Data Mining. Introdução ao. Com breve apêndice sobre cognição humana e novos caminhos de pesquisa. Sergio Navega snavega@intelliwise.
|
|
- Marcelo Alcântara Quintão
- 8 Há anos
- Visualizações:
Transcrição
1 Introdução ao Data Mining Com breve apêndice sobre cognição humana e novos caminhos de pesquisa Sergio Navega snavega@intelliwise.com Mestrado Eng. Produção Unip/Maio 2010 IAIR-Intelliwise AI Research snavega@intelliwise.com 1
2 Conteúdo Introdução Filosófica Ontologias Dedução versus Indução Data Mining Cognição e Caminhos Futuros IAIR-Intelliwise AI Research snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 72
73 Agentes Inteligentes e Seus Ambientes O Ambiente O Agente O Conjunto Ambiente/Agente IAIR-Intelliwise AI Research snavega@intelliwise.com 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 snavega@intelliwise.com 74
75 O Sensório, o Perceptual e o Conhecimento PERCEPÇÃO Controle de Atenção SERIAL Desenvolvido Por Eperiência Mecanismos Inatos PARALELO IAIR-Intelliwise AI Research snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 80
81 Decidi Fazer Um Eperimento Esse é o sofisticado instrumental que utilizei IAIR-Intelliwise AI Research snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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 snavega@intelliwise.com 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.com/snavega Conteúdo A Pirâmide do Conhecimento O Processo de Data Mining DM
Leia maisMINERAÇÃO 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 maisOS CONHECIMENTOS DE ACADÊMICOS DE EDUCAÇÃO FÍSICA E SUA IMPLICAÇÃO PARA A PRÁTICA DOCENTE
OS CONHECIMENTOS DE ACADÊMICOS DE EDUCAÇÃO FÍSICA E SUA IMPLICAÇÃO PARA A PRÁTICA DOCENTE Maria Cristina Kogut - PUCPR RESUMO Há uma preocupação por parte da sociedade com a atuação da escola e do professor,
Leia maisADM041 / 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 maisUNIVERSIDADE 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 maisData 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 maisOntologias. 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 maisSonho Planejado, Sonho Realizado
Sonho Planejado, Sonho Realizado Escola Estadual Alceu Gomes da Silva Sala 12 - Sessão 2 Professor(es) Apresentador(es): Lilian Gomes dos Santos Realização: Foco Educação Financeira e apoio às habilidades
Leia maisEngenharia de Software III
Engenharia de Software III Casos de uso http://dl.dropbox.com/u/3025380/es3/aula6.pdf (flavio.ceci@unisul.br) 09/09/2010 O que são casos de uso? Um caso de uso procura documentar as ações necessárias,
Leia maisLógica 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 maisA 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 maisBRINCANDO COM GRÁFICOS E MEDINDO A SORTE
BRINCANDO COM GRÁFICOS E MEDINDO A SORTE Elizabeth Pastor Garnier SEE/RJ Pedro Carlos Pereira - FAETEC Projeto Fundão IM/UFRJ Os Parâmetros Curriculares Nacionais propõem a introdução do tópico Tratamento
Leia maisAnálise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO)
Análise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO) Parte: 1 Prof. Cristóvão Cunha Objetivos de aprendizagem
Leia maisAdministração 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 maisFACULDADE DE ADMINISTRAÇÃO E NEGÓCIOS - FAN CEUNSP SALTO /SP CURSO DE TECNOLOGIA EM MARKETING TRABALHO INTERDISCIPLINAR
APRESENTAÇÃO DO TI O Trabalho Interdisciplinar é um projeto desenvolvido ao longo dos dois primeiros bimestres do curso. Os alunos tem a oportunidade de visualizar a unidade da estrutura curricular do
Leia maisParece 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 maisO que é Administração
O que é Administração Bem vindo ao curso de administração de empresas. Pretendemos mostrar a você no período que passaremos juntos, alguns conceitos aplicados à administração. Nossa matéria será puramente
Leia mais2 Diagrama de Caso de Uso
Unified Modeling Language (UML) Universidade Federal do Maranhão UFMA Pós Graduação de Engenharia de Eletricidade Grupo de Computação Assunto: Diagrama de Caso de Uso (Use Case) Autoria:Aristófanes Corrêa
Leia maisDadas a base e a altura de um triangulo, determinar sua área.
Disciplina Lógica de Programação Visual Ana Rita Dutra dos Santos Especialista em Novas Tecnologias aplicadas a Educação Mestranda em Informática aplicada a Educação ana.santos@qi.edu.br Conceitos Preliminares
Leia maisFATEC Cruzeiro José da Silva. Ferramenta CRM como estratégia de negócios
FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Cruzeiro SP 2008 FATEC Cruzeiro José da Silva Ferramenta CRM como estratégia de negócios Projeto de trabalho de formatura como requisito
Leia maisBreve 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 maisSistema 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 maisCAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES
CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:
Leia maisMódulo 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 maisO que é a ciência de dados (data science). Discussão do conceito. Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.
O que é a ciência de dados (data science). Discussão do conceito Luís Borges Gouveia Universidade Fernando Pessoa Versão 1.3, Outubro, 2015 Nota prévia Esta apresentação tem por objetivo, proporcionar
Leia maisAvaliação 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 maisRoteiro VcPodMais#005
Roteiro VcPodMais#005 Conseguiram colocar a concentração total no momento presente, ou naquilo que estava fazendo no momento? Para quem não ouviu o programa anterior, sugiro que o faça. Hoje vamos continuar
Leia maisFases 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 maisINSTITUTO 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 maisBanco 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 maisApresentação 24/12/2014. Professor Wilker Bueno
Apresentação 1 Wilker Bueno Técnico em Magistério Colégio Estadual José Cipriano Varjão/GO Graduado em Administração de Empresas Universidade do Norte do Paraná Londrina/PR Especialista em RH e suas Atribuições
Leia maisBanco 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 maisPesquisa com Professores de Escolas e com Alunos da Graduação em Matemática
Pesquisa com Professores de Escolas e com Alunos da Graduação em Matemática Rene Baltazar Introdução Serão abordados, neste trabalho, significados e características de Professor Pesquisador e as conseqüências,
Leia maisA 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 maisGerenciamento de Níveis de Serviço
Gerenciamento de Níveis de Serviço O processo de Gerenciamento de Níveis de Serviço fornece o contato entre a organização de TI e o cliente, para garantir que a organização de TI conhece os serviços que
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.
Leia maisIntrodução à Computação
Aspectos Importantes - Desenvolvimento de Software Motivação A economia de todos países dependem do uso de software. Cada vez mais, o controle dos processos tem sido feito por software. Atualmente, os
Leia maisTRABALHOS TÉCNICOS Coordenação de Documentação e Informação INOVAÇÃO E GERENCIAMENTO DE PROCESSOS: UMA ANÁLISE BASEADA NA GESTÃO DO CONHECIMENTO
TRABALHOS TÉCNICOS Coordenação de Documentação e Informação INOVAÇÃO E GERENCIAMENTO DE PROCESSOS: UMA ANÁLISE BASEADA NA GESTÃO DO CONHECIMENTO INTRODUÇÃO Os processos empresariais são fluxos de valor
Leia maisBases Matemáticas. Aula 2 Métodos de Demonstração. Rodrigo Hausen. v. 2013-7-31 1/15
Bases Matemáticas Aula 2 Métodos de Demonstração Rodrigo Hausen v. 2013-7-31 1/15 Como o Conhecimento Matemático é Organizado Definições Definição: um enunciado que descreve o significado de um termo.
Leia maisMetodologia e Redação Científica
Metodologia e Redação Científica INTRODUÇÃO À PESQUISA CIENTÍFICA 1.1. Bases e conceitos APRESENTAÇÃO AULAS GRADUAÇÃO PRATICANDO MATERIAL AUXILIAR Objetivo da Aula Introduzir os conceitos gerais da metodologia
Leia maisLev Semenovich Vygotsky, nasce em 17 de novembro de 1896, na cidade de Orsha, em Bielarus. Morre em 11 de junho de 1934.
Lev Semenovich Vygotsky, nasce em 17 de novembro de 1896, na cidade de Orsha, em Bielarus. Morre em 11 de junho de 1934. Lev Vygotsky, viveu na mesma época que Piaget (ambos nasceram em 1896 entanto Vygotsky
Leia maisExercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia mais9. Derivadas de ordem superior
9. Derivadas de ordem superior Se uma função f for derivável, então f é chamada a derivada primeira de f (ou de ordem 1). Se a derivada de f eistir, então ela será chamada derivada segunda de f (ou de
Leia mais12/02/2012. Administração I. Estrutura da Administração INTRODUÇÃO À TEORIA GERAL DA ADMINISTRAÇÃO
INTRODUÇÃO À TEORIA GERAL DA ADMINISTRAÇÃO Idalberto Chiavenato Conceitos; Evidências históricas; e Estruturando a administração. 1 Administração I Administração é criar um ambiente para o esforço grupal
Leia maisGerenciamento de Riscos do Projeto Eventos Adversos
Gerenciamento de Riscos do Projeto Eventos Adversos 11. Gerenciamento de riscos do projeto PMBOK 2000 PMBOK 2004 11.1 Planejamento de gerenciamento de riscos 11.1 Planejamento de gerenciamento de riscos
Leia maisArquitetura de Informação
Arquitetura de Informação Ferramentas para Web Design Prof. Ricardo Ferramentas para Web Design 1 Arquitetura de Informação? Ferramentas para Web Design 2 Arquitetura de Informação (AI): É a arte de expressar
Leia maisTipo de raciocínio - Indutivo. Método de Pesquisa (continuação) Tipo de raciocínio - Indutivo
Tipo de raciocínio - Indutivo Método de Pesquisa (continuação) Analisa-se um aspecto particular e se procura gerar proposições teóricas a partir dos dados (May,2004). A teoria se forma a partir da observação
Leia maisNo mundo atual, globalizado e competitivo, as organizações têm buscado cada vez mais, meios de se destacar no mercado. Uma estratégia para o
DATABASE MARKETING No mundo atual, globalizado e competitivo, as organizações têm buscado cada vez mais, meios de se destacar no mercado. Uma estratégia para o empresário obter sucesso em seu negócio é
Leia maisIdentificar 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 maisAS TEORIAS MOTIVACIONAIS DE MASLOW E HERZBERG
AS TEORIAS MOTIVACIONAIS DE MASLOW E HERZBERG 1. Introdução 2. Maslow e a Hierarquia das necessidades 3. Teoria dos dois Fatores de Herzberg 1. Introdução Sabemos que considerar as atitudes e valores dos
Leia maisProf. Dr. Guanis de Barros Vilela Junior
Prof. Dr. Guanis de Barros Vilela Junior INTRODUÇÃO O que é pesquisa? Pesquisar significa, de forma bem simples, procurar respostas para indagações propostas. INTRODUÇÃO Minayo (1993, p. 23), vendo por
Leia maisEXPLORANDO ALGUMAS IDEIAS CENTRAIS DO PARÂMETROS CURRICULARES NACIONAIS ENSINO FUNDAMENTAL. Giovani Cammarota
UNIVERSIDADE FEDERAL DE VIÇOSA DEPARTAMENTO DE MATEMÁTICA PRÁTICA DE ENSINO DE MATEMÁTICA III EXPLORANDO ALGUMAS IDEIAS CENTRAIS DO PARÂMETROS CURRICULARES NACIONAIS ENSINO FUNDAMENTAL Giovani Cammarota
Leia maisRaciocínio Lógico e o Cérebro Humano. Vídeo: Córtex cerebral e memória (5 min).
Raciocínio Lógico e o Cérebro Humano Vídeo: Córtex cerebral e memória (5 min). 1 Raciocínio Lógico e Cérebro: o Lobo Frontal O lobo frontal está envolvido no raciocínio lógico, pois é responsável pelo
Leia maisBEM-VINDO AO dhl PROVIEW
BEM-VINDO AO dhl PROVIEW Guia de Usuário O DHL PROVIEW COLOCA VOCÊ NO CONTROLE DE SEUS ENVIOS. PROVIEW O DHL ProView é uma ferramenta de rastreamento on-line que permite o gerenciamento dos envios, a programação
Leia maisInterface Humano-Computador IHC Paradigmas de IHC
Instituto Federal de Educação, Ciência e Tecnologia Campus Formosa Interface Humano-Computador IHC Paradigmas de IHC Prof. M.Sc. Victor Hugo Lázaro Lopes IHC Paradigmas de IHC AGENDA Engenharia Cognitiva
Leia maisPlanejamento 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 maisDATA WAREHOUSE NO APOIO À TOMADA DE DECISÕES
DATA WAREHOUSE NO APOIO À TOMADA DE DECISÕES Janaína Schwarzrock jana_100ideia@hotmail.com Prof. Leonardo W. Sommariva RESUMO: Este artigo trata da importância da informação na hora da tomada de decisão,
Leia maisNa medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.
1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade
Leia maisProjeto de Sistemas I
Instituto Federal de Educação, Ciência e Tecnologia de São Paulo Projeto de Sistemas I Professora: Kelly de Paula Cunha E-mail:kellypcsoares@ifsp.edu.br Requisitos: base para todo projeto, definindo o
Leia maisBanco de Dados. Introdução. João Eduardo Ferreira Osvaldo Kotaro Takai. jef@ime.usp.br DCC-IME-USP
Banco de Dados Introdução João Eduardo Ferreira Osvaldo Kotaro Takai jef@ime.usp.br DCC-IME-USP Importância dos Bancos de Dados A competitividade das empresas depende de dados precisos e atualizados. Conforme
Leia maisEbook Gratuito. 3 Ferramentas para Descobrir seu Verdadeiro Potencial
Ebook Gratuito 3 Ferramentas para Descobrir seu Verdadeiro Potencial 3 Ferramentas para Descobrir seu Verdadeiro Potencial Rosana Rodrigues Choice Consultoria 2 Quando se trata de ajudar alguém a repensar
Leia maisManual - Relatórios Gerenciais.
Manual - Relatórios Gerenciais. Perguntas que temos que responder quase que diariamente sobre: Vendas Financeiro Produção Emissão: 04/02/2014 Revisão: 28/05/2015 Revisado por: Juliana 1 Área de Vendas
Leia maisRevisão de Banco de Dados
Revisão de Banco de Dados Fabiano Baldo 1 Sistema de Processamento de Arquivos Antes da concepção dos BDs o registro das informações eram feitos através de arquivos. Desvantagens: Redundância e Inconsistência
Leia maisFonte: www.cantocidadao.org.br/.../blog/criancas.jpg
5. Estágio pré-operatório (2 a 6 anos) Fonte: www.cantocidadao.org.br/.../blog/criancas.jpg Esse período é marcado pela passagem da inteligência sensório-motora para a inteligência representativa. A criança
Leia maisOFICINA DA PESQUISA DISCIPLINA: COMPORTAMENTO ORGANIZACIONAL
OFICINA DA PESQUISA DISCIPLINA: COMPORTAMENTO ORGANIZACIONAL Prof. Ms. Carlos José Giudice dos Santos carlos@oficinadapesquisa.com.br www.oficinadapesquisa.com.br Objetivo Geral da Disciplina: Apresentar
Leia maisEngenharia de Software
Universidade São Judas Tadeu Profª Dra. Ana Paula Gonçalves Serra Engenharia de O Processo Uma Visão Genérica Capítulo 2 (até item 2.2. inclusive) Engenharia de - Roger Pressman 6ª edição McGrawHill Capítulo
Leia maisSUMÁRIO 1. AULA 6 ENDEREÇAMENTO IP:... 2
SUMÁRIO 1. AULA 6 ENDEREÇAMENTO IP:... 2 1.1 Introdução... 2 1.2 Estrutura do IP... 3 1.3 Tipos de IP... 3 1.4 Classes de IP... 4 1.5 Máscara de Sub-Rede... 6 1.6 Atribuindo um IP ao computador... 7 2
Leia maisPSICOLOGIA DO DESENVOLVIMENTO
Unidade I PSICOLOGIA DO DESENVOLVIMENTO EDAAPRENDIZAGEM APRENDIZAGEM Prof. Wanderlei Sergio da Silva Conceito PDA estudo sobre o crescimento mental do indivíduo, desde o nascimento até a adolescência;
Leia maisProgramação Estruturada e Orientada a Objetos. Fundamentos Orientação a Objetos
Programação Estruturada e Orientada a Objetos Fundamentos Orientação a Objetos 2013 O que veremos hoje? Introdução aos fundamentos de Orientação a Objetos Transparências baseadas no material do Prof. Jailton
Leia maisResumo 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 maisGestão da Qualidade por Processos
Gestão da Qualidade por Processos Disciplina: Gestão da Qualidade 2º Bimestre Prof. Me. Patrício Vasconcelos adm.patricio@yahoo.com.br Gestão da Qualidade por Processos Nas empresas, as decisões devem
Leia maisOrientação à Objetos. Aécio Costa
Aécio Costa O paradigma da orientação à objetos Paradigma? Um paradigma é uma forma de abordar um problema. No contexto da modelagem de um sistema de software, um paradigma tem a ver com a forma pela qual
Leia maisMetodologia e Gerenciamento do Projeto na Fábrica de Software v.2
.:: Universidade Estadual de Maringá Bacharelado em Informática Eng. de Software III :. Sistema de Gerenciamento de Eventos - Equipe 09 EPSI Event Programming System Interface Metodologia e Gerenciamento
Leia maisProf. Raul Sidnei Wazlawick UFSC-CTC-INE. Fonte: Análise e Projeto de Sistemas de Informação Orientados a Objetos, 2ª Edição, Elsevier, 2010.
Visão Geral do Sistema Prof. Raul Sidnei Wazlawick UFSC-CTC-INE 2010 Fonte: Análise e Projeto de Sistemas de Informação Orientados a Objetos, 2ª Edição, Elsevier, 2010. A fase de concepção do UP consiste
Leia maisINTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por
INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática (1) Data Mining Conceitos apresentados por 1 2 (2) ANÁLISE DE AGRUPAMENTOS Conceitos apresentados por. 3 LEMBRE-SE que PROBLEMA em IA Uma busca
Leia maisEmpreendedorismo. Tópico 4 Plano de Negócios: Visão Geral
Empreendedorismo Tópico 4 Plano de Negócios: Visão Geral Conteúdo 1. Objetivos do Encontro... 3 2. Introdução... 3 3. Planejar. Por quê?... 3 4. O Plano é produto do empreendedor... 4 5. Estrutura do Plano
Leia mais1. Quem somos nós? A AGI Soluções nasceu em Belo Horizonte (BH), com a simples missão de entregar serviços de TI de forma rápida e com alta qualidade.
1. Quem somos nós? A AGI Soluções nasceu em Belo Horizonte (BH), com a simples missão de entregar serviços de TI de forma rápida e com alta qualidade. Todos nós da AGI Soluções trabalhamos durante anos
Leia maisBig Data marca início da Semana de Informática da Fema
Big Data marca início da Semana de Informática da Fema Começou na segunda-feira, 23, a 24ª Semana de Informática da Fundação Educacional do Município de Assis Fema, evento promovido pela Coordenadoria
Leia maisI SILE-Seminário Integrado de Letras Espanhol a Distância /UFSC
A história da construção do conhecimento pessoal é a história da vida de cada um de nós, pois construímos esse conhecimento de uma maneira específica e individual. A teoria a respeito dos Mapas Conceituais
Leia maisATIVIDADES DE LINHA E DE ASSESSORIA
1 ATIVIDADES DE LINHA E DE ASSESSORIA SUMÁRIO Introdução... 01 1. Diferenciação das Atividades de Linha e Assessoria... 02 2. Autoridade de Linha... 03 3. Autoridade de Assessoria... 04 4. A Atuação da
Leia maisReferências internas são os artefatos usados para ajudar na elaboração do PT tais como:
Plano de Teste (resumo do documento) I Introdução Identificador do Plano de Teste Esse campo deve especificar um identificador único para reconhecimento do Plano de Teste. Pode ser inclusive um código
Leia maisSistemas de Gerenciamento do Relacionamento com o Cliente (Customer Relationship Management CRM)
CRM Definição De um modo muito resumido, pode definir-se CRM como sendo uma estratégia de negócio que visa identificar, fazer crescer, e manter um relacionamento lucrativo e de longo prazo com os clientes.
Leia maisUniversidade Federal de Minas Gerais ICEx / DCC
Universidade Federal de Minas Gerais ICEx / DCC Belo Horizonte, 15 de dezembro de 2006 Relatório sobre aplicação de Mineração de Dados Mineração de Dados em Bases de Dados de Vestibulares da UFMG Professor:
Leia maisA 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 maisGerenciando Sua Reputação Online Parte 1
Gerenciando Sua Reputação Online Parte 1 Índice Gerenciando Sua Reputação Online Parte 1 Índice O Que é Gerenciamento da Sua Reputação Online? Como Monitorar Sua Reputação Online O Básico Para Construir
Leia maisUnidade VI. Validação e Verificação de Software Teste de Software. Conteúdo. Técnicas de Teste. Estratégias de Teste
Unidade VI Validação e Verificação de Software Teste de Software Profa. Dra. Sandra Fabbri Conteúdo Técnicas de Teste Funcional Estrutural Baseada em Erros Estratégias de Teste Teste de Unidade Teste de
Leia maisPreparando sua empresa para o forecasting:
Preparando sua empresa para o forecasting: Critérios para escolha de indicadores. Planejamento Performance Dashboard Plano de ação Relatórios Indicadores Embora o forecasting seja uma realidade, muitas
Leia maisSistema Banco de Preços Manual do Usuário OBSERVATÓRIO
Sistema Banco de Preços Manual do Usuário OBSERVATÓRIO da Despesa Pública 1 Sumário O Banco de Preços... 3 Acessando o Banco de Preços... 4 Funções do Banco de Preços... 5 Gerar Preço de Referência...
Leia maisMódulo 4. Construindo uma solução OLAP
Módulo 4. Construindo uma solução OLAP Objetivos Diferenciar as diversas formas de armazenamento Compreender o que é e como definir a porcentagem de agregação Conhecer a possibilidade da utilização de
Leia maisMódulo I - Aula 3 Tipos de Sistemas
Módulo I - Aula 3 Tipos de Sistemas Agora que você já conheceu algumas características dos Sistemas de Informação, nesta aula você vai aprender um pouco sobre tipos de sistemas. Você conhecerá a integração
Leia maisCOMO ENGAJAR UM FUNCIONÁRIO NO PRIMEIRO DIA DE TRABALHO?
COMO ENGAJAR UM FUNCIONÁRIO NO PRIMEIRO DIA DE TRABALHO? COMO ENGAJAR UM FUNCIONÁRIO NO PRIMEIRO DIA DE TRABALHO? Engajar funcionários é conseguir envolver as pessoas em um mesmo propósito que a empresa
Leia maisAPOO Análise e Projeto Orientado a Objetos. Requisitos
+ APOO Análise e Projeto Orientado a Objetos Requisitos Requisitos 2 n Segundo Larman: n São capacidades e condições às quais o sistema e em termos mais amplos, o projeto deve atender n Não são apenas
Leia maisAPLICAÇÕES DA DERIVADA
Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,
Leia maisSISTEMAS ESPECIALISTAS
SISTEMAS ESPECIALISTAS Pasteur Ottoni de Miranda Junior DCC PUC Minas Postado em www.pasteurjr.blogspot.com Sistemas especialistas (SE) representam o comportamento de um especialista humano em determinada
Leia maisUma análise de ferramentas de modelagem e gerência de metadados aplicadas ao projeto de BI/DW-UFBA
Universidade Federal da Bahia Instituto de Matemática Departamento de Ciência da Computação MATA67 Projeto Final II Uma análise de ferramentas de modelagem e gerência de metadados aplicadas ao projeto
Leia maisCOMUNICAÇÃO NA ERA DO BIG DATA
COMUNICAÇÃO NA ERA DO BIG DATA Sorria, você está sendo monitorado Numa sociedade em que praticamente tudo é digital, nossos passos podem e são rastreados, monitorados, compilados e analisados para fins,
Leia maisExtração de Requisitos
Extração de Requisitos Extração de requisitos é o processo de transformação das idéias que estão na mente dos usuários (a entrada) em um documento formal (saída). Pode se entender também como o processo
Leia mais