DATA MINING

1
DATA MINING

• Disciplina
• SIPE
• EQUIPE 4
• ARACHELY SILVA
• CLAUDINEI NASCIMENTO
• ERICA MIRELLA ARAUJO SANTOS
• FABIO STAUDINGOR
• LUCIANO FRANCISCO
• JANAÍNA MARTINS
• PEDRO GOMES
• Orientadora Profº. MÁRCIA PASSOS

2
Tópicos da Apresentação

• DATA MINING E OBJETIVOS
• FUTURO E HISTÓRIA
• CARACTERÍSTICAS
• FASES E PROCESSOS
• CONCEITOS
• VANTAGENS E DESVANTAGENS
• ESTUDO DE CASO
• REFERÊNCIAS

3
DATA MINING

• O que é Data mining
• Data mining (mineração de dados), é o processo
  de extração de conhecimento de grandes bases de
  dados, convencionais ou não.
• Utiliza técnicas de inteligência artificial que
  procuram relações de similaridade ou discordância
  entre dados.
• Fernando S. Goulart Júnior Robson do Nascimento
  Fidalgo (1998)

4
Introdução

• O que é Data mining
• Data mining (mineração de dados), é o processo
  de extração de conhecimento de grandes bases de
  dados, convencionais ou não.
• Utiliza técnicas de inteligência artificial que
  procuram relações de similaridade ou discordância
  entre dados.
• Seu objetivo é encontrar, automaticamente,
  padrões, anomalias e regras com o propósito de
  transformar dados, aparentemente ocultos, em
  informações úteis para a tomada de decisão e/ou
  avaliação de resultados.
• Fernando S. Goulart Júnior Robson do Nascimento
  Fidalgo (1998)

5
Exemplos de Data Mining

• Exemplo

• Conclusões
• Produtos azuis são de alto lucro
• ou
• Arizona é um lucro baixo

6
Objetivos do Data Mining

• Extrair inteligentimente os dados
• Construir um modelo neural, "adestrado" a
  rede em um data set de treinamento e então usamos
  a rede já treinada para fazer predições
•  
• Identificar padrões de comportamento em
  vendas de consumidores, Associar comportamentos à
  características demográficas de
  consumidoresCampanhas de marketing direto
  (mailing campaigns) Identificar consumidores
  leais
• Identificar padrões de fraudes (cartões de
  crédito) em bancos Identificar características
  de correntistas (banco) e Analisar Mercado
  Financeiro (banco

7
História da Data Mining

• Evolução até o data mining

8
O FUTURO da Data Mining

• O futuro está no aprimoramento da técnica do Data
  Mining têm sido aplicadas com sucesso para a
  solução de problemas em diversas áreas, como
  descrito a seguir
•  
• Vendas Identificar padrões de comportamento
  dos consumidor ,Encontrar características dos
  consumidores de acordo com a região e Prever
  quais consumidores serão atingidos nas campanhas
  de marketing.
•  
• Finanças - Detectar padrões de fraudes no uso
  dos cartões de crédito, Identificar os
  consumidores que estão tendendo a mudar a
  companhia do cartão de crédito,Identificar regras
  de estocagem a partir dos dados do mercado e
  Encontrar correlações escondidas nas bases de
  dados.
•  
• Seguros e Planos de Saúde Determinar quais
  procedimentos médicos são requisitados ao mesmo
  tempo ,Prever quais consumidores comprarão novas
  apólices e Identificar comportamentos fraudulentos

9
Características do Data Mining

• A estatística A mais antiga delas. Sem a
  estatística não seria possível termos o DM, visto
  que a mesma é a base da maioria das tecnologias a
  partir das quais o DM é construído. A Estatística
  Clássica envolve conceitos como distribuição
  normal e análise de conjuntos.
• Inteligência Artificial A segunda linhagem do
  DM que soluciona os problemas estatísticos e como
  módulos de otimização de consulta para SGBDS.
• Machine Learning E a terceira e última linhagem
  do DM é a chamada machine learning, que pode ser
  melhor descrita como o casamento entre a
  estatística e a IA.

10
Fases do Data Mining

• Os passos fundamentais de uma mineração bem
  sucedida a partir de fontes de dados (bancos de
  dados, relatórios, logs de acesso, transações,
  etc.) consistem de uma limpeza (consistência,
  preenchimento de informações, remoção de ruído e
  redundâncias, etc.).
•  
• É a partir deles que se pode selecionar algumas
  colunas para atravessarem o processo de
  mineração. Tipicamente, este processo não é o
  final da história de forma interativa e
  frequentemente usando visualização gráfica, um
  analista refina e conduz o processo até que os
  padrões apareçam

11
Processos do data mining

• .Seleção-Selecionar ou segmentar dados de acordo
  com critérios definidos
• Ex. Todas as pessoas que são proprietárias de
  carros é um subconjunto de dados determinado.
• Pré-processamento -Estágio de limpeza dos dados,
  onde informações julgadas desnecessárias são
  removidas.
• Ex. O sexo de um paciente gestante .
• Transformação- Transforma-se os dados em formatos
  utilizáveis. Esta depende da técnica data Mining
  usada.
• Interpretação e Avaliação- Identificado os
  padrões pelo sistema, estes são interpretados em
  conhecimentos, os quais darão suporte a tomada de
  decisões humanas
• Ex. Tarefas de previsões e classificações.

12
Conceitos do Data Mining

• Segundo o autor ( Rob Mattison ),toda a Data
  Mining é a verdadeira extração dos padrões de
  comportamento dos dados e utilizando a definição
  de fatos, medidas de padrões, estados e o
  relacionamento entre eles.
•  
• DataMining ou mineração de dados de (Bigus) é o
  processo de extrair informação válida,
  previamente desconhecida e de máxima abrangência
  a partir de grandes bases de dados, usando-as
  para efetuar decisões cruciais.

13
Vantagens do Data Mining

• Vantagens
•      Modelo de fácil compreensão
•     Analisar Grandes bases de dados
•      Descoberta de informações inesperadas
•    Variáveis que não necessitam de recodificação
  
•       Os Modelos são precisos
•      Os Modelos são construídos e atualizados
  rapidamente.

14
Desvantagens do Data Mining

• .

     Alto custo     Necessidades de grandes
bases de dados    Novidade e complexidade     
Criar ambientes ideais      Interação muito
forte com analistas humanos
15
Estudo de Caso Data Mining

• Exemplo (1) - Fraldas e cervejas
• O que as cervejas tem a ver com as fraldas ?
• homens casados, entre 25 e 30 anos
• compravam fraldas e/ou cervejas às sextas-feiras
  à tarde no caminho do trabalho para casa
• Wal-Mart otimizou às gôndolas nos pontos de
  vendas, colocando as fraldas ao lado das
  cervejas
• Resultado o consumo cresceu 30 .
• Exemplo (2) - Lojas Brasileiras (Info
  03/98)
• Aplicou 1 milhão de dólares em técnicas de data
  mining
• Reduziu de 51000 produtos para 14000 produtos
  oferecidos em suas lojas.
• Exemplo de anomalias detectadas
• Roupas de inverno e guarda chuvas encalhadas no
  nordeste eBatedeiras 110v a venda em SC onde a
  corrente é 220v

16
Conclusões
17
Referências

• Bigus, J. (1995). Data Mining with Neural
  Networks. McGraw-Hill.
•  
• Fayyad, U. Haussler, D. Stolorz, P. (1996).
  "KDD for Science Data Analysis Issues and
  Examples. Proceedings of Second International
  Conference on Knowledge Discovery and Data Mining
  (KDD-96), AAAI Press.
• Data Mining, Paulo Abadie Guedes, Eduardo Aranha
  Documento de Datamining, 16-01-2004, 14H30
• Implementação e Desenvolvimento de uma Grade
  Computacional, Grupo COMCIDIS, coordenação de
  Ciência da
•  
• Mattison Rob, Data Warehouse and Data Mining
  for telecommunications.(2001)

18
FIM