IEncontroMinDados
80
-
Upload
ufrj -
Category
Data & Analytics
-
view
89 -
download
0
Transcript of IEncontroMinDados
Page 2
Conceitos
Técnicas
Casos
Recursos
Page 3
Page 4
Daniel Souza da SilvaJoão Gabriel DominguesJulia Vidal RibeiroPaloma da Silva BorbaRafael Celestino dos Santos
Page 5
Page 6
Data Mining Cookbook, Rud O.P. , Wiley
Page 7
INTRODUÇÃO
Page 8
INTRODUÇÃO
Page 9
INTRODUÇÃO
Page 10
INTRODUÇÃO
Page 11
INTRODUÇÃO
Page 12
INTRODUÇÃO
Page 13
DESCOBERTA DE CONHECIMENTO EM BANCOS DE DADOS (KDD) E MINERAÇÃO DE DADOS (DM)
Page 14
DESCOBERTA DE CONHECIMENTO EM BANCOS DE DADOS (KDD) E MINERAÇÃO DE DADOS (DM)
Dados Dados Dados Pré- Transformados Processados
Previsão
Classificação
Page 15
DESCOBERTA DE CONHECIMENTO EM BANCOS DE DADOS (KDD) E MINERAÇÃO DE DADOS (DM)
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.
Page 17
BANCOS DE DADOS PARA DM, DATA WARE HOUSE(
Page 18
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
www.jeunesse.com.br
Page 19
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Page 20
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Page 21
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Introducción a la minería de datos, Orallo; Quintana e Ramirez, Prentice Hall
Page 22
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Introducción a la minería de datos, Orallo; Quintana e Ramirez, Prentice Hall
Page 23
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Introducción a la minería de datos, Orallo; Quintana e Ramirez, Prentice Hall
Page 24
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Introducción a la minería de datos, Orallo; Quintana e Ramirez, Prentice Hall
Page 25
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Introducción a la minería de datos, Orallo; Quintana e Ramirez, Prentice Hall
Page 26
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Page 27
BANCOS DE DADOS PARA DM, DATA WARE HOUSE
Big Data
Page 28
TRATAMENTO DE DADOS PARA DM
Page 29
TRATAMENTO DE DADOS PARA DM
Page 30
TRATAMENTO DE DADOS PARA DM
Page 31
TRATAMENTO DE DADOS PARA DM
Page 32
TRATAMENTO DE DADOS PARA DM
Page 33
(ALGUMAS) TÉCNICAS PARA DM
Introducción a la Mineria de Datos, Orallo ; Quintana; RamirezPrentice Hall
Denominação Preditivo DescritivoClassificação Predição Agrupamento Associação
Regressão xRegressão Logística xFunção Discriminante xÁrvores de classificação xAnálise de associação xNaive Bayes xKmeans xRedes Neurais (MLP) x x
Page 34
TÉCNICAS PARA DM
Introdução à Mineração de Dados Braga e-papers
Page 35
TÉCNICAS PARA DM
Introdução à Mineração de DadosBraga e-papers
Page 36
TÉCNICAS PARA DM
X2
A B xx xxxxxx +++
x xxxx++++ xxxx ++++
A´ X1
B´ Função discriminante Y
Page 37
TÉCNICAS PARA DM
Page 38
TÉCNICAS PARA DM
Page 39
TÉCNICAS PARA DM
Page 40
TÉCNICAS PARA DM
NAIVE BAYES
A solução mais comum é através do método de máxima verossimilhança
Page 41
TÉCNICAS PARA DM
REDES BAYESIANAS E CLASSIFICADORES BAYESIANOS
Page 42
TÉCNICAS PARA DM
Page 43
TÉCNICAS PARA DM
Page 44
TÉCNICAS PARA DM
Page 45
TÉCNICAS PARA DM
Page 46
TÉCNICAS PARA DM
OBTENÇÃO DE SUPORTES POR DIMENSÃO
Page 47
TÉCNICAS PARA DM
Page 48
TÉCNICAS PARA DM
Page 49
TÉCNICAS PARA DM
CÁLCULO DA CONFIANÇA DE UMA REGRA p(B|A)
Page 50
TÉCNICAS PARA DM
Page 51
TÉCNICAS PARA DM
Page 52
TÉCNICAS PARA DM
Page 53
TÉCNICAS PARA DM
Page 54
TÉCNICAS PARA DM
Page 55
TÉCNICAS PARA DM
Page 56
TÉCNICAS PARA DM
Page 57
TÉCNICAS PARA DM
Page 58
TÉCNICAS PARA DM
Page 59
TÉCNICAS PARA DM
Page 60
TÉCNICAS PARA DM
Multilayer PerceptronFeed-forwardSupervisionada
Page 61
TÉCNICAS PARA DM
Page 62
TÉCNICAS PARA DM
Page 63
TÉCNICAS PARA DM
Page 64
TÉCNICAS PARA DM
Page 65
TÉCNICAS PARA DM
Page 66
TÉCNICAS PARA DM
Page 67
TÉCNICAS PARA DM
Page 68
VALIDAÇÃO DO MODELO
Page 69
VALIDAÇÃO DO MODELO
Page 70
VALIDAÇÃO DO MODELO
Page 71
VALIDAÇÃO DO MODELO
Page 72
VALIDAÇÃO DO MODELO
Page 73
VALIDAÇÃO DO MODELO
Page 74
VALIDAÇÃO DO MODELO
Page 75
VALIDAÇÃO DO MODELO
Page 76
VALIDAÇÃO DO MODELO
L i f t C h a r t - R e s p o n s e %
C u m u l a t i v e
S e l e 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 i l e
6 0
6 5
7 0
7 5
8 0
8 5
Response %
Page 77
VALIDAÇÃO DO MODELO
Page 78
VALIDAÇÃO DO MODELO
Predição FrequênciaVerdade
PorcentualClassificaçãoCorreta
Verdade 1 2
1 22 3 25 88%
2 5 20 25 80%
FrequênciaPredição
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.
Page 80
FIM DA PRIMEIRA PARTE
