Please enable JavaScript.
Coggle requires JavaScript to display documents.
Bases de Dados & Mineração de Dados - Coggle Diagram
Bases de Dados & Mineração de Dados
Bases de Dados Relacionais (SQL)
Definição: tabelas com esquema fixo, relações entre tabelas
Características Principais: integridade referencial; normalização; transações ACID
Exemplos: MySQL, PostgreSQL, Oracle, SQL Server
Vantagens: dados consistentes, suporte a joins complexos, maturidade, ferramentas de relatório
Desvantagens: escalabilidade vertical limitada; rígido esquema; menos flexível para dados semi‐estruturados
Bases de Dados Não Relacionais (NoSQ
Bases de Dados Não Relacionais (NoSQL)
Definição: armazenamento com esquema flexível ou sem esquema; várias categorias
Tipos Principais:
• Documentos (ex: MongoDB)
Mongo DB
O que é: banco NoSQL tipo documento; usa BSON (semelhante JSON)
Características: esquema flexível; capacidade de escalar horizontalmente; consultas poderosas com aggregation framework; índices; suporte a replicação e sharding
Quando usar: aplicações com dados semi‑estruturados ou mutáveis; requisitos de escalabilidade; rapidez nas iterações de modelagem de dados
Plataformas para praticar:
• MongoDB Atlas (nuvem)
• MongoDB Learn / laboratórios práticos
Primeiros passos: criar cluster, inserir documentos, fazer consultas, usar agregações, monitoramento
• Chave‐Valor (ex: Redis, DynamoDB)
• Colunar (ex: Cassandra, HBase)
• Grafos (ex: Neo4j)
Vantagens: escalabilidade horizontal, flexibilidade de esquema, bom desempenho com grandes volumes e dados diversos
Desvantagens: menor suporte padronizado para transações; modelagem menos intuitiva para algumas relações; consistência eventual em muitos casos
Mineração de Dados
Definição: processo de explorar grandes conjuntos de dados para descobrir padrões úteis, tendências, anomalias
Etapas do Processo:
Coleta de dados
Pré‐processamento (limpeza, normalização, tratamento de dados ausentes/outliers)
Mineração propriamente dita (algoritmos)
Avaliação/Interpretação dos resultados
Visualização e reporte
Técnicas de Mineração
Principais Técnicas:
• Classificação (Decision Trees, Random Forest, SVM…)
• Regressão (linear, logística, etc.)
• Clustering / Agrupamento (K‑means, DBSCAN, Hierárquico)
• Regras de Associação (ex: Apriori)
• Detecção de Anomalias
• Séries temporais
Ferramentas de Mineração
Ferramentas e Linguagens:
• Python (bibliotecas: Pandas, NumPy, scikit‑learn, TensorFlow, PyTorch)
• R (caret, ggplot2, dplyr)
• Weka
• RapidMiner
• Apache Spark / MLlib
• Tableau / Power BI (para visualização)
Kaggle
O que é: plataforma para ciência de dados; repositórios de datasets; competições; notebooks interativos; cursos práticos
Usos para reforçar conhecimento:
• Praticar mineração de dados com datasets reais
• Aprender novas técnicas com notebooks públicos
• Participar de competições para resolver problemas concretos
Ferramentas dentro: notebooks (Jupyter), kernels com Python/R, bibliotecas de ML, visualizações