Business Intelligence & Data Mining

Tamanho: px
Começar a partir da página:

Download "Business Intelligence & Data Mining"

Transcrição

1 Business Intelligence & Data Mining Nuno Cavalheiro Marques Prof. Auxiliar DI- FCT/UNL 1

2 Armazenar Informação em Bases de Dados Porquê a utilização de Sistemas de Bases de Dados (SBD)? Armazenamento dos dados de uma forma consistente ( a informação não deve conter informação divergente sobre o mesmo facto), de fácil acesso usando linguagens de consulta e com mecanismos de segurança para o acesso à informação. Sistemas de gestão de Bases de Dados: Até 1970/80 - Sistemas Centralizados. Com a LAN:Sistemas distribuídos e Bases de Dados Distribuídas Sistema Centralizado (1970/80) Sistemas distribuídos 2

3 OLTP/OLAP Um banco quer guardar a informação dos seus clientes e das contas. Para além de guardar a informação, o banco precisa de programas para Fazer débitos e créditos numa conta Abrir e fechar contas Ver o saldo de uma conta Fazer os estratos das contas Sistema transaccional (OLTP): Milhares de acessos simultâneos. Ninguém (incluindo o banco) pode perder dinheiro. Ninguém quer esperar pela transacção (ex. Multibanco, no Natal). Sistema Analítico (OLAP): Analisar os volumes de transacções, num dado dia, a determinada hora, no comércio tradicional e em hipermercados. Decidir se deve ser concedido crédito ao dono de um pequeno negócio. 3

4 Bases de Dados: Classes de Aplicações On Line Transaction Processing (OLTP): SQL; Taxas Elevadas de transacções de Update: Alto nível de concorrência; Técnicas especiais de COMMIT; Arquitecturas especificas (Hardware e Software). On Line Analitical Processing (OLAP): Bons algoritmos de query evaluation; Query Optimization. Arquitecturas especificas (Hardware e Software). Sistemas Integrados: Uma Mistura dos 2. Junção das várias componentes (IBM DB2 e Oracle). SQL Server (Não multi-plataforma, OLAP sem DataMining) 4

5 Consultas à Informação Não basta armazenar os dados. Há que, pelo menos, poder consultar os dados armazenados. O que são consultas? Analisar a informação nas tabelas para obter um conjunto filtrado de informação Há quatro consultas possiveis a uma base de dados: Projecção: Seleccionar um conjunto de campos de uma ou várias tabelas. Selecção: Criar condições que permitam filtrar um conjunto de registos. Junção: Juntar duas tabelas (através de uma relacção) Agregação: Operações estatísticas sobre um grupo de registos com propriedades comuns (ex.: saldo médio de todos os clientes no mesmo balcão). 5

6 Agregação : Operações Estatísticas Estatísticas como, por exemplo, o somatório ou a média Exemplo: Total gasto por cada cliente em cursos Total Curso: Soma([Nº de participantes]*[cust o por Participante]) Agrupar pela empresa (Group By) Seleccionar Σ para agrupar 6

7 Warehousing: : Tabelas de Contingência e Cubo OLAP Cross Tabulation of sales by itemname and color A tabela acima é um exemplo de uma tabela de contingência para análise de dados (também conhecida como pivot-table). Uma tabela de contingência é uma tabela onde: Os valores para um dado atributo (enquanto dimensão) formam as linhas e colunas. Outras dimensões podem ser vistas no topo Os valores em cada célula são agregações sobre os valores das dimensões que especificam essa célula. OBJECTIVO: RESPOSTA RÁPIDA A NOVAS QUESTÕES. 7

8 Meios mecânicos para tratar dados Assumindo os dados numa Bases de Dados ou num Armazéns de Dados (Data Warehousing) As técnicas mecânicas são capazes de: Seleccionar (BD/SQL) Filtrar e agrupar (OLAP/Data Warehousing) E Interpretar os Dados! (Data Mining) Estes processos já são hoje necessários à sobrevivência do/a: Ex: Profissional. Cientista. Organização. A bolsa é já hoje, em grande medida, um jogo de computadores contra computadores! 8

9 Algumas aplicações da Data Mining Analise de compras num supermercado: Quem compra leite também compra pão. Clientes de risco na concessão de crédito Os clientes com menos dinheiro (mas que podem pagar) são os mais lucrativos! Preferências de compra Amazon Clientes de risco Prever os clientes tem maior probabilidade de mudar de operadora de telefone. Lançar uma campanha de marketing para reter o cliente. Apenas investir em publicidade para clientes que têm boa probabilidade de aceitar um determinado produto Segmentação Detecção de fraudes 9

10 OLAP: Data Warehouse Fonte: 10

11 Máquinas para suporte e análise de Bases de Dados com Terabytes - arquitecturas paralelas IBM xseries 345 Com 1CPU: Shared nothing SUN FIRE V40Z Arquitectura PC Armário até 45U. Máquinas preparadas para processamento. Tipicamente com vários GB de RAM. Solução standard para múltiplos nós. Neste momento são possíveis soluções a menos de 900 por CPU. Até 4 CPUs: Shared memory 11

12 Detalhe HP-Alpha Server (max 32 CPUs) At A Glance AlphaServer GS320 systems include: One 1224-MHz CPU module; up to MHz Alpha processors are supported Optional HP Capacity on Demand (CoD) SMP processors for non-disruptive performance growth 16-MB on-board cache per processor Advanced crossbar switch with 7-GB memory bandwidth per building block; up to 57-GB memory bandwidth per system Choice of memory: up to 256-GB memory supported PCI I/O master drawer with 12 configurable PCI slots; up to bit PCI slots supported Up to bit PCI buses with 12.8-GB aggregate I/O bandwidth PCI 10/100 Mbit Ethernet adapter 18.2-GB SCSI disk drive 600-MB CD-ROM drive Enhanced reliability with ECC-protected memory, processor cache, and system data paths Security of RAID storage and online add and removal of CPUs Optional redundant power supplies with N+1 power option Tru64 UNIX or OpenVMS factory installed software (FIS); optional high availability support with Tru64 UNIX and OpenVMS cluster solutions Product warranty, one-year hardware, on-site next business day 12

13 IBM z-series DB2 Sysplex 13

14 KDD & Data Mining Descoberta de conhecimento em Bases de Dados (KDD, ou Knowledge Discovery in Databases): É o processo de identificação de estruturas, válidas, novas, potencialmente úteis e idealmente compreensíveis, nos dados. Data mining é o processo no KDD que, sobre limitações de eficiência na computação aceitáveis, enumera estruturas (padrões ou modelos) sobre os dados. Knowledge Discovery in Databases: Descoberta de Conhecimento em Bases de Dados Data Mining: Mineração de Dados / Extracção de Conhecimento. Fayyad et al. (1996) 14

15 KDD conhecimento Modelos Visualização Base De Dados, Textos Input data Data Mining Dados limpos Agregação Target Data Pré-processamento e limpeza Selecção e amostragem Data Warehouse 15

16 Uma nova área de pesquisa Na intersecção de diversas disciplinas: Bases de Dados. Visualização. Aprendizagem Automática: Estatística. Reconhecimento de Padrões. AI. E ainda, maior relevância (do que na aprendizagem automática) a: Optimização. Supercomputação. Computação Distribuída. 16

17 Visão Histórica da aprendizagem automática e Data Mining 1900:Census Americano realizado com as máquinas de tabulação e cartões prefurados: máquinas para analise (contagem ordenação e agrupamento) de grandes quantidades de informação. O sucesso destas máquinas leva à criação da IBM, nos anos 20 do século XX. 1950: Com os primeiros computadores surge a pesquisa em IA. 1960: Surge o conceito de perceptrão. FIM década: Falhas em atingir os objectivos iniciais levam a cortes orçamentais. Minsky/Papert: O perceptrão apenas pode aprender regras simples (não pode aprender o XOR!) 1970: Expert Systems: o conhecimento de especialistas pode ser facilmente expresso em regras if then (como encontrar as regras certas??) 1980: Algoritmos simples para criar árvores de decisão. Redes neuronais aprendem regras complexas. Os algoritmos genéticos modelam as regras da evolução. 1990: 1995: Primeira conferencia sobre Data Mining/KDD 17

18 Alguns Métodos no Data Mining Segundo a Encyclopedia of Computer Science Previsão (y n =f(x m ); aprende-se f(x m )). Regressão (f é continuo). Classificação (f é discreto). Segmentação de Dados (ou agrupamento - clustering) Aprende-se f (y n, x m ) Resumo de Dados Regras Associativas 18

19 O que é Classificação? O objectivo da classificação é organizar e categorizar os conjuntos de dados em classes distintas. Três fases: Construção do classificador com base na distribuição dos dados (construção). Modelo é avaliado pela classificação de novos dados (teste). Dado o modelo de classificação, e novos dados não classificados, o atributo classe pode ser predicto com base no modelo (classificação). 19

20 O que é um padrão? Um padrão é uma composição de atributos (características) que descreve uma entidade Numa tarefa de classificação um padrão é representado por um par {x, c} : x vector de características; c é valor do atributo classe (conceito por detrás da observação) 20

21 Perceptrão para classificar padrões x 1 x 2 x 3 x 4 x 5 w i1 w i2 w i3 w i4 w i5 Neuronio i Modela o sistema da visão humana (F. Rosenblatt 1956) Um dos primeiros modelos de rede neuronal. Apenas uma camada. y i Stimulus i = wij x j j = x = 1 0 z 0 1 f z = else 0 1 f z) = 1 z + e u u rest f ( ) Resposta ( Sigmoidal z) = e e z z e + e z z bias term ( w x u ) y + = f i 0 0 Heaviside step function ( Hyperbolic tangent i i 21

22 Mapeamento de padrões do perceptrão sigmoid x 0 w 0 x 1 w 1 w 2 x 2 y 1.2 output input /(1+exp(-x))-1 x 2 Decision boundary <0 Slope w 2 /w 1 u = 0 = w x + w x + w x w 0 >0 x 1 22

23 Fronteira de Decisão Linear: exemplo 8 6 TW O-CLASS DATA IN A TW O-DIMENSIONAL FEATURE SPACE Decision Region 1 Decision Region 2 4 Feature Decision Boundary Feature 1 23

24 Treino do perceptrão: : Regra Delta e = d i y i w = λ e ij x j λ=coeficiente de aprendizagem w ij =ligação do neuronio x j ao y i x=(x 1,x 2,...,x n ) entrada RNN y=(y 1,y 2,...,y n ) saída da RNN d=(d 1,d 2,...,d n ) padrão da entrada (x,d) exemplo de treino e=erro da RNN Descida por gradiente na superfície do erro. Garantia de encontrar a configuração de erro minimo numa RNN com uma única camada. Aproximação gradual do comportamento desejado. Simulação y 1 y 2 y 3 w 11 w 12 w 13 w 14 x 1 x 2 x 3 x 4 24

25 8 7 Fronteira de decisão de erro mínimo FEATURE FEATURE 1 25

26 Classificador linear simples pode ser definido para espaços de maior dimensionalidade (superior a 2D) 26

27 pode ser visualizado como um hiperplano d-dimensional 27

28 O que é que acontecería a este conjunto de dados se não fossem descritos pela terceira dimensão? E projectado neste plano? 28

29 Neste caso, não se pode obter uma precisão perfeita com classificador linear simples Poder-se-ia tentar resolver o problema com classificador quadrático ou classificador cúbico simples... 29

30 Classificador não linear: o Multi-Layer Perceptron (MLP) Uma das redes mais populares, versáteis e precisas. RNN Feedforward As camadas ocultas têm de ter uma função de transferencia não linear. Pode aproximar qualquer função y=f(x) Utilizados em: Classificação Controle. Modelação. Previsão. 30

31 Aprendizagem no MLP Aprendizagem Supervisionada Regra Delta Apenas pode treinar redes com uma camada. i.e. Apenas pode resolver problemas que são linearmente separáveis. Minsky-Papert s Perceptrons (1969) Propagação inversa do erro Rumelhart-McClelland (1986) Generalização da Regra Delta Pode treinar qualquer número de camadas. 31

32 Regiões de Decisão num MLP Single-layer HALF PLANE BOUNDED BY HYPERPLANE A B B A A B Two-layer CONVEX OPEN OR CLOSED REGION A B B A A B Three-layer ARBITRARY (complexity limited by number of neurons) A B B A A B 32

33 Um exemplo clássico: : o conjunto de Dados IRIS R. A. Fisher s Iris Dataset. Virginica 3 classes 50 entidades de cada classe Classificar plantas Iris numa das 3 espécies, usando os atributos Petal Length e Petal Width. Setosa Versicolor Iris Setosa Iris Versicolor Iris Virginica 33

34 Classificador para o conjunto IRIS Virginica Setosa Versicolor IF petal width > (0.325 * petal length ) THEN class = Virginica Elseif petal width No conjunto de treino aprender-se-ia a fronteira de decisão que descrimina (perfeitamente) as classes Setosa e Virginica/Versicolor; seguidamente o classificador aprende a discriminar (aproximadamente) entre as classes Virginica and Versicolor. 34

35 IM4D: Construção de um classificador por árvore de decisão e análise do modelo 35

36 Treino e sobre-ajustamento Y Y X Ajuste da curva curva linear Acontece quando o conceito a ser aprendido é demasiado específico, de acordo com os dados de treino. A rede neuronal que classifica perfeitamente a amostra, pode não ser a melhor ruído nos dados de treino os dados de treino podem não corresponder a uma amostra representativa. Melhora-se o modelo no conjunto de treino, mas o mesmo torna-se mais complicado Aumenta o risco de modelar ruído e cuincidências no conjunto de dados. Pode fazer diminuir o poder de classificação do conceito aprendido, para novos casos. X Ajuste da curva com demasiados parâmetros 36

37 Sobre-ajustamento numa rede neuronal Base: 37

38 Ferramentas para a Data Mining Algumas Ferramentas: SAS Enterprise Miner. Intelligent Miner (IBM). Statistica SPSS Darwin (Oracle, descontinuado integração API JAVA). Weka (Open Source, em JAVA). 38

39 Problemas tradicionais na Data Mining KDD: 80% do tempo na preparação dos dados e 20% em mining. Fácil de fazer de forma ad hoc mas é necessário cuidado! Falta de visão de longo termo: O que se quer obter dos dados no futuro? Nem todos os ficheiros estão actualizados Falta de colaboração de um departamento: Dêem-nos as queries que depois enviamos a informação Problemas legais ou de privacidade. Dificuldades em relacionar a informação. Timing: Os dados podem ser relacionados, mas com 6 meses de atraso Problemas de interpretação 39

40 Integração: Oracle 9i Entrepise/AS mar/images/o23instant_f1.jpg 40

41 Algumas Referencias para mais informação Database System Concepts. Silberschatz, Korth, Sudarshan. 4a Edição. McGrawHill (referencia para Bases de Dados) Data Mining by Pieter Adriaans, Dolf Zantinge, SyllogicFirm - Addison-Wesley (referencia introdutória para o Data Mining) Tom M. Mitchell, Machine Learning. McGraw Hill. (referencia para aprendizagem automática). Simon Haykin, Neural networks : a comprehensive foundation. Prentice Hall International, (referencia para Redes Neuronais) Ian H. Witten and Eibe Frank. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. Morgan Kaufmann (referencia genérica em Data Mining, introduz o pacote Weka) 41

42 FIM 42

Sistemas de Apoio à Decisão

Sistemas de Apoio à Decisão Sistemas de Apoio à Decisão Data Mining & Optimização Victor Lobo Objectivos gerais Abrir horizontes em temas actuais Aprender técnicas usadas em Sistemas de apoio à decisão ou Business Intelligence Métodos

Leia mais

Data Mining II Modelos Preditivos

Data Mining II Modelos Preditivos Data Mining II Modelos Preditivos Prof. Doutor Victor Lobo Mestre André Melo Mestrado em Estatística e Gestão de Informação Objectivo desta disciplina Fazer previsões a partir de dados. Conhecer os principais

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

Data Warehouse Mineração de Dados

Data Warehouse Mineração de Dados Data Warehouse Mineração de Dados Profa. Roberta Macêdo M. Gouveia robertammg@gmail.com 1 18/12/2014 Data Warehouse Data Mining Big Data A mina de ouro debaixo dos bits 2 Data Warehouse: A Memória da Empresa

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

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

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

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

SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI LEARNING SYSTEMS FOR IDENTIFICATION OF PEQUI FRUIT SEEDS NUMBER

SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI LEARNING SYSTEMS FOR IDENTIFICATION OF PEQUI FRUIT SEEDS NUMBER SISTEMAS DE APRENDIZADO PARA A IDENTIFICAÇÃO DO NÚMERO DE CAROÇOS DO FRUTO PEQUI Fernando Luiz de Oliveira 1 Thereza Patrícia. P. Padilha 1 Conceição A. Previero 2 Leandro Maciel Almeida 1 RESUMO O processo

Leia mais

Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II. Mineração de Dados. Sylvio Barbon Junior barbon@uel.br. 26 de junho de 2015 DC-UEL Sylvio Barbon Jr 1

Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II. Mineração de Dados. Sylvio Barbon Junior barbon@uel.br. 26 de junho de 2015 DC-UEL Sylvio Barbon Jr 1 Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II Mineração de Dados Sylvio Barbon Junior barbon@uel.br 26 de junho de 2015 DC-UEL Sylvio Barbon Jr 1 Sumário Etapa I Etapa II Inteligência de Negócios Visão

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

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

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

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

Sistemas de Apoio à Decisão. Vocabulário e conceitos Vista geral

Sistemas de Apoio à Decisão. Vocabulário e conceitos Vista geral Sistemas de Apoio à Decisão Vocabulário e conceitos Vista geral Decisão A escolha de uma entre várias alternativas Processo de tomada de decisão (decision making) Avaliar o problema Recolher e verificar

Leia mais

Planejamento Estratégico de TI. Prof.: Fernando Ascani

Planejamento Estratégico de TI. Prof.: Fernando Ascani Planejamento Estratégico de TI Prof.: Fernando Ascani Data Mining Os métodos tradicionais de Data Mining são: Classificação Associa ou classifica um item a uma ou várias classes categóricas pré-definidas.

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

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem

Leia mais

MBA em Gestão de Empreendimentos Turísticos

MBA em Gestão de Empreendimentos Turísticos Prof. Martius V. Rodriguez y Rodriguez, DSc martius@kmpress.com.br MBA em Gestão de Empreendimentos Turísticos Gestão do Conhecimento e Tecnologia da Informação Gestão do Conhecimento evolução conceitual.

Leia mais

Prof. Júlio Cesar Nievola Data Mining PPGIa PUCPR

Prof. Júlio Cesar Nievola Data Mining PPGIa PUCPR Uma exploração preliminar dos dados para compreender melhor suas características. Motivações-chave da exploração de dados incluem Ajudar na seleção da técnica correta para pré-processamento ou análise

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

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

INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA

INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA INTRODUÇÃO A MINERAÇÃO DE DADOS UTILIZANDO O WEKA Marcelo DAMASCENO(1) (1) Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte/Campus Macau, Rua das Margaridas, 300, COHAB, Macau-RN,

Leia mais

Inteligência de Negócio. Brian Cowhig

Inteligência de Negócio. Brian Cowhig Inteligência de Negócio Brian Cowhig Inteligência de Negócio O Que é Inteligência de Negócio? Três Níveis de Inteligência de Negócio Database Query OLAP Data Mining Produtos de Inteligência de Negócio

Leia mais

Knowledge Discovery and Data Mining Extensão-UFMS-DCT

Knowledge Discovery and Data Mining Extensão-UFMS-DCT Knowledge Discovery and Data Mining Extensão-UFMS-DCT Introdução ao Processo de KDD Esta introdução se baseou quase que integralmente nas transparências produzidas por: Daniel L. Silver (dsilver@mgmt.dal.ca)

Leia mais

Data Warehouse Mineração de Dados

Data Warehouse Mineração de Dados Data Warehouse Mineração de Dados Profa. Roberta Macêdo M. Gouveia robertammg@gmail.com 1 05/11/2015 DATA WAREHOUSE DATA MINING BIG DATA A mina de ouro debaixo dos bits. 2 Data Warehouse: A Memória da

Leia mais

Data Warehouse Mineração de Dados

Data Warehouse Mineração de Dados Data Warehouse Mineração de Dados Profa. Roberta Macêdo M. Gouveia robertammg@gmail.com 1 11/06/2015 DATA WAREHOUSE DATA MINING BIG DATA A mina de ouro debaixo dos bits. 2 Data Warehouse: A Memória da

Leia mais

KDD E MINERAÇÃO DE DADOS:

KDD E MINERAÇÃO DE DADOS: KDD E MINERAÇÃO DE DADOS: Introdução e Motivação Prof. Ronaldo R. Goldschmidt ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt Fatos: Avanços em TI e o crescimento

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

Criação e uso da Inteligência e Governança do BI

Criação e uso da Inteligência e Governança do BI Criação e uso da Inteligência e Governança do BI Criação e uso da Inteligência e Governança do BI Governança do BI O processo geral de criação de inteligência começa pela identificação e priorização de

Leia mais

AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS

AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS AVALIAÇÃO COMPARATIVA DE ALGORITMOS PARA SISTEMAS DE RECOMENDAÇÃO EM MÚLTIPLOS DOMÍNIOS: MODELOS INTERPRETÁVEIS APLICADOS A DADOS EDUCACIONAIS Hugo Marques Casarini Faculdade de Engenharia de Computação

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

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

XIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO

XIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO XIII Encontro de Iniciação Científica IX Mostra de Pós-graduação 06 a 11 de outubro de 2008 BIODIVERSIDADE TECNOLOGIA DESENVOLVIMENTO EPE0147 UTILIZAÇÃO DA MINERAÇÃO DE DADOS EM UMA AVALIAÇÃO INSTITUCIONAL

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

MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES

MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES MINERAÇÃO DE DADOS PARA DETECÇÃO DE SPAMs EM REDES DE COMPUTADORES Kelton Costa; Patricia Ribeiro; Atair Camargo; Victor Rossi; Henrique Martins; Miguel Neves; Ricardo Fontes. kelton.costa@gmail.com; patriciabellin@yahoo.com.br;

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

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

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

Introdução a Sistemas de Apoio à Decisão 4ºAno M, AN,FZ,EN-MEC,EN-AEL V 1.6, V.Lobo, EN 2014

Introdução a Sistemas de Apoio à Decisão 4ºAno M, AN,FZ,EN-MEC,EN-AEL V 1.6, V.Lobo, EN 2014 Victor Lobo SAD - Sistemas de Apoio à Decisão Técnicas de Previsão, agrupamento, e optimização Programa (traços gerais) 1. Introdução aos Sistemas de Apoio à Decisão 2. Organização de dados, visualização

Leia mais

Sistemas de Apoio à Decisão Introdução ao DataMining V 1.0, V.Lobo, EN/ISEGI, 2005

Sistemas de Apoio à Decisão Introdução ao DataMining V 1.0, V.Lobo, EN/ISEGI, 2005 V., V.Lobo, E/IEGI, 25 Objectivos gerais istemas de Apoio à Decisão Data ining & Optimização Victor Lobo Abrir horizontes em temas actuais Aprender técnicas usadas em istemas de apoio à decisão ou Business

Leia mais

MLP (Multi Layer Perceptron)

MLP (Multi Layer Perceptron) MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -

Leia mais

Ferramentas Livres de Armazenamento e Mineração de Dados

Ferramentas Livres de Armazenamento e Mineração de Dados Ferramentas Livres de Armazenamento e Mineração de Dados JasperBI, Pentaho, Weka 09/2009 Eng. Pablo Jorge Madril pmadril@summa.com.br Summa Technologies www.summa.com.br Eng. Pablo Jorge Madril pmadril@summa.com.br

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

Arquitecturas de Sistemas de Base de Dados

Arquitecturas de Sistemas de Base de Dados Arquitecturas de Sistemas de Base de Dados Sistemas Centralizados Sistemas Cliente-Servidor Sistemas Paralelos Sistemas Distribuídos Sistemas Centralizados Correm sobre um único computador e não interagem

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala [quinta-feira, 7:30 12:00] Atendimento Segunda

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

Introdução aos Sistemas Operativos

Introdução aos Sistemas Operativos Introdução aos Sistemas Operativos Operating System Concepts, Abraham Silberschatz, Peter Baer Galvin, 6ª Ed., Addison-Wesley, 2002 [cap.1, 2 e 3] Operating Systems, Third Edition Harvey M. Deitel, Prentice

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: 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

Data Warehousing e OLAP

Data Warehousing e OLAP Data Warehousing e OLAP Jornadas de Engenharia Informática Instituto Politécnico da Guarda Henrique Madeira Departamento de Engenharia Informática Faculdade de Ciências e Tecnologia Universidade de Coimbra

Leia mais

Data, Text and Web Mining

Data, Text and Web Mining Data, Text and Web Mining Fabrício J. Barth TerraForum Consultores Junho de 2010 Objetivo Apresentar a importância do tema, os conceitos relacionados e alguns exemplos de aplicações. Data, Text and Web

Leia mais

Estudo e Análise da Base de Dados do Portal Corporativo da Sexta Região da Polícia Militar com vista à aplicação de Técnicas de Mineração de Dados1

Estudo e Análise da Base de Dados do Portal Corporativo da Sexta Região da Polícia Militar com vista à aplicação de Técnicas de Mineração de Dados1 Estudo e Análise da Base de Dados do Portal Corporativo da Sexta Região da Polícia Militar com vista à aplicação de Técnicas de Mineração de Dados1 Rafaela Giroto, 10º módulo de Ciência da Computação,

Leia mais

Disciplina de Text Mining

Disciplina de Text Mining Disciplina de Text Mining Fabrício J. Barth fabricio.barth@gmail.com Pós Graduação em Big Data - Faculdade BandTec Novembro de 2015 Objetivo O objetivo deste curso é apresentar a área de Text Mining. Serão

Leia mais

TÉCNICAS DE DATA MINING EM BIOINFORMÁTICA

TÉCNICAS DE DATA MINING EM BIOINFORMÁTICA TÉCNICAS DE DATA MINING EM BIOINFORMÁTICA Notas de apoio ao módulo Técnicas de Data Mining em Bioinformática Instituto Superior Técnico Outubro de 2005 Arlindo L. Oliveira, Paulo Franco, Ana Teresa Freitas,Cláudia

Leia mais

Uma Ferramenta Web para BI focada no Gestor de Informação

Uma Ferramenta Web para BI focada no Gestor de Informação Uma Ferramenta Web para BI focada no Gestor de Informação Mikael de Souza Fernandes 1, Gustavo Zanini Kantorski 12 mikael@cpd.ufsm.br, gustavoz@cpd.ufsm.br 1 Curso de Sistemas de Informação, Universidade

Leia mais

DATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago

DATA WAREHOUSE. Rafael Ervin Hass Raphael Laércio Zago DATA WAREHOUSE Rafael Ervin Hass Raphael Laércio Zago Roteiro Introdução Aplicações Arquitetura Características Desenvolvimento Estudo de Caso Conclusão Introdução O conceito de "data warehousing" data

Leia mais

Modelos Pioneiros de Aprendizado

Modelos Pioneiros de Aprendizado Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron

Leia mais

IBM SPSS Statistics 22

IBM SPSS Statistics 22 IBM SPSS Statistics 22 Módulos opcionais IBM SPSS Statistics Base O IBM SPSS Statistics Base é o software parte integrante dos processos analíticos, fornecendo funcionalidades para acesso, gerenciamento,

Leia mais

xseries x366 Processador Intel Xeon MP

xseries x366 Processador Intel Xeon MP São Paulo, 22 de Junho de 2005. xseries x366 O xseries 366 é um servidor de 3U otimizado para rack de alta performance que pode ser equipado com até quatro processadores Intel Xeon MP EM64T ( Cranford

Leia mais

Modelação Dimensional 4

Modelação Dimensional 4 INTEGRAÇÃO E PROCESSAMENTO ANALÍTICO DE INFORMAÇÃO Modelação Dimensional 4 António Manuel Silva Ferreira UNIVERSIDADE DE LISBOA FACULDADE DE CIÊNCIAS DEPARTAMENTO DE INFORMÁTICA asfe@di.fc.ul.pt Sumário

Leia mais

Relatório de teste em Ambiente de Cluster OpenVMS

Relatório de teste em Ambiente de Cluster OpenVMS Compaq OpenVMS e Digital Networks Relatório de teste em Ambiente de Cluster OpenVMS 14 de agosto de 2001 1 Resumo executivo Testes foram realizados com equipamentos Digital Networks (DNmultilayer 1200

Leia mais

Sistemas de Apoio à Decisão (SAD) - Senado

Sistemas de Apoio à Decisão (SAD) - Senado Sistemas de Apoio à Decisão (SAD) - Senado DW OLAP BI Ilka Kawashita Material preparado :Prof. Marcio Vitorino Sumário OLAP Data Warehouse (DW/ETL) Modelagem Multidimensional Data Mining BI - Business

Leia mais

UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS

UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que

Leia mais

MESTRADO EM PESQUISA DE MERCADOS 2006 2007

MESTRADO EM PESQUISA DE MERCADOS 2006 2007 MESTRADO EM PESQUISA DE MERCADOS 2006 2007 PROGRAMA DAS DISCIPLINAS 1 1º trimestre PESQUISA DE MERCADOS Objectivos Pretende-se que os alunos: (a) adquiram os conceitos e semântica próprios do tema, (b)

Leia mais

Como tornar o seu. Maribel Yasmina* Isabel Ramos*

Como tornar o seu. Maribel Yasmina* Isabel Ramos* Os sistemas de Business Intelligence são imprescindíveis a decisores dinâmicos e motivados para aproveitar as oportunidades que uma sociedade em transformação rápida pode oferecer Maribel Yasmina* Como

Leia mais

Hitachi Unified Storage. Família HUS 100. Henrique Leite! henrique.leite@hds.com! Tuesday, 4 de September de 12! Solutions Consultant!

Hitachi Unified Storage. Família HUS 100. Henrique Leite! henrique.leite@hds.com! Tuesday, 4 de September de 12! Solutions Consultant! Hitachi Unified Storage Família HUS 100 Henrique Leite! Solutions Consultant! henrique.leite@hds.com! Tuesday, 4 de September de 12! 1 Hitachi Data Systems 2011. All rights reserved. AGENDA Direção do

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

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

MINERAÇÃO DE DADOS. Mineração de Dados

MINERAÇÃO DE DADOS. Mineração de Dados MINERAÇÃO DE DADOS Mineração de Dados Sumário Conceitos / Autores chave... 3 1. Introdução... 4 2. Conceitos de Mineração de Dados... 5 3. Aplicações de Mineração de Dados... 7 4. Ferramentas de Mineração

Leia mais

Dwing ETL e Metadados. PUC-Rio TecBD/DI. Prof. Rubens Melo. Implementação de DW

Dwing ETL e Metadados. PUC-Rio TecBD/DI. Prof. Rubens Melo. Implementação de DW Dwing ETL e Metadados PUC-Rio TecBD/DI Prof. Rubens Melo Implementação de DW Requer: Monitoração: dos dados que vem das fontes Integração: Limpeza de dados, Carga,... Gerência: Metadado, Projeto,... Processamento:

Leia mais

Mineração de dados: Aplicações, Eficiência e Usabilidade.

Mineração de dados: Aplicações, Eficiência e Usabilidade. 86 Mineração de dados: Aplicações, Eficiência e Usabilidade. Michel Ferreira Bueno Maury Reis Viana Instituto Nacional de Telecomunicações - Inatel michel.ferreira@gec.inatel.br Instituto Nacional de Telecomunicações

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

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

Redes Neurais. Profa. Flavia Cristina Bernardini

Redes Neurais. Profa. Flavia Cristina Bernardini Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento

Leia mais

Informática. Conceitos Básicos. Informação e Sistemas de Informação. Aula 3. Introdução aos Sistemas

Informática. Conceitos Básicos. Informação e Sistemas de Informação. Aula 3. Introdução aos Sistemas Informática Aula 3 Conceitos Básicos. Informação e Sistemas de Informação Comunicação Empresarial 2º Ano Ano lectivo 2003-2004 Introdução aos Sistemas A Teoria dos Sistemas proporciona um meio poderoso

Leia mais

Extração de Conhecimento & Mineração de Dados

Extração de Conhecimento & Mineração de Dados Extração de Conhecimento & Mineração de Dados Nesta apresentação é dada uma breve introdução à Extração de Conhecimento e Mineração de Dados José Augusto Baranauskas Departamento de Física e Matemática

Leia mais

Oracle Database 11g para Data Warehousing e Business Intelligence. Um Artigo Técnico da Oracle Setembro de 2008

Oracle Database 11g para Data Warehousing e Business Intelligence. Um Artigo Técnico da Oracle Setembro de 2008 Oracle Database 11g para Data Warehousing e Business Intelligence Um Artigo Técnico da Oracle Setembro de 2008 Oracle Database 11g para Data Warehousing e Business Intelligence Introdução... 3 Hardware...

Leia mais

Chapter 3. Análise de Negócios e Visualização de Dados

Chapter 3. Análise de Negócios e Visualização de Dados Chapter 3 Análise de Negócios e Visualização de Dados Objetivos de Aprendizado Descrever a análise de negócios (BA) e sua importância par as organizações Listar e descrever brevemente os principais métodos

Leia mais

O Valor do Licenciamento do SQL Server 2012 Versus Oracle Database

O Valor do Licenciamento do SQL Server 2012 Versus Oracle Database White Paper Publicado em: Janeiro de 2012 Aplica-se ao: SQL Server 2012 O Valor do Licenciamento do SQL Server 2012 Versus Oracle Database Resumo: As mudanças no produto e no licenciamento da Microsoft

Leia mais

Open Operational Platform

Open Operational Platform Open Operational Platform Visão Tecnológica 20.01.2009 Agenda Enquadramento Arquitectura Características Diferenciadoras Case Study 2 Enquadramento 3 Mobilidade Optimização Processos Tecnologia Operações

Leia mais

Profº Aldo Rocha. Banco de Dados

Profº Aldo Rocha. Banco de Dados Profº Aldo Rocha Banco de Dados AULA 02 SBD Turma: ASN102 BELÉM, 12 DE AGOSTO DE 2011 Aula Passada Na aula passada nós trabalhamos a introdução a Banco de dados e a AGENDA FOI: Níveis de abstração; Dado,

Leia mais

Padronização de Processos: BI e KDD

Padronização de Processos: BI e KDD 47 Padronização de Processos: BI e KDD Nara Martini Bigolin Departamento da Tecnologia da Informação -Universidade Federal de Santa Maria 98400-000 Frederico Westphalen RS Brazil nara.bigolin@ufsm.br Abstract:

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

Decisão Suporte: Warehousing, OLAP e Data Mining

Decisão Suporte: Warehousing, OLAP e Data Mining Decisão Suporte: Warehousing, OLAP e Data Mining 7-1 Introdução Cada vez mais, organizações estão analizando dados correntes e históricos para identificar padrões úteis e suporte a estratégias de negócios.

Leia mais

Decisão Suporte: Warehousing, OLAP e Data Mining

Decisão Suporte: Warehousing, OLAP e Data Mining Decisão Suporte: Warehousing, OLAP e Data Mining 7-1 Introdução Cada vez mais, organizações estão analizando dados correntes e históricos para identificar padrões úteis e suporte a estratégias de negócios.

Leia mais

Aplicação de Data Mining para Sugestão de Investimentos na Bolsa de Valores

Aplicação de Data Mining para Sugestão de Investimentos na Bolsa de Valores Aplicação de Data Mining para Sugestão de Investimentos na Bolsa de Valores Lucas M. Braz 1, Rafael Ferreira 1, Diego Dermeval 1, Douglas Véras 1, Henrique Pacca 1 1 Instituto de Computação Universidade

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

Service Appliance IVETIME. Disponibilidade de serviço instantânea! Plug and Play. Segurança. Tolerância a falhas. Manutenção zero. Elevada Performance

Service Appliance IVETIME. Disponibilidade de serviço instantânea! Plug and Play. Segurança. Tolerância a falhas. Manutenção zero. Elevada Performance IVETIME Service Appliance Disponibilidade de serviço instantânea! Aumentar a produtividade Transformar o serviço a Clientes Proteger o capital intelectual Plug and Play Segurança Tolerância a falhas Manutenção

Leia mais

Uma Base de Dados é uma colecção de dados partilhados, interrelacionados e usados para múltiplos objectivos.

Uma Base de Dados é uma colecção de dados partilhados, interrelacionados e usados para múltiplos objectivos. 1. Introdução aos Sistemas de Bases de Dados Uma Base de Dados é uma colecção de dados partilhados, interrelacionados e usados para múltiplos objectivos. O conceito de base de dados faz hoje parte do nosso

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

Descoberta de Conhecimento em Bases de Dados. Perspectiva de Evolução dos Sistemas de Informação

Descoberta de Conhecimento em Bases de Dados. Perspectiva de Evolução dos Sistemas de Informação Armazéns de Base de Analíticas Descoberta de Conhecimento em Bases de Grupo de Investigação em Engenharia do Conhecimento e Apoio à Decisão GECAD Instituto Superior de Engenharia do Porto Perspectiva de

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

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

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

ADMINISTRAÇÃO DOS RECURSOS DE DADOS

ADMINISTRAÇÃO DOS RECURSOS DE DADOS Capítulo 7 ADMINISTRAÇÃO DOS RECURSOS DE DADOS 7.1 2003 by Prentice Hall OBJETIVOS Por que as empresas sentem dificuldades para descobrir que tipo de informação precisam ter em seus sistemas de informação?

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

Experimentos de Mineração de Dados em R Disciplina do curso de Pós-Graduação da UTFPR

Experimentos de Mineração de Dados em R Disciplina do curso de Pós-Graduação da UTFPR Experimentos de Mineração de Dados em R Disciplina do curso de Pós-Graduação da UTFPR Paulo Carvalho Diniz Junior CPGEI / UTFPR Avenida Sete de Setembro, 3165 Curitiba-PR - CEP 80.230-910 E-mail: paulo.carvalho.diniz@gmail.com

Leia mais

Data Mining: Ferramenta JAVA

Data Mining: Ferramenta JAVA Data Mining: Ferramenta JAVA JAVA para Data Mining Weka 3: Data Mining Software em Java http://www.cs.waikato.ac.nz/ml/weka/ Coleção de algoritmos para as tarefas de data mining; Free software. WEKA: JAVA

Leia mais