Data Mining. Introdução ao. Com breve apêndice sobre cognição humana e novos caminhos de pesquisa. Sergio Navega

Tamanho: px
Começar a partir da página:

Download "Data Mining. Introdução ao. Com breve apêndice sobre cognição humana e novos caminhos de pesquisa. Sergio Navega snavega@intelliwise."

Transcrição

1 Introdução ao Data Mining Com breve apêndice sobre cognição humana e novos caminhos de pesquisa Sergio Navega Mestrado Eng. Produção Unip/Maio 2010 IAIR-Intelliwise AI Research 1

2 Conteúdo Introdução Filosófica Ontologias Dedução versus Indução Data Mining Cognição e Caminhos Futuros IAIR-Intelliwise AI Research 2

3 Qual a Origem do Conhecimento? Posição Empirista Vem dos Sentidos Posição Racionalista Vem do Pensamento Com o estudo da cognição e da neurociência temos hoje informações suficientes para entender melhor o processo cognitivo e assim descobrir mais sobre essa questão IAIR-Intelliwise AI Research 3

4 O Problema de Platão Pessoas parecem aprender mais do que a informação contida naquilo que recebem Platão afirmava que isto se devia ao fato de que as pessoas nasciam equipadas com muito conhecimento, bastando apenas leves sugestões e alguma contemplação para despertálos; esse era um conhecimento inato do perfeito e do absoluto Platão ( AC) As idéias de Platão sobre esse assunto não sobreviveram ao tempo, mas o mistério acerca de nossas habilidades ainda nos faz pensar IAIR-Intelliwise AI Research 4

5 Racionalismo: Conhecimento da Razão Socrates Rene Descartes Baruch Spinoza Gottfried Leibniz Enfatiza a importância da Razão, incluindo a Intuição, minorando a influência das eperiências sensórias (incluindo emoções) como fatores de obtenção de conhecimento. Os sentidos são frequentemente não confiáveis, sujeitos a ilusões. IAIR-Intelliwise AI Research 5

6 Empirismo: Conhecimento dos Sentidos Aristoteles John Locke David Hume John Stuart Mill Enfatiza a importância das eperiências sensórias. Nada em torno de nós pode ser dito como sendo real a não ser que sua eistência possa ser inferida do que captamos com nossos sentidos ou via introspecção sobre nossos estados subjetivos IAIR-Intelliwise AI Research 6

7 A Teoria da Informação Shannon foi um dos primeiros a se preocupar com aprendizado por mecanismos eletromecânicos, um dos primeiros eperimentos práticos da ainda não nascida inteligência artificial Claude Shannon ( ) IAIR-Intelliwise AI Research 7

8 O Conceito de Informação (Shannon) Informação é uma medida da probabilidade de um evento ocorrer = I= log2( pi) I log( pi) Informação em bits, quando se usa base 2 Eventos IMPROVÁVEIS contém MUITA informação. Eventos ESPERADOS contém POUCA informação Nosso grau de surpresa é uma indicação do volume de informação da mensagem recebida. Se algo é surpreendente, então temos muito a aprender com isso! IAIR-Intelliwise AI Research 8

9 Breve Parêntesis: Wolfram Alpha! IAIR-Intelliwise AI Research 9

10 Livros Têm Conhecimento? Notes on Quantum Mechanics By Enrico Fermi Mir Publishers, 1968 Podemos dizer que este livro tem Conhecimento? Não! Porquê? IAIR-Intelliwise AI Research 10

11 IAIR-Intelliwise AI Research 11

12 Importância dos Níveis de Análise Ecosistemas Simbiose, predação, populações, etc Emergência Organismos Biologia, morfogênese, anatomia, etc Células Mitose, meiose, genética, etc Organelas Enzimas, membranas, transporte, etc Sólidos, Fluidos Gases, pressão, temperatura, fluo Moléculas Química, ligações, catálise, etc Átomos Elétrons, neutrons, prótons Reducionismo Partículas Quarks, glúons, múons, etc IAIR-Intelliwise AI Research 12

13 Múltiplos Níveis de Análise Sistemas Sociais e Econômicos Estrutura social de seres humanos, estrutura das corporações (empresas), características dos mercados, economia global, Internet, etc. Sistemas Fisiológicos Sistema nervoso central, controle neuromuscular, cérebro, córte, cerebelo, hipocampo, fígado, estômago, etc. Sistemas Celulares Interações gene/citoplasma, diferenciação celular, organismos multicelulares, comunicação entre células, etc. Sistemas Biomoleculares DNA/RNA, proteínas, epressão, transcrição, regulação genética, mutações, recombinações genéticas, sistema imunológico, etc. Sistemas Fisico-Químicos Hidrodinâmica, dinâmica química, física não-linear, auto-organização molecular, padrões fractais e temporais compleos, etc. IAIR-Intelliwise AI Research 13

14 Introduzindo as Ontologias Ontologia (Filosofia) Estudo das coisas que eistem, parte da filosofia que investiga a natureza e organização da realidade Ontologia para Engenharia do Conhecimento Uma especificação eplícita de uma conceitualização (Gruber) Teoria sobre quais entidades eistem na mente de um agente com conhecimento (Wielinga & Schreiber) Descrição de uma taonomia de conceitos para uma tarefa ou domínio específico que define a interpretação semântica do conhecimento (Alberts) Porção de uma base de conhecimentos que não muda durante a atividade de resolução de problemas (Fikes) IAIR-Intelliwise AI Research 14

15 Mais Definições de Ontologias Uma base de conhecimentos descrevendo os fatos assumidos como verdadeiros por uma comunidade de usuários (Guarino) Um conjunto de acordos sobre um conjunto de conceitos (Mark) Taonomia de Conceitos Reutilizável Especificação parcial de um vocabulário conceitual para ser usado na formulação de teorias no nível do conhecimento (knowledge level) acerca de um domínio do discurso. O principal requisito de uma ontologia é suportar o reuso e o compartilhamento de conhecimento (Enrico Motta) IAIR-Intelliwise AI Research 15

16 Por Que Precisamos de Ontologias? Não é possível representar o universo com níveis eatos de detalhes, é preciso aproimar, categorizar Deve-se restringir a representação a partes específicas do universo (chamadas de domínios) com detalhes suficientes para permitir a resolução de problemas práticos Escolha de um conjunto de conceitos envolve um compromisso ontológico Core Ontologies Domain Ontologies Top Level Empresa decide criar uma categoria (classe) abstrata que tem importância para a organização Perda de Deterioração Custo financeiro da perda de matéria prima por apodrecimento IAIR-Intelliwise AI Research 16

17 Eemplo: Ontolingua ;;; -*- Mode:Lisp; Synta: Common-Lisp; Package:ONTOLINGUA-USER; Base:10 -*- ;;; Copyright (c) 1993 Greg Olsen and Thomas Gruber (define-theory physical-quantities (abstract-algebra) (in-theory 'physical-quantities) (define-class PHYSICAL-QUANTITY (?) ;; every physical quantity has a dimension :def (defined (quantity.dimension?)) ;; physical quantities are either quantities or quantity functions :aiom-def (and (ehaustive-subclass-partition PHYSICAL-QUANTITY (setof CONSTANT-QUANTITY FUNCTION-QUANTITY))) (define-function QUANTITY.DIMENSION (?q) :->?dim :def (and (physical-quantity?q) ; domain constraint (physical-dimension?dim)) ; range constraint :issues ((:eample (= (quantity.dimension (height fred)) length-dimension)))) (define-relation COMPATIBLE-QUANTITIES (??y) :iff-def (and (physical-quantity?) (physical-quantity?y) (= (quantity.dimension?) (quantity.dimension?y))) :issues (:eample (compatible-quantities (* 6 feet) (* 20 meters)))) IAIR-Intelliwise AI Research 17

18 Eemplo: LOOM (loom:defcontet physical-quantities :theory (frame-ontology abstract-algebra)) (loom:defrelation quantity.dimension :contet physical-quantities :only-if-no-preeisting-definition-p t) ;;; Concept PHYSICAL-QUANTITY (loom:defconcept physical-quantity :contet physical-quantities :is-primitive (:eactly 1 quantity.dimension) :ehaustive-partitions $physical-quantity-partition-1$ :annotations ((documentation "A physical-quantity is a measure..."))) (loom:defconcept physical-dimension :contet physical-quantities :only-if-no-preeisting-definition-p t) ;;; Relation QUANTITY.DIMENSION (loom:defrelation quantity.dimension :contet physical-quantities :is-primitive loom:binary-tuple :domain hysical-quantity :range physical-dimension :attributes (:single-valued) :arity 2 IAIR-Intelliwise AI Research 18

19 Um Eemplo de Ontologia: Mikrokosmos IAIR-Intelliwise AI Research 19

20 Mais Um Nível da Mikrokosmos IAIR-Intelliwise AI Research 20

21 Um Editor Open Source IAIR-Intelliwise AI Research 21

22 Dois Lados da Questão Dedução Indução Garante a verdade Garante a consistência Conclusões são certeiras Conclusões são prováveis Aumento do número de proposições Racionalismo Redução no número de proposições Empirismo IAIR-Intelliwise AI Research 22

23 Dedução Prova a Conclusão Pelas Premissas Todas as Baleias são Mamíferos Todos os Mamíferos têm Pulmões Portanto, Todas as Baleias têm Pulmões Mamíferos bípedes, onívoros Todos os Homens São Mapeludos Todos os Ursos São Mapeludos Portanto, Todos os Homens São Ursos IAIR-Intelliwise AI Research 23

24 Indução é Parecida (mas nem tanto) Indução Quase Aceitável Todos cães que vi são amigáveis Aqui temos um cão Portanto, este cão é amigável Algumas instâncias são usadas para justificar uma regra genérica IAIR-Intelliwise AI Research 24

25 Uma Indução Não Muito Boa Indução Fraca Esta pessoa conhece o Sergio Esta outra pessoa conhece o Sergio Portanto, todas as pessoas deste prédio conhecem o Sergio O risco de fazer induções fracas é alto, essa é uma grande fonte de discordâncias em argumentações IAIR-Intelliwise AI Research 25

26 Uma Indução Muito Boa Indução Forte Saturno tem órbita elíptica Terra tem órbita elíptica,... Portanto, todos os planetas têm órbita elíptica A discussão filosófica sobre a validade da indução é tópico aberto mesmo na Filosofia atual. Provavelmente a resposta está no meio do caminho IAIR-Intelliwise AI Research 26

27 Conceituando o Data Mining Bancos de dados corporativos são volumosos e potencialmente cheios de informações valiosas. Técnicas tradicionais de B.D. são inadequadas para gerar novos padrões (são dedutivas). A etração de informações preditivas escondidas em grandes bancos de dados Etração de padrões interessantes de grandes volumes de dados brutos Data Mining é o processo não trivial de identificação de padrões em dados que sejam válidos, novos, potencialmente úteis e ultimamente compreensíveis Usama Fayyad (1995) Nós estamos nos afogando em dados, mas morrendo de fome de conhecimento Dr. Jiawei Han, University of Illinois IAIR-Intelliwise AI Research 27

28 Uma Visão do Processo Inteiro Limpeza * Dinâmicas * Incompletas * Reduntantes * Incoerentes * Ruidosas * Esparsas DECISÕES Visualização Data Mining Data Warehouses Bases de Dados Fontes Diversas IAIR-Intelliwise AI Research 28

29 Interface Data Mining - Estatística Data Mining Estatística Assim como em estatística, em DM você tem o privilégio de nunca precisar dizer que está totalmente certo sobre uma conclusão! Objetivo comum de sumarizar quantidades de dados Identificar estruturas e relações interessantes em conjuntos de dados (data sets) Construir (ou auiliar) no desenvolvimento de preditores baseados nos dados coletados IAIR-Intelliwise AI Research 29

30 DM Está no Meio de Uma Teia de Disciplinas Ciência da Computação Linguagens de Programação Algoritmos Information Retrieval Sistemas Operacionais Bancos de Dados Machine Learning Psicologia Data Mining Lógica Estatística Inteligência Artificial Matemática Teoria Probabilidade Knowledge Representation Linguística Filosofia Neurociência IAIR-Intelliwise AI Research 30

31 Manipulação de B.D. é Dedução Dedução: Inferências comprovadamente corretas Funcionários Departamentos Departamentos Gerentes Operador Join Funcionários Gerentes Dedução é naturalmente suportada pelos B.D. IAIR-Intelliwise AI Research 31

32 Data Mining é Indução Usando a mesma B.D., uma indução produz: Funcionários Departamentos Departamentos Gerentes Indução de Regras Cada Funcionário Tem Um Gerente ILP Inductive Logic Programming, y Funcionário( ) Gerente( y, ) IAIR-Intelliwise AI Research 32

33 Novas Técnicas São Necessárias Indução não é gerada por manipulação dedutiva de bases de dados Data Mining é a resposta Perda de informação, compactação Para fazer indução é necessário desprezar algumas características; Data Mining precisa perder alguns dados Este é um medo que precisamos perder! IAIR-Intelliwise AI Research 33

34 A Questão dos Níveis Em Bancos de Dados, as informações estão estruturadas em níveis primitivos Filial Conhecimento é epresso em níveis mais elevados Divisão Operacional Gerência Informática Funcionário Pessoa José da Silva Mineração deve se preocupar com o nível de análise IAIR-Intelliwise AI Research 34

35 A Questão dos Níveis Filial Divisão Operacional Gerência Informática Funcionário Pessoa José da Silva Nível Alto Demais Regras são óbvias, revelam o senso comum Nível Baio Demais Regras descobertas são muito fracas e suscetíveis a ruído Mineração em múltiplos níveis, provê diversas visões em múltiplos estágios de abstração Interação providencia (em tempo real) foco em áreas mais interessantes, aprofundando o processo de mineração de forma seletiva e controlada IAIR-Intelliwise AI Research 35

36 Três Principais Focos do DM Identificar Classes Achar Padrões em Sequências Descobrir Regras Associativas Regras (Rules) Restrições (Constraints) Padrões (Patterns) IAIR-Intelliwise AI Research 36

37 Três Técnicas Importantes Árvores de Decisão Descoberta de Regras Regras Associativas ID3 (Quinlan 1986) C4.5 (Quinlan 1992) Piatetsky-Shapiro 1991 Agrawal 1993 Eiste atualmente um grande número de técnicas, várias delas sendo publicadas no momento em que falamos IAIR-Intelliwise AI Research 37

38 Indução de Árvores de Decisão Método ID3 já é obsoleto, mas é importante em termos teóricos Caso Risco Histórico Débito Garantia Salário 1 alto ruim alto nenhuma 15k 2 alto desc. alto nenhuma 35k 3 moder. desc. baio nenhuma 35k 4 alto desc. baio nenhuma 15k 5 baio desc. baio nenhuma >35k 6 baio desc. baio adeq. >35k 7 alto ruim baio nenhuma 15k 8 moder. ruim baio adeq. >35k 9 baio bom baio nenhuma >35k 10 baio bom alto adeq. >35k 11 alto bom alto nenhuma 15k 12 moder. bom alto nenhuma 35k IAIR-Intelliwise AI Research 38

39 A Árvore Obtida Pelo ID3 débito? desc. alto baio alto risco histórico? nenh. ruim alto risco garantia? adequ. alto risco bom débito? alto baio baio risco garantia? nenh. garantia? adequ. 15k salário? 35k >35k baio risco alto risco risco moder. baio risco IAIR-Intelliwise AI Research 39

40 Técnicas Mais Comuns Regras Caracterizadoras Regras Discriminantes Regras Associativas Regras Classificadoras Métodos Para Clustering Regras de Evolução Temporal Além dessas técnicas eistem várias outras que não veremos aqui (algoritmos genéticos, métodos bayesianos, support vector machine, análise de discriminantes, regressão linear, etc.) IAIR-Intelliwise AI Research 40

41 O Que é Uma Regra? Epressões que relacionam condições iniciais a conclusões. Em argumentação, as condições iniciais são chamadas de premissas e as conclusões são chamadas de alegação. Em nosso caso, vamos usar esta nomenclatura: Antecedente 1 Antecedente 2 Antecedente 3... Antecedente n Consequente Se (emprestimo > 5000) e (salário < 1500) então {recusar crédito} IAIR-Intelliwise AI Research 41

42 A Indução Orientada a Atributos Compressão de dados onde valores de atributos são trocados por conceitos generalizados, de hierarquias superiores Hierarquias são normalmente fornecidas por um especialista no domínio ou gerados através de sugestões de outros métodos (ID3, C4.5) Pode-se remover atributos que têm grande número de valores distintos e que não possuam hierarquia superior (E: chaves de acesso a B.D.) Pode-se generalizar atributos que tenham como ser categorizados sob um mesmo nome IAIR-Intelliwise AI Research 42

43 Eemplos de IOA Um banco de dados gigantesco esconde relações valiosas Estado Cidade População Orç.Saúde Estado População Gastos Norte, Nordeste, Sudeste, Sul, etc. Pequena, Média, Grande 0-5%, 5-15%, 15-20% arrecadação Generalização de atributos reduz (comprime) o tamanho do banco de dados IAIR-Intelliwise AI Research 43

44 Eemplos de IOA Hobby de Uma Pessoa Tênis, futebol, piano, nintendo, ópera, playstation Esportes, Música, videogame Redução de atributos promove uma generalização que pode favorecer o aparecimento de certos padrões IAIR-Intelliwise AI Research 44

45 As Regras Caracterizadoras Regras que caracterizam um conceito satisfeito por todos (ou pela maioria) dos eemplos. Também conhecidas como Regras de Sumarização. Aqui usa-se a IOA de forma a sugerir quais são os atributos que caracterizam uma determinada coleção de dados. Eemplos: Sintomas de uma doença específica podem ser sumarizados por uma regra caracterizadora Características típicas dos estudantes de MBA que decidiram pelo curso logo após terminarem graduação IAIR-Intelliwise AI Research 45

46 Regras Caracterizadoras: Análise de Crédito tempo t1 tempo t2 tempo t3 Cliente: Anos cliente: 6 Empréstimo:$2800 Salário:$4800 Possui casa:sim Contas em atraso:2 Num. Pagtos. Atraso:3 Cliente rentável:? Cliente: Anos cliente: 6 Empréstimo:$4200 Salário:? Possui casa:sim Contas em atraso:2 Num. Pagtos. Atraso:4 Cliente rentável:? Cliente: Anos cliente: 7 Empréstimo:$6720 Salário:? Possui casa:sim Contas em atraso:3 Num. Pagtos. Atraso:6 Cliente rentável:não Cliente rentável:? Cliente rentável:? Cliente rentável:não Se [contas em atraso] > 2 e [num.pagtos.atraso] > 1 Então Se [cliente rentável] = Não Então {Recusar Crédito} Se [contas em atraso] = 0 e ([salário] > 3000 ou ([anos cliente] > 3) Então {Aceitar Solicitação de Crédito} IAIR-Intelliwise AI Research 46

47 Regras Discriminatórias Regras que discriminam um conceito da classe que está sendo aprendida (classe alvo) em relação a outras classes (classes contrastantes) Eemplos: Para distinguir uma doença de outras a regra discriminante iria sumarizar os sintomas que identificam (separam) esta doença das outras IAIR-Intelliwise AI Research 47

48 Regras Discriminatórias Principal preocupação da regra: Remover as classes alvo que tenham sobreposição com alguma das classes contrastantes Generalizar classes alvo e contrastante sincronizadamente, para ecluir as propriedades que se sobrepõe de um mesmo nível conceitual IAIR-Intelliwise AI Research 48

49 Regras Associativas Dado um B.D. qualquer, descobrir quais as associações entre itens de forma que a presença de um item em um registro implica na presença de outro(s) item(s) no mesmo registro Eemplo: Para a maioria das pessoas que adquiriram pão e leite conjuntamente, também foi adquirido manteiga {pão, leite} manteiga IAIR-Intelliwise AI Research 49

50 Características das Regras Associativas Em geral, despreza quantidades, só interessando a presença ou ausência de determinada associação. Por isso, é um processo booleano por natureza (Sim/Não) Jiawei Han propôs algoritmos que desenvolvem associações sobre faias de quantidades IAIR-Intelliwise AI Research 50

51 Regras Associativas Multi-Níveis Dr. Han também propôs descobrir regras em níveis conceituais específicos, como as MLAR (Multiple- Level Association Rules) leite leite desnatado leite desnatado Parmalat pão pão integral pão integral Pullman IAIR-Intelliwise AI Research 51

52 Market Basket Analysis Esta é uma das mais interessantes aplicações das Regras Associativas, de fundamental importância para marketing A) Achar todas as regras que tenham diet coke como consequentes. Irá auiliar no planejamento de lojas para vender melhor esse produto B) Achar todas as regras com iogurte como antecedente. Irá auiliar a determinar o impacto nas vendas, caso esse produto seja retirado das prateleiras C) Achar todas as regras com salsicha no antecedente e mostarda no consequente. Auilia na obtenção de melhores regras para determinar que produtos devem ser vendidos em conjunto com salsichas para aumentar as vendas de mostarda IAIR-Intelliwise AI Research 52

53 Regras Classificadoras Tentam classificar o conjunto de dados disponível baseado no valor de um determinado atributo. Preocupa-se em obter regras que particionem os dados em grupos disjuntos. Eemplo: Classificar carros de acordo com consumo de combustível, dividir clientes em classes pouco rentável, rentável e muito rentável, efetuar marketing direcionado, etc. IAIR-Intelliwise AI Research 53

54 Um Eemplo de Uso da Classificação Classificar lojas de acordo com a localização pode ajudar na escolha do local de uma nova loja Lojas bem sucedidas Lojas medianamente sucedidas Lojas mal sucedidas Classificação pode ser feita através de ID3, C4.5 ou do CART (Breitman et al. 1984) IAIR-Intelliwise AI Research 54

55 Métodos Supervisionados Até agora vimos métodos no qual um operador humano deveria apontar que características ou conceitos deveriam ser eaminados. Esses métodos são ditos como supervisionados, pois usam um professor para lhes dizer que fazer com os dados analisados Dados Sistema IAIR-Intelliwise AI Research 55

56 Métodos Não-Supervisionados Métodos no qual nós não fazemos idéia do tipo de padrões que podem ser encontrados nos dados. O sistema deve procurar por aquilo que for possível achar Dados Sistema O professor não sabe o que procurar IAIR-Intelliwise AI Research 56

57 Clustering: Detectando Aglomerações Clusters são áreas densamente povoadas de dados Clustering é um processo não-supervisionado no qual se tenta detectar aglomerações nos dados Em geral, usa algum processo do tipo dividir/conquistar É necessário fornecer alguma medida de distância entre os dados (por eemplo, distância euclideana) A. K. Jain, R. C. Dubes: Algorithms for Clustering Data, Prentice Hall 1988 IAIR-Intelliwise AI Research 57

58 Clustering com o K-Means Clustering com o K-Means IAIR-Intelliwise AI Research 58 Pontos estão dispostos em uma área. Neste caso, área bidimensional, mas em geral é multidimensional

59 Clustering com o K-Means - Fase 1 Clustering com o K-Means - Fase 1 fase 1 2 IAIR-Intelliwise AI Research 59 Escolhe-se dois pontos ao acaso. Esses pontos serão os centros de duas classes 1

60 Clustering com o K-Means - Fase 2 Clustering com o K-Means - Fase 2 fase 2 2 IAIR-Intelliwise AI Research 60 De cada ponto faz-se uma investigação de todos outros através da distância 1

61 Clustering com o K-Means - Fase 3 Clustering com o K-Means - Fase 3 fase IAIR-Intelliwise AI Research 61 Recalcula-se os novos centros tomando por base a área delimitada pelo passo anterior

62 Clustering com o K-Means - Fase 4 Clustering com o K-Means - Fase 4 fase IAIR-Intelliwise AI Research 62 Volta ao passo 2, divide novamente os dados de acordo com os novos centros

63 Regras de Evolução Temporal Procuram acompanhar a evolução no tempo de um conjunto de dados, tentando obter padrões Eemplo: Comprou um PC com gravador DVD hoje, poderá comprar um Blu-ray em nove meses Comprou impressora hoje, precisará de novos suprimentos em dois meses Quem comprou DVD-Player hoje tem 3 vezes mais probabilidade de adquirir uma filmadora 7 meses após a compra Na Evolução Temporal interessa-nos dados que sofrem variações constantemente. Anti-eemplo: departamento de um funcionário IAIR-Intelliwise AI Research 63

64 Usa as Outras Técnicas Como Base As Regras de Evolução Temporal são construídas através das técnicas anteriores (caracterização, classificação, associação, clustering) Achar as principais características das empresas cujas ações em bolsas de valores tiveram crescimento de 20% Achar as empresas que tenham ações subindo em conjunto (regras associativas) IAIR-Intelliwise AI Research 64

65 Um Eemplo: Videolocadora CODFITA TITULO GENERO CODPRECO LOCMES LOCTOTAL DIASLANC SITUACAO LIGACOES PERIGOSAS ALT MANSAO DA MEIA NOITE IMPERIO DO SOL DOCTOR DETROIT A PRINCESA E O ROBO EXCALIBUR O SENHOR DAS AGUIAS UM PRINCIPE EM NOVA YORK AS NOVAS AVENTURAS TURMA DA MONICA NA HORA DA ZONA MORTA TACADA MORTAL FIREFOX-RAPOSA DE FOGO OSSO DURO DE ROER LATINOS APRENDIZ DE ASSASSINOS O MERCADOR DE GUERRA O TELEFONE VERMELHO DOVE LIBERDADE O TREM DOS DESESPERADOS HONDCATS FUGA A MEIA NOITE OS DOZE CONDENADOS ATIRANDO PARA MATAR COCKTAIL RED SCORPION CONQUISTA SANGRENTA IAIR-Intelliwise AI Research 65

66 Outras Bases de Dados da Videolocadora Gêneros CODGENERO GENERO 01 COMEDIA 02 FICCAO 03 GUERRA 04 WESTER 05 EROT/PORNO 06 ACAO 07 AVENTURA 08 DRAMA 09 INFANTIL 10 TERROR 11 SUSPENSE 12 POLICIAL 13 ROMANCE 14 COMEDIA/ROMANCE 15 DOCUMENTARIO 16 BIBLICO Locações CLI_FITA Feriados DATA 01/01/00 07/03/00 21/04/00 01/05/00 22/06/00 07/09/00 12/10/00 08/10/00 02/11/00 15/11/00 25/12/00 08/12/00 06/03/00 29/04/00 30/04/00 01/01/01 27/02/01 13/04/01 21/04/01 01/05/01 14/06/01 07/09/01 08/10/01 15/11/01 IAIR-Intelliwise AI Research 66

67 Manipulando as Bases de Dados Locações CLI_FITA CODFITA TITULO GENERO CODPRECO LOCMES LOCTOTAL DIASLANC SITUACAO LIGACOES PERIGOSAS ALT MANSAO DA MEIA NOITE IMPERIO DO SOL DOCTOR DETROIT A PRINCESA E O ROBO EXCALIBUR O SENHOR DAS AGUIAS UM PRINCIPE EM NOVA YORK AS NOVAS AVENTURAS TURMA DA MONICA NA HORA DA ZONA MORTA TACADA MORTAL FIREFOX-RAPOSA DE FOGO OSSO DURO DE ROER LATINOS APRENDIZ DE ASSASSINOS O MERCADOR DE GUERRA O TELEFONE VERMELHO DOVE LIBERDADE O TREM DOS DESESPERADOS HONDCATS FUGA A MEIA NOITE OS DOZE CONDENADOS ATIRANDO PARA MATAR COCKTAIL RED SCORPION CONQUISTA SANGRENTA CODGENERO GENERO 01 COMEDIA 02 FICCAO 03 GUERRA 04 WESTER 05 EROT/PORNO 06 ACAO 07 AVENTURA 08 DRAMA 09 INFANTIL 10 TERROR 11 SUSPENSE 12 POLICIAL 13 ROMANCE 14 COMEDIA/ROMANCE 15 DOCUMENTARIO 16 BIBLICO Gêneros Filmes Locações Por Gênero Isto ainda é manipulação de B. D. tradicional, ou seja, é DEDUÇÃO IAIR-Intelliwise AI Research 67

68 Locações CLI_FITA CODFITA TITULO GENERO CODPRECO LOCMES LOCTOTAL DIASLANC SITUACAO LIGACOES PERIGOSAS ALT MANSAO DA MEIA NOITE IMPERIO DO SOL DOCTOR DETROIT A PRINCESA E O ROBO EXCALIBUR O SENHOR DAS AGUIAS UM PRINCIPE EM NOVA YORK AS NOVAS AVENTURAS TURMA MONICA DA NA HORA DA ZONA MORTA TACADA MORTAL FIREFOX-RAPOSA DE FOGO OSSO DURO DE ROER LATINOS APRENDIZ DE ASSASSINOS O MERCADOR DE GUERRA O TELEFONE VERMELHO DOVE LIBERDADE O TREM DOS DESESPERADOS HONDCATS FUGA A MEIA NOITE OS DOZE CONDENADOS ATIRANDO PARA MATAR COCKTAIL RED SCORPION CONQUISTA SANGRENTA Minerando Através da Indução Gêneros CODGENERO GENERO 01 COMEDIA 02 FICCAO 03 GUERRA 04 WESTER 05 EROT/PORNO 06 ACAO 07 AVENTURA 08 DRAMA 09 INFANTIL 10 TERROR 11 SUSPENSE 12 POLICIAL 13 ROMANCE 14 COMEDIA/ROMANCE 15 DOCUMENTARIO 16 BIBLICO Locações Por Gênero Classifica e joga fora restante Gêneros Preferidos Gênero Preferido por cada cliente Gêneros Mais Rentáveis Ao jogar fora o restante está-se fazendo uma indução, ou seja, desenvolvendo uma regra que vale para a maioria Marketing Direcionado IAIR-Intelliwise AI Research 68

69 Minerando Através do Uso de Conceitos CODGENERO GENERO 01 COMEDIA 02 FICCAO 03 GUERRA 04 WESTER 05 EROT/PORNO 06 ACAO 07 AVENTURA 08 DRAMA 09 INFANTIL 10 TERROR 11 SUSPENSE 12 POLICIAL 13 ROMANCE 14 COMEDIA/ROMANCE 15 DOCUMENTARIO 16 BIBLICO Generalização Indutiva FL - Filmes Leves FF - Filmes Fortes FS - Filmes Suspense FA - Filmes Ação FO - Filmes (Outros) IAIR-Intelliwise AI Research 69

70 Outro Conceito, Outras Descobertas CODGENERO GENERO 01 COMEDIA 02 FICCAO 03 GUERRA 04 WESTER 05 EROT/PORNO 06 ACAO 07 AVENTURA 08 DRAMA 09 INFANTIL 10 TERROR 11 SUSPENSE 12 POLICIAL 13 ROMANCE 14 COMEDIA/ROMANCE 15 DOCUMENTARIO 16 BIBLICO Generalização Indutiva FI - Filmes Infantis FT - Filmes Teens FA - Filmes Adultos IAIR-Intelliwise AI Research 70

71 Eplorando a Evolução Temporal Como é o comportamento de cada cliente? Detectar sequências típicas de consumo Ação - Romance - Ficção - Infantil Romance - Erótico - Bíblico - Documentário Ação - Western - Guerra - Ficção - Terror O fato é que muitas vezes não dá para deduzir que tipo de sequências são lógicas. É por isso que o apoio tem que ser sobre nossos dados, pois eles é que são a única referência empírica da realidade de que dispomos IAIR-Intelliwise AI Research 71

72 Uma Colcha de Retalhos Estado atual do DM: inúmeras técnicas, cuja aplicação requer concentração sobre algoritmos específicos. Mas um analista humano tem tudo integrado em seu cérebro. Então qual é melhor tipo de futuro que podemos imaginar para o DM? IAIR-Intelliwise AI Research 72

73 Agentes Inteligentes e Seus Ambientes O Ambiente O Agente O Conjunto Ambiente/Agente IAIR-Intelliwise AI Research 73

74 Apresentando a Visão Tradicional Visão já obsoleta Organismos inteligentes requerem transdutores (órgãos dos sentidos) e sistemas motores para interagir com o meio ambiente. Entre esse nível e o processamento simbólico há um nível perceptual IAIR-Intelliwise AI Research 74

75 O Sensório, o Perceptual e o Conhecimento PERCEPÇÃO Controle de Atenção SERIAL Desenvolvido Por Eperiência Mecanismos Inatos PARALELO IAIR-Intelliwise AI Research 75

76 Empirismo: Conhecimento Dos Sentidos Conhecimento nasce através da percepção das regularidades estatísticas dos sinais sensórios, da formação de categorias e da indução de regras IAIR-Intelliwise AI Research 76

77 Racionalismo: Conhecimento Do Pensar Conhecimento nasce através da refleão. Faz-se o pensamento circular por áreas perceptuais já formadas (simulação do mundo), o que leva a novas percepções IAIR-Intelliwise AI Research 77

78 Conhecimento Modula Percepção e Vice-Versa A atenção modula a percepção. Ao desviar a atenção para uma característica em particular, perdemos a capacidade de perceber alguns outros detalhes IAIR-Intelliwise AI Research 78

79 Das Similaridades Originam-se Categorias Perceptuais Maçãs Tangerinas O tipo de característica que define uma categoria pode variar, até mesmo em tempo real Frutas Conceituais IAIR-Intelliwise AI Research 79

80 A Hierarquia da Mente Lógico-Associativo Epressões linguísticas eplícitas Simbólico Palavras, ícones, signos Sub-Simbólico Não tem epressão pública O gato está dormindo no tapete Gato Justiça Árvore [mesa] [gosto chocolate] Educação Formal Vivências IAIR-Intelliwise AI Research 80

81 Decidi Fazer Um Eperimento Esse é o sofisticado instrumental que utilizei IAIR-Intelliwise AI Research 81

82 Cento e Dez Arremessos de Moeda A O O A O A O A A A O O O A O A A A O A A O O O O O A A A O A A A O O A A A O O A O O A A O O A A A A A A O A A A A O A O A A O A A A O O A A A A A O A A A A O O O A O O O A O A O O O A A O O A O A O A O A O A O O O O O Organizei em matriz de 10 por 11 elementos, CARA ficou um quadrado em branco, COROA quadrado preto. IAIR-Intelliwise AI Research 82

83 Simples Filtro Gaussiano Gaussian Blur, 20 piels IAIR-Intelliwise AI Research 83

84 Apresentando os Monstros da Moeda Adição de um pouco de ruído para dar tetura Original IAIR-Intelliwise AI Research 84

85 Como Separar Palavras da Fala? Como os bebês conseguem aprender a segmentar palavras se a fala humana raramente respeita fronteiras? IAIR-Intelliwise AI Research 85

86 Um Eperimento Instigante A Dra. Jenny Saffran (University of Wisconsin-Madison) é uma das maiores autoridades no aprendizado estatístico de bebês Bebês de 8 meses de idade foram epostos a estímulos sonoros durante 2 minutos Sílabas utilizadas pa bi go tu pi la da do ti ku bu ro bidakupadotigolabubidakutupiropadotitupiro... IAIR-Intelliwise AI Research 86

87 Os Estatísticos de 8 Meses de Idade Diferentes probabilidades transicionais go ro bi pa Palavras formadas com a sequência de sílabas tupiro golabu bidaku padoti bidakupadotigolabubidakutupibupadotitupiro... Bebês localizam ponto de quebra IAIR-Intelliwise AI Research 87

88 Percepção Estatística é Multimodal IAIR-Intelliwise AI Research 88

89 Segmentou as palavras corretamente IAIR-Intelliwise AI Research 89

90 Um Quase-Eemplo: SISCOLO IAIR-Intelliwise AI Research 90

91 Limpeza e Preparação de Dados IAIR-Intelliwise AI Research 91

92 Base Convertida IAIR-Intelliwise AI Research 92

93 Um Teste: O Simple Miner Avaliação Analítica Citologia Colpocitologia Oncótica data estado civil cor IAIR-Intelliwise AI Research 93

INFOIMAGEM 2002. Princípios. Essenciais do. Data Mining. Sergio Navega. Intelliwise Research and Training http://www.intelliwise.

INFOIMAGEM 2002. Princípios. Essenciais do. Data Mining. Sergio Navega. Intelliwise Research and Training http://www.intelliwise. INFOIMAGEM 2002 Princípios Essenciais do Data Mining Sergio Navega Intelliwise Research and Training http://www.intelliwise.com/snavega Conteúdo A Pirâmide do Conhecimento O Processo de Data Mining DM

Leia mais

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é? KDD Conceitos o que é? Fases limpeza etc Datamining OBJETIVOS PRIMÁRIOS TAREFAS PRIMÁRIAS Classificação Regressão Clusterização OBJETIVOS PRIMÁRIOS NA PRÁTICA SÃO DESCRIÇÃO E PREDIÇÃO Descrição Wizrule

Leia mais

4. Que tipos de padrões podem ser minerados. 5. Critérios de classificação de sistemas de Data Mining. 6. Tópicos importantes de estudo em Data Mining

4. Que tipos de padrões podem ser minerados. 5. Critérios de classificação de sistemas de Data Mining. 6. Tópicos importantes de estudo em Data Mining Curso de Data Mining - Aula 1 1. Como surgiu 2. O que é 3. Em que tipo de dados pode ser aplicado 4. Que tipos de padrões podem ser minerados 5. Critérios de classificação de sistemas de Data Mining 6.

Leia mais

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para

Leia mais

Planejamento Estratégico de TI. Prof.: Fernando Ascani

Planejamento Estratégico de TI. Prof.: Fernando Ascani Planejamento Estratégico de TI Prof.: Fernando Ascani Data Warehouse - Conceitos Hoje em dia uma organização precisa utilizar toda informação disponível para criar e manter vantagem competitiva. Sai na

Leia mais

Gestão da Informação. Gestão da Informação. AULA 3 Data Mining

Gestão da Informação. Gestão da Informação. AULA 3 Data Mining Gestão da Informação AULA 3 Data Mining Prof. Edilberto M. Silva Gestão da Informação Agenda Unidade I - DM (Data Mining) Definição Objetivos Exemplos de Uso Técnicas Tarefas Unidade II DM Prático Exemplo

Leia mais

Ontologias. Profa. Lillian Alvares Faculdade de Ciência da Informação, Universidade de Brasília

Ontologias. Profa. Lillian Alvares Faculdade de Ciência da Informação, Universidade de Brasília Ontologias Profa. Lillian Alvares Faculdade de Ciência da Informação, Universidade de Brasília Origem Teoria sobre a natureza da existência Ramo da filosofia que lida com a natureza e organização da realidade.

Leia mais

Administração de Sistemas de Informação Gerenciais UNIDADE IV: Fundamentos da Inteligência de Negócios: Gestão da Informação e de Banco de Dados Um banco de dados é um conjunto de arquivos relacionados

Leia mais

Mineração de Dados: Introdução e Aplicações

Mineração de Dados: Introdução e Aplicações Mineração de Dados: Introdução e Aplicações Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br Apresentação Luiz Merschmann Engenheiro

Leia mais

Prof. Msc. Paulo Muniz de Ávila

Prof. Msc. Paulo Muniz de Ávila Prof. Msc. Paulo Muniz de Ávila O que é Data Mining? Mineração de dados (descoberta de conhecimento em bases de dados): Extração de informação interessante (não-trivial, implícita, previamente desconhecida

Leia mais

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados slide 1 1 Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall Objetivos de estudo Como um banco de dados

Leia mais

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário

Leia mais

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS Tácio Dias Palhão Mendes Bacharelando em Sistemas de Informação Bolsista de Iniciação Científica da FAPEMIG taciomendes@yahoo.com.br Prof.

Leia mais

Introdução. Capítulo 1

Introdução. Capítulo 1 Capítulo 1 Introdução Em computação, muitos problemas são resolvidos por meio da escrita de um algoritmo que especifica, passo a passo, como resolver um problema. No entanto, não é fácil escrever um programa

Leia mais

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan Faculdade INED Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan 1 Unidade 4.5 2 1 BI BUSINESS INTELLIGENCE BI CARLOS BARBIERI

Leia mais

Unidade III PLANEJAMENTO ESTRATÉGICO DE. Prof. Daniel Arthur Gennari Junior

Unidade III PLANEJAMENTO ESTRATÉGICO DE. Prof. Daniel Arthur Gennari Junior Unidade III PLANEJAMENTO ESTRATÉGICO DE TECNOLOGIA DA INFORMAÇÃO Prof. Daniel Arthur Gennari Junior Sobre esta aula Gestão do conhecimento e inteligência Corporativa Conceitos fundamentais Aplicações do

Leia mais

APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA

APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA Lizianne Priscila Marques SOUTO 1 1 Faculdade de Ciências Sociais e Aplicadas

Leia mais

Lógica Indutiva. Aula 4. Prof. André Martins

Lógica Indutiva. Aula 4. Prof. André Martins Lógica Indutiva Aula 4 Prof. André Martins É uma bruxa? Lógica Clássica (Dedutiva) Na Lógica Clássica, determinamos a veracidade de proposições a partir de outras proposições que julgamos verdadeiras.

Leia mais

Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse

Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse Definição escopo do projeto (departamental, empresarial) Grau de redundância dos dados(ods, data staging) Tipo de usuário alvo (executivos, unidades) Definição do ambiente (relatórios e consultas préestruturadas

Leia mais

Data Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento

Data Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento Data Mining Prof Luiz Antonio do Nascimento Data Mining Ferramenta utilizada para análise de dados para gerar, automaticamente, uma hipótese sobre padrões e anomalias identificadas para poder prever um

Leia mais

Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining

Pós-Graduação Lato Sensu Especialização em Análise de Dados e Data Mining Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining Inscrições Abertas Início das Aulas: 24/03/2015 Dias e horários das aulas: Terça-Feira 19h00 às 22h45 Semanal Quinta-Feira 19h00

Leia mais

PROF. DR. PAULO ROBERTO SCHROEDER DE SOUZA

PROF. DR. PAULO ROBERTO SCHROEDER DE SOUZA Inteligência Artificial CONCEITOS PROF. DR. PAULO ROBERTO SCHROEDER DE SOUZA O que é Inteligência Artificial O que é Inteligência Artificial? É a ciência e engenharia de projetar/construir máquinas inteligentes,

Leia mais

Professor: Disciplina:

Professor: Disciplina: Professor: Curso: Esp. Marcos Morais de Sousa marcosmoraisdesousa@gmail.com Sistemas de informação Disciplina: Introdução a SI Noções de sistemas de informação Turma: 01º semestre Prof. Esp. Marcos Morais

Leia mais

A IMPORTÂNCIA DA PESQUISA CIENTÍFICA

A IMPORTÂNCIA DA PESQUISA CIENTÍFICA A IMPORTÂNCIA DA PESQUISA CIENTÍFICA ROTEIRO DA APRESENTAÇÃO Introdução O que é Pesquisa O que é Ciência Definições Ciência e Tecnologia Categorizações Ciência e eu QUAL O CURSO? Diante das várias possibilidades

Leia mais

Banco de Dados Aula 02. Colégio Estadual Padre Carmelo Perrone Profº: Willian

Banco de Dados Aula 02. Colégio Estadual Padre Carmelo Perrone Profº: Willian Banco de Dados Aula 02 Colégio Estadual Padre Carmelo Perrone Profº: Willian Conceitos básicos Dado: Valor do campo quando é armazenado dento do BD; Tabela Lógica: Representa a estrutura de armazenamento

Leia mais

INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA

INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA ELETRÔNICA LABORATÓRIO DE GUERRA ELETRÔNICA CURSO DE ESPECIALIZAÇÃO EM ANÁLISE DE AMBIENTE ELETROMAGNÉTICO CEAAE /2008 DISCIPLINA EE-09: Inteligência

Leia mais

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence É um conjunto de conceitos e metodologias que, fazem uso de acontecimentos e sistemas e apoiam a tomada de decisões. Utilização de várias fontes de informação para se definir estratégias de competividade

Leia mais

Por Que Gerenciar Conhecimento é Tão Difícil?

Por Que Gerenciar Conhecimento é Tão Difícil? Por Que Gerenciar Conhecimento é Tão Difícil? Sergio Navega INFOIMAGEM 2003 Outubro de 2003 Conteúdo Desta Palestra O Profissional do Século XXI Criatividade e Racionalidade Origens do Conhecimento Humano

Leia mais

SISTEMAS DE APOIO À DECISÃO SAD

SISTEMAS DE APOIO À DECISÃO SAD SISTEMAS DE APOIO À DECISÃO SAD Conceitos introdutórios Decisão Escolha feita entre duas ou mais alternativas. Tomada de decisão típica em organizações: Solução de problemas Exploração de oportunidades

Leia mais

Breve Histórico do Raciocínio Lógico

Breve Histórico do Raciocínio Lógico Breve Histórico do Raciocínio Lógico Enquanto muitas culturas tenham usado complicados sistemas de raciocínio, somente na China, Índia e Grécia os métodos de raciocínio tiveram um desenvolvimento sustentável.

Leia mais

ADM041 / EPR806 Sistemas de Informação

ADM041 / EPR806 Sistemas de Informação ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes

Leia mais

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO @ribeirord FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO Rafael D. Ribeiro, M.Sc,PMP. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br Lembrando... Aula 4 1 Lembrando... Aula 4 Sistemas de apoio

Leia mais

Fundamentos Históricos e Filosóficos das Ciências

Fundamentos Históricos e Filosóficos das Ciências ESPECIALIZAÇAO EM CIÊNCIAS E TECNOLOGIAS NA EDUCAÇÃO Fundamentos Históricos e Filosóficos das Ciências Prof. Nelson Luiz Reyes Marques O que é ciência afinal? O que é educação em ciências? A melhor maneira

Leia mais

Aula 02: Conceitos Fundamentais

Aula 02: Conceitos Fundamentais Aula 02: Conceitos Fundamentais Profa. Ms. Rosângela da Silva Nunes 1 de 26 Roteiro 1. Por que mineração de dados 2. O que é Mineração de dados 3. Processo 4. Que tipo de dados podem ser minerados 5. Que

Leia mais

Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados

Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2006.2 Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento

Leia mais

Sistema Tutor Inteligente baseado em Agentes. Pedagógicas da Universidade Aberta do Piauí. Prof. Dr. Vinicius Ponte Machado

Sistema Tutor Inteligente baseado em Agentes. Pedagógicas da Universidade Aberta do Piauí. Prof. Dr. Vinicius Ponte Machado Sistema Tutor Inteligente baseado em Agentes na Plataforma MOODLE para Apoio às Atividades Pedagógicas da Universidade Aberta do Piauí Prof. Dr. Vinicius Ponte Machado Parnaíba, 14 de Novembro de 2012

Leia mais

http://www.publicare.com.br/site/5,1,26,5480.asp

http://www.publicare.com.br/site/5,1,26,5480.asp Página 1 de 7 Terça-feira, 26 de Agosto de 2008 ok Home Direto da redação Última edição Edições anteriores Vitrine Cross-Docking Assine a Tecnologística Anuncie Cadastre-se Agenda Cursos de logística Dicionário

Leia mais

Avaliação em filosofia: conteúdos e competências

Avaliação em filosofia: conteúdos e competências Avaliação em filosofia: conteúdos e competências Desidério Murcho Universidade Federal de Ouro Preto desiderio@ifac.ufop.br 1 Immanuel Kant O jovem que completou a sua instrução escolar habituou- se a

Leia mais

Microsoft Innovation Center

Microsoft Innovation Center Microsoft Innovation Center Mineração de Dados (Data Mining) André Montevecchi andre@montevecchi.com.br Introdução Objetivo BI e Mineração de Dados Aplicações Exemplos e Cases Algoritmos para Mineração

Leia mais

3 Market Basket Analysis - MBA

3 Market Basket Analysis - MBA 2 Mineração de Dados 3 Market Basket Analysis - MBA Market basket analysis (MBA) ou, em português, análise da cesta de compras, é uma técnica de data mining que faz uso de regras de associação para identificar

Leia mais

Introdução. Conceitos Básicos. Conceitos Básicos. Conceitos Básicos

Introdução. Conceitos Básicos. Conceitos Básicos. Conceitos Básicos Conceitos Básicos Introdução Banco de Dados I Prof. Guilherme Tavares de Assis Universidade Federal de Ouro Preto UFOP Instituto de Ciências Exatas e Biológicas ICEB Departamento de Computação DECOM Dados

Leia mais

A Computação e as Classificações da Ciência

A Computação e as Classificações da Ciência A Computação e as Classificações da Ciência Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Classificações da Ciência A Computação

Leia mais

Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS

Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS Sumário Conceitos / Autores chave... 3 1. Introdução... 3 2. Tarefas desempenhadas por Técnicas de 4 Mineração de Dados...

Leia mais

Representação de Conhecimento Redes Semânticas e Frames

Representação de Conhecimento Redes Semânticas e Frames Representação de Conhecimento Redes Semânticas e Frames Profa. Josiane M. P. Ferreira e Prof. Sérgio R. P. da Silva David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach

Leia mais

Sobre o que falaremos nesta aula?

Sobre o que falaremos nesta aula? Business Intelligence - BI Inteligência de Negócios Prof. Ricardo José Pfitscher Elaborado com base no material de: José Luiz Mendes Gerson Volney Lagmman Introdução Sobre o que falaremos nesta aula? Ferramentas

Leia mais

cinema: o que os cariocas querem ver

cinema: o que os cariocas querem ver cinema: o que os cariocas querem ver perfil cultural dos cariocas como foi feita a pesquisa 1.501 pessoas entrevistadas, a partir de 12 anos, de todos os níveis econômicos, em todas as regiões da cidade.

Leia mais

Identificar as mudanças que acontecem na forma e no uso de apoio à decisão em empreendimentos de e-business. Identificar o papel e alternativas de

Identificar as mudanças que acontecem na forma e no uso de apoio à decisão em empreendimentos de e-business. Identificar o papel e alternativas de 1 Identificar as mudanças que acontecem na forma e no uso de apoio à decisão em empreendimentos de e-business. Identificar o papel e alternativas de relatórios dos sistemas de informação gerencial. Descrever

Leia mais

Turma 1222 Unidade Curricular INTERFACE HOMEM-COMPUTADOR Professor CLÁUDIA SANTOS FERNANDES Aula 4 Abordagens Teóricas em IHC

Turma 1222 Unidade Curricular INTERFACE HOMEM-COMPUTADOR Professor CLÁUDIA SANTOS FERNANDES Aula 4 Abordagens Teóricas em IHC Turma 1222 Unidade Curricular INTERFACE HOMEM-COMPUTADOR Professor CLÁUDIA SANTOS FERNANDES Aula 4 Abordagens Teóricas em IHC Introdução -Apesar de IHC ser uma área bastante prática, muitos métodos, modelos

Leia mais

SISTEMAS INTELIGENTES DE APOIO À DECISÃO

SISTEMAS INTELIGENTES DE APOIO À DECISÃO SISTEMAS INTELIGENTES DE APOIO À DECISÃO As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas

Leia mais

KDD UMA VISAL GERAL DO PROCESSO

KDD UMA VISAL GERAL DO PROCESSO KDD UMA VISAL GERAL DO PROCESSO por Fernando Sarturi Prass 1 1.Introdução O aumento das transações comerciais por meio eletrônico, em especial as feitas via Internet, possibilitou as empresas armazenar

Leia mais

Inteligência Computacional [2COP229]

Inteligência Computacional [2COP229] Inteligência Computacional [2COP229] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/24) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Componentes clássicos da

Leia mais

Extração de Conhecimento a partir dos Sistemas de Informação

Extração de Conhecimento a partir dos Sistemas de Informação Extração de Conhecimento a partir dos Sistemas de Informação Gisele Faffe Pellegrini & Katia Collazos Grupo de Pesquisa em Eng. Biomédica Universidade Federal de Santa Catarina Jorge Muniz Barreto Prof.

Leia mais

Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados

Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Um Sistema Gerenciador de Banco de Dados (SGBD) é constituído por um conjunto de dados associados a um conjunto de programas para acesso a esses

Leia mais

PROJETO DE REDES www.projetoderedes.com.br

PROJETO DE REDES www.projetoderedes.com.br PROJETO DE REDES www.projetoderedes.com.br Centro Universitário de Volta Redonda - UniFOA Curso Tecnológico de Redes de Computadores 5º período Disciplina: Tecnologia WEB Professor: José Maurício S. Pinheiro

Leia mais

2. GESTÃO DA CADEIA DE SUPRIMENTOS

2. GESTÃO DA CADEIA DE SUPRIMENTOS 1. Conceito de cadeia de suprimentos e seus autores: impactos das vendas e dos custos no lucro da cadeia. competição entre cadeias de suprimento. fluxos logísticos (informação, materiais/produtos, financeiro)

Leia mais

Módulo 6: Inteligência Artificial

Módulo 6: Inteligência Artificial Módulo 6: Inteligência Artificial Assuntos: 6.1. Aplicações da IA 6.2. Sistemas Especialistas 6.1. Aplicações da Inteligência Artificial As organizações estão ampliando significativamente suas tentativas

Leia mais

A MÁQUINA INTELIGENTE. O longo caminho do pensamento mecanizado Júlio Cesar da Silva - juliocesar@eloquium.com.br

A MÁQUINA INTELIGENTE. O longo caminho do pensamento mecanizado Júlio Cesar da Silva - juliocesar@eloquium.com.br A MÁQUINA INTELIGENTE O longo caminho do pensamento mecanizado Júlio Cesar da Silva - juliocesar@eloquium.com.br APRESENTAÇÃO Júlio Cesar da Silva Mestrando em Administração MBA em Gestão da Tecnologia

Leia mais

Parece claro que há uma, e uma só, conclusão a tirar destas proposições. Esa conclusão é:

Parece claro que há uma, e uma só, conclusão a tirar destas proposições. Esa conclusão é: Argumentos Dedutivos e Indutivos Paulo Andrade Ruas Introdução Em geral, quando se quer explicar que géneros de argumentos existem, começa-se por distinguir os argumentos dedutivos dos não dedutivos. A

Leia mais

Exemplos de aplicação. Mineração de Dados 2013

Exemplos de aplicação. Mineração de Dados 2013 Exemplos de aplicação Mineração de Dados 2013 Luís Rato Universidade de Évora, 2013 Mineração de dados / Data Mining 1 Classificação: Definição Dado uma conjunto de registos (conjunto de treino training

Leia mais

IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES ENTRE PRODUTOS DE UMA BASE DE DADOS REAL

IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES ENTRE PRODUTOS DE UMA BASE DE DADOS REAL Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES

Leia mais

Modelo de dados do Data Warehouse

Modelo de dados do Data Warehouse Modelo de dados do Data Warehouse Ricardo Andreatto O modelo de dados tem um papel fundamental para o desenvolvimento interativo do data warehouse. Quando os esforços de desenvolvimentos são baseados em

Leia mais

Sumário. Mineração de Dados aplicada à Gestão de Negócios. 1) Mineração de Dados

Sumário. Mineração de Dados aplicada à Gestão de Negócios. 1) Mineração de Dados Aula 1 Introdução -Mineração de Dados Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1) Mineração de Dados 1) Atividades Relacionadas; 2) Desafios; 3) Exemplos de aplicativos; 4) Últimos assuntos;

Leia mais

BANCO DE DADOS E BUSINESS INTELIGENCE. C/H: 20 horas (20/02, 25/02, 27/02, 04/03, 06/03)

BANCO DE DADOS E BUSINESS INTELIGENCE. C/H: 20 horas (20/02, 25/02, 27/02, 04/03, 06/03) MBA em Gestão de TI MÓDULO: BANCO DE DADOS E BUSINESS INTELIGENCE C/H: 20 horas (20/02, 25/02, 27/02, 04/03, 06/03) PROFESSOR: Edison Andrade Martins Morais prof@edison.eti.br http://www.edison.eti.br

Leia mais

1 UML (UNIFIED MODELING LANGUAGE)

1 UML (UNIFIED MODELING LANGUAGE) 1 UML (UNIFIED MODELING LANGUAGE) Segundo Tonsig (2003), para conseguir desenvolver um software capaz de satisfazer as necessidades de seus usuários, com qualidade, por intermédio de uma arquitetura sólida

Leia mais

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka 1 Introdução A mineração de dados (data mining) pode ser definida como o processo automático de descoberta de conhecimento em bases de

Leia mais

Data Mining: Conceitos e Técnicas

Data Mining: Conceitos e Técnicas Data Mining: Conceitos e Técnicas DM, DW e OLAP Data Warehousing e OLAP para Data Mining O que é data warehouse? De data warehousing para data mining Data Warehousing e OLAP para Data Mining Data Warehouse:

Leia mais

Introdução a Datamining (previsão e agrupamento)

Introdução a Datamining (previsão e agrupamento) E o que fazer depois de ter os dados organizados? Introdução a Datamining (previsão e agrupamento) Victor Lobo Mestrado em Estatística e Gestão de Informação Ideias base Aprender com o passado Inferir

Leia mais

Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI)

Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI) Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI) Apresentação O programa de Pós-graduação Lato Sensu em Business Intelligence Inteligência Competitiva tem por fornecer conhecimento

Leia mais

LEVANTAMENTO DE REQUISITOS SEGUNDO O MÉTODO VOLERE

LEVANTAMENTO DE REQUISITOS SEGUNDO O MÉTODO VOLERE LEVANTAMENTO DE REQUISITOS SEGUNDO O MÉTODO VOLERE RESUMO Fazer um bom levantamento e especificação de requisitos é algo primordial para quem trabalha com desenvolvimento de sistemas. Esse levantamento

Leia mais

Inteligência Artificial

Inteligência Artificial Inteligência Artificial As organizações estão ampliando significativamente suas tentativas para auxiliar a inteligência e a produtividade de seus trabalhadores do conhecimento com ferramentas e técnicas

Leia mais

Aplicação A. Aplicação B. Aplicação C. Aplicação D. Aplicação E. Aplicação F. Aplicação A REL 1 REL 2. Aplicação B REL 3.

Aplicação A. Aplicação B. Aplicação C. Aplicação D. Aplicação E. Aplicação F. Aplicação A REL 1 REL 2. Aplicação B REL 3. Sumário Data Warehouse Modelagem Multidimensional. Data Mining BI - Business Inteligence. 1 2 Introdução Aplicações do negócio: constituem as aplicações que dão suporte ao dia a dia do negócio da empresa,

Leia mais

Módulo 15 Resumo. Módulo I Cultura da Informação

Módulo 15 Resumo. Módulo I Cultura da Informação Módulo 15 Resumo Neste módulo vamos dar uma explanação geral sobre os pontos que foram trabalhados ao longo desta disciplina. Os pontos abordados nesta disciplina foram: Fundamentos teóricos de sistemas

Leia mais

Questionário. A ferramenta auxilia na alocação de Não (0) x x x. Satisfatório (5) complexidade de um caso de uso? de uso (72) Sim (10)

Questionário. A ferramenta auxilia na alocação de Não (0) x x x. Satisfatório (5) complexidade de um caso de uso? de uso (72) Sim (10) Questionário Nível Avaliado Gerador de plano de teste Gerador de dados Função/característica do produto Gestão dos dados do plano de teste (51) Perguntas Pontuação Selenium BadBoy Canoo A ferramenta auilia

Leia mais

Data Mining Software Weka. Software Weka. Software Weka 30/10/2012

Data Mining Software Weka. Software Weka. Software Weka 30/10/2012 Data Mining Software Weka Prof. Luiz Antonio do Nascimento Software Weka Ferramenta para mineração de dados. Weka é um Software livre desenvolvido em Java. Weka é um É um pássaro típico da Nova Zelândia.

Leia mais

Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1

Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1 Laudon & Laudon Essentials of MIS, 5th Edition. Pg. 1.1 SISTEMA DE APOIO À DECISÃO Grupo: Denilson Neves Diego Antônio Nelson Santiago Sabrina Dantas CONCEITO É UM SISTEMA QUE AUXILIA O PROCESSO DE DECISÃO

Leia mais

UTILIZANDO O SOFTWARE WEKA

UTILIZANDO O SOFTWARE WEKA UTILIZANDO O SOFTWARE WEKA O que é 2 Weka: software livre para mineração de dados Desenvolvido por um grupo de pesquisadores Universidade de Waikato, Nova Zelândia Também é um pássaro típico da Nova Zelândia

Leia mais

O objetivo da Mineração de Dados é extrair ou minerar conhecimento de grandes volumes de

O objetivo da Mineração de Dados é extrair ou minerar conhecimento de grandes volumes de MINERAÇÃO DE DADOS MINERAÇÃO DE DADOS O objetivo da Mineração de Dados é extrair ou minerar conhecimento de grandes volumes de dados. A mineração de dados é formada por um conjunto de ferramentas e técnicas

Leia mais

ADMINISTRAÇÃO DOS RECURSOS DE DADOS

ADMINISTRAÇÃO DOS RECURSOS DE DADOS 7 ADMINISTRAÇÃO DOS RECURSOS DE DADOS OBJETIVOS Por que as empresas sentem dificuldades para descobrir que tipo de informação precisam ter em seus sistemas de informação ão? Como um sistema de gerenciamento

Leia mais

Aplicação de um Metamodelo de Contexto a uma Tarefa de Investigação Policial

Aplicação de um Metamodelo de Contexto a uma Tarefa de Investigação Policial Aplicação de um Metamodelo de Contexto a uma Tarefa de Investigação Policial Lucas A. de Oliveira, Rui A. R. B. Figueira, Expedito C. Lopes Mestrado em Sistemas e Computação Universidade de Salvador (UNIFACS)

Leia mais

CURSO DE SISTEMAS DE INFORMAÇÃO

CURSO DE SISTEMAS DE INFORMAÇÃO 1 CURSO DE SISTEMAS DE INFORMAÇÃO EMENTÁRIO DAS DISCIPLINAS 2011.1 BRUSQUE (SC) 2015 2 SUMÁRIO 1ª FASE... 4 01 ARQUITETURA DE COMPUTADORES... 4 02 FILOSOFIA... 4 03 FUNDAMENTOS MATEMÁTICOS PARA COMPUTAÇÃO...

Leia mais

A PESQUISA E SUAS CLASSIFICAÇÕES

A PESQUISA E SUAS CLASSIFICAÇÕES 1/6 A PESQUISA E SUAS CLASSIFICAÇÕES Definir o que é pesquisa; mostrar as formas clássicas de classificação das pesquisas; identificar as etapas de um planejamento de pesquisa. INTRODUÇÃO O que é pesquisa?

Leia mais

Unidade 4: Contextualização de Objetos de Aprendizagem

Unidade 4: Contextualização de Objetos de Aprendizagem Coordenação: Juliana Cristina Braga Autoria: Rita Ponchio Você aprendeu na unidade anterior a importância da adoção de uma metodologia para a construção de OA., e também uma descrição geral da metodologia

Leia mais

Orientação a Objetos

Orientação a Objetos Orientação a Objetos Daniel Destro do Carmo Softech Network Informática daniel@danieldestro.com.br Histórico A orientação a objetos (OO) foi concebida na década de 70. Origem na linguagem SIMULA-67 (década

Leia mais

Mineração de Dados. Prof. Júlio Cesar Nievola Especialização em Inteligência Computacional PPGIA - PUCPR

Mineração de Dados. Prof. Júlio Cesar Nievola Especialização em Inteligência Computacional PPGIA - PUCPR Mineração de Dados PPGIA - PUCPR Agenda 1. Histórico 2. Definições e Características 3. Processo e Tarefas de DM 4. Pré-Processamento 5. Representação do Conhecimento 6. Principais Tarefas 7. Procedimentos

Leia mais

administrar planejar executar acompanhar avaliar controlar motivar modelo de comunicação na organização a nível mensagens tomar decisões para agir

administrar planejar executar acompanhar avaliar controlar motivar modelo de comunicação na organização a nível mensagens tomar decisões para agir representação informação percepção real dado dados armazenamento processa mento transmissão dado interpretação mensagem tomada decisão escolha ação modelo de comunicação na organização administrar para

Leia mais

ABORDAGEM DE ANALOGIAS EM AMBIENTES INTERACIONISTAS NA EDUCAÇÃO. Ronaldo Luiz Nagem * Dulcinéia de Oliveira Carvalhaes **

ABORDAGEM DE ANALOGIAS EM AMBIENTES INTERACIONISTAS NA EDUCAÇÃO. Ronaldo Luiz Nagem * Dulcinéia de Oliveira Carvalhaes ** ABORDAGEM DE ANALOGIAS EM AMBIENTES INTERACIONISTAS NA EDUCAÇÃO Ronaldo Luiz Nagem * Dulcinéia de Oliveira Carvalhaes ** Resumo O presente trabalho discute os estudos realizados para utilização de analogias

Leia mais

Pesquisa Operacional

Pesquisa Operacional GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com

Leia mais

Introdução a Datamining (previsão e agrupamento)

Introdução a Datamining (previsão e agrupamento) Introdução a Datamining (previsão e agrupamento) Victor Lobo Mestrado em Estatística e Gestão de Informação E o que fazer depois de ter os dados organizados? Ideias base Aprender com o passado Inferir

Leia mais

CURSO TECNOLÓGICO 2008/01 1º SEMESTRE. Programação e Estruturas de Dados Fundamentais

CURSO TECNOLÓGICO 2008/01 1º SEMESTRE. Programação e Estruturas de Dados Fundamentais 1º SEMESTRE Programação e Estruturas de Dados Fundamentais 8 Créditos Desenvolver a lógica de programação através da construção de algoritmos utilizando português estruturado Representar a solução de problemas

Leia mais

PROJETO DA DISCIPLINA. PES II Processo de Engenharia de Software II

PROJETO DA DISCIPLINA. PES II Processo de Engenharia de Software II UNIOESTE - Universidade Estadual do Oeste do Paraná CCET - Centro de Ciências Exatas e Tecnológicas Colegiado de Informática Curso de Bacharelado em Informática PROJETO DA DISCIPLINA PES II Processo de

Leia mais

Engenharia de Software

Engenharia de Software CENTRO UNIVERSITÁRIO NOVE DE JULHO Profº. Edson T. França edson.franca@uninove.br Software Sistemas Conjunto de elementos, entre os quais haja alguma relação Disposição das partes ou dos elementos de um

Leia mais

Data Warehouses. Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos

Data Warehouses. Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos Data Warehouses Alunos: Diego Antônio Cotta Silveira Filipe Augusto Rodrigues Nepomuceno Marcos Bastos Silva Roger Rezende Ribeiro Santos Conceitos Básicos Data Warehouse(DW) Banco de Dados voltado para

Leia mais

9º Congresso de Pós-Graduação AGENTE PARA MEDIAÇÃO DE APRENDIZAGEM ELETRÔNICA

9º Congresso de Pós-Graduação AGENTE PARA MEDIAÇÃO DE APRENDIZAGEM ELETRÔNICA 9º Congresso de Pós-Graduação AGENTE PARA MEDIAÇÃO DE APRENDIZAGEM ELETRÔNICA Autor(es) MICHELE CRISTIANI BARION FREITAS Orientador(es) CECÍLIA SOSA ARIAS PEIXOTO 1. Introdução A partir de ferramentas

Leia mais

Complemento II Noções Introdutória em Redes Neurais

Complemento II Noções Introdutória em Redes Neurais Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

Web Data mining com R: aprendizagem de máquina

Web Data mining com R: aprendizagem de máquina Web Data mining com R: aprendizagem de máquina Fabrício Jailson Barth Faculdade BandTec e VAGAS Tecnologia Junho de 2013 Sumário O que é Aprendizagem de Máquina? Hierarquia de aprendizado. Exemplos de

Leia mais

Interface Homem-Computador

Interface Homem-Computador Faculdade de Ciências e Tecnologia do Maranhão Interface Homem-Computador Aula: Percepção Visual e de Cores - Parte I Professor: M.Sc. Flávio Barros flathbarros@gmail.com Conteúdo Percepção Visual e de

Leia mais

CONHECENDO E CONCEITUANDO SISTEMAS DE INFORMAÇÃO

CONHECENDO E CONCEITUANDO SISTEMAS DE INFORMAÇÃO CONHECENDO E CONCEITUANDO SISTEMAS DE INFORMAÇÃO Franco Vieira Sampaio 1 Atualmente a informática está cada vez mais inserida no dia a dia das empresas, porém, no início armazenavam-se os dados em folhas,

Leia mais

O QUE É E COMO FUNCIONA O BEHAVIOR SCORING

O QUE É E COMO FUNCIONA O BEHAVIOR SCORING O QUE É E COMO FUNCIONA O BEHAVIOR! O que é o gerenciamento do crédito através do behavior scoring?! Como construir o behavior scoring?! Como calcular a função discriminante usando o Excel?! Como implantar

Leia mais

O Processo de KDD. Data Mining SUMÁRIO - AULA1. O processo de KDD. Interpretação e Avaliação. Seleção e Pré-processamento. Consolidação de dados

O Processo de KDD. Data Mining SUMÁRIO - AULA1. O processo de KDD. Interpretação e Avaliação. Seleção e Pré-processamento. Consolidação de dados SUMÁRIO - AULA1 O Processo de KDD O processo de KDD Interpretação e Avaliação Consolidação de dados Seleção e Pré-processamento Warehouse Data Mining Dados Preparados p(x)=0.02 Padrões & Modelos Conhecimento

Leia mais