Mineração de dados

Mineração de dados (data mining) é o processo de descobrir padrões, relações e conhecimento úteis escondidos em grandes volumes de dados. A ideia é ir além de consultar o que já se sabe: é encontrar o que não se sabia que estava ali.

Um exemplo clássico: um supermercado descobre, minerando dados de compras, que clientes que compram fraldas também tendem a comprar cerveja — e usa isso para posicionar os produtos.

O processo KDD

A mineração é uma etapa dentro de um processo maior chamado KDD (Knowledge Discovery in Databases) — descoberta de conhecimento em bancos de dados:

1. Seleção: escolher os dados relevantes.
2. Pré-processamento: limpar (remover erros, tratar valores faltantes).
3. Transformação: formatar os dados para a análise.
4. Mineração: aplicar os algoritmos para extrair padrões.
5. Interpretação/Avaliação: transformar os padrões em conhecimento útil.

Nota

A mineração de dados é só uma etapa do KDD, embora os termos às vezes sejam usados como sinônimos. O KDD é o processo completo, do dado bruto ao conhecimento.

Principais tarefas

Tarefa	O que faz	Exemplo
Classificação	Prever uma categoria	E-mail é spam ou não?
Regressão	Prever um valor numérico	Qual será o preço do imóvel?
Agrupamento (clustering)	Juntar itens parecidos, sem rótulo prévio	Segmentar clientes por perfil
Associação	Encontrar itens que aparecem juntos	Quem compra X também compra Y

Relação com Machine Learning

Mineração de dados e Machine Learning se sobrepõem bastante: muitas tarefas de mineração (classificação, regressão, agrupamento) usam algoritmos de aprendizado de máquina. A diferença de ênfase: a mineração foca em descobrir padrões nos dados existentes; o ML foca em criar modelos que generalizam para dados novos.

Para fixar

Guarde a distinção: KDD é o processo todo; mineração de dados é a etapa que extrai os padrões; as tarefas (classificação, regressão, clustering, associação) são os tipos de padrão que se busca.