PPGCA/UTFPR câmpus Curitiba -- CAIA003 - Mineração de Dados -- Profs. Celso Kaestner e Heitor Lopes Trabalho #2 Regras de Associação
|
|
- Davi Sales Sanches
- 7 Há anos
- Visualizações:
Transcrição
1 UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) Mineração de Dados 2016/3 Professores Celso e Heitor Jean Avila Rangel PPGCA PPGCA/UTFPR câmpus Curitiba -- CAIA003 - Mineração de Dados -- Profs. Celso Kaestner e Heitor Lopes Trabalho #2 Regras de Associação 1) Um total de 10 pacientes estiveram em um Posto de Saúde com sintomas que sugerem gripe, mostrados na tabela abaixo. Considere o atendimento de cada paciente como uma transação de uma cesta de compras, onde cada sintoma é um item comprado. Paciente Sintomas (a=febre, b=tosse, c=coriza, d=fadiga, e=dor de cabeça) 1 {a,d,e} 2 {a,b,c,e} 3 {a,b,d,e} 4 {a,c,d,e} 5 {b,c,e} 6 {b,d,e} 7 {c,d} 8 {a,b,c} 9 {a,d,e} 10 {a,b,e} a) Calcule o Suporte para os conjuntos de sintomas {dor de cabeça}, {tosse, fadiga, dor de cabeça} e {tosse, fadiga}. Suporte: os pacientes com DOR DE CABEÇA: 1, 2, 3, 4, 5, 6, 9 e 10 = 8 8/10 = 0,8 os pacientes com TOSSE, FADIGA e DOR DE CABEÇA: 3 e 6 = 2 2/10 = 0,2 os pacientes com TOSSE e FADIGA: 3 e 6 = 2 2/10 = 0,2 Confiança: FADIGA -> DOR DE CABEÇA Fadiga: 1, 3, 4, 6, 9 = 5 Dor de cabeça: 1, 3, 4, 6, 9, 10 = 6 5 / 6 = 0,833 DOR DE CABEÇA -> FADIGA Dor de cabeça: 1, 2, 3, 4, 5, 6, 9 e 10 = 8 5/8 = 0,625 A confiança NÃO é assimétrica. Se inverter os atributos, o resultado sai diferente.
2 c) Quantas regras têm Suporte mínimo de 0,5? Os elementos sozinhos acontecem na seguinte quantidade de vezes: A = 7 B = 6 C = 5 D = 6 E = 8 Existem 8 regras com suporte mínimo de 0,5 d) Descubra a regra de maior Confiança possível que tenha Suporte mínimo de 50%. Informe também o valor da Confiança. A maior confiança possível no suporte mínimo de 0.5 é de 100%. Todos os pacientes que NÃO apresentaram CORIZA possuíam DOR DE CABEÇA. Em segundo lugar, ocorre a regra que diz que quando o paciente tem FEBRE (7 casos), ele possui DOR DE CABEÇA. A confiança nessa regra é de 0.86, pois acontecem em 6 casos (de 7). 2) Faça download do dataset Fertility disponível no Machine Learning Repository. Este dataset tem a finalidade de determinar a normalidade ou não da concentração de espermatozoides em 100 voluntários, de acordo com critérios da OMS, com base em 9 atributos sócio-demográficos, ambientais, hábitos de vida e saúde. a) O dataset tem todos os atributos numéricos que precisam ser transformados em nominais para o uso no software Weka. Isto pode ser feito diretamente com o Weka, na aba pre-processamento utilizando os filtros não-supervisionados de atributos. Num primeiro momento, ignore os atributos previsores Idade e Horas-sentado. O dataset deve ter o seguinte aspecto: b) Utilizando o algoritmo Apriori e tendo o atributo-meta (classe) como Result obtenha regras de associação para Result=normal com Suporte/Confiança mínimos de 0,25/0,9. Analise qualitativamente as regras obtidas se são interessantes ou não. Quais as conclusões sobre os resultados? Apriori =======
3 Minimum support: 0.25 (25 instances) Minimum metric <confidence>: 0.9 Number of cycles performed: 15 Generated sets of large itemsets: Size of set of large itemsets L(1): 14 Size of set of large itemsets L(2): 39 Size of set of large itemsets L(3): 29 Size of set of large itemsets L(4): 3 Best rules found: 1. Fever=0 Alcohol=1 27 ==> Result=Normal 27 <conf:(1)> lift:(1.14) lev:(0.03) [3] conv:(3.24) 2. Season=-1 Ch_Diseas=1 26 ==> Result=Normal 26 <conf:(1)> lift:(1.14) lev:(0.03) [3] conv:(3.12) 3. Trauma=1 Surgery=1 25 ==> Result=Normal 25 <conf:(1)> lift:(1.14) lev:(0.03) [3] conv:(3) 4. Alcohol=1 Smoking=-1 30 ==> Result=Normal 29 <conf:(0.97)> lift:(1.1) lev:(0.03) [2] conv:(1.8) 5. Season=-1 28 ==> Result=Normal 27 <conf:(0.96)> lift:(1.1) lev:(0.02) [2] conv:(1.68) 6. Trauma=1 Fever=0 28 ==> Result=Normal 27 <conf:(0.96)> lift:(1.1) lev:(0.02) [2] conv:(1.68) 7. Season=-1 Result=Normal 27 ==> Ch_Diseas=1 26 <conf:(0.96)> lift:(1.11) lev:(0.03) [2] conv:(1.75) 8. Ch_Diseas=1 Alcohol=1 Smoking=-1 26 ==> Result=Normal 25 <conf:(0.96)> lift:(1.09) lev:(0.02) [2] conv:(1.56) 9. Alcohol=1 40 ==> Result=Normal 38 <conf:(0.95)> lift:(1.08) lev:(0.03) [2] conv:(1.6) 10. Ch_Diseas=1 Alcohol=1 36 ==> Result=Normal 34 <conf:(0.94)> lift:(1.07) lev:(0.02) [2] conv:(1.44)
4 Interpretação: Possuíram casos NORMAIS: Na primeira linha, vimos quem não bebe e possuiu febre a mais de 3 meses. Na segunda, vimos quem não teve doenças na infância e fez o exame no inverno. Na terceira, quem nunca teve trauma ou fez cirurgia. Na quarta, quem nunca fumou e quem não bebe. Em resumo, quem não bebe, não fuma, não fez cirurgia e nunca teve uma doença séria, possui boa fertilidade. Vimos que durante o INVERNO os pacientes obtiveram um melhor resultado. c) Utilize o Package Manager do Weka, acessível pela aba Tools do GUI Chooser e através dele instale o pacote HotSpot utilizado para gerar Regras e Árvores de Associação. Uma vez instalado, utilize este algoritmo para descobrir regras interessantes para a classe-alvo Altered com suporte mínimo 0,25. Quais conclusões gerais se pode tirar destas regras (quando contrastadas com as do item anterior)? Hot Spot ======== Total population: 100 instances Target attribute: Result Target value: Altered [value count in total population: 12 instances (12%)] Minimum value count for segments: 3 instances (25% of target value total population) Maximum branching factor: 2 Maximum rule length: unbounded Minimum improvement in target: 1% Result=Altered (12% [12/100]) Alcohol = 0.6 (21.05% [4/19]) Age <= 0.67 (50% [3/6]) Age > 0.61 (100% [3/3]) Surgery = 1 (75% [3/4]) Age > 0.61 (100% [3/3]) Trauma = 0 (100% [3/3]) Season = 1 (42.86% [3/7])
5 Age > 0.58 (60% [3/5]) Hours_sitted > 0.25 (100% [3/3]) Hours_sitted > 0.25 (60% [3/5]) Age > 0.64 (20.37% [11/54]) Hours_sitted > 0.38 (38.46% [5/13]) Hours_sitted <= 0.5 (55.56% [5/9]) Surgery = 1 (80% [4/5]) Age <= 0.75 (62.5% [5/8]) Surgery = 1 (80% [4/5]) Fever = 0 (66.67% [4/6]) Surgery = 1 (75% [3/4]) Surgery = 1 (50% [4/8]) Trauma = 0 (66.67% [4/6]) Hours_sitted <= 0.5 (80% [4/5]) Age <= 0.69 (75% [3/4]) Fever = 0 (60% [3/5]) Trauma = 0 (75% [3/4]) Hours_sitted <= 0.5 (75% [3/4]) Trauma = 0 (36% [9/25]) Smoking = 1 (60% [3/5]) Season = 1 (55.56% [5/9]) Surgery = 1 (80% [4/5]) Ch_Diseas = 1 (100% [3/3]) Hours_sitted > 0.25 (100% [3/3]) Hours_sitted > 0.25 (80% [4/5]) Age <= 0.69 (100% [4/4]) Nesta etapa, confirmamos a etapa anterior (pessoas que bebem ou fumam mais, tendem a ter os piores resultados). Também percebemos que as pessoas mais velhas possuem mais incidência nos casos de fertilidade ALTERADA. Houve uma grande incidência de fertilidade ALTERADA também quando o exame foi realizado no período do OUTONO.
Trabalho #2. a) Calcule o Suporte para os conjuntos de sintomas {dor de cabeça}, {tosse, fadiga, dor de cabeça}
Disciplina de Mineração de Dados Aluna: Priscila Louise Leyser Santin CPGEI Trabalho #2 1) Um total de 10 pacientes estiveram em um Posto de Saúde com sintomas que sugerem gripe, mostrados na tabela abaixo.
Leia maisRegras de Associação
Regras de Associação Engenharia Biomédica Programa de Aprendizagem: Professor: Heitor Silvério Lopes Aluno: Luciano Daniel Amarante Matricula: 1895753 (externo) Período: Fase III - 2016 CURITIBA - PR OUTUBRO
Leia maisMineração de Dados (Regras de associação)
Aplicações Mineração de Dados (Regras de associação) Perfis de clientes ( Market basket analysis ) Merchandizing Detecção de fraudes em seguros de saúde Organização de produtos em vitrines de lojas M.
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 14 Regras de Associação Max Pereira Regras de Associação Motivação O que é geralmente comprado junto com o produto x? Que pares de produtos são comprados juntos?
Leia maisSilva (2014) faz a classificação dos elementos no trabalho Data Mining sobre um dataset de Câncer de Mama:
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) Mineração de Dados 2016/3 Professores Celso e Heitor Jean Avila Rangel 1801317 - PPGCA PPGCA/UTFPR câmpus Curitiba -- CAIA003 - Mineração de Dados --
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 maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) 2016/ PPGCA PPGCA/UTFPR -- CAIA003
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) Mineração de Dados 2016/3 Professores Celso e Heitor Jean Avila Rangel 1801317 - PPGCA PPGCA/UTFPR câmpus Curitiba -- CAIA003 - Mineração de Dados --
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 maisSempre aplicando os algoritmos de classificação com a validação cruzada de 10 folds, os resultados foram os seguintes:
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) Mineração de Dados 2016/3 Professores Celso e Heitor Jean Avila Rangel 1801317 - PPGCA PPGCA/UTFPR câmpus Curitiba -- CAIA003 - Mineração de Dados --
Leia maisRegras de Associação. José Augusto Baranauskas Departamento de Física e Matemática FFCLRP-USP
Regras de Associação A compra de um produto quando um outro produto é comprado representa uma Regra de Associação Regras de Associação são frequentemente utilizadas para apoiar campanhas de marketing e
Leia maisExemplo: vendas casadas Sei que quem compra A também compra B. Mineração de Dados. Técnicas de Associação. prof. Luis Otavio Alvares
Mineração de Dados Técnicas de Associação Exemplo: vendas casadas Sei que quem compra A também compra B. Apresentação adaptada do material do livro: Introduction to Data Mining Tan, Steinbach e Kumar PRODUTO
Leia maisSistema de mineração de dados para descoberta de padrões em dados médicos
Sistema de mineração de dados para descoberta de padrões em dados médicos Matheus Felipe MIRANDA¹; Marcos Roberto RIBEIRO² ¹ Estudante do curso de Tecnologia em Análise e Desenvolvimento de Sistemas e
Leia maisTrabalho 1 - Relatório Técnico
Trabalho 1 - Relatório Técnico Aluno: Adenir Pedro da Silva Junior Orientador: Heitor Silvério Lopes Co-orientador: Celso Antonio Alves Kaestner Disciplina: Mineração de Dados - PPGCA fase 3 / 2016 1.
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 maisWeka. Universidade de Waikato - Nova Zelândia. Coleção de algoritmos de aprendizado de máquina para resolução de problemas de Data Mining
Weka Universidade de Waikato - Nova Zelândia Coleção de algoritmos de aprendizado de máquina para resolução de problemas de Data Mining implementado em Java open source software http://www.cs.waikato.ac.nz/ml/weka/
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Aula de Hoje. Análise de Associação. Mineração de Regras de Associação
SCC0173 Mineração de Dados Biológicos Mineração de Regras de Associação Prof. Ricardo J. G. B. Campello Créditos Parte deste material consiste de adaptações e extensões dos originais: gentilmente cedidos
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular Análise de associação Principais tópicos Análise de associação Itens frequentes Conjunto de itens frequentes de associação Avaliação de regras de associação Docente:
Leia maisRELATÓRIO TÉCNICO DISCIPLINA: MINERAÇÃO DE DADOS PPGCA fase 3 / 2016 Prof. Celso Antônio Alves Kaestner
RELATÓRIO TÉCNICO DISCIPLINA: MINERAÇÃO DE DADOS PPGCA fase 3 / 2016 Prof. Celso Antônio Alves Kaestner Aluno: Luciano Daniel Amarante (externo, nº: 195753, PPBEG) 1. Objetivo: Está em realizar as análises
Leia maisMineração de itemsets e regras de associação
Mineração de itemsets e regras de associação Marcelo K. Albertini 3 de Novembro de 2015 2/46 Conteúdo Regras de associação A-priori FP-Tree 3/46 Análise de cestas de compras Uma cadeia de supermercados
Leia maisIntrodução a Sistemas Inteligentes
Introdução a Sistemas Inteligentes Noções de Preparação de Dados e Mineração de Regras de Associação Prof. Ricardo J. G. B. Campello ICMC / USP Créditos Parte deste material consiste de adaptações e extensões
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 maispartir da navegação de usuários em sites Web
Criação de regras de associação a partir da navegação de usuários em sites Web Fabrício J. Barth Faculdades BandTec e VAGAS Tecnologia Junho de 2013 Processo de mineração de padrões na Web Pré processamento
Leia maisMétodos para Classificação: - Naïve Bayes.
Métodos para Classificação: - 1R; - Naïve Bayes. Visão Geral: Simplicidade em primeiro lugar: 1R; Naïve Bayes. 2 Classificação: Tarefa: Dado um conjunto de exemplos préclassificados, construir um modelo
Leia maisNúmero: Nome:
Número: Nome: 1 -------------------------------------------------------------------------------------------------------------- INSTITUTO SUPERIOR TÉCNICO Sistemas de Apoio à Decisão Exame 1 20 junho 2006
Leia maisMinerando regras de associação
Minerando regras de associação Proposto por Rakesh Agrawal em 1993. É o modelo de mineração de dados mais estudado pela comunidade de banco de dados. Utiliza dados categóricos. Não há bons algoritmos para
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 maisData 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 maisSarajane M. Peres e Clodoaldo A. M. Lima. 19 de novembro de 2015
Sarajane M. Peres e Clodoaldo A. M. Lima 19 de novembro de 2015 Material baseado em: HAN, J. & KAMBER, M. Data Mining: Concepts and Techniques. 2nd. 2006 Sarajane M. Peres e Clodoaldo A. M. Lima Regras
Leia maisClassificação: 1R e Naïve Bayes. Eduardo Raul Hruschka
Classificação: 1R e Naïve Bayes Eduardo Raul Hruschka Agenda: Conceitos de Classificação Técnicas de Classificação One Rule (1R) Naive Bayes (com seleção de atributos) Super-ajuste e validação cruzada
Leia maisMineração de padrões frequentes
Mineração de padrões frequentes Fabrício J. Barth fabricio.barth@gmail.com Setembro de 2016 Objetivos Os objetivos desta aula são: Apresentar e discutir métodos para identificar associações úteis em grandes
Leia maisInteligência Artificial
Inteligência Artificial Descoberta de Conhecimento em Bases de Dados Mineração de Dados Descobertas de regras de associação Descoberta de Conhecimento em Bases de Dados DCBD (Descoberta de Conhecimento
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 maisAssociações & Freqüentes
Associações & Análises de Itens Freqüentes Eduardo R. Hruschka Baseado no curso de Gregory Piatetsky-Shapiro, disponível no sítio http://www.kdnuggets.com Visão Geral: Transações Itens freqüentes Regras
Leia maisUNIVERSIDADE DE SÃO PAULO
UNIVERSIDADE DE SÃO PAULO Instituto de Ciências Matemáticas e de Computação ISSN 0103-2569 Sintaxe Padrão para Representar Regras de Associação Edson Augusto Melanda Solange Oliveira Rezende N ō 206 RELATÓRIOS
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 maisMineração de Dados - II
Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II Mineração de Dados - II Sylvio Barbon Junior barbon@uel.br 10 de julho de 2015 DC-UEL Sylvio Barbon Jr 1 Sumário Etapa II Algoritmos Básicos Weka: Framework
Leia maisMINERAÇÃO DE DADOS APLICADO AO JOGO LIGA QUATRO
INPE-16640-RPQ/845 MINERAÇÃO DE DADOS APLICADO AO JOGO LIGA QUATRO Wesley Gomes de Almeida Relatório final da disciplina Princípios e Aplicações de Mineração de Dados (CAP-359) do Programa de Pós-Graduação
Leia maisUma visão diferente do Teorema de Laplace
Uma visão diferente do Teorema de Laplace Teorema de Laplace: O determinante de uma matriz quadrada A de ordem n 2 é igual à soma dos produtos dos elementos de uma fila qualquer (linha ou coluna) por seus
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 maisProf: Renato Rocha Souza. Aluno: Walter Dominguez
Prof: Renato Rocha Souza Aluno: Walter Dominguez Trabalho sôbre uso de ferramenta estatística (WEKA v 3-9-0) para identificar padrões ou relacionamentos comercialmente úteis em bancos de dados ou em outros
Leia maisPassos para o Aprendizado de Máquina com Pentaho. Prof. Marcos Vinicius Fidelis UTFPR/UEPG
Passos para o Aprendizado de Máquina com Pentaho Prof. Marcos Vinicius Fidelis UTFPR/UEPG Apresentação Professor da UTFPR, leciona Sistemas de Apoio a Decisão e Tópicos Avançados em BD (WEKA, Pentaho e
Leia maisAula 13: Regras de Associação. Rafael Izbicki
Mineração de Dados Aula 13: Regras de Associação Rafael Izbicki 1 / 6 O Problema Imagine que temos um banco de dados em que cada linha representa a ida de uma pessoa a um supermercado, e cada coluna representa
Leia maisSistema SGPA-IFSP. Manual de Instalação
Sistema SGPA-IFSP Manual de Instalação Sumário 1. Introdução... 3 2. Softwares Necessários... 4 2.1 Ambiente Java... 4 2.2 Servidor MySQL... 8 2.3 Spring Tool Suit... 17 3. Configuração e Implantação do
Leia maisRelatório Técnico - SVM na base Breast Cancer Wisconsin
Relatório Técnico - SVM na base Breast Cancer Wisconsin Matheus Gutoski Universidade Tecnológica Federal do Paraná - CPGEI/PPGCA Mineração de Dados 4 de novembro de 2016 1 Objetivo O objetivo deste trabalho
Leia maisLaboratório Classificação com o WEKA Explorer
Laboratório Classificação com o WEKA Explorer Para esse laboratório considere os seguintes classificadores: C4.5 (J4.8) KNN Naïve Bayes Considere as bases de treinamento e teste de dígitos manuscrítos
Leia maisRegras de Associação. Roteiro da Aula. Exemplos de perguntas a responder. Motivação e Relevância. Motivação e relevância. Regras de associação:
Roteiro da Aula Regras de Associação Stanley Robson de M. Oliveira Motivação e relevância. Regras de associação: Definição e exemplos; Conceitos básicos. Geração de regras de associação: Complexidade Problemas
Leia maisLaboratório Preprocessamento com WEKA Explorer
Laboratório Preprocessamento com WEKA Explorer Faça o download do dataset test_credit.csv*, e execute as seguintes tarefas: 1. Use o Weka Viewer para ter uma visão geral do dataset original. 2. Substitua
Leia maisDescoberta de conhecimento aplicando regras de associação na ferramenta WEKA
Descoberta de conhecimento aplicando regras de associação na ferramenta WEKA RESUMO Elio Ribeiro Faria Junior 58 Marcos Jesus de Oliveira Nielsen 59 Nos últimos anos vem aumentando o uso das técnicas de
Leia maisPatterns Identification in the Consumption of Oracle Database Resources Using Weka Tool in Data Mining
Journal of Engineering and Technology for Industrial Applications, 2019. Edition. 17.Vol: 05 https://www.itegam-jetia.org ISSN ONLINE: 2447-0228 DOI: https://dx.doi.org/10.5935/2447-0228.20190005 Patterns
Leia maisInteligência Artificial
UFRGS 2 Inteligência Artificial Técnicas de Mineração de Dados Árvores de Decisão Regras de Associação Árvores de Decisão As árvores de decisão (AD) são ferramentas poderosas para classificação cuja maior
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisAplicação de Regras de Associação para Mineração de Dados em uma Empresa do Setor Varejista Visando Auxiliar na Gestão de Vendas
Aplicação de Regras de Associação para Mineração de Dados em uma Empresa do Setor Varejista Visando Auxiliar na Gestão de Vendas Mateus Luiz Gamba 1, Giana da Silva Bernardino 2 1 Universidade Federal
Leia maisGripe H1N1, o que os Pais precisam saber!
1 Gripe H1N1, o que os Pais precisam saber! O que é a gripe H1N1? A gripe H1N1, também conhecida como gripe A, é uma doença respiratória infecciosa de origem viral, que pode levar ao agravamento e ao óbito,
Leia maisData Science. Data Stream Mining: trabalhando com dados massivos. André Luís Nunes Porto Alegre, Globalcode Open4education
Data Science Data Stream Mining: trabalhando com dados massivos André Luís Nunes Porto Alegre, 2018 Globalcode Open4education Data Stream Mining trabalhando com dados massivos 2018 agenda andré luís nunes
Leia maisInteligência nos Negócios (Business Inteligente)
Inteligência nos Negócios (Business Inteligente) Sistemas de Informação Sistemas de Apoio a Decisão Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 5) Fundamentação da disciplina Analise de dados Decisões
Leia maisPerfil epidemiológico do consumo de álcool entre os estudantes da Universidade Federal do Sul e Sudeste do Pará
Perfil epidemiológico do consumo de álcool entre os estudantes da Universidade Federal do Sul e Sudeste do Pará Daniela Morais Silva Elaine Ferreira Chaves Ana Cristina Viana Campos Palavras chave: Epidemiologia,
Leia maisRegras Rudimentarias
Regras Regras Rudimentarias 1R: aprende uma regra por atributo atribuí a classe mais freqüente taxa de erro: proporção de instâncias que não pertence a classe majoritária escolhe o atributo com menor taxa
Leia maisUtilizando Regras de Associação para Delinear o Perfil Feminino em Ciência da Computação
Utilizando Regras de Associação para Delinear o Perfil Feminino em Ciência da Computação Joyce Quintino 1, Carina T. Oliveira 1, Mauro Oliveira 1 1 Laboratório de Redes de Computadores e Sistemas (LAR)
Leia maisUniversidade Federal do Paraná
Universidade Federal do Paraná Mineração de Dados e Aprendizado de Máquinas. Aurora Trinidad Ramírez Pozo Roteiro Overview a Descoberta de Conhecimento em Bases de Dados Descoberta de Conhecimento em Bancos
Leia maisSobre o curso. Fabrício Olivetti de França. Universidade Federal do ABC
Sobre o curso Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Sobre mim 2. Sobre a Disciplina 1 Sobre mim Sobre mim Formado em Engenharia Elétrica com ênfase em Computação pela Universidade
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular WEKA Tópicos Introdução Simuladores de MD Principais módulos André C. P. L. F. de Carvalho Monitor: Váléria Carvalho André Ponce de Leon de Carvalho 2 Usando MD
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 maisColeta e Análise de Características de Fluxo para Classificação de Tráfego em Redes Definidas por Software
Coleta e Análise de Características de Fluxo para Classificação de Tráfego em Redes Definidas por Software Rodolfo Vebber Bisol, Anderson Santos da Silva, Cristian Cleder Machado, Lisandro Zambenedetti
Leia maisUso do Algoritmo APriori para Descoberta de Padrões de Evasão de Usuários em Cursos Online. Francisco Neto Orientador: Alberto
Uso do Algoritmo APriori para Descoberta de Padrões de Evasão de Usuários em Cursos Online Francisco Neto Orientador: Alberto Definição do Problema Evasão de Usuários em Cursos Online Possível prever?
Leia maisMineração de Dados voltada para Recomendação no Âmbito de Marketing de Relacionamento
Livia Fonseca Fracalanza Mineração de Dados voltada para Recomendação no Âmbito de Marketing de Relacionamento Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do título
Leia maisQUALIDADE DE VIDA DOS PROFESSORES DE CIÊNCIAS E BIOLOGIA DA REDE PÚBLICA DO MUNICÍPIO DE ARAPONGAS- PR
QUALIDADE DE VIDA DOS PROFESSORES DE CIÊNCIAS E BIOLOGIA DA REDE PÚBLICA DO MUNICÍPIO DE ARAPONGAS- PR SANCHES, D. F. 1 ; MÔNACO, A. P. do A. 2 ; QUINTILHANO. D. L. 1 1 Discentes do curso de Ciências Biológicas
Leia maisEstudo de Caso. Índice. Descrição da Área. Daniel Gomes Dosualdo Solange Oliveira Rezende
Estudo de Caso Daniel Gomes Dosualdo Solange Oliveira Rezende Índice Descrição da Área Identificação do Problema Descrição do Conjunto de Dados Pré-Processamento Extração de Padrões Pós-Processamento Disponibilização
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 maisRenato Martins Assunção
Análise Numérica Renato Martins Assunção DCC - UFMG 2012 Renato Martins Assunção (DCC - UFMG) Análise Numérica 2012 1 / 32 Introdução Sistemas lineares - introdução Nosso primeiro problema neste curso
Leia maisFigura 1: Metodologia de Reconhecimentos de Padrões desenvolvida na UFC
Uma Solução para o GISSA: Análise Comparativa entre Algoritmos de Aprendizagem de Máquina Aplicados em um Dataset Relacionado ao Óbito Infantil Joyce Quintino Alves (1) ; Cristiano Lima da Silva (2); Antônio
Leia maisData Science e Big Data
InforAbERTA IV Jornadas de Informática Data Science e Big Data Luís Cavique, Porto, março 2014 Agenda 1. Definições: padrões micro e Macro 2. Novos padrões para velhos problemas: Similis, Ramex, Process
Leia maisProf. Júlio Cesar Nievola Data Mining PPGIa PUCPR
Dado um conjunto de transações, achar regras que prevejam a ocorrência de um item baseado nas ocorrências de outros itens na transação Market-Basket transactions TID Items 1 Bread, Milk 2 Bread, Diaper,
Leia maisAprendizado de Supervisionado
Aprendizado de Supervisionado Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Aprendendo com Exemplos 2. Classificação 3. Conceitos Gerais 4. Vizinho Mais Próximo 1 Aprendendo com Exemplos
Leia maisVacinação do Adulto/Idoso
Vacinação do Adulto/Idoso Introdução 3 Por que eu devo me vacinar? 4 SUMÁRIO Vacinas e doenças respiratórias Gripe Pneumonia Coqueluche 6 6 7 8 Conheça o LPC 15 Imunizar adultos é um desafio mundial, já
Leia maisANÁLISE DE BIG DATA E INTELIGÊNCIA ARTIFICIAL PARA A ÁREA MÉDICA
CURTA DURAÇÃO ANÁLISE DE BIG DATA E INTELIGÊNCIA ARTIFICIAL PARA A ÁREA MÉDICA CARGA HORÁRIA: 80 horas COORDENAÇÃO: Prof.ª Dr.ª Alessandra de Ávila Montini OBJETIVOS Introduzir o conceito de Big Data,
Leia maisComputação Evolucionária
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional Câmpus Curitiba (PR) Computação Evolucionária
Leia maisInfluenza (gripe) 05/07/2013
Influenza (gripe) 05/07/2013 O que é? Doença infecciosa aguda Vírus Influenza A e B Sazonal (outono e inverno) Incubação: 1 a 4 dias Transmissibilidade: Adultos: 24h antes dos sintomas e 24h após febre
Leia maisUniversidade Federal de Uberlândia - Mestrado em Ciência da Computação. Profa. Sandra A. de Amo
Universidade Federal de Uberlândia - Mestrado em Ciência da Computação Lista de Exercícios n 0 1 - Data Mining : REGRAS DE ASSOCIAÇÃO 1 0 Semestre de 2003 Profa. Sandra A. de Amo Nesta lista, alguns exercícios
Leia maisPós-Graduação em Ciência da Computação CCM Sistemas de Banco de Dados
Pós-Graduação em Ciência da Computação CCM 202 - Sistemas de Banco de Dados Mineração Visual de Dados (Visual Data Mining) Cledson Diego de Marchi 26/07/11 1 Considerações Iniciais Pontos Relevantes; Motivação
Leia maisAprendizado de Supervisionado
Aprendizado de Supervisionado Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Padronizando e Normalizando os Atributos 2. Tipos de Atributos 3. Representação Textual 1 Padronizando e
Leia maiswww.cpsol.com.br TEMA 003 CONHEÇA E PREVINA AS DOENÇAS DO INVERNO
TEMA 003 CONHEÇA E PREVINA AS DOENÇAS DO INVERNO 1/8 O inverno chegou e junto com ele maiores problemas com as doenças respiratórias entre outras Isso não ocorre por acaso já que pé nesta estação onde
Leia maisAvaliação das leis de proibição ao fumo
1 Avaliação das leis de proibição ao fumo São Paulo Capital Maio de 2013 Complemento: questão sobre a adição de sabores e aromas ao cigarro Objetivo 2 Essa pesquisa teve o objetivo de investigar as opiniões
Leia maisRoteiro. Introdução. Introdução. Introdução. Abordagens. Aprendizado de máquina. (machine learning) Introdução. Arquitetura
Aprendizado de Máquina (machine learning) Introdução abordagens técnicas Arquitetura Roteiro Introdução Dificuldade classificação síntese aprendizado de máquina (simbólico) Definição: Learning denotes
Leia maisRelatório de Atividades
Relatório de Atividades BCC390 - Monografia I MINERAÇÃO DE DADOS PARA PADRÕES DE SEQUENCIA Cecília Henriques Devêza OURO PRETO, 27 DE NOVEMBRO DE 2010 Introdução O que são Padrões de Sequência O projeto
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 maisAprendizado de Máquina
Aprendizado de Máquina Introdução ao WEKA Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://web.inf.ufpr.br/luizoliveira Luiz S. Oliveira (UFPR) Aprendizado de
Leia maisUNIVERSIDADE DE MOGI DAS CRUZES - UMC COMISSÃO PRÓPRIA DE AVALIAÇÃO CPA
UNIVERSIDADE DE MOGI DAS CRUZES - UMC COMISSÃO PRÓPRIA DE AVALIAÇÃO CPA PROJETO: PERFIL DOS ALUNOS DOS CURSOS DE GRADUAÇÃO DA UNIVERSIDADE DE MOGI DAS CRUZES UMC RELATÓRIO 2011 I. Apresentação O projeto
Leia mais2COP355 INTELIGÊNCIA COMPETITIVA. Algoritmos. Sylvio Barbon Junior 27 de novembro de 2015 DC-UEL Sylvio Barbon Jr 1
2COP355 INTELIGÊNCIA COMPETITIVA Algoritmos Sylvio Barbon Junior barbon@uel.br 27 de novembro de 2015 DC-UEL Sylvio Barbon Jr 1 Sumário Etapa I Etapa II Inteligência de Negócios Visão Geral sobre Mineração
Leia maisEstudo das Condições Climáticas em uma Planta Geradora de Energia Eólica Utilizando Mineração de Dados
Estudo das Condições Climáticas em uma Planta Geradora de Energia Eólica Utilizando Mineração de Dados Elias Rocha Gonçalves Júnior Virgínia Siqueira Gonçalves Cláudio Luiz Melo de Souza Geórgia Regina
Leia maisSCC0173 Mineração de Dados Biológicos
SCC0173 Mineração de Dados Biológicos Preparação de Dados: Parte A Prof. Ricardo J. G. B. Campello SCC / ICMC / USP 1 Créditos O material a seguir consiste de adaptações e extensões: dos originais gentilmente
Leia maisData 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 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 maisRevista Gestão Pública em Curitiba MOMENTOS I ENCONTRO INTERNACIONAL DE CURITIBA EM GESTÃO PÚBLICA Pública Gestão Curitiba 2011 em I Encontro Internacional de Curitiba Gestão Pública para Resultados 44
Leia maisAttribute Information:
Universidade Tecnológica Federal do Paraná (UTFPR) 2010/03 Mineração de Dados Jean Avila Rangel PPGCA 1801317 Trabalho para o dia 18 do professor Heitor. Análise na ferramenta Rstudio de arquivos da base
Leia maisEXTRAÇÃO DE ASSOCIAÇÕES EM BASES DE DADOS DE VAREJO
EXTRAÇÃO DE ASSOCIAÇÕES EM BASES DE DADOS DE VAREJO Gustavo Silva Semaan, Andrei de Alencastro Graça, Carlos Rodrigo Dias Faculdade Metodista Granbery Rua Batista de Oliveira, 1145, Centro, Juiz de Fora
Leia maisFundamentos de Mineração de Dados
Fundamentos de Mineração de Dados Prof. Ricardo Fernandes ricardo.asf@ufscar.br O que é Mineração de Dados? Uso de ferramentas matemáticas, clássicas ou inteligentes, no processo de descoberta de conhecimento
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Aula de Hoje. Introdução. Classificação III: Árvores de Decisão
SCC073 Mineração de Dados Biológicos Classificação III: Árvores de Decisão Créditos O material a seguir consiste de adaptações e extensões dos originais: gentilmente cedidos pelo Prof. André C. P. L. F.
Leia maisCurso de Data Mining. Sandra de Amo. Aula 18 - Mineração de padrões em caminhos percorridos por usuários da Internet
Curso de Data Mining Sandra de Amo Aula 18 - Mineração de padrões em caminhos percorridos por usuários da Internet Nesta aula vamos tratar do problema de mineração de caminhos percorridos por usuários
Leia mais