jjjjjjjjjjjjjjj

200 visualizações

Publicada em

kkkkkkkkkkkkkkkk

Publicada em: Notícias e política
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
200
No SlideShare
0
A partir de incorporações
0
Número de incorporações
2
Ações
Compartilhamentos
0
Downloads
0
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

jjjjjjjjjjjjjjj

  1. 1. ............................................................................................................................... ENSINO PRESENCIAL COM SUPORTE EAD SISTEMAS DE INFORMAÇÃO JEFFERSON ROCHA DO NASCIMENTO – 247232011 BANCO DE DADOS – MINERAÇÃO DE DADOS (DATA MINING) INTELIGÊNCIA ARTIFICIAL ............................................................................................................................... Guarulhos 2013
  2. 2. JEFFERSON ROCHA DO NASCIMENTO BANCO DE DADOS – MINERAÇÃO DE DADOS (DATA MINING) INTELIGÊNCIA ARTIFICIAL Trabalho apresentado ao Curso de Sistemas de informação da Faculdade ENIAC para a disciplina de Inteligência Artificial Professor: Prof. Dr. Chau S. Shia Guarulhos 2013
  3. 3. MINERAÇAO DE DADOS (DATA MINING) A finalidade da análise de dados é descobrir previamente características, relacionamentos, dependências ou tendências desconhecidas dos dados. Essas descobertas, então, tornam-se parte do modelo de informações a partir do qual as decisões são construídas. Uma típica ferramenta de análise de dados depende de os usuários finais definirem o problema, selecionarem os dados e iniciarem. As análises adequadas, de modo a gerar informações que auxiliem na modelagem e resolução dos problemas descobertos por esses usuários. Em outras palavras, os usuários finais reagem a um estímulo externo - a descoberta do próprio problema. Se esses usuários não detectarem o problema, nenhuma medida será tomada. Em razão dessa limitação, alguns ambientes atuais de BI dão suporte a diferentes tipos de alertas automatizados. Esses alertas são agentes de software que monitoram constantemente certos parâmetros, como indicadores de vendas ou níveis de estoque e, assim, executam ações especificadas (enviar e-mail ou mensagens de alerta, executar programas etc.) quando tais parâmetros atingem níveis predefinidos. Ao contrário das ferramentas tradicionais de BI (reativas), a mineração de dados é proativa. Em vez de o usuário de dados definirem o problema e selecionar os dados e os meios de análise, as ferramentas de mineração de dados buscam automaticamente anomalias e possíveis relacionamentos de dados, identificando, assim, problemas ainda não identificados pelo usuário final. Em outras palavras, a mineração de dados refere-se às atividades que analisam os dados, descobrem problemas e oportunidades ocultos em seus relacionamentos, formam modelos computacionais com base nessas descobertas e, então, utilizam esses modelos para prever o comportamento do negócio - exigindo a mínima intervenção do usuário final. Portanto, esse usuário pode utilizar as descobertas do sistema para obter conhecimentos capazes de produzir vantagens competitivas. A mineração de dados corresponde a uma nova espécie de ferramentas especializadas de suporte a decisões que automatizam a análise de dados. Em resumo, essas ferramentas iniciam as análises para criar conhecimento. Tal conhecimento pode ser
  4. 4. utilizado para tratar de um número ilimitado de problemas de negócios. Por exemplo, empresas bancárias e de cartões de crédito utilizam a análise baseada em conhecimento para detectar fraudes, reduzindo, assim, as transações fraudulentas. Para colocar a mineração de dados em perspectiva, veja a pirâmide logo abaixo, que representa como o conhecimento é extraído dos dados. Os dados formam a base da pirâmide e representam o que a maioria das organizações coleta em seus bancos operacionais. O segundo nível contém informações que representam dados purificados e processados. As informações formam a base da tomada de decisão e da compreensão dos negócios. O conhecimento está no ápice da pirâmide e representa informações altamente especializadas. BUSINESS INTELLIGENCE E DATA WAREHOUSES
  5. 5. FIGURA Extração de conhecimento dos dados É difícil fornecer uma lista precisa das características das ferramentas de mineração de dados. Para um único aspecto, a geração atual dessas ferramentas contém diversas variações de projeto e aplicação, de modo a atender às necessidades de mineração de dados. Além disso, há muitas variações, pois não existem padrões estabelecidos que orientem a criação de ferramentas de mineração de dados. Cada uma delas parece ser determinada por uma abordagem e um foco diferentes, gerando, assim, famílias de ferramentas que se concentram em nichos de mercado, como marketing, varejo, finanças, saúde, investimentos, seguros e bancos. Em determinado nicho, essas ferramentas podem utilizar certos algoritmos, que podem ser implementados de diversos modos e/ou aplicados a dados diferentes. Apesar da falta de padrões precisos, a mineração de dados está sujeita a quatro fases gerais: 1. Preparação de dados.
  6. 6. 2. Análise e classificação de dados. 3. Aquisição de conhecimento. 4. Prognóstico. SISTEMAS DE BANCO DE DADOS 582 Na fase de preparação de dados, os principais conjuntos de dados a serem utilizadas pela operação de mineração de dados são identificados e quaisquer impurezas são eliminadas. Como os dados de data warehouses já estão integrados e filtrados costumam ser o conjunto-alvo das operações de mineração de dados. A fase de classificação e análise de dados estuda os dados para identificar características e padrões comuns. Durante essa fase, a ferramenta de mineração de dados utiliza algoritmos específicos para encontrar. • Agrupamentos, classificações, grupos ou sequências de dados. • Dependências, vínculos ou relacionamentos de dados. • Padrões, tendências e desvios de dados. A fase de aquisição do conhecimento utiliza os resultados da fase de análise e classificação. Durante essa fase, a ferramenta de mineração de dados (com possível intervenção do usuário final) seleciona os algoritmos adequados de modelagem e aquisição de conhecimento. Os algoritmos mais comuns baseiam-se em redes neurais, arvores de decisões, indução de regras, classificação ou regressão, algoritmos genéticos, raciocínio com base em memória e visualização de dados, e vizinho mais próximo. A ferramenta de mineração de dados pode utilizar vários desses algoritmos, em qualquer combinação, para gerar um modelo de computador que reflita o comportamento do conjunto-alvo de dados. Embora várias dessas ferramentas parem na fase de aquisição de conhecimento, outras continuam até a fase de prognóstico. Nessa fase, as descobertas da mineração de dados são utilizadas para prever o
  7. 7. comportamento futuro e projetar resultados de negócios. Alguns exemplos dessas descobertas poderiam ser: 65% dos clientes que não utilizaram o cartão de crédito nos últimos seis meses têm 88% de probabilidade de cancelar a conta. 82% dos clientes que compraram TVs de 27 polegadas ou maiores têm até 90% de probabilidade de adquirir um home theater nos próximos quatro meses. Se a idade < 30, a renda <= 25.000, classificação de crédito < 3 e o limite de crédito > 25.000, o prazo mínimo de empréstimo é de 10 anos. O conjunto completo de descobertas pode ser representado em uma árvore de decisão, em uma rede neural, em um modelo de projeção ou em uma interface de apresentação visual utilizada para projetar eventos ou resultados futuros. Por exemplo, a fase de prognóstico pode projetar o resultado.
  8. 8. Conclusão Diante do apresentado, a extração de dados é muito útil e eficiente para buscas rápidas sem a necessidade do usuário inseri muitas informações como, por exemplo, cartão de crédito onde o usuário só precisa digitar a senha e com esta mineração de dados é possível aprovar a compra do cliente se caso as informações forem corretas ou o saldo da conta for suficiente para a continuação da transação.

×