Aula 05 TI ICMS SC Resumo

Direitos autorais reservados (Lei 9610/98). Proibida a reprodução, venda ou compartilhamento deste arquivo. Uso individual.
Aula 00
Curso: Informática – Teoria e Questões
comentadas p/ TRF
Aula 05Professor: Gustavo Cavalcante
Curso: Tecnologia da Informação para ICMS-SC
`Ìi`ÊÜÌÊÌiÊ`iÊÛiÀÃÊvÊ
vÝÊ*ÀÊ*Ê `ÌÀÊ
Professor: Ramon Souza
/ÊÀiÛiÊÌÃÊÌVi]ÊÛÃÌ\Ê
ÜÜÜ°Vi°VÉÕV°Ì
Teoria e Questões comentadas
Prof. Ramon Souza
Aula 05 – Resumo (Todos os esquemas de aula)
ASSUNTOS PÁGINA
1. AULA 00 – Bancos de Dados ............................................................ 3

2. AULA 01 – Modelagem ER ............................................................. 12

3. AULA 02 – Data Warehouse ........................................................... 17
4. AULA 03 – Data Mining ................................................................. 26
5. AULA 04 - SQL ............................................................................. 32
Prof. Ramon Souza 2 de 36

www.exponencialconcursos.com.br vÝÊ*ÀÊ*Ê `ÌÀÊ
Prof. Ramon Souza
1. AULA 00 – Bancos de Dados
✓ Banco de dados (BD).
Banco de Dados
Pode ter qualquer

Pode ser manual ou
tamanho e
computadorizado
complexidade
Coleção logicamente Projetado, construído e

Representa algum
coerente de dados com populado com dados para
aspecto do mundo real
algum significado inerente uma finalidade específica
✓ Sistema de Gerenciamento de Banco de Dados (SGBD).
•Permite criar e manter um

Banco de dados.
•Auxilia na:
SGBD ▪Definição
▪Construção
(coleção de programas) ▪Manipulação
▪Compartilhamento
▪Proteção
▪Manutenção
✓ Sistema de Banco de Dados (SBD).
BD SGBD SBD

Prof. Ramon Souza
✓ Características dos Bancos de Dados.
o Natureza de autodescrição de um sistema de banco de dados.
o Isolamento entre programas e dados; e abstração de dados.
o Suporte de múltiplas visões de dados.
o Compartilhamento de dados e processamento de transação
multiusuário.
Elsmari e Navathe
(vantagens de usar a abordagem SGBD)
▪Controle de redundância.
▪Restrição de acesso não autorizado.
▪Armazenamento persistente para objetos do programa.
▪Estruturas de armazenamento e técnicas de pesquisa para o
processamento eficiente de consulta.
▪Backup e recuperação.
▪Múltiplas interfaces do usuário.
▪Representação de relacionamentos complexos entre dados.
▪Restrições de integridade.
▪Dedução e ação usando regras.
▪Potencial para garantir padrões.
▪Tempo reduzido para o desenvolvimento de aplicações.
▪Flexibilidade.
▪Disponibilidade de informações atualizadas.
•Economias de escala.
Date
(benefícios da abordagem de BD)
▪O dado pode ser compartilhado.
▪A redundância pode ser reduzida.
▪Inconsistências podem ser evitadas.
▪Pode-se utilizar o suporte a transações.
▪A integridade pode ser mantida.
▪A segurança pode ser aperfeiçoada.
▪Requisitos conflitantes podem ser balanceados.
▪Padrões podem ser utilizados.
Sylberchatz, Korth e Sudarshan

(desvantagens de usar sistema de arquivo)
▪Redundância e inconsistência de dados.
▪Dificuldade de acesso a dados.
▪Isolamento dos dados.
▪Problemas de integridade.
▪Problemas de atomicidade.
▪Anomalias de acesso concorrente.
▪Problemas de segurança.

Prof. Ramon Souza
✓ Desvantagens da abordagem de SGBD.
Custos Alto investimento inicial

em hardware, software e
adicionais treinamento
Esforço adicional para

Generalidade para definição funções de segurança,
e processamento de dados concorrência, recuperação e
integridade
✓ Propriedades das transações (ACID).
Conceito: Conceito: Conceito: Conceito:

unidade de Uma uma as mudanças
processamen transação transação realizadas
to atômica. A deve levar o deve parecer pela
transação deve banco de
Durabilidade
Consistência
Isolamento
executar
Atomicidade
transação
ser realizada dados de um isolada das confirmada
em sua estado demais. devem ser
totalidade ou consistente persistidas
não deve ser para outro. no banco de
realizada de dados.
forma alguma.
Responsável Responsável Responsável

Responsável
Programador Subsistema Subsistema
Subsistema de de
recuperação. ou módulo de de controle de
restrições de concorrência. recuperação.
integridade.

Prof. Ramon Souza
✓ Notação para diagrama Entidade Relacionamento.
✓ Modelos de bancos de dados.

Facilmente Compreensão Difícil compreensão
Lógico
Físico
Conceitual
comprendido por intermediária. pelos usuários.

usuários.
Representação específica Descrevem o
Registra os dados. de um modelo interno, armazenamento dos
utilizando as estruturas dados.
de BD
Independente de Totalmente
hardware e software. Dependem do SGBD. dependentes do SGBD.
Elaborados na Elaborados no Projeto Elaborados no Projeto

Modelagem Conceitual. Lógico. Físico.
Ex.: Modelo Entidade Ex.: Modelo Relacional.

Relacionamento.

Prof. Ramon Souza
✓ Bancos de dados relacionais.
Conjuntos de relações ou tabelas que

representam dados e relacionamentos.
Relação matemática é o bloco de
Conceitos montagem básico.
Base teórica reside na teoria de conjunto
e lógica de predicado de primeira ordem.
Todo o conteúdo de informação do banco

Princípio da de dados é representado como valores
Informação explícitos em posições de colunas em
Modelo linhas de tabelas.
Relacional Aspecto estrutural: percebidos pelos
usuários como tabelas.
Aspecto de integridade: essas tabelas
Aspectos de satisfazem a certas restrições de
descrição integridade.
Aspecto manipulador: os operadores

disponíveis para que o usuário possa
manipular essas tabelas derivam tabelas a
partir de outras tabelas.
✓ Catálogo ou dicionário de dados.
Catálogo ou
dicionário de
dados
Metadados ou
informações de
descritor
Estrutura de
Formato de Restrições
cada tipo de Tipo
armazenamento sobre os dados
arquivo

Prof. Ramon Souza
✓ Conceitos do modelo relacional.
Tabela (relação) – representa dados e relacionamentos.
Coluna (atributo) - ajuda a Grau (aridade) -

interpretar o significado número de colunas
dos valores das linhas. de uma relação.
Domínio - tipo de dado que Linha (tupla) - coleção

descreve os tipos de valores que de valores de dados
podem aparecer em cada coluna. relacionados.
✓ Operações com relações (álgebra relacional)

Operações da álgebra relacional
Seleção (σ) Retorna as tuplas da relação que satisfazem um predicado.

Retorna os atributos especificados de todas as linhas da
Projeção (П)
relação de entrada, removendo as tuplas duplicadas da saída.
Retorna pares de linhas das duas relações de entrada que têm
Junção ( ) o mesmo valor em todos os atributos que possuem o mesmo
nome.
Retorna todos os pares de linhas das duas relações de entrada
Produto
(independentemente de ter ou não os mesmos valores em atributos
cartesiano (X)
comuns).
Retorna as tuplas que estão na primeira relação, na segunda
União (Ս)
relação, ou em ambas.
Retorna as tuplas que aparecem tanto na primeira relação
Intersecção (Ո)
quanto na segunda.
Retorna tuplas que aparecem na primeira relação, mas não
Diferença (-)
estão na segunda.

Prof. Ramon Souza
✓ Visões (views).
Visão (view) Se for armazenada é

visão materializada.
Maneira
Tabela derivada de Tabela virtual: não
alternativa de Consulta pré-
outras tabelas necessariamente

visualização dos definida ou
(tabelas base ou existe em forma
dados de uma ou armazenada.
outras visões). física.
mais tabelas.
✓ Índices
Estrutura
de acesso
auxiliar.
Uso de Utilizados
ponteiros para agilizar
para a
localização
Índice a
recuperação
dos dados. de registros
Oferecem Não devem ser criados

caminhos
de acesso de maneira ilimitada e
secundários sem cuidados.
✓ Chaves.
Superchave Chave Chave primária
Conjunto de um ou Superchave com a Chave candidata

mais atributos que, propriedade adicional que é escolhida pelo
coletivamente, de que a remoção designer de banco
permitem de qualquer dos de dados como o
identificar de atributos a faz principal meio de
forma exclusiva deixar de ser identificar tuplas.
uma tupla. chave.
Chave candidata
Cada uma das

Chave estrangeira
chaves possíveis em
Atributo (s) que são chave
uma relação.
primária ou candidata de
outra relação.

Prof. Ramon Souza
✓ Relacionamentos.
(existem apenas logicamente, mas não fisicamente)

Um para Um Cada elemento de uma tabela se relaciona a um
(1:1) único elemento de outra tabela.
(associação entre as tabelas)
Cada elemento de uma tabela r1 pode ser relacionar

Relacioanmentos
Um para Muitos com mais de um elemento da tabela r2, no entanto

(1:N) cada elemento da tabela r2 está relacionado a
apenas um elemento de r1.
Para cada valor do campo de uma tabela, pode haver N

valores no campo da outra tabela e vice-versa.
Muitos para
Muitos Os dados estão diretamente relacionados ao fato (ou
ao relacionamento), e não as entidades (ou tabelas).
(N:M)
Em bancos de dados relacionais, esta relação consuma-se

através de uma tabela de ligação. Esta tabela pode
possuir atributos próprios.

Prof. Ramon Souza
✓ Formas normais.
•Todos os atributos são atômicos.

•Não possui atributos multivalorados nem compostos.
1FN
•Está na 1FN.
•Cada atributo não-chave é dependente da chave primária (ou candidata)

inteira. (Dependência funcional total)
2FN •Cada atributo não-chave não pode ser dependente de apenas parte da chave.
•Está na 2FN.
•Cada atributo não chave não possui dependência transitiva, para cada chave
candidata.
3FN •Todos os atributos dependem exclusivamente da chave primária da tabela.
•Está na 3FN (variação forte da 3FN).

•Todo atributo não chave depende funcionalmente diretamente da chave
primária
BCFN •Não há dependências entre atributos não chave.
•Está na 3FN.
•Não possui dependência multivalorada.
4FN
•Está na 4FN.
•Não possui dependência de junção.
5FN

Prof. Ramon Souza
2. AULA 01 – Modelagem ER
✓ Modelo Entidade-Relacionamento.
Modelo
conceitual
Modelo
ER Descrever os dados ou
aspectos de informação de
um domínio de negócio ou
seus requisitos de processo
✓ Entidade.
Entidade
Objetos sobre
os quais deseja-
se manter
informações

Prof. Ramon Souza
✓ Relacionamentos.
Autorelacionamento ou
relacionamento
recursivo
Associação entre
objetos
Relacionamento Binário
Dependendo da
quantidade de
entidades relacionadas
pode ser
Ternário
...
✓ Cardinalidade máxima.

Prof. Ramon Souza
✓ Cardinalidades mínimas.
Expressa que uma

ocorrência de Mesa pode
não está associada
a nenhum (0) empregado.

Expressa que uma
Ocorrência de Empregado
deve estar associado a

no mínimo uma (1) mesa.
✓ Chaves estrangeiras nos relacionamentos.

(associação entre as tabelas)
Um para Um Uma das entidades possui uma chave

Relacioanmentos
(1:1) estrangeira
Um para
Muitos Lado muitos possui a chave
estrangeira.
(1:N)
Muitos para Nova tabela possui chaves

Muitos estrangeiras para cada uma das
(N:M) entidades da relação.
✓ Atributos e identificadores.
• Associa informações a ocorrências de

Atributo entidades ou de relacionamentos
• Conjunto de um ou mais atributos (e

Identificador possivelmente relacionamentos, como
ou chave visto abaixo) cujos valores servem para
primária distinguir uma ocorrência da entidade
das demais

Prof. Ramon Souza
✓ Entidade fraca.
✓ Tipos de atributos.
Descritivos
Quanto à função Nominativos
Referenciais
Tipos de atributos
Simples
Quanto à estrutura
Compostos
Obrigatório
Quanto à obrigatoriedade
Opcional
Monovalorados
Quanto à quantidade de
valores
Multivalorado
Armazenado
Quanto ao
armazenamento
Derivado

Prof. Ramon Souza
✓ Generalização/Especialização.
Gênero
Espécies
Propriedades
particulares
✓ Entidade associativa.
Entidade associativa
Redefinição de um
relacionamento, que
passa a ser tratado
como se fosse também
uma entidade.

Prof. Ramon Souza
3. AULA 02 – Data Warehouse
✓ Arquitetura de BI.
Business Intelligence
Combina arquitetura, ferramentas, bancos de dados, ferramentas analíticas,
aplicações e metodologias com os objetivos de habilitar o acesso interativo aos
dados, habilitar a manipulação desses dados e prover aos gerentes de negócios e

analistas a habilidade de conduzir análises apropriadas
Business Process
Data Warehouse Business Analytics Management User Interface
(BPM)
Ampliam o Fornecem a
Repositório de dados Variedade de
monitoramento, visualização de
atuais e históricos de ferramentas e
medição e dados para os
potencial interesse técnicas para
comparação de gestores. Ex.:
para gestores de toda trabalhar dados e
indicadores de dashboars, cockpits,
a organização. informações.
desempenho. portais.
✓ Data Warehouse (DW).
Conjunto de dados Repositório de dados atuais e

produzidos para apoiar a Data Warehouse históricos de potencial interesse
tomada de decisão. para gestores de toda a organização.
Orientados a
Integrados Variante no tempo Não voláteis
assunto
✓ Processo de Data Warehousing.

Prof. Ramon Souza
✓ Arquiteturas de DW.

Prof. Ramon Souza
✓ Abordagens de desenvolvimento de DW.
Inmon ou EDW Kimball ou Data Mart
•Abordagem Top-down. •Abordagem Bottom-up.
•EDW alimenta os data marts departamentais •Data marts são integrados por um barramento
(DW->DM). ou middleware (DM->DW).
•Adapta metodologias e ferramentas de •Emprega modelagem dimensional.

banco de dados relacionais.
•Modelo de dados normalizado (3FN). •Modelo de dados não normalizado.
•Orientado a assunto ou a dados. •Orientado a processo.
•Baixa acessibilidade a usuários finais, mas •Alta acessibilidade a usuários finais.

voltado para os profissionais de TI.
•Fornece uma solução técnica baseada em •Entrega uma solução que torna fácil o acesso
métodos e técnicas comprovadas de BD. direto pelos usuários às consultas aos
dados com bons tempos de resposta.
•Consultas realizadas nos data marts. •Consultas realizadas no Data Warehouse.
✓ Modelagem dimensional
Modelagem
dimensional
Técnica de modelagem
Permite uso mais intuitivo
de BD utilizada para a
Auxílio às consultas em para o processamento
representação dos dados
um Data Warehouse. analítico pelas ferramentas
nos BDs
OLAP.
multidimensionais.
Dados são modelados em Hipercubo: matriz com

matrizes multidimensioanais mais de três dimensões.
ou cubos de dados.
Os dados do cubo podem

Desempenho da consulta
ser consultados
no cubo pode ser muito
diretamente a partir de
melhor do que no modelo
qualquer combinação de
de dados relacional.
suas dimensões.
✓ Tabelas fato e tabelas dimensão.

Prof. Ramon Souza
Modelo Dimensional
Tabela Fato Tabela Dimensão
Representam
Tuplas que Formada por Contêm

Abordam entidades
correspondem aos atributos informações
como os de negócio,
fatos observados descritivos de
dados serão geralmente
decorrentes de necessários para classificação
analisados com
processos de realizar a análise e agregação
e relacioname
negócios e links de decisões e sobre as linhas
resumidos. nto
externos. relatórios de da tabela fato.
hierárquico.
consulta.
Característica quantitativa no DW Característica qualitativa no DW
Atributos consistem em medidas de Atributos são, geralmente, textuais e discretos.

desempenho, métricas operacionais,
medidas agregadas e outras métricas.
Geralmente têm muitas colunas ou atributos.
Fatos ou medidas podem ser: Atributos servem como fonte de:
Aditivas Semi-aditivas Restrições de consulta
Ex. Lucro líquido Ex. quantidade

em estoque
Agrupamentos
Não aditivas Textual
Ex. porcentagem Raros e devem Rótulos de relatório

de vendas ser evitados
Chaves e relacionamentos entre as tabelas fato e dimensão
Duas ou mais chaves Conectam a tabela fato Única chave primária para
estrangeiras por tabela fato às tabelas dimensão.
cada dimensão
Geralmente simples
Um subconjunto das chaves
estrangeiras pode identificar
unicamente a tabela fato.
Sempre possui
Chave primária composta Dimensão Tempo
✓ Tipos de tabelas fatos.

Prof. Ramon Souza
Fato transacional
• Mais comuns.
• Linhas representam evento de medição em um ponto no espaço
e no tempo.
Fato agregada
• Sumariza os dados de uma tabela fato.
• Otimiza o tempo de consulta.
• Esforço adicional de manutenação e gasto com
armazenamento.
Fato consolidada
• Agrega duas tabelas fato (dois processos).
• Complexidade extra para o ETL.
Fato Snapshot Periódico

• Baseada no tempo.
• Geralmente criada a partir de uma fato existente.
• Uma linha resume muitos eventos de medição ocorridos em um
período padrão.
Fato Snapshot Acumulado

• Utiliza mais de um momento no tempo.
• Uma linha resume os eventos de medição que ocorrem em
etapas previsíveis entre o início e o final de um processo.
Fato sem fato

• Tabela somente com a intersecção de dimensões.
• Utilizada quando é necessário comparar ou cruzar algo entre duas
dimensões e não existe uma métrica para fazer essas
comparações.
✓ Esquemas multidimensionais.

Prof. Ramon Souza
Esquema estrela Esquema floco de neve
(star schema) (snowflake)

Uma tabela de fatos com uma única Tabela de fatos central (geralmente
tabela para cada dimensão. apenas uma) que estão conectadas a
múltiplas dimensões.
Tabelas dimensão são normalizadas,

Tabelas não são normalizadas.
geralmente, até a 3FN.
Tabelas dimensão ligadas Tabelas dimensão organizadas em

diretamente a tabela fato. hierarquia.
Menor número de tabelas. Maior número de tabelas.
Rápido tempo de resposta e

Modelo mais complexo.
simplicidade.
Facilidade de manutenção para

Facilidade de manutenção para
alteração das estruturas, pois não
estruturas somente leitura.
há redundância.
Consultas mais simples, pois há Consultas mais complexas e difíceis

menor necessidade de junção de de entender, pois há necessidade de
tabelas. realizar muitas junções.
Dimensão Dimensão Dimensão Dimensão
Tabela Fato
Tabela Fato
Dimensão Dimensão Dimensão

Dimensão Dimensão
Normalizada Normalizada Normalizada
Desnormalizada Desnormalizada
Constelação de fatos
Conjunto de tabelas fato Multiestrela: se for
compartilham dimensões semelhante ao esquema Limitam as consultas ao
comuns (dimensões estrela, mas com mais de Data Warehouse.
conformes). uma tabela fato.

Conforme
Tabela Fato Tabela Fato

Conforme
✓ OLTP x OLAP

Prof. Ramon Souza
OLTP OLAP
•Realizar funções comerciais cotidianas •Suportar análise de decisões
•Bancos de dados transacionais •DWs ou DMs
•Inclusão, alteração, exclusão e consulta •Carga e consulta.
•Relatórios de rotina, periódicos e •Relatórios e consultas Ad hoc,

estreitamente focados multidimensionais, amplamente focados
•Execução mais rápida •Execução mais lenta
•Atualização contínua •Atualização em lote
• Recursos dos bancos de dados relacionais. •Recursos de computação distribuída,

multiprocesamento e bancos
especializados.
✓ Variações OLAP.
• Armazenamento de informações no
cubo de dados.
• Requer pré-computação.
• Ganho de desempenho.
MOLAP • Longo período para carga dos
dados.
• Baixa escalabilidade.
• Permite consultas ad-hoc.
• Acessam os dados em um banco

Quanto a de dados relacional e geram
estrutura de ROLAP consultas SQL.
armazenamento • Não requer pré-computação.
• Baixo desempenho, pois requer
cópia adicional de dados.
Variações OLAP
• Alta escalabilidade.
• Combinação de ROLAP com

MOLAP.
HOLAP
• Alto desempenho
• Alta escalabilidade.
• Arquitetura de maior custo.
DOLAP • Disparam uma consulta de uma

estação cliente para o servidor.
Quanto a origem
da consulta
WOLAP • Disparam uma consulta de via

navegador web para o servidor.
✓ Operações OLAP.

Prof. Ramon Souza
Recupera um subconjunto (fatia) do cubo, geralmente

bidimensional.
Slice
Valor simples atribuído a uma (ou mais) dimensões.
Extração de um subcubo.
Dice
Operação slice em mais de duas dimensões de um cubo.
Alterar a orientação dimensional de um relatório ou uma exibição de

página
Pivot ou
rotate
Troca as dimensões da matriz.

Operações OLAP
Sobe na hierarquia
Drill up Reduz o nível de detalhe
Aumenta a granularidade.
Desce na hierarquia
Drill down Aumenta o nível de detalhe
Reduz a granularidade.
Kimball: realizar consultas que envolvem mais de uma tabela fato.
Drill across
Internet: Navegação entre os níveis de dados, saltando níveis.
Han, Kamber e Pei: utiliza as instalações SQL para ir além do nível

inferior de um cubo de dados até as tabelas relacionais back-end
Drill through
Internet: usuário passa de uma informação contida em uma dimensão

para uma outra.
✓ Processo de ETL.

Prof. Ramon Souza

Prof. Ramon Souza
4. AULA 03 – Data Mining
✓ Mineração de dados.
Processo não trivial de

Descoberta de novas
identificar padrões válidos,
informações em termos de
novos, potencialmente úteis e
padrões ou regras.
compreensíveis.
Mineração de
dados
Não é uma nova disciplina,
(Extração de Utiliza técnicas de estatística, mas uma interseção de muitas
conhecimento, análise matemática e inteligência (estatística, inteligência artificial,
de padrões, artificial. aprendizado de máquinas, ciência de gestão,
arqueologia de dados, sistemas de informação e bancos de dados).
busca de padrões ou
dragagem de dados)
Pesquisas.
Finanças, varejo, marketing,
Amplamente utilizada em
manufatura e saúde.
diversos ramos
Vantagem competitiva
estratégica.
✓ Características da mineração de dados.
Bancos de dados
muito grandes
Arquitetura
Requer, por vezes, cliente/servidor ou
processamento uma baseada na
paralelo Web
Características Ferramentas
Fácil combinação
da mineração de sofisticadas para
com outras
dados recuperação de
ferramentas
informações
Resultados
inesperados e Consultas sem
exigência de conhecimento de
pensamento criativo programação
✓ Objetivos da mineração de dados.
Objetivos finais ou aplicações da mineração de dados
Previsão Identificação Classificação Otimização

Prof. Ramon Souza
✓ CRISP-DM.
❖ Entendimento das necessidades ❖ Identificação dos dados relevantes

gerenciais e das especificações de das diferentes fontes de dados.
objetivos e requisitos de negócio.
❖ Começa com a coleta inicial de dados e
❖ Desenvolvimento de um plano de prossegue com atividades para se
projeto para busca de conhecimento familiarizar com os dados, identificar
para a identificação das pessoas
problemas de qualidade de dados,

responsáveis por coletar, analisar e descobrir novos insights sobre os
reportar dados. Um orçamento de alto dados ou detectar subconjuntos
nível pode ser estabelecido. interessantes para formar hipóteses.
❖ Carga dos dados e preparação

para análise por métodos de
mineração de dados.
❖ Abrange as atividades para

construir o conjunto de dados
final a partir dos dados brutos
iniciais.
❖ Consome mais tempo e esforço

(~ 80% do tempo total).
❖ Seleção e aplicação de técnicas

de modelagem para atender às
necessidades específicas do
negócio.
❖ Também compreende a
avaliação e comparação das
análises realizadas com os
diversos modelos construídos.
❖ Conhecimento adquirido com a ❖ Os modelos desenvolvidos são

exploração dos é organizado e testados e avaliados quanto à sua
apresentado de forma que o precisão e generalidade.
usuário possa entendê-lo e tirar
benefício dele. ❖ Esta etapa avalia o grau em que o
modelo selecionado (ou modelos)
❖ Também pode incluir atividades de atende aos objetivos comerciais.
manutenção para os modelos
implantados. ❖ Tarefa crítica e desafiadora.

Prof. Ramon Souza
✓ Técnicas para pré-processamento (Navathe).
Tarefas de pré-processamento (Navathe)

Dados selecionados das diferentes basesPr
Seleção de Limpeza de Enriquecimento Transformação

dados dados Melhoria com base de dados e

Dados selecionados Correção dos dados em fontes adicionais codificação
das diferentes bases Redução da
quantidade de dados
✓ Técnicas de pré-processamento (CRISP-DM).

Prof. Ramon Souza
✓ Técnicas e tarefas de mineração de dados.
Classes são pré-definidas. Classificação
Hierarquia de classes com

Predição base em um conjunto
existente de eventos ou
Descrever a natureza
transações.
de ocorrências futuras
de certos eventos com
base nos
acontecimentos Regressão
passados.
Regra de classificação que é
uma função sobre variáveis.
Tarefas ou técnicas de mineração de dados
Análise de ligações
A ligação entre os diversos

objetos é descoberta
automaticamente.
Associação
Padrões sequenciais
Descobrir
relacionamentos
entre variáveis em Uma sequência de ações ou
grandes bancos de eventos é buscada.
dados.
Padrões de séries temporais
Classes são
As similaridades entre os
previamente
dados podem ser detectadas
desconhecidas.
dentro de posições de uma
série temporal.
Agrupamento
(clusterização)
Análise de outliers
Partição de uma
coleção de eventos ou Identificação dos dados que
itens em segmentos não apresentam o
cujos membros são comportamento padrão.
características
semelhantes.

Prof. Ramon Souza
✓ Classificação.
Processo de aprender
um modelo que Classes pre-
descreve diferentes definidas.
classes de dados.
Classificação
Ferramentas
comuns
Aprendizado
Estatística Emergentes
de máquina
Máquinas
Árvores Análise Conjuntos de Algoritmo
Redes Regressão
de discrimina aproxima vetores s
neurais loigística
decisão tória dos de genéticos
suporte
✓ Associação.
Técnica popular para descobrir

relacionamentos interessantes
entre variáveis.
Regras de associação
Derivações Medidas de Algoritmos

comuns interesse utilizados
PP-
Growth,
Análise de Padrões de Suporte ou Confiança
Apriori OneR,
ligações sequência prevalência ou força
ZeroR e
Eclat.

Prof. Ramon Souza
✓ Agrupamentos (clusterização).
Método de mineração de dados essencial para Classes não são

classificar itens, eventos ou conceitos em previamente
agrupamentos comuns chamados de clusters. definidas
Agrupamentos
(clusterização)
Formas gerais Métodos gerais
Redes Lógica Algoritmos

Divisivo Aglomerativo Estatísticos
neurais difusa genéticos
✓ Mineração de texto (text mining).
Dados semi-
Dados não estruturados
estuturados
Ex.:
Documentos
do Word,
arquivos PDF,
trechos de
texto, arquivos
XML
2ª etapa
Extração de informações e conhecimentos

relevantes a partir desses dados estruturados
baseados em texto usando técnicas e
ferramentas de mineração de dados.

Prof. Ramon Souza
5. AULA 04 - SQL
✓ Linguagem SQL e subdivisões.
SQL
DML DDL DCL DTL
DQL VDL SDL

Definir tabelas Controlar o
Manipulação de Tratar as
e elementos acesso aos
dados transações
associados dados
Específica para
Somente o Específica para
armazenament
SELECT visões
o
SELECT CREATE GRANT COMMIT
INSERT ALTER REVOKE ROLLBACK
UPDATE DROP
DELETE
✓ Sintaxe básica da instrução SQL.
SELECT FROM WHERE
•lista_de_atributos
•condição
•* retorna todos os
atributos. •nome_tabela
•Opcional, mas
geralmente usada.
•DISTINCT elimina
duplicidades.

Prof. Ramon Souza
✓ Condições na cláusula WHERE.
= igual
< menor
<= menor ou igual
Condições
> maior
>= maior ou igual
<> diferente
BETWEEN registros em um intervalo
LIKE procurar padrão
IN possíveis valores
✓ Exemplos de padrões para a operação LIKE.
Expressão Resultado
LIKE ‘A%’ Qualquer string que inicie com A.
LIKE ‘%A’ Qualquer string que termine com A.
LIKE ‘%A%’ Qualquer string que tenha A em qualquer posição.
String de dois caracteres que tenha a primeira letra A e o

LIKE ‘A_’
segundo caractere seja qualquer outro.
String de dois caracteres cujo primeiro caractere seja

LIKE ‘_A’
qualquer um e a última letra seja a letra A.
String de três caracteres cuja segunda letra seja A,

LIKE ‘_A_’
independentemente do primeiro ou do último caractere.
Qualquer string que tenha a letra A na penúltima posição

LIKE ‘%A_’
e a última seja qualquer outro caractere.
Qualquer string que tenha a letra A na segunda posição e

LIKE ‘_A%’
o primeiro caractere seja qualquer outro caractere.
LIKE ‘_ _ _’ Qualquer string com exatamente três caracteres.
LIKE ‘_ _ _%’ Qualquer string com pelo menos três caracteres.
Qualquer string que tenha o caractere ' em qualquer

LIKE ‘%”%’
posição.

Prof. Ramon Souza
✓ Cláusulas para mais de uma condição ou negação de condição.
•Registros em que todas as condições são verdadeiras.
AND
•SELECT coluna1, coluna2, ... FROM nome_da_tabela WHERE condição1
AND condição2 AND condição3 ...;
•Registros em que pelo menos uma das condições é verdadeira.

OR •SELECT coluna1, coluna2, ... FROM nome_da_tabela WHERE condição1 OR

condição2 OR condição3 ...;
•Registros que não satisfazem uma condição.
NOT •SELECT coluna1, coluna2, ... FROM nome_da_tabela WHERE NOT

condição;
✓ Instrução SELECT.
mais de
uma
condição
Lista de
SELECT FROM tabela WHERE condição ou
atributos
negação
de
condição
<
<=
> AND
coluna1, coluna
2, ...
FROM tabela WHERE >= OR

ou
*
SELECT <> NOT
OU
BETWEEN
SELECT
DISTINCT
coluna1, coluna
2, ... LIKE
FROM tabela
ou
IN
*

Prof. Ramon Souza
✓ Cláusula ORDER BY.
Ordem
colunas
crescente
Ordem
ORDER BY colunas ASC
crescente
Ordem
colunas DESC
decrescente
✓ Funções de agregação.
FUNÇÃO RETORNO
MIN Menor valor de uma coluna.
MAX Maior valor de uma coluna.
COUNT Número de linhas que atendem a um critério.
AVG Média dos valores de uma coluna numérica.
SUM Soma dos valores de uma coluna numérica.
✓ Cláusula GROUP BY e HAVING.
condição com
GROUP BY coluna HAVING função
agregadora

Prof. Ramon Souza
✓ Tipos de JOIN.
INNER JOIN
•Retorna somente os registros que possuem valores relacionados em ambas as tabelas,
isto é, as intersecções.
LEFT JOIN
•Retorna todos os registros da tabela da esquerda, e os registros relacionados da tabela

da direita.
•Preenche campos não relacionados na tabela da direita com NULL.
RIGHT JOIN
•Retorna todos os registros da tabela da direita, e os registros relacionados da tabela da
esquerda.
•Preenche campos não relacionados na tabela da esquerda com NULL
FULL OUTER JOIN

•Retorna todos os registros, independente de relação.
•Preenche campos não relacionados em qualquer das tabelas com NULL.
SELF JOIN
•União de uma tabela com ela mesma.


Aula 05 TI ICMS SC Resumo

Enviado por

Direitos autorais:

Formatos disponíveis

Aula 05 TI ICMS SC Resumo

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 05 TI ICMS SC Resumo

Enviado por

Direitos autorais:

Formatos disponíveis

Direitos autorais reservados (Lei 9610/98). Proibida a reprodução, venda ou compartilhamento deste arquivo. Uso individual.

Aula 05 – Resumo (Todos os esquemas de aula)

1. AULA 00 – Bancos de Dados ............................................................ 3

2. AULA 01 – Modelagem ER ............................................................. 12

Prof. Ramon Souza 2 de 36

✓ Banco de dados (BD).

Pode ter qualquer

Coleção logicamente Projetado, construído e

✓ Sistema de Gerenciamento de Banco de Dados (SGBD).

•Permite criar e manter um

✓ Sistema de Banco de Dados (SBD).

Prof. Ramon Souza 3 de 36

Sylberchatz, Korth e Sudarshan

Prof. Ramon Souza 4 de 36

Custos Alto investimento inicial

Esforço adicional para

✓ Propriedades das transações (ACID).

Conceito: Conceito: Conceito: Conceito:

Responsável Responsável Responsável

Prof. Ramon Souza 5 de 36

✓ Modelos de bancos de dados.

comprendido por intermediária. pelos usuários.

Elaborados na Elaborados no Projeto Elaborados no Projeto

Ex.: Modelo Entidade Ex.: Modelo Relacional.

Prof. Ramon Souza 6 de 36

Conjuntos de relações ou tabelas que

Todo o conteúdo de informação do banco

Aspecto manipulador: os operadores

✓ Catálogo ou dicionário de dados.

Prof. Ramon Souza 7 de 36

Tabela (relação) – representa dados e relacionamentos.

Coluna (atributo) - ajuda a Grau (aridade) -

Domínio - tipo de dado que Linha (tupla) - coleção

✓ Operações com relações (álgebra relacional)

Seleção (σ) Retorna as tuplas da relação que satisfazem um predicado.

Prof. Ramon Souza 8 de 36

Visão (view) Se for armazenada é

outras tabelas necessariamente

Oferecem Não devem ser criados

Superchave Chave Chave primária

Conjunto de um ou Superchave com a Chave candidata

Cada uma das

Prof. Ramon Souza 9 de 36

(existem apenas logicamente, mas não fisicamente)

Cada elemento de uma tabela r1 pode ser relacionar

Um para Muitos com mais de um elemento da tabela r2, no entanto

Para cada valor do campo de uma tabela, pode haver N

Em bancos de dados relacionais, esta relação consuma-se

Prof. Ramon Souza 10 de 36

•Todos os atributos são atômicos.

•Cada atributo não-chave é dependente da chave primária (ou candidata)

•Está na 3FN (variação forte da 3FN).

Prof. Ramon Souza 11 de 36

Prof. Ramon Souza 12 de 36

Prof. Ramon Souza 13 de 36

Expressa que uma

não está associada

a nenhum (0) empregado.

deve estar associado a