (decomposto em níveis, como: , , , infinito) Um bitmap é apenas um array de bits! Ideia é registar valores para colunas esparsas como uma sequência de bits, um para cada possível valor 32 Estrutura Um índice bitmap sobre um atributo tem um bitmap sobre cada valor do atributo. Cada bitmap tem tantos bits como registos record number 0 ID gender m income_level L1 Bitmaps for gender m f L1 Bitmaps for income_level f L2 L f L1 L m L4 L f L3 L

18 Utilização São especialmente vantajosos em interrogaçõe sobre vários atributos Respostas obtidas com operações sobre bitmaps Intersecção (AND) União (OR) Complemento (NOT) Cada operação usa 2 bitmaps do mesmo tamanho e obtém resultado num outro bitmap Ex: AND = OR = NOT = Interrogação; Quantos homens têm classe rendimento L AND = Ficam identificados os tuplos que satisfazem a condição. Contagem do nº de tuplos no resultado ainda mais imediata. 34 Sumário Sistemas de Apoio à Decisão Modelo multidimensional Operações OLAP Índices para OLAP Bitmap Ø Prospecção de dados! O processo de descoberta de conhecimento Regras de associação 18

19 Prospecção de Dados (Data Mining) Exploração e análise de grandes quantidades de dados para descoberta de padrões e/ou correlações válidos, novos, compreensíveis e úteis para guiar decisões futuras Ex: Padrão nos dados dos censos: Se (relacionamento = marido ) então género = masculino 99,6% Principais técnicas Regras de Associação, Padrões Sequenciais, Classificação, Agrupamento, Redes de Bayes para inferência de causalidade, Visualização. Grandes quantidades de dados Scanners supermercados Cartões de cliente fidelidade Transacções cartão crédito Registos de call-centers Máquinas multibanco Dados demográficos Redes sensores,. 19

20 Porquê utilizar prospecção de dados? Pressão competitiva! The secret of success is to know something that nobody else knows. Aristotle Onassis Exemplo: Competição no tipo de serviço e não só no preço (bancos, companhias telefone, redes hotel, etc) Processo de descoberta de conhecimento Original Data Target Data Data Integration and Selection Preprocessed Data Preprocessing Patterns Model Construction Knowledge Interpretation 20

21 Modelo de prospecção de dados Modelo é uma descrição de um determinado aspecto do conjunto de dados. Produz valores de saída para um conjunto de valores de entrada Exemplos: Modelo de regressão linear Modelo de classificação Clustering Técnicas de prospecção de dados Aprendizagem supervisionada Classificação e regressão Aprendizagem não supervisionada Clustering Modelos de dependências Associações, sumarização Detecção de outliers e de desvios 21

22 Aprendizagem supervisionada F(x): função verdadeira (normalmente desconhecida) D: amostra de treino 57,M,195,0,125,95,39,25,0,1,0,0,0,1,0,0,0,0,0,0,1,1,0,0,0,0,0,0,0,0 78,M,160,1,130,100,37,40,1,0,0,0,1,0,1,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0 69,F,180,0,115,85,40,22,0,0,0,0,0,1,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0 18,M,165,0,110,80,41,30,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 54,F,135,0,115,95,39,35,1,1,0,0,0,1,0,0,0,1,0,0,0,0,1,0,0,0,1,0,0,0,0 84,F,210,1,135,105,39,24,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0 89,F,135,0,120,95,36,28,0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0,0,0,0,0,1,0,0 49,M,195,0,115,85,39,32,0,0,0,1,1,0,0,0,0,0,0,1,0,0,0,0,0,1,0,0,0,0 40,M,205,0,115,90,37,18,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 74,M,250,1,130,100,38,26,1,1,0,0,0,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0 77,F,140,0,125,100,40,30,1,1,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,1, Aprendizagem supervisionada (cont) F(x) D: amostra de treino (x,f(x)) 57,M,195,0,125,95,39,25,0,1,0,0,0,1,0,0,0,0,0,0,1,1,0,0,0,0,0,0,0,0 0 78,M,160,1,130,100,37,40,1,0,0,0,1,0,1,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0 1 69,F,180,0,115,85,40,22,0,0,0,0,0,1,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0 0 18,M,165,0,110,80,41,30,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0 0 54,F,135,0,115,95,39,35,1,1,0,0,0,1,0,0,0,1,0,0,0,0,1,0,0,0,1,0,0,0,0 1 G(x): modelo aprendido de D 71,M,160,1,130,105,38,20,1,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0? Objectivo: E[(F(x)-G(x)) 2 ] é pequeno (perto de zero) para exemplos futuros 22

23 Aprendizagem supervisionada (cont) Objectivo bem definido Aprender G(x) que é uma boa aproximação de F(x) a partir da amostra de treino D Métricas de erro bem definidas Correcção, RMSE, ROC, Aprendizagem supervisionada Conjunto de treino: Conjunto de teste: 71,M,160,1,130,105,38,20,1,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0? 23

24 Conjunto de treino: Aprendizagem nãosupervisionada Conjunto de teste: 71,M,160,1,130,105,38,20,1,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0? Conjunto de treino: Aprendizagem nãosupervisionada Conjunto de teste: 71,M,160,1,130,105,38,20,1,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0? Ramakrishnan and Gehrke. Database Management Systems, 3rd EdiJon. 24

25 Conjunto de dados: Aprendizagem nãosupervisionada Técnicas de prospecção de dados Aprendizagem supervisionada Classificação e regressão Aprendizagem não supervisionada Clustering Modelos de dependências Associações, sumarização Detecção de outiers e de desvios 25

26 Regras de Associação Procura regras de associação entre os atributos dos dados Usam-se patamares para estabelecer regras com um grau de confiança significativo Problema clássico : Market Basket Analysis 50 Exemplo transid cusjd data item qjdade /1/99 caneta /1/99 Jnta /1/99 leite /1/99 sumo /3/99 caneta /3/99 Jnta /3/99 leite /10/99 caneta /10/99 leite /1/99 caneta /1/99 Jnta /1/99 sumo /1/99 Técnico Lisboa água 1 26

27 Exemplo regra A partir dos registos encontrar regras do tipo: {caneta} => {tinta}! Se a caneta é comprada numa transacção, então é provável que a tinta também seja comprada nessa transacção Regra de associação: LHS=>RHS Onde LHS e RHS são conjuntos de items Medidas Cobertura (ou suporte) nº de ocorrências em que a associação é correctamente prevista (i.e., % das ocorrências com todos os items incluídos no LHS e RHS da regra) Suporte de um conjunto de items é a fracção de transacções na BD que contém todos os items do conjunto Precisão (confiança) fracção das ocorrências do suporte correctamente previstas (i.e., % das ocorrências que contêm todos os items no LHS e RHS da regra) 53 27

28 Ferramenta de Previsão Necessário grande cuidado; as regras podem não reflectir qualquer causalidade Se os clientes compram lápis quando compram canetas, obtemos a regra {lápis} => {tinta}! Mas não há ligação causal. Oferecer uma promoção nos lápis com o objectivo de vender mais tinta pode não ser boa ideia! 54 Computação Eficiente das Regras de Associação: Algoritmo Apriori Objectivo: obter de forma eficiente todas as regras que satisfazem os níveis de suporte e confiança de um utilizador. Ideia: tirar partido da propriedade a priori: se um conjunto de items tem um suporte mínimo, então qualquer subconjunto deste conjunto de items também terá o suporte mínimo. Iterativamente: procurar todos os conjuntos de items frequentes de 1-item; depois, todos os de 2- itens, etc. Em cada iteração k, considerar apenas conjuntos de itens no conjunto de itens frequentes da iteração k

29 Sumário Sistemas de Apoio à Decisão Próxima aula: Recuperação de informação e dados XML 56 Material Adicional 2012 Técnico Lisboa 29

30 Arquitetura dos Armazéns de Dados Sistemas Operacionais Aplicações de Captura/Transformação Data Warehouse Data Marts Acesso Nível Transaccional Nível Extracção/Propagação Nível Repositório de Dados Nível Aplicacional MOLAP vs. ROLAP Dados Multidimensionais podem ser guardados fisicamente de 2 formas: Array persistente em disco: sistemas MOLAP Relações: sistemas ROLAP Relação principal relaciona cada medida com as dimensões - tabela de factos (fact table). Cada dimensão pode ter estruturas adicionais e uma tabela de dimensão (dimension table) E.g., Produtos(pid, pnome, categoria, preço) Tabelas de factos são muito maiores que tabelas de dimensões

31 CUBE Means group by all possible subsets of the set {A, B,..., Z } M={A, B,..., Z },!!! M =n! Power Set (Algebra) P(M):={N N M},!!! P(M) =2 n..proof by induction! Subset represent different grade of summarization Data Mining: such a subset is called a Cuboid Cross Tabulations Mostra os resultados como cross tabulations! Mais legível Formatado como um array simples Examplo: duas dimensões (supplier and parts) P1 P2 Total S S S S

32 Comparação com SQL As operações de tabulação cruzada obtidas por pivoting podem também ser calculadas recorrendo a um conjunto de interrogações SQL: SELECT SUM(V.vendas) FROM Vendas V, Tempo T, Localizacao L WHERE V.timeid=T.timeid AND V.locid=L.locid GROUP BY T.ano, L.regiao SELECT SUM(V.vendas) FROM Vendas V, Tempo T WHERE V.timeid=T.timeid GROUP BY T.ano Total Nte Sul Total SELECT SUM(V.vendas) FROM Vendas V, Localizacao L WHERE V.locid=L.locidid GROUP BY L.regiao SELECT SUM(V.vendas) FROM Vendas V Operador CUBE T.ano L.regiao vendas Generalizando o exemplo anterior, se temos k dimensões, há 2^k interrogações SQL GROUP BY possíveis Podem ser geradas por pivoting num subconjunto das dimensões SQL:1999 estendeu a claúsula GROUP BY de modo a suportar melhor o roll-up e pivoting SELECT SUM(V.vendas) FROM Vendas V, Tempo T, Localizacao L WHERE V.timeid=T.timeid AND V.locid=L.locid GROUP BY CUBE (T.ano, L,regiao) 63 32

33 Variantes do operador CUBE CUBE pid, locid, timeid BY SUM Sales! Equivalente a roll-up de Vendas em todos os sub-conjuntos de {pid, locid,timeid}! Cada roll-up corresponde a uma interrogação da forma: SELECT SUM(S.sales) FROM Sales S GROUP BY grouping-list

Decisão Suporte: Warehousing, OLAP e Data Mining

Decisão Suporte: Warehousing, OLAP e Data Mining Decisão Suporte: Warehousing, OLAP e Data Mining 7-1 Introdução Cada vez mais, organizações estão analizando dados correntes e históricos para identificar padrões úteis e suporte a estratégias de negócios.

Leia mais

Decisão Suporte: Warehousing, OLAP e Data Mining

Decisão Suporte: Warehousing, OLAP e Data Mining Decisão Suporte: Warehousing, OLAP e Data Mining 7-1 Introdução Cada vez mais, organizações estão analizando dados correntes e históricos para identificar padrões úteis e suporte a estratégias de negócios.

Leia mais

Introdução à teoria de Data Warehouse. Prof. Rodrigo Leite Durães

Introdução à teoria de Data Warehouse. Prof. Rodrigo Leite Durães Introdução à teoria de Data Warehouse Prof. Rodrigo Leite Durães rodrigo_l_d@yahoo.com.br Organizações: necessidade de INFORMAÇÃO para tomada de decisões Exemplos: FACULDADE - abertura de mais vagas para

Leia mais

Fundamentos da Análise Multidimensional

Fundamentos da Análise Multidimensional Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Fundamentos da Análise Multidimensional Fundamentos da Análise Multidimensional

Leia mais

Apresentação. Rodrigo Leite Durães

Apresentação. Rodrigo Leite Durães Apresentação Assunto DATA WAREHOUSE Professor Rodrigo Leite Durães Data Warehouse Surgimento SADs Definição Propriedades e Conceitos Aplicações Arquitetura Modelagem Projeto Acesso a dados Considerações

Leia mais

Mineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães.

Mineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães. Mineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães. O que é mineração de dados Mineração de Dados é um passo no processo de KDD que consiste na aplicação de análise de dados e algoritmos

Leia mais

Data Warehousing e OLAP

Data Warehousing e OLAP Data Warehousing e OLAP Jornadas de Engenharia Informática Instituto Politécnico da Guarda Henrique Madeira Departamento de Engenharia Informática Faculdade de Ciências e Tecnologia Universidade de Coimbra

Leia mais

Data Mining. Rodrigo Leite Durães

Data Mining. Rodrigo Leite Durães Rodrigo Leite Durães rodrigo_l_d@yahoo.com.br Processo de mineração de dados e descoberta de informações relevantes em grandes volumes de dados. "... processo não-trivial de identificar, em dados, padrões

Leia mais

Extração de Conhecimento & Mineração de Dados

Extração de Conhecimento & Mineração de Dados Extração de Conhecimento & Mineração de Dados Nesta apresentação é dada uma breve introdução à Extração de Conhecimento e Mineração de Dados José Augusto Baranauskas Departamento de Física e Matemática

Leia mais

Aprendizagem Simbólica MIACC 02

Aprendizagem Simbólica MIACC 02 Aprendizagem bólica MIACC 02 João Gama LIACC, FEP jgama@liacc.up.pt Introdução O que é Extracção de Conhecimento? Exploração e análise, por meios automáticos ou semi-automáticos, de grandes quantidades

Leia mais

SBC - Sistemas Baseados em Conhecimento

SBC - Sistemas Baseados em Conhecimento Siglas, Símbolos, Abreviaturas DW - Data Warehouse KDD Knowledge Discovery in Database MD Mineração de Dados OLAP - On-line analytical processing SBC - Sistemas Baseados em Conhecimento 1. INTRODUÇÃO O

Leia mais

MODELO DE BANCO DE DADOS RELACIONAL

MODELO DE BANCO DE DADOS RELACIONAL UNINGÁ UNIDADE DE ENSINO SUPERIOR INGÁ FACULDADE INGÁ CIÊNCIA DA COMPUTAÇÃO BANCO DE DADOS I MODELO DE BANCO DE DADOS RELACIONAL Profº Erinaldo Sanches Nascimento Objetivos Descrever os princípios básicos

Leia mais

OLAP. Introdução. Cristina C. Vieira Departamento de Engenharia Eletrónica e Informática

OLAP. Introdução. Cristina C. Vieira Departamento de Engenharia Eletrónica e Informática OLAP Introdução Cristina C. Vieira Departamento de Engenharia Eletrónica e Informática OLAP Online analytical processing Existem dois tipos distintos de processamento sobre bases de dados: OLTP Online

Leia mais

OLAP. Rodrigo Leite Durães.

OLAP. Rodrigo Leite Durães. OLAP Rodrigo Leite Durães. rodrigo_l_d@yahoo.com.br OLAP Definição OLAP (Online analytical processing) é uma categoria de tecnologia de software que possibilita a visualização dos dados armazenados, segundo

Leia mais

BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING

BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING http://www.uniriotec.br/~tanaka/tin0036 tanaka@uniriotec.br Introdução a Data Warehousing e OLAP Introdução a Data Warehouse e Modelagem Dimensional Visão

Leia mais

Informática. Data Warehouse. Professor Julio Alves.

Informática. Data Warehouse. Professor Julio Alves. Informática Data Warehouse Professor Julio Alves www.acasadoconcurseiro.com.br Informática 1. DATA WAREHOUSE Executivos tomadores de decisão (diretores, gerentes, analistas, etc) necessitam de ferramentas

Leia mais

Prof. Daniela Barreiro Claro

Prof. Daniela Barreiro Claro O volume de dados está crescendo sem parar Gigabytes, Petabytes, etc. Dificuldade na descoberta do conhecimento Dados disponíveis x Análise dos Dados Dados disponíveis Analisar e compreender os dados 2

Leia mais

Mineração de padrões frequentes

Mineração de padrões frequentes Mineração de padrões frequentes Fabrício J. Barth fabricio.barth@gmail.com Setembro de 2016 Objetivos Os objetivos desta aula são: Apresentar e discutir métodos para identificar associações úteis em grandes

Leia mais

Sistemas de Apoio à Decisão (SAD) - Senado

Sistemas de Apoio à Decisão (SAD) - Senado Sistemas de Apoio à Decisão (SAD) - Senado DW OLAP BI Ilka Kawashita Material preparado :Prof. Marcio Vitorino Sumário OLAP Data Warehouse (DW/ETL) Modelagem Multidimensional Data Mining BI - Business

Leia mais

Data Warehouses. Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos

Data Warehouses. Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos Data Warehouses Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos Conceitos Básicos Data Warehouse(DW) Banco de Dados voltado para

Leia mais

Cadeira de Tecnologias de Informação. Ano lectivo 2009/2010. Conceitos Fundamentais de Gestão de Dados

Cadeira de Tecnologias de Informação. Ano lectivo 2009/2010. Conceitos Fundamentais de Gestão de Dados Cadeira de Tecnologias de Informação Ano lectivo 2009/2010 Conceitos Fundamentais de Gestão de Dados TI200/10_ GD_1 Tópicos 1. Conceitos de Base de Dados e de Sistema de Gestão de Bases de Dados 2. Modelo

Leia mais

Data Mining: Conceitos e Técnicas

Data Mining: Conceitos e Técnicas Data Mining: Conceitos e Técnicas DM, DW e OLAP Data Warehousing e OLAP para Data Mining O que é data warehouse? De data warehousing para data mining Data Warehousing e OLAP para Data Mining Data Warehouse:

Leia mais

Banco de Dados Data Mining Data Warehouse Big Data

Banco de Dados Data Mining Data Warehouse Big Data Universidade Estadual de Mato Grosso do Sul Curso de Computação, Licenciatura Banco de Dados Data Mining Data Warehouse Big Data Prof. José Gonçalves Dias Neto profneto_ti@hotmail.com Data Mining: Introdução

Leia mais

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto OLPT x OLAP Roteiro OLTP Datawarehouse OLAP Operações OLAP Exemplo com Mondrian e Jpivot

Leia mais

Business Intelligence :

Business Intelligence : Business Intelligence : Tecnologia da Informação a serviço do suporte decisório nas organizações. Extraído dos trabalhos de Pablo Passos e Grimaldo Lopes Roteiro Planejamento Estratégico Evitando a Desinformação

Leia mais

Aplicação A. Aplicação B. Aplicação C. Aplicação D. Aplicação E. Aplicação F. Aplicação A REL 1 REL 2. Aplicação B REL 3.

Aplicação A. Aplicação B. Aplicação C. Aplicação D. Aplicação E. Aplicação F. Aplicação A REL 1 REL 2. Aplicação B REL 3. Sumário Data Warehouse Modelagem Multidimensional. Data Mining BI - Business Inteligence. 1 2 Introdução Aplicações do negócio: constituem as aplicações que dão suporte ao dia a dia do negócio da empresa,

Leia mais

Modelação Dimensional 2

Modelação Dimensional 2 INTEGRAÇÃO E PROCESSAMENTO ANALÍTICO DE INFORMAÇÃO Modelação Dimensional 2 António Manuel Silva Ferreira UNIVERSIDADE DE LISBOA FACULDADE DE CIÊNCIAS DEPARTAMENTO DE INFORMÁTICA asfe@di.fc.ul.pt Sumário

Leia mais

Data Warehousing. Leonardo da Silva Leandro. CIn.ufpe.br

Data Warehousing. Leonardo da Silva Leandro. CIn.ufpe.br Data Warehousing Leonardo da Silva Leandro Agenda Conceito Elementos básicos de um DW Arquitetura do DW Top-Down Bottom-Up Distribuído Modelo de Dados Estrela Snowflake Aplicação Conceito Em português:

Leia mais

TABELA ENTIDADE LINHA OCORRÊNCIA DA ENTIDADE COLUNA ATRIBUTO DA ENTIDADE

TABELA ENTIDADE LINHA OCORRÊNCIA DA ENTIDADE COLUNA ATRIBUTO DA ENTIDADE TABELA ENTIDADE LINHA OCORRÊNCIA DA ENTIDADE COLUNA ATRIBUTO DA ENTIDADE CARACTERISTICA DE UMA TABELA: NÃO EXISTEM DUAS LINHAS IGUAIS A ORDEM DAS LINHAS É INSIGNIFICANTE A ORDEM DAS COLUNAS É INSIGNIFICANTE

Leia mais

Banco de Dados I. Sejam bem-vindos! Prof. Fred Lucena. 1

Banco de Dados I. Sejam bem-vindos! Prof. Fred Lucena. 1 Banco de Dados I Sejam bem-vindos! 1 Bibliografia Básica COUGO, Paulo. Modelagem conceitual e projeto de banco de dados. 3.ed. Rio de Janeiro: F & W Publications, 1997. 284p. HEUSER, Carlos Alberto. Projeto

Leia mais

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence É um conjunto de conceitos e metodologias que, fazem uso de acontecimentos e sistemas e apoiam a tomada de decisões. Utilização de várias fontes de informação para se definir estratégias de competividade

Leia mais

Banco de Dados e Engenharia de Software

Banco de Dados e Engenharia de Software Banco de Dados e Engenharia de Software Agenda Introdução a Banco de Dados Lógica Elementar, Conjuntos e Relações Arquitetura de Banco de Dados Linguagem SQL Modelo conceitual para Banco de Dados Transações

Leia mais

Diagrama Funcional das Informações

Diagrama Funcional das Informações Arquitetura Processo Diagrama Funcional das Informações Produção das Informações Coleta das Informações Gestores Algoritmo de Processamento / Data Loader Decriptografia e descompactação Armazenamento Consumo

Leia mais

FACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS

FACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS FACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS PROJETO PEDAGÓGICO CAMPO LIMPO PAULISTA 2015 1. Público

Leia mais

DATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago

DATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago DATA WAREHOUSE Rafael Ervin Hass Raphael Laércio Zago Roteiro Introdução Aplicações Arquitetura Características Desenvolvimento Estudo de Caso Conclusão Introdução O conceito de "data warehousing" data

Leia mais

GBC053 Gerenciamento de Banco de Dados. Plano de Curso e Introdução. Ilmério Reis da Silva UFU/FACOM/BCC

GBC053 Gerenciamento de Banco de Dados. Plano de Curso e Introdução. Ilmério Reis da Silva  UFU/FACOM/BCC GBC053 Gerenciamento de Banco de Dados Plano de Curso e Introdução Ilmério Reis da Silva ilmerio@ufu.br www.facom.ufu.br/~ilmerio/gbd UFU/FACOM/BCC Plano de Curso Ementa Arquitetura de um Sistema de Gerenciamento

Leia mais

Planejamento Estratégico de TI. Prof.: Fernando Ascani

Planejamento Estratégico de TI. Prof.: Fernando Ascani Planejamento Estratégico de TI Prof.: Fernando Ascani Data Warehouse - Conceitos Hoje em dia uma organização precisa utilizar toda informação disponível para criar e manter vantagem competitiva. Sai na

Leia mais

- A crescente necessidade de sistemas inteligentes e de aquisição de conhecimento levaram à necessidade de implementação de Data Warehouses.

- A crescente necessidade de sistemas inteligentes e de aquisição de conhecimento levaram à necessidade de implementação de Data Warehouses. - A crescente necessidade de sistemas inteligentes e de aquisição de conhecimento levaram à necessidade de implementação de. - O que é uma Data Warehouse? - Colecção de bases de dados orientadas por assunto

Leia mais

Introdução ao Data Warehousing e Business Intelligence

Introdução ao Data Warehousing e Business Intelligence INTEGRAÇÃO E PROCESSAMENTO ANALÍTICO DE INFORMAÇÃO Introdução ao Data Warehousing e Business Intelligence António Manuel Silva Ferreira UNIVERSIDADE DE LISBOA FACULDADE DE CIÊNCIAS DEPARTAMENTO DE INFORMÁTICA

Leia mais

Gestão de Base de dados Conceitos Básicos

Gestão de Base de dados Conceitos Básicos Gestão de Base de dados Conceitos Básicos Ano Letivo 2014/2015 Professora: Vanda Pereira Sumário: Introdução ao módulo 2 Gestão de Base de Dados Conceitos básicos de Gestão de Base de Dados Atividade nº1

Leia mais

Modelo Relacional. Josino Rodrigues

Modelo Relacional. Josino Rodrigues Modelo Relacional Josino Rodrigues Modelo Relacional Chave Primária Atributos PILOTO Num-cad Nome CPF Endereço 0101 João 123456 Recife Tuplas 0035 José 234567 São Paulo... 0987 Pedro 567890 Recife 2 Chave

Leia mais

OLAP em âmbito hospitalar: Transformação de dados de enfermagem para análise multidimensional

OLAP em âmbito hospitalar: Transformação de dados de enfermagem para análise multidimensional OLAP em âmbito hospitalar: Transformação de dados de enfermagem para análise multidimensional João Silva and José Saias m5672@alunos.uevora.pt, jsaias@di.uevora.pt Mestrado em Engenharia Informática, Universidade

Leia mais

Nota Introdutória... IX. Objectivos dos Conteúdos do Livro de Metrologia Industrial... XI. Capítulo 1 A Metrologia em Portugal...

Nota Introdutória... IX. Objectivos dos Conteúdos do Livro de Metrologia Industrial... XI. Capítulo 1 A Metrologia em Portugal... Índice Nota Introdutória... IX Objectivos dos Conteúdos do Livro de Metrologia Industrial... XI Capítulo 1 A Metrologia em Portugal... 1 1.1 CONCEITO DE METROLOGIA... 1 1.2 EVOLUÇÃO HISTÓRICA DA METROLOGIA

Leia mais

Aula 02: Conceitos Fundamentais

Aula 02: Conceitos Fundamentais Aula 02: Conceitos Fundamentais Profa. Ms. Rosângela da Silva Nunes 1 de 26 Roteiro 1. Por que mineração de dados 2. O que é Mineração de dados 3. Processo 4. Que tipo de dados podem ser minerados 5. Que

Leia mais

Exame de Base de Dados Época Normal - 15 de Janeiro de 2013

Exame de Base de Dados Época Normal - 15 de Janeiro de 2013 1 Exame de Base de Dados Época Normal - 15 de Janeiro de 2013 Duração da prova: 2 horas e 30 minutos. Atenção: A fraude numa prova de avaliação, mesmo quando detetada após a prova, é punida com a reprovação

Leia mais

Álgebra Relacional. Conjunto de operações que usa uma ou duas relações como entrada e gera uma relação de saída. Operações básicas:

Álgebra Relacional. Conjunto de operações que usa uma ou duas relações como entrada e gera uma relação de saída. Operações básicas: Álgebra Relacional Conjunto de operações que usa uma ou duas relações como entrada e gera uma relação de saída operação (REL 1 ) REL 2 operação (REL 1,REL 2 ) REL 3 Operações básicas: seleção projeção

Leia mais

Data Warehousing e Tecnologia OLAP para Data Mining

Data Warehousing e Tecnologia OLAP para Data Mining Data Warehousing e Tecnologia OLAP para Data Mining O que é um data warehouse? O modelo de dados multi-dimensional Arquitectura de data warehouses Implementação de data warehouses Mais aspectos da tecnologia

Leia mais

Normalização: Noções Básicas

Normalização: Noções Básicas Normalização: Noções Básicas Além de corresponder a uma representação relacional do diagrama ER discutido no livro-texto, o esquema relacional acima possui alguma propriedade específica que o qualifica

Leia mais

Lista Série de linhas da folha de cálculo que contém dados relacionados, como por exemplo, uma base de dados.

Lista Série de linhas da folha de cálculo que contém dados relacionados, como por exemplo, uma base de dados. Listas de dados Lista Série de linhas da folha de cálculo que contém dados relacionados, como por exemplo, uma base de dados. Base de Dados Conjunto de dados relacionados, organizados de uma forma lógica

Leia mais

Classificação e Pesquisa de Dados. Aula 23 Organização de Arquivos: Arquivos Indexados, Diretos e Arquivos Invertidos

Classificação e Pesquisa de Dados. Aula 23 Organização de Arquivos: Arquivos Indexados, Diretos e Arquivos Invertidos Classificação e Pesquisa de Dados Aula 23 Organização de Arquivos: Arquivos Indexados, Diretos e Arquivos Invertidos UFRGS INF1124 Arquivo indexado - AI Indicação de uso Baixa freqüência de acessos seqüenciais

Leia mais

Apresentação da Unidade Curricular

Apresentação da Unidade Curricular SISTEMAS DE INFORMAÇÃO E BASES DE DADOS Apresentação da Unidade Curricular António Manuel Silva Ferreira UNIVERSIDADE DE LISBOA FACULDADE DE CIÊNCIAS DEPARTAMENTO DE INFORMÁTICA asfe@di.fc.ul.pt Sumário

Leia mais

Arquiteturas de DW e Abordagens de Implementação. Arquiteturas e Abordagens de Implementação

Arquiteturas de DW e Abordagens de Implementação. Arquiteturas e Abordagens de Implementação Curso de Dwing TecBD-DI PUC-Rio Prof. Rubens Melo Arquiteturas de DW e Abordagens de Implementação Arquiteturas e Abordagens de Implementação Arquitetura adequada é fundamental Infra-estrutura disponível

Leia mais

Data Warehouse Mineração de Dados

Data Warehouse Mineração de Dados Data Warehouse Mineração de Dados Profa. Roberta Macêdo M. Gouveia robertammg@gmail.com 1 18/12/2014 Data Warehouse Data Mining Big Data A mina de ouro debaixo dos bits 2 Data Warehouse: A Memória da Empresa

Leia mais

SISTEMAS DIGITAIS MEMÓRIAS E CIRCUITOS DE LÓGICA PROGRAMÁVEL

SISTEMAS DIGITAIS MEMÓRIAS E CIRCUITOS DE LÓGICA PROGRAMÁVEL MEMÓRIAS E CIRCUITOS DE LÓGICA PROGRAMÁVEL Setembro de 4 MEMÓRIAS - SUMÁRIO: MEMÓRIAS INTEGRADAS RAM ROM PROM EPROM LÓGICA PROGRAMÁVEL PLAs PALs FPGAs Setembro de 4 MEMÓRIAS - MEMÓRIAS Na sequência do

Leia mais

Aprendizado de Máquina (Machine Learning)

Aprendizado de Máquina (Machine Learning) Ciência da Computação (Machine Learning) Aula 14 Regras de Associação Max Pereira Regras de Associação Motivação O que é geralmente comprado junto com o produto x? Que pares de produtos são comprados juntos?

Leia mais

SQL-99: Esquema de BD EMPRESA

SQL-99: Esquema de BD EMPRESA SQL-99: Esquema de BD EMPRESA SQL-99: Instâncias do esquema EMPRESA 1 Consultas externa, aninhada e correlacionada para cada tupla da consulta externa, a consulta aninhada devolve o atributo solicitado

Leia mais

Função Fundamental do SO

Função Fundamental do SO Função Fundamental do SO Gestão do Hardware Uma das funções fundamentais do sistema operativo é gerir os recursos do hardware de um modo o mais transparente possível ao utilizador Recursos principais a

Leia mais

Técnicas Básicas de Compressão de Vídeo

Técnicas Básicas de Compressão de Vídeo Aula 11 Técnicas Básicas de Compressão de Vídeo Diogo Pinheiro Fernandes Pedrosa Universidade Federal Rural do Semiárido Departamento de Ciências Exatas e Naturais Curso de Ciência da Computação Introdução

Leia mais

Banco de Dados I. Aula 17 - Prof. Bruno Moreno 08/11/2011

Banco de Dados I. Aula 17 - Prof. Bruno Moreno 08/11/2011 Banco de Dados I Aula 17 - Prof. Bruno Moreno 08/11/2011 Plano de Aula Visões em SQL Normalização Motivação Definição Formas Normais Banco de Dados I VISÕES Visões É uma tabela única derivada de outra(s)

Leia mais

Curso de Engenharia de Sistemas e Informática - 5º Ano. Ficha T. Prática n.º 1

Curso de Engenharia de Sistemas e Informática - 5º Ano. Ficha T. Prática n.º 1 Análise Inteligente de Dados Objectivo: Curso de Engenharia de Sistemas e Informática - 5º Ano Ficha T. Prática n.º 1 Estudo do paradigma multidimensional com introdução de uma extensão ao diagrama E/R

Leia mais

Introdução à Descoberta de Conhecimento e Mineração de Dados. Rodrigo Leite Durães.

Introdução à Descoberta de Conhecimento e Mineração de Dados. Rodrigo Leite Durães. Introdução à Descoberta de Conhecimento e Mineração de Dados Rodrigo Leite Durães. 1 Introdução 2 3 Introdução: por que Data Mining? O problema da explosão da quantidade de dados (data explosion): Ferramentas

Leia mais

Banco de Dados - Senado

Banco de Dados - Senado Banco de Dados - Senado Exercícios OLAP - CESPE Material preparado: Prof. Marcio Vitorino OLAP Material preparado: Prof. Marcio Vitorino Soluções MOLAP promovem maior independência de fornecedores de SGBDs

Leia mais

Sistemas de Apoio à Decisão. Vocabulário e conceitos Vista geral

Sistemas de Apoio à Decisão. Vocabulário e conceitos Vista geral Sistemas de Apoio à Decisão Vocabulário e conceitos Vista geral Decisão A escolha de uma entre várias alternativas Processo de tomada de decisão (decision making) Avaliar o problema Recolher e verificar

Leia mais

Data Mining. Rodrigo Leite Durães

Data Mining. Rodrigo Leite Durães Data Mining Rodrigo Leite Durães Introdução Aplicação de processos de análise inteligentes visando manipulação automática de quantidades imensas de dados Larga aplicação nos mais variados ramos da indústria,

Leia mais

Modelagem de Dados MODELAGEM DE DADOS. Sistemas de Banco de Dados. Profa. Rosemary Melo

Modelagem de Dados MODELAGEM DE DADOS. Sistemas de Banco de Dados. Profa. Rosemary Melo MODELAGEM DE DADOS Sistemas de Banco de Dados Profa. Rosemary Melo SISTEMAS DE BANCO DE DADOS OBJETIVOS Apresentar os conceitos fundamentais de Sistemas de Banco de Dados. Principais componentes dos SGBDs

Leia mais

Complemento I - Noções Introdutórias em Data Warehouses

Complemento I - Noções Introdutórias em Data Warehouses Complemento I - Noções Introdutórias em Data Warehouses Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

Outliers Detecção de Anomalias AULA DATA MINING

Outliers Detecção de Anomalias AULA DATA MINING Outliers Detecção de Anomalias AULA DATA MINING Motivação/Caso unidimensional Bill Gates ganha $500 milhões por ano. Ele está numa sala com 9 professores, 4 que recebem $40k/ano, 3 ganham $45k/ano, e 2

Leia mais

Modelo Relacional 4 SISTEMAS DE INFORMAÇÃO E BASES DE DADOS UNIVERSIDADE DE LISBOA FACULDADE DE CIÊNCIAS DEPARTAMENTO DE INFORMÁTICA

Modelo Relacional 4 SISTEMAS DE INFORMAÇÃO E BASES DE DADOS UNIVERSIDADE DE LISBOA FACULDADE DE CIÊNCIAS DEPARTAMENTO DE INFORMÁTICA SISTEMAS DE INFORMAÇÃO E BASES DE DADOS Modelo Relacional 4 António Manuel Silva Ferreira UNIVERSIDADE DE LISBOA FACULDADE DE CIÊNCIAS DEPARTAMENTO DE INFORMÁTICA asfe@di.fc.ul.pt Sumário Comandos SQL

Leia mais

APONTAMENTOS DE SPSS

APONTAMENTOS DE SPSS Instituto de Ciências Biomédicas de Abel Salazar APONTAMENTOS DE SPSS Rui Magalhães 2010-1 - - 2 - Menu DATA Opção SPLIT FILE Permite dividir, de uma forma virtual, o ficheiro em diferentes ficheiros com

Leia mais

SISTEMAS DIGITAIS MEMÓRIAS E CIRCUITOS DE LÓGICA PROGRAMÁVEL

SISTEMAS DIGITAIS MEMÓRIAS E CIRCUITOS DE LÓGICA PROGRAMÁVEL MEMÓRIAS E CIRCUITOS DE LÓGICA PROGRAMÁVEL Sistemas Digitais MEMÓRIAS -! SUMÁRIO:! MEMÓRIAS INTEGRADAS! RAMs! ROMs! LÓGICA PROGRAMÁVEL! PROMs! PLAs! PALs! FPGAs! IMPLEMENTAÇÃO DE MÁQUINAS DE ESTADO UTILIZANDO

Leia mais

Projecto Final de Licenciatura Engenharia Informática - Computadores e Sistemas. elaborado por: Filipe Manuel Marques Pinto Pinheiro

Projecto Final de Licenciatura Engenharia Informática - Computadores e Sistemas. elaborado por: Filipe Manuel Marques Pinto Pinheiro OLAP (ONLINE ANALYTICAL PROCESSING) Projecto Final de Licenciatura Engenharia Informática - Computadores e Sistemas elaborado por: Filipe Manuel Marques Pinto Pinheiro orientado por: Engº Paulo Alexandre

Leia mais

4. Que tipos de padrões podem ser minerados. 5. Critérios de classificação de sistemas de Data Mining. 6. Tópicos importantes de estudo em Data Mining

4. Que tipos de padrões podem ser minerados. 5. Critérios de classificação de sistemas de Data Mining. 6. Tópicos importantes de estudo em Data Mining Curso de Data Mining - Aula 1 1. Como surgiu 2. O que é 3. Em que tipo de dados pode ser aplicado 4. Que tipos de padrões podem ser minerados 5. Critérios de classificação de sistemas de Data Mining 6.

Leia mais

Modelação Dimensional 4

Modelação Dimensional 4 INTEGRAÇÃO E PROCESSAMENTO ANALÍTICO DE INFORMAÇÃO Modelação Dimensional 4 António Manuel Silva Ferreira UNIVERSIDADE DE LISBOA FACULDADE DE CIÊNCIAS DEPARTAMENTO DE INFORMÁTICA asfe@di.fc.ul.pt Sumário

Leia mais

Gestão de memória - Memory Management Unit (MMU)

Gestão de memória - Memory Management Unit (MMU) Gestão de memória - Memory Management Unit (MMU) A distinção entre espaço de edereçamento virtual e espaço de endereçamento físico é fundamental na eficiente gestão do recurso memória física (RAM) por

Leia mais

INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO NORTE INTRODUÇÃO A SQL

INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO NORTE INTRODUÇÃO A SQL INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO RIO GRANDE DO NORTE INTRODUÇÃO A SQL Docente: Éberton da Silva Marinho e-mail: ebertonsm@gmail.com 02/06/2016 SUMÁRIO SQL DDL DML SQL (STRUCTURED

Leia mais

Data Warehouse Granularidade. rogerioaraujo.wordpress.com twitter: @rgildoaraujo - rgildoaraujo@gmail.com 1

Data Warehouse Granularidade. rogerioaraujo.wordpress.com twitter: @rgildoaraujo - rgildoaraujo@gmail.com 1 Data Warehouse Granularidade rogerioaraujo.wordpress.com twitter: @rgildoaraujo - rgildoaraujo@gmail.com 1 Granularidade A granularidade de dados refere-se ao nível de sumarização dos elementos e de detalhe

Leia mais

Estimação com Métricas Indiretas e Contagem de Pontos de Função

Estimação com Métricas Indiretas e Contagem de Pontos de Função Projeto de Sistemas de Informação Estimação com Métricas Indiretas e Contagem de Pontos de Função FCUL, Departamento de Informática Ano Lectivo 2011/2012 António Ferreira Emanuel Santos psi@di.fc.ul.pt

Leia mais

Data Warehouses Uma Introdução

Data Warehouses Uma Introdução Data Warehouses Uma Introdução Alex dos Santos Vieira, Renaldy Pereira Sousa, Ronaldo Ribeiro Goldschmidt 1. Motivação e Conceitos Básicos Com o advento da globalização, a competitividade entre as empresas

Leia mais

Processo Decisório, OLAP e Relatórios Corporativos OLAP E RELATÓRIOS CORPORATIVOS

Processo Decisório, OLAP e Relatórios Corporativos OLAP E RELATÓRIOS CORPORATIVOS Processo Decisório, OLAP e Relatórios Corporativos OLAP E RELATÓRIOS CORPORATIVOS Sumário Conceitos/Autores chave... 3 1. Introdução... 5 2. OLAP... 6 3. Operações em OLAP... 8 4. Arquiteturas em OLAP...

Leia mais

Introdução ao SQL. Aécio Costa

Introdução ao SQL. Aécio Costa Aécio Costa A linguagem SQL é um padrão de linguagem de consulta comercial e possui as seguintes partes: Linguagem de definição de dados (DDL) Linguagem interativa de manipulação de dados (DML) Definição

Leia mais

S.I. nas Organizações

S.I. nas Organizações S.I. nas Organizações A inserção de SI nas organizações obriga a definir: as actividades da organização contempladas pelo sistema. o grupo de pessoas envolvidas. Deste modo e por ordem crescente de envolvimento

Leia mais

MATA60 BANCO DE DADOS Aula 5- Modelo Relacional. Prof. Daniela Barreiro Claro

MATA60 BANCO DE DADOS Aula 5- Modelo Relacional. Prof. Daniela Barreiro Claro MATA60 BANCO DE DADOS Aula 5- Modelo Relacional Prof. Daniela Barreiro Claro Agenda Histórico Modelo em Redes e Hierárquico Modelo Relacional Restrições de Integridade Chaves FORMAS - UFBA 2 de X Histórico

Leia mais

Modelagem Multidimensional: Conceitos Avançados

Modelagem Multidimensional: Conceitos Avançados BANCO DE DADOS DISTRIBUÍDOS e DATAWAREHOUSING http://www.uniriotec.br/~tanaka/tin0036 tanaka@uniriotec.br Modelagem Dimensional Conceitos Avançados Modelagem Multidimensional: Conceitos Avançados Conformidade

Leia mais

Bases de Dados 2012/2013 Restrições de Integridade em SQL. Helena Galhardas 2012 IST. Bibliografia

Bases de Dados 2012/2013 Restrições de Integridade em SQL. Helena Galhardas 2012 IST. Bibliografia Bases de Dados 2012/2013 Restrições de Integridade em SQL Helena Galhardas Bibliografia Raghu Ramakrishnan, Database Management Systems, Cap. 3 e 5 1 1 Sumário Restrições de Integridade (RIs) em SQL Chave

Leia mais

MATA60 BANCO DE DADOS Aula 3- Modelo de Entidades e Relacionamentos. Prof. Daniela Barreiro Claro

MATA60 BANCO DE DADOS Aula 3- Modelo de Entidades e Relacionamentos. Prof. Daniela Barreiro Claro MATA60 BANCO DE DADOS Aula 3- Modelo de Entidades e Relacionamentos Prof. Daniela Barreiro Claro Agenda Modelo de Dados MER 2 de X; X=37 Modelo de Dados O Modelo de Dados é a principal ferramenta que fornece

Leia mais

Memória Interna. Prof. Leonardo Barreto Campos 1

Memória Interna. Prof. Leonardo Barreto Campos 1 Memória Interna Prof. Leonardo Barreto Campos 1 Sumário Introdução; Sistema de Memória de Computadores; Hierarquia de Memória; Memória Principal de Semicondutores; Memória Cache; Organizações das Memórias

Leia mais

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan Faculdade INED Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan 1 Unidade 4.3 2 1 BI BUSINESS INTELLIGENCE BI CARLOS BARBIERI

Leia mais

Formulários VIII Vista de estrutura

Formulários VIII Vista de estrutura Formulários VIII Vista de estrutura Permite personalizar o conjunto de controlos de um formulário Cabeçalho, Detalhe e Rodapé do formulário Controlos dependentes: reflectem directamente o conteúdo do registo

Leia mais

Prof. Ronaldo R. Goldschmidt. ronaldo.rgold@gmail.com

Prof. Ronaldo R. Goldschmidt. ronaldo.rgold@gmail.com DATA WAREHOUSES UMA INTRODUÇÃO Prof. Ronaldo R. Goldschmidt ronaldo.rgold@gmail.com 1 DATA WAREHOUSES UMA INTRODUÇÃO Considerações Iniciais Conceitos Básicos Modelagem Multidimensional Projeto de Data

Leia mais

LISTA DE EXERCÍCIOS TEORIA DE BANCO DE DADOS

LISTA DE EXERCÍCIOS TEORIA DE BANCO DE DADOS LISTA DE EXERCÍCIOS TEORIA DE BANCO DE DADOS 1. Analise as afirmativas abaixo. I. Atributo = dado que é associado a cada ocorrência de uma entidade ou de um relacionamento. II. Relacionamento = conjunto

Leia mais

Modelo Relacional. André Restivo. Faculdade de Engenharia da Universidade do Porto. February 24, 2012

Modelo Relacional. André Restivo. Faculdade de Engenharia da Universidade do Porto. February 24, 2012 Modelo Relacional André Restivo Faculdade de Engenharia da Universidade do Porto February 24, 2012 André Restivo (FEUP) Modelo Relacional February 24, 2012 1 / 19 Sumário 1 Modelo Relacional 2 Operações

Leia mais

Introdução ao Processamento de Imagens Digitais Aula 01

Introdução ao Processamento de Imagens Digitais Aula 01 Introdução ao Processamento de Imagens Digitais Aula 01 Douglas Farias Cordeiro Universidade Federal de Goiás 06 de julho de 2015 Mini-currículo Professor do curso Gestão da Informação Formação: Graduação

Leia mais

Mineração de Dados (Regras de associação)

Mineração de Dados (Regras de associação) Aplicações Mineração de Dados (Regras de associação) Perfis de clientes ( Market basket analysis ) Merchandizing Detecção de fraudes em seguros de saúde Organização de produtos em vitrines de lojas M.

Leia mais

ÁLGEBRA E CÁLCULO RELACIONAL

ÁLGEBRA E CÁLCULO RELACIONAL UNINGÁ UNIDADE DE ENSINO SUPERIOR INGÁ FACULDADE INGÁ DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO ERINALDO SANCHES NASCIMENTO ÁLGEBRA E CÁLCULO RELACIONAL MARINGÁ 2014 SUMÁRIO SUMÁRIO...1 1 INTRODUÇÃO...2 1.1

Leia mais

António Rocha Nuno Melo e Castro

António Rocha Nuno Melo e Castro António Rocha Nuno Melo e Castro SQL- Strutured Query Language é a linguagem mais usada nas bases dados relacionais. Originalmente desenvolvida pela IBM Actualmente é um standard, o mais recente é o SQL:2003

Leia mais

Flickr, shindotv/ / BASES DE DADOS. Laboratórios de Informática João Paulo Barraca, André Zúquete, Diogo Gomes

Flickr, shindotv/ / BASES DE DADOS. Laboratórios de Informática João Paulo Barraca, André Zúquete, Diogo Gomes Flickr, shindotv/3835365695/ BASES DE DADOS Laboratórios de Informática 2014-2015 João Paulo Barraca, André Zúquete, Diogo Gomes Armazenamento de Informação Aplicações necessitam de armazenar informação

Leia mais

Administração e Optimização de BDs

Administração e Optimização de BDs Departamento de Engenharia Informática 2010/2011 Administração e Optimização de BDs Mini-Projecto 1 2º semestre A resolução deve ser claramente identificada com o número de grupo e entregue sob a forma

Leia mais

Introdução a Sistemas Inteligentes

Introdução a Sistemas Inteligentes Introdução a Sistemas Inteligentes Conceituação Prof. Ricardo J. G. B. Campello ICMC / USP Créditos Parte do material a seguir consiste de adaptações e extensões dos originais gentilmente cedidos pelo

Leia mais

Ferramentas Livres de Armazenamento e Mineração de Dados

Ferramentas Livres de Armazenamento e Mineração de Dados Ferramentas Livres de Armazenamento e Mineração de Dados JasperBI, Pentaho, Weka 09/2009 Eng. Pablo Jorge Madril pmadril@summa.com.br Summa Technologies www.summa.com.br Eng. Pablo Jorge Madril pmadril@summa.com.br

Leia mais