Este documento apresenta os conceitos de descoberta de conhecimento em bancos de dados e mineração de dados, incluindo as etapas do processo e várias técnicas comuns como classificação, regressão, árvores de decisão e redes neurais. Também discute tópicos como pré-processamento e validação de dados, bancos de dados para mineração e o uso de mineração para aplicações como marketing.

1. Page  1
Luis Paulo Vieira Braga
lpbraga@geologia.ufrj.br

2. Page  2
Conceitos
Técnicas
Casos
Recursos

3. Page  3

4. Page  4
Daniel Souza da Silva
João Gabriel Domingues
Julia Vidal Ribeiro
Paloma da Silva Borba
Rafael Celestino dos Santos

5. Page  5

6. Page  6
Data Mining Cookbook, Rud O.P. , Wiley

7. Page  7
INTRODUÇÃO

8. Page  8
INTRODUÇÃO

9. Page  9
INTRODUÇÃO

10. Page  10
INTRODUÇÃO

11. Page  11
INTRODUÇÃO

12. Page  12
INTRODUÇÃO

13. Page  13
DESCOBERTA DE CONHECIMENTO EM BANCOS
DE DADOS (KDD) E MINERAÇÃO DE DADOS (DM)

14. Page  14
DESCOBERTA DE CONHECIMENTO EM BANCOS DE
DADOS (KDD) E MINERAÇÃO DE DADOS (DM)
Dados Dados Dados
Pré- Transformados
Processados
Previsão
Classificação

15. Page  15
DESCOBERTA DE CONHECIMENTO EM BANCOS
DE DADOS (KDD) E MINERAÇÃO DE DADOS (DM)

16. Page  16
DESCOBERTA DE CONHECIMENTO EM BANCOS
DE DADOS (KDD) E MINERAÇÃO DE DADOS (DM)
Exemplo das
sete etapas em
uma aplicação
destinada a
uma campanha
de vendas de
CDB´s de um
Banco que tem
1.400.000
clientes
pessoas
físicas.

17. Page  17
BANCOS DE DADOS PARA DM, DATA WARE HOUSE(

18. Page  18
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
www.jeunesse.com.br

19. Page  19
BANCOS DE DADOS PARA DM, DATA WARE HOUSE

20. Page  20
BANCOS DE DADOS PARA DM, DATA WARE HOUSE

21. Page  21
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Introducción a la minería de datos, Orallo;
Quintana e Ramirez, Prentice Hall

22. Page  22
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Introducción a la minería de datos, Orallo;
Quintana e Ramirez, Prentice Hall

23. Page  23
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Introducción a la minería de datos, Orallo;
Quintana e Ramirez, Prentice Hall

24. Page  24
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Introducción a la minería de datos, Orallo;
Quintana e Ramirez, Prentice Hall

25. Page  25
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Introducción a la minería de datos, Orallo;
Quintana e Ramirez, Prentice Hall

26. Page  26
BANCOS DE DADOS PARA DM, DATA WARE HOUSE

27. Page  27
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Big
Data

28. Page  28
TRATAMENTO DE DADOS PARA DM

29. Page  29
TRATAMENTO DE DADOS PARA DM

30. Page  30
TRATAMENTO DE DADOS PARA DM

31. Page  31
TRATAMENTO DE DADOS PARA DM

32. Page  32
TRATAMENTO DE DADOS PARA DM

33. Page  33
(ALGUMAS) TÉCNICAS PARA DM
Introducción a la Mineria de Datos, Orallo ; Quintana; Ramirez
Prentice Hall
Denominação Preditivo Descritivo
Classificação Predição Agrupamento Associação
Regressão x
Regressão Logística x
Função Discriminante x
Árvores de classificação x
Análise de associação x
Naive Bayes x
Kmeans x
Redes Neurais (MLP) x x

34. Page  34
TÉCNICAS PARA DM
Introdução à Mineração de Dados
Braga e-papers

35. Page  35
TÉCNICAS PARA DM
Introdução à Mineração de Dados
Braga e-papers

36. Page  36
TÉCNICAS PARA DM
X2
A B
xx
xxxxxx +++
x xxxx++++
xxxx ++++
A´
X1
B´
Função discriminante Y

37. Page  37
TÉCNICAS PARA DM

38. Page  38
TÉCNICAS PARA DM

39. Page  39
TÉCNICAS PARA DM

40. Page  40
TÉCNICAS PARA DM
NAIVE BAYES
A solução mais comum é através do
método de máxima verossimilhança

41. Page  41
TÉCNICAS PARA DM
REDES BAYESIANAS E CLASSIFICADORES BAYESIANOS

42. Page  42
TÉCNICAS PARA DM

43. Page  43
TÉCNICAS PARA DM

44. Page  44
TÉCNICAS PARA DM

45. Page  45
TÉCNICAS PARA DM

46. Page  46
TÉCNICAS PARA DM
OBTENÇÃO DE SUPORTES POR DIMENSÃO

47. Page  47
TÉCNICAS PARA DM

48. Page  48
TÉCNICAS PARA DM

49. Page  49
TÉCNICAS PARA DM
CÁLCULO DA CONFIANÇA DE UMA REGRA p(B|A)

50. Page  50
TÉCNICAS PARA DM

51. Page  51
TÉCNICAS PARA DM

52. Page  52
TÉCNICAS PARA DM

53. Page  53
TÉCNICAS PARA DM

54. Page  54
TÉCNICAS PARA DM

55. Page  55
TÉCNICAS PARA DM

56. Page  56
TÉCNICAS PARA DM

57. Page  57
TÉCNICAS PARA DM

58. Page  58
TÉCNICAS PARA DM

59. Page  59
TÉCNICAS PARA DM

60. Page  60
TÉCNICAS PARA DM
Multilayer Perceptron
Feed-forward
Supervisionada

61. Page  61
TÉCNICAS PARA DM

62. Page  62
TÉCNICAS PARA DM

63. Page  63
TÉCNICAS PARA DM

64. Page  64
TÉCNICAS PARA DM

65. Page  65
TÉCNICAS PARA DM

66. Page  66
TÉCNICAS PARA DM

67. Page  67
TÉCNICAS PARA DM

68. Page  68
VALIDAÇÃO DO MODELO

69. Page  69
VALIDAÇÃO DO MODELO

70. Page  70
VALIDAÇÃO DO MODELO

71. Page  71
VALIDAÇÃO DO MODELO

72. Page  72
VALIDAÇÃO DO MODELO

73. Page  73
VALIDAÇÃO DO MODELO

74. Page  74
VALIDAÇÃO DO MODELO

75. Page  75
VALIDAÇÃO DO MODELO

76. Page  76
VALIDAÇÃO DO MODELO
L if t C h a r t - R e s p o n s e %
C u m u la t iv e
S e le c t e d c a t e g o r y o f ID _ D G _ N O T : 1
M o d e l
T r e e M o d e l
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0 1 1 0
P e r c e n t ile
6 0
6 5
7 0
7 5
8 0
8 5
Response%

77. Page  77
VALIDAÇÃO DO MODELO

78. Page  78
VALIDAÇÃO DO MODELO
Predição Frequência
Verdade
Porcentual
Classificação
Correta
Verdade 1 2
1 22 3 25 88%
2 5 20 25 80%
Frequência
Predição
27 23 50 84%*
*Número de classificação de corretas/ Número total de observações
Caso seja necessário, pode-se estabelecer pesos diferentes para as
freqüências obtidas em cada uma das células.

79. Page  79
VALIDAÇÃO

80. Page  80
FIM DA PRIMEIRA PARTE