Disciplina Fundamentos da Mineração de Processos

A mineração de processos é o elo que faltava entre a análise de processos baseada em modelos e as técnicas de análise orientadas a dados. Através de conjuntos de dados concretos e software fácil de utilizar, o curso fornece conhecimentos de ciência de dados que podem ser aplicados diretamente para analisar e melhorar processos em diversos domínios. Esta disciplina explica as principais técnicas de análise em mineração de processos. Os participantes aprenderão vários algoritmos de descoberta de processos. Estes podem ser utilizados para aprender automaticamente modelos de processos a partir de dados brutos de eventos. Serão apresentadas várias outras técnicas de análise e previsão de processos que utilizam dados de eventos. Além disso, será incorporado software fácil de utilizar, conjuntos de dados da vida real e competências práticas para aplicar diretamente a teoria numa variedade de domínios de aplicação.

Não aplicável

Fundamentos da Mineração de Processos Agregando a Ciência de dados à ciência de processos Introdução aos Modelos de Processos Descoberta de processos, verificação de conformidade e melhoria Simulação de Processos Suporte Operacional (Previsões)

Nas aulas, introduzem-se os conceitos teóricos que são complementados com exemplos práticos reais. Os alunos são incentivados a resolver exercícios assim como a apresentar quaisquer dúvidas. Para cada tópico é apresentado um conjunto de exercícios de aplicação dos conceitos teóricos, procedendo-se ao acompanhamento da resolução dos mesmos e apresentando-se a resolução final. Materiais de apoio e exercícios com sugestões de resolução serão disponibilizados no Moodle. Acredita-se que a avaliação contínua, adaptada de acordo com a evolução dos alunos, seja uma boa prática. O acompanhamento individual e a disponibilidade para esclarecer dúvidas, sempre que necessário, é essencial para o aluno e para o seu desempenho.

W. Van Der Aalst (2016). Process Mining: Data Science in Action. 2nd ed. Springer-Verlag Berlin Heidelberg.