Desvendando seus dados com Amazon Machine Learning
Raciocínio Baseado em Casos (CBR
1. RACIOCÍNIO
BASEADO
EM
CASOS
(CBR)
NIELSEN
RECHIA
PONTIFÍCIA
UNIVERSIDADE
CATÓLICA
DO
RIO
GRANDE
DO
SUL
FACULDADE
DE
INFORMÁTICA
PROGRAMA
DE
PÓS-‐GRADUAÇÃO
EM
CIÊNCIA
DA
COMPUTAÇÃO
BUSINESS
INTELLIGENCE
AND
MACHINE
LEARNING
RESEARCH
GROUP
2. Agenda
Experiências
passadas
Suporte
a
decisão
O
que
é
Raciocínio
Baseado
em
Casos
Fluxo
CBR
O
que
é
um
Caso?
Como
CBR
Funciona?
Aprendizado
em
CBR
Quem
usa
CBR?
Como
usar
CBR?
Exemplo
3. Experiências
passadas
Experiências
passadas
apresentam
informações
de
decisões/ações
em
nosso
dia-‐a-‐dia
estas
informações
são
a
base
de
um
sistema
CBR
!
!
Custo
de
um
produto?
Será
o
mesmo
de
dias
anteriores?
Empresas
realizam
milhares
de
decisões
em
um
dia!
Decisões
corretas
podem
ser
usadas
como
experiências
passadas
4. Suporte
a
decisão
CBR
utiliza
experiências
passadas
(decisões/ações)
para
gerar
novas
decisões/soluções
!
Problemas
para
desenvolver
um
sistema
CBR:
Elicitação
do
conhecimento
Suporte
a
decisão
é
dinâmico
Sistemas
requerem
manutenções
Sistemas
devem
ser
aceitos
pelos
usuários
5. O
que
é
CBR?
Solução
de
novos
problemas
reutilizando
ou
adaptando
soluções
que
foram
utilizadas
na
solução
de
problemas
do
passado
!
Similar
ao
que
muitas
pessoas
realizam
rotineiramente
para
solucionar
seus
problemas
pessoais.
6. O
que
é
CBR?
Qual
resultado
de
12
x
12?
144
Qual
o
resultado
de
13
x
12?
próximo
de
12
x
12
(12
x
12)
+
12
156
7. O
que
é
um
Caso?
Atributos/features/characteristics
que
descrevem
um
determinado
problema
Em
conjunto
com
um
solução
para
este
problema
textos,
números,
símbolos,
imagens,
videos
…
!
Casos
são
eventos
reais!
Que
são
excelentes
para
justificar
decisões
9. O
que
é
um
Caso?
Atributos/features/characteristics
que
descrevem
um
determinado
problema
Em
conjunto
com
um
solução
para
este
problema
textos,
números,
símbolos,
imagens,
videos
…
!
Casos
são
eventos
reais!
Que
são
excelentes
para
justificar
decisões
10. O
que
é
um
Caso?
Características
de
um
casa
são:
Indexadas
Não
indexadas
11. O
que
é
um
Caso?
Características
indexadas:
Usadas
para
recuperação
Indicam
a
solução
para
o
caso
!
Características
não
indexadas:
Não
são
usadas
para
recuperação
Não
indicam
a
solução
para
o
caso
Fornecem
valiosas
informações
contextuais
e
lições
aprendidas
!
Características
podem
mudar
de
status
12. Como
CBR
funciona?
Imagine
uma
decisão
com
dois
fatores
de
influência.
Você
deve
conceder
um
empréstimo
para
uma
determinada
pessoa?
!
Fatores:
rendimento
líquido
mensal
Reembolso
mensal
do
empréstimo
13. Como
CBR
funciona?Rendimento
líquido
mensal
0
5
10
15
20
Reembolso
mensal
do
emprésomo
0 0.625 1.25 1.875 2.5
NOVO
CASO
CASOS
PASSADOS
RUINS
CASOS
PASSADOS
BONS
14. Como
CBR
funciona?Rendimento
líquido
mensal
0
5
10
15
20
Reembolso
mensal
do
emprésomo
0 0.625 1.25 1.875 2.5
Bom
caso
15. Como
CBR
funciona?
Na
vida
real,
o
problema
pode
ser
N
dimensional
Características
podem
ser
ponderadas
para
refletir
sua
importância
Novas
características
podem
ser
adicionadas
se
elas
se
tornarem
relevantes
Tolerante
a
ruído
e
a
falta
de
dados
Denominado
recuperação
do
vizinho
mais
próximo
(KNN)
16. Como
CBR
funciona?
CBR
é
transparente
Experiência
passada
é
um
métodos
aceito
para
justificar
decisões
Vizinho
mais
próximo
recupera
os
melhores
casos
passados
similares
O
processo
é
transparente
Fácil
de
ser
entendido
pelos
usuários
Aumenta
a
aceitação
dos
usuários
17. Como
CBR
funciona?
Sistemas
baseados
em
regras
justificam
suas
decisões
apresentando
o
caminho
percorrido.
regra
33
-‐>
regra
61
-‐>
regra
43
-‐>
regra
102
Este
caminho
pode
confundir
os
usuários
!
Redes
neutrais
e
algoritmos
genéticos
podem
não
justificar
suas
decisões
Usuários
terão
de
acreditar
que
o
programa
está
correto
18. Aprendizado
em
CBR
Suporte
a
decisão
é
dinâmica
CBR
aprende
adquirindo
novos
casos
Sem
adição
de
novas
regras
sem
a
necessidade
de
novos
treinamentos
sem
renovar
a
base
de
dados
19. Quem
usa
CBR?
American
Express
-‐
avaliação
de
risco
em
cartões
de
crédito
Microsoft
–
help
desks
Barclaycard
-‐
fraudes
General
Electric
–
diagnóstico
de
trains,
fabricação
de
plástico
British
Airways
–
Manutenção
de
aviões
Daimler
Chrysler
–
Suporte
para
softwares
Analog
–
Seleção
de
componentes
NASA
–
apoio
para
ônibus
espaciais
Swiss
Bank
-‐
gestão
de
investimentos
Deloitte
Touche
-‐
avaliação
de
fraudes
20. Exemplo
Falha
de
um
carro
Sintomas
observados
(ex:
motor
não
dá
partida)
e
valores
medidos
(ex:
Voltagem
da
bateria
=
6.3V)
Objetivo:
Encontrar
a
causa
da
falha
no
carro
(ex:
Sem
bateria)
e
solução
de
reparo
(ex:
recarregar
bateria)
!
Diagnóstico:
Um
caso
descreve
um
diagnóstico
e
contém:
Descrição
dos
sintomas
Descrição
da
falha
e
a
causa
descrição
da
solução
de
reparo
22. Cada
caso
descreve
uma
situação
!
Casos
são
independentes
um
dos
outros
!
Casos
não
são
regras
23. Solucionando
problema
Faça
observações
sobre
o
novo
caso
!
Nem
todas
as
características
precisam
ser
conhecidas
!
O
novo
problema
é
um
caso
sem
uma
solução
24. Solucionando
um
problema
Compare
o
novo
problema
com
cada
caso
e
selecione
o
caso
mais
similar
!
Similaridade
é
o
conceito
mais
importante
em
CBR
25. Similaridade
Similaridade
é
avaliada
para
cada
característica
Depende
do
valor
da
característica
Características
podem
possuir
diferentes
pesos
(importâncias)
30. Como
CBR
funciona?
Se
o
diagnóstico
está
correto,
armazene
o
novo
caso
na
base
de
casos.
31. Referências
Watson,
Ian,
and
Farhi
Marir.
"Case-‐based
reasoning:
A
review."
The
knowledge
engineering
review
9,
no.
04
(1994):
327-‐354.
Kolodner,
Janet.
Case-‐based
reasoning.
Morgan
Kaufmann,
2014.
de
Mantaras,
Ramon
Lopez.
"Case-‐based
reasoning."
Machine
Learning
and
Its
Applications.
Springer
Berlin
Heidelberg,
2001.
127-‐145.
Leake,
David
B.
Case-‐Based
Reasoning:
Experiences,
lessons
and
future
directions.
MIT
press,
1996.
MACHADO,
N.
L.
et
al.
Case-‐based
Reasoning
for
Experience-‐based
Collaborative
Risk
Management.
The
Twenty-‐Sixth
International
Conference
on
Software
Engineering
and
Knowledge
Engineering
(SEKE
2014),
p.
262-‐267,
2014.
32. RACIOCÍNIO
BASE
EM
CASOS
(CBR)
NIELSEN
RECHIA
PONTIFÍCIA
UNIVERSIDADE
CATÓLICA
DO
RIO
GRANDE
DO
SUL
FACULDADE
DE
INFORMÁTICA
PROGRAMA
DE
PÓS-‐GRADUAÇÃO
EM
CIÊNCIA
DA
COMPUTAÇÃO
BUSINESS
INTELLIGENCE
AND
MACHINE
LEARNING
RESEARCH
GROUP