Data mining

DATA MINING Disciplina Banco de Dados 1998 Alunos Fernando Silvera Goulart Júnior - [email_address] Robson do Nascimento Fidalgo - rdnf@di.ufpe.br Orientadores Ana Carolina Salgado - acs@di.ufpe.br Fernando Fonseca - fdfd@di.ufpe.br

Tópicos da Apresentação ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Introdução ,[object Object],[object Object],[object Object],[object Object],[01] Queens University - Belfast

Introdução ,[object Object],[object Object],[object Object],[object Object],[object Object]

Introdução ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Introdução ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

[object Object],[object Object],[object Object],[object Object],O Background para data mining

[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],O Background para data mining

[object Object],[object Object],[object Object],[object Object],O Background para data mining Inadimplente - OK + HIPOTESES

[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],O Background para data mining

[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Funções do data mining L H S Guaraná R H S Pipoca G + P 62% ... ...

[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Funções do data mining

O Processo Data Mining ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

O Processo Data Mining ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],O Processo Data Mining

[object Object],[object Object],[object Object],O Processo Data Mining Seleção Pré-processamento Transformação Data mining Interpretação e avaliação Conhecimento Dados 1 os . dados Dados pré-processados Dados transformados Padrões ,[object Object]

Uma arquitetura data mining Resultados 1º  Data warehouse com dados pertinentes ao negócio; 2º  Servidor OLAP permitindo ao usuário analisar os dados do D.W. de forma mais produtiva ; 4º  Modelos de metadados definidos pelo data mining 3º  Integrar o D.W. e o OLAP com o D.M. (permitir decisões oper.) 1 o . passo 2 o . passo 4 o . passo 3 o . passo

[object Object],Técnicas Técnicas Abordadas Lógica ID3 Aprendizagem Indutiva CBR Estatística Não Simbólica Simbólica Alg.Genéticos Rede Neural

Técnicas ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Regras cobertas  comportamentos estáveis Regras inexatas  margem de precisão “fixada” (%)

Técnicas ,[object Object],[object Object]

Técnicas ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Predicado objetivo: Sair ou Não Sair Sair Umidade Chuvoso Nublado Ensolarado Tempo Ñ Sair Alta Sair Normal Muito vento Ñ Sair Sim Sair Não

Técnicas ,[object Object],Risco de ter crédito Risco de não ter crédito Risco de ter crédito SIM SIM SIM NÃO NÃO NÃO Nesta árvore de decisões, regras são induzidas nos padrões dos dados e cria-se uma hierarquia de indicações “se-então”. Classificação de um indivíduo com risco de ter ou não crédito Predicado objetivo: Crédito ou Não Renda > R$ 4.000,00 Dívida < 10% da renda ? Dívida = 0%

Técnicas ,[object Object],[object Object],[object Object],[object Object],[object Object]

Técnicas ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Técnicas ,[object Object],[object Object],Data mining - Clementine User Guide

[object Object],Técnicas As redes neurais usam seus dados de entrada. Atribui pesos nas conecções entre os atributos (neurônios). E obtém um resultado (risco de ter ou não crédito) no nível de saída. Nível de entrada Nível oculto Nível de saída RENDA REG. DE PAGAMENTO IDADE DÉBITO Risco de ter crédito Risco de não ter crédito

Exemplos ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Exemplos ,[object Object],[object Object],[object Object],[object Object],[object Object]

Exemplos ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Conclusões ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Conclusões Muita informação = Nenhuma informação ? Muita Informação ?

Referências ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Data mining

Recomendados

Recomendados

Mais conteúdo relacionado

Mais procurados

Mais procurados (20)

Semelhante a Data mining

Semelhante a Data mining (20)

Data mining