Questão de Ciência de Dados · FGV CVM 2024 (nº 13)

O KDD (Knowledge Discovery in Databases) é um processo que busca descobrir padrões e conhecimentos úteis em grandes bases de dados. Uma de suas etapas essenciais é a transformação dos dados, onde os dados brutos são convertidos para um formato que os algoritmos de análise possam entender.

A) Incorreta: A seleção dos dados é a fase de escolher os dados relevantes para a análise a partir de uma fonte maior, ou seja, definir quais dados serão usados, não como eles serão representados.
B) Incorreta: A limpeza dos dados trata de corrigir ou remover ruídos, dados ausentes ou inconsistências (como erros de digitação, valores duplicados). Embora a preparação de texto possa incluir limpeza (ex: remover pontuação ou stopwords), a geração de vetores é uma mudança de formato e representação, não primariamente uma correção de erros. Armadilha: É comum confundir o pré-processamento de texto (que inclui limpeza) com a transformação final para vetores, mas a vetorização é uma etapa distinta de mudança de representação.
C) Incorreta: A mineração dos dados é a aplicação de algoritmos para encontrar padrões, modelos e relações nos dados já preparados, ou seja, é o uso dos vetores, não a sua criação.
D) Correta: A transformação dos dados é a fase onde os dados são convertidos para formatos apropriados para a mineração. Gerar vetores a partir de textos (como TF-IDF, Word2Vec, etc.) é um exemplo clássico de transformar dados textuais brutos em uma representação numérica que algoritmos de Machine Learning podem processar.
E) Incorreta: O enriquecimento dos dados significa adicionar novas informações ou atributos aos dados existentes, geralmente de fontes externas, para torná-los mais completos ou úteis, o que é diferente de converter um tipo de dado em outro.