Pós-Graduação em Ciência da Computação CCM Sistemas de Banco de Dados
|
|
- Rubens Prado Miranda
- 5 Há anos
- Visualizações:
Transcrição
1 Pós-Graduação em Ciência da Computação CCM Sistemas de Banco de Dados Mineração Visual de Dados (Visual Data Mining) Cledson Diego de Marchi 26/07/11 1
2 Considerações Iniciais Pontos Relevantes; Motivação (O Porquê); Objetivo (Pessoal e Acadêmico). 26/07/11 2
3 Mineração de Dados Roteiro da Apresentação Mineração Visual de Dados Classificação das Técnicas de Visualização Técnicas de Visualização(Software) 26/07/11 3
4 Mineração de Dados Roteiro da Apresentação Mineração Visual de Dados Classificação das Técnicas de Visualização Técnicas de Visualização(Software) 26/07/11 4
5 Introdução Mineração de Dados pode ser visto como uma evolução natural da tecnologia de Banco de Dados. 26/07/11 5
6 Introdução De acordo com Elmasri & Navathe(2005): Mineração de Dados é a descoberta de novas informações em função de padrões ou regras em grandes quantidades de dados. Na prática, precisa ser realizado em: Grandes Arquivos; Grandes Bancos de Dados. 26/07/11 6
7 Introdução Já para Han & Kamber(2006): Mineração de Dados é extrair ou minerar conhecimento de um grande amontoado de dados. 26/07/11 7
8 Descoberta do Conhecimento O resultado da mineração pode ser descobrir os seguintes tipos de conhecimentos(informações) novos: Regras de Associação; Hierarquias de Classificação; Padrões Sequenciais; Padrões com Séries Temporais; Clustering (Agrupamento). 26/07/11 8
9 Regras de Associação Principais Regras de Associação utilizadas: Modelo dos Carrinhos de Supermercado; Algoritmo Apriori; Algoritmo por Amostragem; Algoritmo Árvore de Padrão-Frequente (Apriori). 26/07/11 9
10 Regras de Associação Exemplos: Quando uma mulher compra uma bolsa em uma loja, ela está propensa a comprar sapatos. Uma imagem de Raio X contendo características de A e B provavelmente exibirá também características de C. 26/07/11 10
11 Regras de Associação Utilizar Regras de Associação na vida real é complicado pelos seguintes fatores: A cardinalidade(número de registros) de itens na maioria da vezes é extremamente grande; Transações variam dependendo de alguns fatores, como localização, clima, tornando a amostragem difícil; As classificações de itens existem em múltiplas dimensões; Associação negativa, é extremamente difícil. 26/07/11 11
12 Classificação É o processo de encontrar um modelo que descreva classes diferentes de dados. E as classes são predeterminadas. Exemplo: Clientes de banco podem ser: Risco Baixo; Risco Justo(Médio); Risco Alto. Chamado de Aprendizado Supervisionado. 26/07/11 12
13 Classificação O modelo de aprendizado é realizado usando um treinamento com um conjunto de dados que já foram classificados. O modelo de está normalmente em forma de Árvore de Decisão ou um Conjunto de Regras. 26/07/11 13
14 Árvore de Decisão Casado Sim Não Salário Renda < Risco Alto >= <= Risco Justo >= Risco Baixo < Risco Alto < 25 <= Idade >= 25 Risco Justo Risco Baixo 26/07/11 14
15 Padrões Sequencias Uma sequência de ações ou eventos é investigada. Exemplo: Se um paciente fez ponte de safena para artérias bloqueadas, depois desenvolveu um uréia alta no sangue no período de um ano, ele está propenso a sofrer problemas de renais nos próximos dezoito meses. 26/07/11 15
16 Padrões com Séries Temporais Similaridades podem ser encontradas em posições de uma série temporal de dados, que é uma sequência de dados tomados a intervalos regulares. Exemplo: Dois produtos mostraram o mesmo padrão no verão(série temporal), mas diferentes no inverno(outra série). 26/07/11 16
17 Clustering (Agrupamento) Dada população de eventos ou novos itens podem ser particionados em conjuntos de elementos similares. Exemplo: Em uma determinada empresa é importante determinar grupos de clientes que tenham padrões parecidos de compras. Chamado de Aprendizado Nãosupervisionado. 26/07/11 17
18 Data Mining x Data Warehouse A proposta do Data Warehouse é sustentar a tomada de decisão com dados. A Data Mining pode ser usado em conjunto com DW. Descoberta de conhecimento em bancos de dados 26/07/11 18
19 Descoberta do Conhecimento Lembrando! Mineração de Dados precisa ser precedida por significativa preparação de dados antes que ela possa gerar informação significativa que influencie as tomadas de decisões. Os resultados da mineração podem ser mostrados em uma variedade de formatos, como listagens, gráficos, tabelas e etc. 26/07/11 19
20 Mineração de Dados Roteiro da Apresentação Mineração Visual de Dados Classificação das Técnicas de Visualização Técnicas de Visualização(Software) 26/07/11 20
21 Mineração Visual de Dados A idéia básica da exploração visual de dados é apresentar o dado em uma forma visual que possa: Permitir o humano entender a informação; Tomar decisões; Interagir diretamente com a informação apresentada. 26/07/11 21
22 Benefícios Dentre vários benefícios da exploração visual de dados destacamos: Facilidade de entendimento de dados não homogêneos com clareza; É intuitiva não requer conhecimento complexo de matemática, estática, algoritmos ou parâmetros; Abstração da alta dimensionalidade. 26/07/11 22
23 Benefícios Como resultado, Mineração Visual de Dados permite: Rápida exploração dos dados Otimiza os resultados, principalmente em casos onde algoritmos são falhos. De acordo com Keim(2002): Mineração visual traz grau muito maior de confiança nos resultados da exploração. E leva a uma alta demanda por técnicas de visualização. 26/07/11 23
24 Dimensionalidade O número de atributos pode mudar de um conjunto de dados para outro. Exemplo: Para descrever uma pessoa usamos por volta de 5 atributos(sexo, raça, altura, cabelo e porte físico). Para descrever um cliente de uma seguradora pode-se ter diversos atributos(nome, idade, filhos...). Chamamos essas variáveis de dimensões. 26/07/11 24
25 Mineração de Dados Roteiro da Apresentação Mineração Visual de Dados Classificação das Técnicas de Visualização Técnicas de Visualização(Software) 26/07/11 25
26 Duas abordagens apresentadas: Classificações Classificação de Daniel A. Keim (Information Visualization and Visual Data Mining(2002)); Classificação de José F. Rodrigues Jr., Agma J. M. Traina, Maria Cristina F. de Oliveira, Caetano Traina Jr. (Reviewing Data Visualization - an Analytical Taxonomical Study(2006)). 26/07/11 26
27 Duas abordagens apresentadas: Classificações Classificação de Daniel A. Keim (Information Visualization and Visual Data Mining(2002)); Classificação de José F. Rodrigues Jr., Agma J. M. Traina, Maria Cristina F. de Oliveira, Caetano Traina Jr. (Reviewing Data Visualization - an Analytical Taxonomical Study(2006)). 26/07/11 27
28 Classificação de Keim As técnicas de visualização podem ser classificadas em três critérios: Dados para serem visualizados; Técnicas de visualização; Técnicas de Interação e Distorção 26/07/11 28
29 Classificação de Keim 26/07/11 29
30 Visualização de Tipos de Dados Utilizando a divisão de Keim (2002), dados podem ser: Dados unidimensionais (Ex. Estação do ano); Dados bidimensionais (Ex. Coordenadas de mapa); Dados multidimensionais (Ex. Tabelas relacionais) 26/07/11 30
31 Visualização de Tipos de Dados E tipos de dados mais complexos: Texto, Hypertexto (Ex. Artigo de jornal e documentos da web); Hierarquia e Grafos (Ex. Chamadas telefônicas); Algoritmos e Software (Ex. Operação de debugging) 26/07/11 31
32 Técnicas de Visualização Já as técnicas são divididas da seguinte forma: Padrão 2D/3D(Ex. Gráfico de barra); Transformado Geograficamente(Ex. Coordenadas paralelas); Baseado em ícones(ex. Star icon); Pixel denso(ex. Segmentos de Círculos); Empilhados(Ex. TreeMaps). 26/07/11 32
33 Técnicas de Interação e distorção Além das técnicas de visualização, para uma eficaz exploração de dados, é necessário usar algum tipo de técnica de interação e distorção. Técnicas de interação permite analise dos dados para interagir diretamente com as visualizações e os objetivos de exploração. Técnicas de Distorção traz a idéia básica de mostrar porções de dados com alto nível de detalhes. 26/07/11 33
34 Técnicas de Interação e distorção Estão divididas: Projeção interativa; Filtragem interativa; Aproximação(zooming) interativa; Distorção interativa; Ligando e pintando(linking and Brushing) interativamente. 26/07/11 34
35 Duas abordagens apresentadas: Classificações Classificação de Daniel A. Keim (Information Visualization and Visual Data Mining(2002)); Classificação de José F. Rodrigues Jr., Agma J. M. Traina, Maria Cristina F. de Oliveira, Caetano Traina Jr. (Reviewing Data Visualization - an Analytical Taxonomical Study(2006)). 26/07/11 35
36 Classificação de Rodrigues et al Fizeram uma revisão de algumas classificações chegando a seguinte: Espacialização; Estímulos pré-atentos; Hibridismo e visualizações de subespaços. 26/07/11 36
37 Espacialização Está divida da seguinte forma: Estrutura de exposição(ex. TreeMaps e Grafos); Padronizada(Ex. Barra de Pixel e Gráfico Pizza); Projeção(Ex. Paralelas coordenadas); Reprodução(Caso especial de Projeção). 26/07/11 37
38 Estímulos Pré-atentos Desempenha um papel crucial na promoção de um importante ganho na visualização, ou seja, uma melhor e mais rápida compreensão dos dados. Posição; Forma; Cor. Esta divisão estão estritamente ligada a Espacialização. 26/07/11 38
39 Hibridismo Define-se abordagens hibridas muitas técnicas de visualizações encontradas na literatura, principalmente as que permitem visualização mais complexas 26/07/11 39
40 Técnicas de Interação Ao contrário de Keim, nessa classificação visualização e interação são técnicas disjuntas, porém com uma forte sinergia. Paramétricos; Visão de transformação; Filtragem; Detalhes sobre demanda; Distorção. 26/07/11 40
41 Mineração de Dados Roteiro da Apresentação Mineração Visual de Dados Classificação das Técnicas de Visualização Técnicas de Visualização(Software) 26/07/11 41
42 Divisão para apresentação: Técnicas de Visualização Técnicas para visualização de dados simples; Técnicas para visualização de relacionamentos entre duas variáveis; Técnicas para visualização de mais de duas variáveis. Apresentação do software Vistree. 26/07/11 42
43 Variáveis simples Histograma 20 Percent of Total /07/11 43
44 Gráfico de Dispersão(Scatterplot) Duas Variáveis V V3 26/07/11 44
45 Duas Variáveis Gráfico de Dispersão(Scatterplot) Petrol stations Number of weeks sectors used in a year Supermarkets 26/07/11 45
46 Duas Variáveis Gráfico de Contorno 80 AGEA DATESTAT 26/07/11 46
47 Mais de Duas Variáveis Matriz de Gráfico de Dispersão Cycle Minmem Maxmem Cache Minchann Maxchann Relperf Estrelper /07/
48 Mais de Duas Variáveis Matriz de Gráfico de Dispersão relevando pouca estrutura dos dados V V8 V /07/11 48
49 Mais de Duas Variáveis Matriz anterior vista de outro ângulo. 26/07/11 49
50 Coordenadas Paralelas Mais de Duas Variáveis Count7 Count5 Count3 Count1 Min Max 26/07/11 50
51 Segmentos de Círculos Mais de Duas Variáveis 26/07/11 51
52 Mais de Duas Variáveis 26/07/11 52
53 Mais de Duas Variáveis Matriz anterior vista de outro ângulo. 26/07/11 53
54 Mais de Duas Variáveis 26/07/11 54
55 Mais de Duas Variáveis 26/07/11 55
56 Software de Data Mining VisTree ( Weka Data Mining ( 26/07/11 56
57 Desafios de Pesquisa Desenvolvimento de técnicas de visualização escaláveis para grandes bases (terabytes ou exabytes) 26/07/11 57
58 Referências Bibliográficas Elmasri, Ramez; Navathe, Shamkant B. Sistemas de banco de dados. 4 ed. São Paulo: Addison Wesley, Han, Jiawei; Kamber, Micheline. Data Mining Concepts and Techniques. 2 ed. San Francisco: Elsevier, Hand, David; Mannila, Heikki; Smyth, Padhraic. Principles of Data Mining. 2 ed. Massachusetts: Mit Press, Kim, D. A. (2002). Information Visualization and Visual Data Mining. IEEE Transactions on Visualization and Computer Graphics, Vol. 8, N.1. Rodrigues Jr, J. F.; Traina, A. J. M.; Oliveira, M. C. F. de; Traina Jr, C. (2006). Reviewing Data Visualization: an Analytical Taxonomical Study. IEEE Proceedings of the Information Visualization (IV 06). 26/07/11 58
59 Artigo Para Leitura Daniel A. Keim (2002). Information Visualization and Visual Data Mining. Fazer um resumo do artigo para entregar; Mínimo de 1 e máximo de 3 páginas; Entregar na aula de 28/07. 26/07/11 59
60 OBRIGADO! Pós-Graduação em Ciência da Computação CCM Sistemas de Banco de Dados Mineração de Dados Visual (Visual Data Mining) Cledson Diego de Marchi 26/07/11 60
Fundamentos em Visualização
Fundamentos em Visualização SCC5836 Visualização Computacional Profa. Maria Cristina cristina@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo (USP) 1 / 92
Leia maisFundamentos em Visualização
Fundamentos em Visualização SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC)
Leia maisMineração de Dados. Arthur Emanuel de O. Carosia Cristina Dutra de Aguiar Ciferri
Mineração de Dados Arthur Emanuel de O. Carosia Cristina Dutra de Aguiar Ciferri 1 Motivação Aumento da capacidade de processamento e de armazenamento de dados; Baixo custo; Grande quantidade de dados
Leia maisIntegração de Mineração de Dados com SGBD Detecção de Agrupamentos
Integração de Mineração de Dados com SGBD Detecção de Agrupamentos Centro de Matemática Computação e Cognição-UFABC Jéssica Andressa de Souza Pós-Graduação em Ciência da Computação Sistemas de Banco de
Leia maisKDD, Mineração de Dados e Algoritmo Apriori
Universidade Federal de São Carlos - UFSCar Departamento de Computação - DC Programa de Pós-Graduação em Ciência da Computação - PPGCC KDD, Mineração de Dados e Algoritmo Apriori Aluno: Rodrigo Moura J.
Leia maisMineração de Dados. Curso de Especialização em Sistemas de Banco de Dados. Centro de Ciências Exatas e Naturais. Universidade Federal do Pará
Universidade Federal do Pará Centro de Ciências Exatas e Naturais Departamento de Informática Mineração de Dados Profa. MSc. Miriam Lúcia Domingues Curso de Especialização em Sistemas de Banco de Dados
Leia maisProfessor: Eduardo R. Hruschka Estagiário PAE: Luiz F. S. Coletta
Professor: Eduardo R Hruschka Estagiário PAE: Luiz F S Coletta (luizfsc@icmcuspbr) Sumário Definição do projeto 1 Desenvolvimento de algoritmo de Aprendizado de Máquina (AM); 2 Pré-processamento dos dados;
Leia maisProcesso de Visualização - Modelo de Referência (Card et al. 1999) Maria Cristina F. de Oliveira Rosane Minghim. Classificação (Keim 1996, 2000)
Técnicas e Taxonomias de Visualização de Informação Processo de Visualização - Modelo de Referência (Card et al. 1999) Parte II (2010) Maria Cristina F. de Oliveira Rosane Minghim Classificação (Keim 1996,
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Leia mais18º Congresso de Iniciação Científica TRATAMENTO DE REGRAS DA ASSOCIAÇÃO MULTIRELACIONAL NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA
18º Congresso de Iniciação Científica TRATAMENTO DE REGRAS DA ASSOCIAÇÃO MULTIRELACIONAL NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA Autor(es) JONAS RAFAEL ONOFRE Orientador(es) MARINA TERESA PIRES VIEIRA
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto O processo de descoberta do conhecimento - KDD Roteiro Introdução Definição Etapas Desafios
Leia maisEEL891 Aprendizado de Máquina Prof. Heraldo L. S. Almeida. Introdução
1 Introdução 1. Introdução 1.1. O que é Aprendizado de Máquina? 1.2. Por que Machine Learning é o Futuro? 1.3. Algumas Aplicações 1.4. Tipos de Aprendizado 1. Introdução 17 1. Introdução 1.1. O que é Aprendizado
Leia maisSBC - Sistemas Baseados em Conhecimento
Siglas, Símbolos, Abreviaturas DW - Data Warehouse KDD Knowledge Discovery in Database MD Mineração de Dados OLAP - On-line analytical processing SBC - Sistemas Baseados em Conhecimento 1. INTRODUÇÃO O
Leia maisAutor(es) HARLEI MIGUEL DE ARRUDA LEITE. Orientador(es) MARINA TERESA PIRES VIEIRA. Apoio Financeiro PIBIC/CNPQ. 1. Introdução
19 Congresso de Iniciação Científica IMPLEMENTAÇÃO DE GUIAS E ALGORITMOS PARA REGRAS DE ASSOCIAÇÃO MULTIRELACIONAL NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA Autor(es) HARLEI MIGUEL DE ARRUDA LEITE Orientador(es)
Leia maisFACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS
FACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS PROJETO PEDAGÓGICO CAMPO LIMPO PAULISTA 2015 1. Público
Leia maisDescoberta de Conhecimento em Bancos de Dados - KDD
Descoberta de Conhecimento em Bancos de Dados - KDD Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Fases do processo 3. Exemplo do DMC 4. Avaliação
Leia maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Apresentação do Curso Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008 C. H. Q. Forster
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 4: 1 /57 Programa Dia 1: Apresentação
Leia maisRoteiro. PCC142 / BCC444 - Mineração de Dados. Cenário
Roteiro PCC142 / BCC444 - Mineração de Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br www.decom.ufop.br/luiz Introdução Tarefas
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisProjeto de módulo de Data Mining para Scout Voleibol
Projeto de módulo de Data Mining para Scout Voleibol Émerson B. Marques 1, Alexandre de O. Zamberlam 1, Ricardo F. de Oliveira 1, Luis H. Raimann 1 e Luciano Vaghetti de Oliveira 2 1 Centro Universitário
Leia maisMineração de Dados Aplicada no Contexto Educacional
Giana da Silva Bernardino ¹ e Alexandre Leopoldo Gonçalves Universidade Federal de Santa Catarina ¹gianagsb@gmail.com RESUMO Este trabalho faz uso da mineração de dados com o objetivo de encontrar informações
Leia maisREGRAS DE ASSOCIAÇÃO NA DISSEMINAÇÃO DA INFORMAÇÃO DA BIBLIOTECA UNIVERSITÁRIA DA FURB: ENFOQUE NAS NOVAS AQUISIÇÕES DO ACERVO
UNIVERSIDADE REGIONAL DE BLUMENAU CURSO DE SISTEMAS DE INFORMAÇÃO REGRAS DE ASSOCIAÇÃO NA DISSEMINAÇÃO DA INFORMAÇÃO DA BIBLIOTECA UNIVERSITÁRIA DA FURB: ENFOQUE NAS NOVAS AQUISIÇÕES DO ACERVO MACIEL FELIPE
Leia maisComputaçã. Visão Geral. Sistema Gráfico. Computação Gráfica. Pixels. Sistema Gráfico e o Frame Buffer. Introdução à Computação Gráfica
Visão Geral Computaçã ção o Gráfica Introduçã ção, conceitos básicosb sicos, áreas relacionadas Introdução à Computação Gráfica Como funciona um sistema gráfico Como imagens são representadas Áreas relacionadas,
Leia maisSistemas de Informação
Sistemas de Informação Sistemas empresariais: BI e BSC 1 BI BI Business Intelligence ou Inteligência de Negócios Resolução de problemas complexos Decisões assertivas Manter Vender Comprar Inteligência
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 02 Representação dos dados Pré-processamento Max Pereira Tipo de Dados Os atributos usados para descrever objetos de dados podem ser de diferentes tipos: Quantitativos
Leia maisANALYTICINT FERRAMENTA WEB PARA AVALIAR O PERFIL ACADÊMICO DOS CURSOS TÉCNICOS INTEGRADO DO IFC-VIDEIRA
ANALYTICINT FERRAMENTA WEB PARA AVALIAR O PERFIL ACADÊMICO DOS CURSOS TÉCNICOS INTEGRADO DO IFC-VIDEIRA Autores : Autor 1, Autor 2, Autor 3, Autor 4 1 Autor 2 Autor 3 Autor 4 Autor Introdução Com o objetivo
Leia maisConsultas por Similaridade em Domínios de Dados Complexos
Consultas por Similaridade em Domínios de Dados Complexos Guilherme Felipe Zabot Orientador: Profº Dr Caetano Traina Jr Roteiro Objetivo Introdução Dados Complexos Representação de Dados Complexos Extração
Leia maisAprendizado de Máquina
Aprendizado de Máquina Aula #8.1 EBS 564 IA Prof. Luiz Fernando S. Coletta luizfsc@tupa.unesp.br Campus de Tupã Conhecimento: abstração (modelo) das relações existentes entre as informações contidas nos
Leia maisMineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra
Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra Padrões e processos em Dinâmica de uso e Cobertura da Terra Introdução 1 2 3 4 Capacidade de Armazenamento X Análise e Interpretação
Leia maisMetodologia de Desenvolvimento de Sistemas Informação
Instituto Superior Politécnico de Ciências e Tecnologia Metodologia de Desenvolvimento de Sistemas Informação Prof Pedro Vunge http://pedrovunge.com I Semestre de 2019 Capítulo 2 TECNOLOGIAS PARA DATA
Leia maisDescoberta de conhecimento em textos - Análise semântica. Diogo Cardoso Eduardo Camilo Inácio Eduardo Monteiro Dellandréa Guilherme Gomes
Descoberta de conhecimento em textos - Análise semântica Diogo Cardoso Eduardo Camilo Inácio Eduardo Monteiro Dellandréa Guilherme Gomes Introdução Diversidade de textos não padronizados; Emails, artigos,
Leia maisUm Algoritmo para a Visualização de um Terreno com Objetos
Um Algoritmo para a Visualização de um Terreno com Objetos Flávio Szenberg Orientador: Marcelo Gattass Co-orientador: Paulo Cezar Pinto Carvalho Roteiro Motivação e objetivo da tese Trabalhos relacionados
Leia maisConceitos Básicos. Fundação Centro de Análise, Pesquisa e Inovação Tecnológica Instituto de Ensino Superior - FUCAPI. Disciplina: Banco de Dados
Fundação Centro de Análise, Pesquisa e Inovação Tecnológica Instituto de Ensino Superior - FUCAPI Conceitos Básicos Disciplina: Banco de Dados Prof: Márcio Palheta, Esp Manaus - AM ROTEIRO Introdução Dados
Leia maisIntrodução ao Data Mining (Mineração de Dados)
Introdução ao Data Mining (Mineração de Dados) Quem é da área de TI, provavelmente já ouviu sobre Data Mining, mesmo que não saiba o que é. É uma das últimas modas relacionados à BD. Para se ter uma noção
Leia maisMineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães.
Mineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães. O que é mineração de dados Mineração de Dados é um passo no processo de KDD que consiste na aplicação de análise de dados e algoritmos
Leia maisVisualização Computacional
Visualização Computacional Séries Temporais Rafael Umino Nakanishi Universidade de São Paulo Instituto de Ciências Matemáticas e Computação Novembro de 2013 Rafael Umino Nakanishi (USP-ICMC) Visualização
Leia maisTécnicas de Visualização para Árvores, Grafos e Redes
Técnicas de Visualização para Árvores, Grafos e Redes SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas
Leia maisData Mining. Rodrigo Leite Durães
Rodrigo Leite Durães rodrigo_l_d@yahoo.com.br Processo de mineração de dados e descoberta de informações relevantes em grandes volumes de dados. "... processo não-trivial de identificar, em dados, padrões
Leia maisAlgoritmo CLIQUE (Clustering In QUEst)
Algoritmo CLIQUE (Clustering In QUEst) Marcelo Camacho de Souza Nº USP: 3199616 Roteiro Algoritmo CLIQUE Exemplo Prático Complexidade Computacional Vantagens e Desvantagens Autores (IBM Almaden Research
Leia maisKDD E MINERAÇÃO DE DADOS
KDD E MINERAÇÃO DE DADOS O Processo de KDD: Visão Geral Prof. Ronaldo R. Goldschmidt ronaldo@de9.ime.eb.br rribeiro@univercidade.br geocities.yahoo.com.br/ronaldo_goldschmidt CARACTERIZAÇÃO ÁREAS DE ORIGEM
Leia maisVisualização de Informação Parte I (2010)
Visualização de Informação Parte I (2010) Rosane Minghim Danilo Medeiros Eler Visualização de Informação Área que estuda a representação visual de dados mais abstratos, tais como Grafos Árvores Texto Registros
Leia maisProf. Heitor Silvério Lopes
Prof. Heitor Silvério Lopes WEKA WEKA: Waikato Environment for Knowledge Analysis Iniciado em 1992, versão estável atual: 3.8.1 É um software para mineração de dados desenvolvido em Java com código aberto
Leia maisDecisões arquiteturais importantes. Projeto arquitetural x projeto de algoritmos. Decomposição de dados. Decomposição de dados
Processamento Paralelo Técnicas de Decomposição de Problemas Prof. João Paulo A. Almeida (jpalmeida@inf.ufes.br) Decisões arquiteturais importantes 1. Divisão de responsabilidades entre partes (componentes)
Leia mais18º Congresso de Iniciação Científica INCORPORAÇÃO DA TAREFA DE CLASSIFICAÇÃO NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA
18º Congresso de Iniciação Científica INCORPORAÇÃO DA TAREFA DE CLASSIFICAÇÃO NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA Autor(es) MIRELA TEIXEIRA CAZZOLATO Orientador(es) MARINA TERESA PIRES VIEIRA Apoio
Leia maisData Mining. O Processo de KDD. Mauricio Reis
1 Data Mining O Processo de KDD Mauricio Reis prof_uva@mreis.info http://mreis.info/uva-2016-9-datamining 2 ROTEIRO 1. Definição 2. Aplicação KDD problema recursos resultados 3. Área de origem 4. Histórico
Leia maisAprendizado de Máquinas. Introdução à Aprendizado Não- Supervisionado
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Introdução à Aprendizado Não- Supervisionado David Menotti, Ph.D. http://web.inf.ufpr.br/menotti Objetivos
Leia maisSCC0173 Mineração de Dados Biológicos
SCC073 Mineração de Dados Biológicos Análise Exploratória de Dados Parte A: Revisão de Estatística Descritiva Elementar Prof. Ricardo J. G. B. Campello SCC / ICMC / USP Tópicos Análise Exploratória de
Leia maisDESCOBERTA DO CONHECIMENTO COM O USO DE TEXT MINING APLICADA AO SAC TEXT MINING. Aluno José Lino Uber. Orientador Paulo Roberto Dias
DESCOBERTA DO CONHECIMENTO COM O USO DE TEXT MINING APLICADA AO SAC TEXT MINING Aluno José Lino Uber Orientador Paulo Roberto Dias Dezembro/2004 Roteiro Introdução Objetivo Conceitos Motivação / Tipos
Leia maisMotivação Por que estudar?
Aula 04 Imagens Diogo Pinheiro Fernandes Pedrosa Universidade Federal Rural do Semiárido Departamento de Ciências Exatas e Naturais Curso de Ciência da Computação Motivação Por que estudar? Imagens digitais
Leia maisPlano de Ensino de Disciplina Ciência da Computação 2º / 2016
Plano de Ensino de Disciplina Ciência da Computação 2º / 2016 Disciplina: Computação Gráfica e Processamento de Imagens Código: 016031 Série: 8 0 Semestre Carga Horária Semanal: 04 aulas Carga Horária
Leia maisAula 7 Medidas de Distância. Profa. Elaine Faria UFU
Aula 7 Medidas de Distância Profa. Elaine Faria UFU - 2017 Agradecimentos Este material é baseado No livro Tan et al, 2006 Nos slides do prof Andre C. P. L. F. Carvalho Agradecimentos Ao professor André
Leia maisMINERAÇÃO DE DADOS EM ARQUIVOS DE LOG GERADOS POR SERVIDORES DE PÁGINAS WEB
MINERAÇÃO DE DADOS EM ARQUIVOS DE LOG GERADOS POR SERVIDORES DE PÁGINAS WEB Acadêmico: Leonardo José Correia Orientador: Prof. Ricardo Alencar Azambuja Blumenau, Julho/2004 1 Roteiro Introdução Objetivo
Leia maisClusterização de uma Base de Dados Médica pelo Algoritmo Gustafson-Kessel
19 a 21 de mar o de 2010 157 Clusterização de uma Base de Dados Médica pelo Algoritmo Gustafson-Kessel José Márcio Cassettari Junior 1, Merisandra Côrtes de Mattos 1, João Manuel M. De Carlo 1, Priscyla
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Duda e Hart Capítulo 1 Reconhecimento de Padrões (imagem) Objetivo: Interpretar um conjunto de dados através de um mapeamento (classificação)
Leia maisMapas Auto Organizáveis SOMs Mapas de Kohonen
Mapas Auto Organizáveis SOMs Mapas de Kohonen PSI 2886 Princípios de Neurocomputação Edição de 2008 1 PSI 5886 Prof. Emilio Self Organizing Maps de Kohonen Estes slides foram usados nas aulas #8 e #9 na
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 3: 1 /54 Programa Dia 1: Apresentação
Leia maisClustering - c-means e Self Organizing Maps
- c-means e Self Organizing Maps Sarajane M. Peres e Clodoaldo A. M. Lima 13 de abril de 2015 Material baseado em: HAN, J. & KAMBER, M. Data Mining: Concepts and Techniques. 2nd. 2006 FAUSETT, L. Fundamentals
Leia maisAula 03: Dados Profa. Ms. Rosângela da Silva Nunes
Aula 03: Dados Profa. Ms. Rosângela da Silva Nunes 1 de 29 Tipos de Conjuntos de dados Registro Tabela do BD Matriz de dados Document 1 Document 2 team coach pla y ball score game wi n lost timeout 3 0
Leia maisDE BASE DE CONHECIMENTO E MOTOR DE INFERÊNCIA PARA O PROCESSO DE MINERAÇÃO DE DADOS DA FERRAMENTA KIRA
18º Congresso de Iniciação Científica IMPLEMENTAÇÃO DE BASE DE CONHECIMENTO E MOTOR DE INFERÊNCIA PARA O PROCESSO DE MINERAÇÃO DE DADOS DA FERRAMENTA KIRA Autor(es) ANDRÉ DE ANDRADE BINDILATTI Orientador(es)
Leia maisTópicos em Mineração de Dados
Tópicos em Mineração de Dados Descoberta de agrupamentos Método k-médias 1. Introdução A descoberta de agrupamentos é uma tarefa descritiva que procura agrupar dados utilizando a similaridade dos valores
Leia maisVisualização de Operações de Junção em Sistemas de Bases de Dados para Mineração de Dados
Visualização de Operações de Junção em Sistemas de Bases de Dados para Mineração de Dados MARIA CAMILA NARDINI BARIONI ORIENTADOR: PROF. DR. CAETANO TRAINA JUNIOR Dissertação apresentada ao Instituto de
Leia maisImagem e Gráficos. vetorial ou raster?
http://computacaografica.ic.uff.br/conteudocap1.html Imagem e Gráficos vetorial ou raster? UFF Computação Visual tem pelo menos 3 grades divisões: CG ou SI, AI e PI Diferença entre as áreas relacionadas
Leia mais7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS
7 Congresso de Pós-Graduação MODELAGEM DE BASE DE CONHECIMENTO PARA TAREFA DE CLASSIFICAÇÃO EM MINERAÇÃO DE DADOS Autor(es) LIDIA MARTINS DA SILVA Orientador(es) ANA ESTELA ANTUNES DA SILVA 1. Introdução
Leia maisBanco de Dados I. Quantidade de informação gerada em um dia. Aula 1. 59 milhões de clientes ativos; Mais de 42 terabytes de dados; Salários na área
Banco de Dados I Aula 1 Quantidade de informação gerada em um dia E-mails Compras Bate-papo Notícias Blogs Transações bancárias Etc... 59 milhões de clientes ativos; Mais de 42 terabytes de dados; 100
Leia maisCompressão de Imagens Usando Wavelets: Uma Solução WEB para a Codificação EZW Utilizando JAVA. Utilizando JAVA. TCC - Monografia
Compressão de Imagens Usando Wavelets: Uma Solução WEB para a Codificação EZW Utilizando JAVA TCC - Monografia Wanderson Câmara dos Santos Orientador : Prof. Dr. Luiz Felipe de Queiroz Silveira 1 Departamento
Leia maisProfa. Lidia Rodella UFPE-CAA
Profa. Lidia Rodella UFPE-CAA O que é estatística? É conjunto de técnicas que permite, de forma sistemática, coletar, organizar, descrever, analisar e interpretar dados oriundos de estudos ou experimentos,
Leia maisDescoberta de conhecimento em redes sociais e bases de dados públicas
Descoberta de conhecimento em redes sociais e bases de dados públicas Trabalho de Formatura Supervisionado Bacharelado em Ciência da Computação - IME USP Aluna: Fernanda de Camargo Magano Orientadora:
Leia maisData Viz. Visualização Interativa de Dados
Data Viz Visualização Interativa de Dados Roberto Plácido Teixeira; Empresário de Informática; Sócio na RPT Informática; Diretor de Tecnologia; Analista de Sistemas; Programador de computadores; Especialista
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:
Leia maisInformática. Business Intelligence (BI), Data Warehouse, OLAP e Data Mining. Prof. Márcio Hunecke
Informática Business Intelligence (BI), Data Warehouse, OLAP e Data Mining Prof. Márcio Hunecke Conceitos de BI Conjunto de ferramentas e técnicas que objetivam dar suporte à tomada de decisão Refere-se
Leia maisComputação Gráfica - 10
Universidade Federal do Vale do São Francisco Curso de Engenharia da Computação Computação Gráfica - 10 Prof. Jorge Cavalcanti jorge.cavalcanti@univasf.edu.br www.univasf.edu.br/~jorge.cavalcanti www.twitter.com/jorgecav
Leia maisBIG DATA. Jorge Rady de Almeida Jr. Escola Politécnica da U SP
BIG DATA Jorge Rady de Almeida Jr. jorgerady@usp.br Escola Politécnica da U SP BIG DATA - MOTIVAÇÃO Aumento da geração e armazenamento digital de dados Aumento da capacidade de processamento em geral:
Leia maisVisualização de Texto e Documento
Visualização de Texto e Documento SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação
Leia maisImplementação de um Modelo para Previsão de Evasão Escolar no IFSULDEMINAS
6ª Jornada Científica e Tecnológica e 3º Simpósio de Pós-Graduação do IFSULDEMINAS 04 e 05 de novembro de 2014, Pouso Alegre/MG Implementação de um Modelo para Previsão de Evasão Escolar no IFSULDEMINAS
Leia maisAplicação da técnica de mineração de dados por meio do algoritmo J48 para definição de limiares de imagens de sensoriamento remoto
Aplicação da técnica de mineração de dados por meio do algoritmo J48 para definição de limiares de imagens de sensoriamento remoto Rodrigo Rodrigues Antunes e Israel Rodrigues Gonçalves Resumo: O objetivo
Leia maisProcessamento Digital de Imagens
1 Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e de Imagens Sensoriamento Remoto 2 Introdução Espectro Eletromagnético
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e Digitalização de Imagens Efeitos da Digitalização Digitalização Sensoriamento
Leia maisAula 02. Evandro Deliberal
Aula 02 Evandro Deliberal evandro@deljoe.com.br https://www.linkedin.com/in/evandrodeliberal Data Warehouse; Ambiente de Data Warehouse; Processos e ferramentas envolvidas; Arquiteturas de DW; Granularidade;
Leia maisO QUE É O BIG DATA? Big Data é o termo que descreve uma quantidade enorme de informações (volume de dados). BIG DATA ALGORITMOS 2
O QUE É O BIG DATA? Big Data é o termo que descreve uma quantidade enorme de informações (volume de dados). BIG DATA ALGORITMOS 2 O QUE É O BIG DATA? Os dados são o novo petróleo O Big Data, tal como o
Leia maisMinerando Padrões Sequenciais para Bases de Dados de Lojas Virtuais
Universidade Federal de Ouro Preto Instituto de Ciências Exatas e Biológicas Departamento de Computação Minerando Padrões Sequenciais para Bases de Dados de Lojas Virtuais Cecília Henriques Devêza ceciliadeveza@gmail.com
Leia maisIntrodução Geral a Computação Gráfica. Universidade Católica de Pelotas Curso de Engenharia da Computação Disciplina de Computação Gráfica
Introdução Geral a Computação Gráfica Universidade Católica de Pelotas Curso de Engenharia da Computação Disciplina de 2 Introdução Geral a O que é CG? Áreas de Atuação Definição, Arte e Matemática Mercado
Leia maisAprendizado de Máquina
Aprendizado de Máquina Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Introdução 1 Introdução Aprendizado de Máquina Extração de conhecimento. Automatização de tarefas. Tomada de Decisões.
Leia maisComputação e Imagens: PI, CG e Visualização. Computação Visual
Computação e Imagens: PI, CG e Visualização Computação Visual Instituto de Ciências Matemáticas e de Computação ICMC-USP São Carlos, 2016 1 Roteiro Visão Geral das áreas da computação que envolvem manipulação
Leia maisSCC0173 Mineração de Dados Biológicos
SCC0173 Mineração de Dados Biológicos Classificação I: Algoritmos 1Rule e KNN Prof. Ricardo J. G. B. Campello SCC / ICMC / USP 1 Créditos O material a seguir consiste de adaptações e extensões dos originais:
Leia maisExtração 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 maisINFORMÁTICA NA ESCOLA: ESTUDO DE CASO PARA AS ESCOLAS PÚBLICAS ESTADUAIS DE VIDEIRA/SC
109 INFORMÁTICA NA ESCOLA: ESTUDO DE CASO PARA AS ESCOLAS PÚBLICAS ESTADUAIS DE VIDEIRA/SC http://dx.doi.org/10.5902/2318133831111 Leila Lisiane Rossi Jean Carlo Corso Gilson Ribeiro Nachtigall Angela
Leia maisFORMAÇÃO DO BACHAREL EM ESTATÍSTICA À LUZ DAS CIÊNCIAS DE DADOS
pg Francisco 1 Louzada (USP) SINAPE São Pedro, 24-29 de setembro de 2018 FORMAÇÃO DO BACHAREL EM ESTATÍSTICA À LUZ DAS CIÊNCIAS DE DADOS Francisco Louzada CER-CEMEAI ICMC-USP pg Francisco 2 Louzada (USP)
Leia maisCLARA. Resumo. Introdução. Artigo de Referência [1] Introdução PAM. Modelagem como grafo CLARANS. Comparação de eficiência Conclusão
Resumo CLARANS Diego Raphael Amancio Introdução PAM CLARA CLARANS Comparação de eficiência Conclusão 2 Artigo de Referência [1] Introdução Imagem do artigo original entitulado Efficient and Effective Clustering
Leia maisMineração de Dados CONCEITOS E PRINCIPAIS TÉCNICAS
Mineração de Dados CONCEITOS E PRINCIPAIS TÉCNICAS Roteiro Introdução Mineração de Dados Descoberta de Conhecimento em Bases de Dados Principais tarefas Principais técnicas Como escolher a melhor técnica
Leia maisFundamentos de sistemas de informação
Fundamentos de sistemas de informação Unidade 2 - Conceitos básicos de aplicações nas empresas (cont.) Unidade 3 - Tipos de Sistemas de apoio às decisões 1 Ética e TI Fraudes; Crimes eletrônicos; Ameaças
Leia maisSistemas de Informação e Decisão. Douglas Farias Cordeiro
Sistemas de Informação e Decisão Douglas Farias Cordeiro Decisão Tomamos decisões a todo momento! O que é uma decisão? Uma decisão consiste na escolha de um modo de agir, entre diversas alternativas possíveis,
Leia maisUniversidade de Aveiro Departamento de Electrónica, Telecomunicações e Informática. Transformações 2D
Universidade de Aveiro Departamento de Electrónica, Telecomunicações e Informática Transformações 2D Computação Visual Beatriz Sousa Santos, Joaquim Madeira Transformações 2D Posicionar, orientar e escalar
Leia maisClassificação de imagens de Sensoriamento Remoto. Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo
Classificação de imagens de Sensoriamento Remoto Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo Conteúdo programático e Objetivos Conceito de classificação e fotointerpretação Classificações
Leia maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia maisSCC0173 Mineração de Dados Biológicos
SCC0173 Mineração de Dados Biológicos Preparação de Dados: Parte B Prof. Ricardo J. G. B. Campello SCC / ICMC / USP 1 Créditos O material a seguir consiste de adaptações e extensões: dos originais gentilmente
Leia maisAula 2: Resumo de Dados
Aula 2: Resumo de Dados Professor: José Luiz Padilha da Silva email: jlpadilha@ufpr.br Departamento de Estatística Universidade Federal do Paraná Curitiba, 2018 José Luiz Padilha da Silva (UFPR) ce003
Leia maisMapeamento de Domínios do Conhecimento. Técnicas e Resultados. ção. Motivaçã. Visualizaçã. ção o e Mineraçã ORGANIZAÇÃO. Rosane Minghim ORGANIZAÇÃO
Mapeamento de Domínios do Conhecimento Técnicas e Resultados Rosane Minghim Set 2005 ICMC Universidade de São Paulo 2 Motivaçã ção DISPONIBILIDADE DE INFORMAÇÃO NA FORMA TEXTUAL Resultados de busca Sítios
Leia mais