Data Mining-Trab-BDA-apresentação-pronta, Notas de estudo de Informática

Baixe Data Mining-Trab-BDA-apresentação-pronta e outras Notas de estudo em PDF para Informática, somente na Docsity!

Data Mining

Universidade do Estado do Rio Grande do Norte Núcleo de Ensino Superior Avançado de Santa Cruz Disciplina: Modelos Avançados de Banco de Dados Professor: Thiago Gameleira



Introdução



Data Mining

◦ (^) Fatores do seu crescimento ◦ (^) Knowledge DataDiscovery(KDD) ◦ (^) Arquitetura ◦ (^) Fases ◦ (^) Técnica ◦ (^) Aplicações 

Conclusão



Referências

Sumário

Data Mining pode ser utilizado com os seguintes objetivos:  (^) Explicativo: explicar algum acontecimento ou medida observada, tal como porque é que o consumo de cerveja caiu na Praia da Rocha;  (^) Confirmativo: confirmar uma hipótese. Uma companhia de seguros, por exemplo, pode querer examinar os registros dos seus clientes para determinar se famílias de duas rendas tem mais probabilidade de adquirir um plano de saúde do que famílias de uma renda;E  (^) Exploratório: analisar os dados procurando novos relacionamentos e não previstos. Uma companhia de cartões de crédito pode analisar seus registros históricos para determinar que fatores estão associados a pessoas que representam risco para créditos. [SOUSA, 2004] Introdução

Pequena loja de vinhos x grande empresa Proprietário Computador Memória do proprietário Banco de Dados Capacidade de aprendizado Data Mining Introdução

Técnicas automáticas utilizadas para explorar grandes bases de Dados de forma a descobrir relações e padrões existentes nestas informações. Definição mais formal: Banco de Dados Data Maning

 Aumento do volume de dados disponíveis  Organização dos Dados  Disponibilidade de computadores de alto desempenho  Competição Empresarial Data Maning: Fatores do seu crescimento

1. Limpeza
2. Integração
3. Seleção
4. Transformação
5. Data Mining
6. Avaliação dos Modelos Etapas de KDD

Servidor de banco de Dados e Data Warehouse Banco de Dados Avaliação de Padrões e Modelos Interface Gráfica com o usuário Data Warehouse Minerador de Dados Base de Conhecimento Arquitetura para o Data Mining

Classificação: Determinar com que grupos de entidades já classificadas anteriormente o objeto apresenta semelhança. Exemplos:

• (^) Classificar os clientes de uma empresa segundo:
  • (^) Tipo de compras: boa, média e ruim.
  • (^) Descrições dos produtos: preço, marca, posição na loja, tipo e categoria.
• SE(Idade_Cliente<18)E(Sexo_Cliente=M) ENTÃO(Produto_Comprado=Videogame) Técnicas de Data Mining

Regras de Associação: Exprimem condições de valores de atributos que ocorrem juntos em um conjunto de dados. Têm por objetivo encontrar relacionamentos ou padrões freqüentes.

• (^) Exemplo: Idade (X, “20...29”) ^ renda(X, “2000...2900”)  compra(X, “aparelho de CD”) [suporte=2%, confiança=60%] X: antecedente da regra Y: consequente da regra Suporte:
• (^) 2% dos clientes entre 20 e 29 anos e renda entre R$ 2000.00 e 2900.00 compraram aparelho de CD. Confiança:
• (^) Entre os clientes com estas características 60% compraram aparelho de CD. Técnicas de Data Mining

Marketing/ Vendas

• (^) Prever quais consumidores serão atingidos nas campanhas publicitárias.
• (^) Encontrar características dos consumidores de acordo com a região demográfica.
• (^) Verificar por que os clientes trocam uma empresa por outra. Medicina
• (^) Prever quais pacientes têm maior probabilidade de contrair uma certa doença.
• (^) Identificar terapias de sucesso p/ determinadas doenças.
• (^) Identificar a relação entre algumas doenças e certos perfis profissionais, hábitos pessoais e local de moradia. Finanças
• (^) Detectar padrões de fraudes no uso de cartões de crédito.
• (^) Identificar tendências de alta ou baixa de ações. Data Mining: Aplicações

Nos primórdios do data warehouse , data mining era visto como um subconjunto das atividades associadas com o warehouse. Mas atualmente os caminhos do warehouse e do mining estão divergindo. Enquanto o warehouse pode ser uma boa fonte de dados para minerar , o data mining foi reconhecido como uma tarefa genuína, e não mais como uma colônia do warehouse. [GROSSMAN; GASPARINI,2004] Conclusão

 (^) CAMPOS, Maria Luiza & FILHO, Arnaldo V. Rocha. Data warehouse. Obtida via Internet. Ultimo acesso: 23/10/2012. http://genesis.nce.ufrj.br/dataware/tutorial/indice.htm  (^) GROSMAN,F. L. L ; GASPARINI, M. L.; Data Warehouse e Data Mining. Universidade Federal do Rio Grande do Sul. Brasil. 2004.  (^) OLIVEIRA, A. M. Aplicação de Algumas Técnicas de Data Mining em Bancos de Dados utilizando o Weka. Faculdade Mater Dei. Brasil. 2000.  (^) GOUVEIA, R. M. M. Mineração de Dados em Data Warehouse para abastecimento de água. Universidade Federal da Paraíba. Dissertação de Mestrado. Brasil. 2009. Referências