A descoberta de um RNA intermediário. Transcrição RNA Unifilamentar Ribose Uracila DNA RNA.
intro DM UNIP.ppt [Modo de Compatibilidade] · DNA/RNA, proteínas , expressão, ... filosofia que...
Transcript of intro DM UNIP.ppt [Modo de Compatibilidade] · DNA/RNA, proteínas , expressão, ... filosofia que...
Introdução ao
Data MiningIntrodução ao
Data MiningCom breve apêndice sobre cognição humana e novos
caminhos de pesquisa
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 1
Sergio [email protected]
Mestrado Eng. ProduçãoUnip/Maio 2010
caminhos de pesquisa
ConteúdoConteúdo
Introdução Filosófica
Ontologias
Dedução versus Indução
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 2
Dedução versus Indução
Data Mining
Cognição e Caminhos Futuros
Qual a Origem do Conhecimento?Qual a Origem do Conhecimento?
Posição EmpiristaVem dos Sentidos
Posição RacionalistaVem do Pensamento
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 3
Vem do Pensamento
Com o estudo da cognição e da neurociência temos hoje informações suficientes para entender melhor o processo cognitivo e assim descobrir
mais sobre essa questão
O Problema de PlatãoO Problema de Platão
Pessoas parecem aprender mais do que a informação
contida naquilo que recebem
Platão afirmava que isto se devia ao fato de que as pessoas nasciam equipadas com muito conhecimento, bastando apenas leves sugestões e
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 4
bastando apenas leves sugestões e alguma contemplação para despertá-los; esse era um conhecimento inato do “perfeito” e do “absoluto” Platão (427-347 AC)
As idéias de Platão sobre esse assunto não sobreviveram ao tempo, mas o mistério acerca de
nossas habilidades ainda nos faz pensar
Racionalismo: Conhecimento da RazãoRacionalismo: Conhecimento da Razão
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 5
Baruch SpinozaRene DescartesSocrates Gottfried Leibniz
Enfatiza a importância da Razão, incluindo a Intuição, minorando a influência das
experiências sensórias (incluindo emoções) como fatores de obtenção de conhecimento. Os
sentidos são frequentemente não confiáveis, sujeitos a ilusões.
Empirismo: Conhecimento dos SentidosEmpirismo: Conhecimento dos Sentidos
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 6
Aristoteles John Locke David Hume John Stuart Mill
Enfatiza a importância das experiências sensórias. Nada em torno de nós pode ser dito como sendo real a não ser que sua existência
possa ser inferida do que captamos com nossos sentidos ou via introspecção sobre
nossos estados subjetivos
A Teoria da InformaçãoA Teoria da Informação
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 7
http://www.bell-labs.com/news/2001/february/26/1.html
Shannon foi um dos primeiros a se preocupar com
aprendizado por mecanismos eletromecânicos, um dos primeiros experimentos
práticos da ainda não nascida inteligência artificial
Claude Shannon(1916-2001)
O Conceito de Informação (Shannon)O Conceito de Informação (Shannon)
Informação é uma medida da probabilidade de um evento ocorrer
)log( ipI −= )(log2 ipI −=
Informação em bits, quando se usa
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 8
Eventos IMPROVÁVEIS contém MUITA informação.
Eventos ESPERADOS contém POUCA informação
quando se usa base 2
Nosso grau de surpresa é uma indicação do volume de informação da mensagem recebida.
Se algo é surpreendente, então temos muito a aprender com isso!
Breve Parêntesis: Wolfram Alpha!Breve Parêntesis: Wolfram Alpha!
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 9
www.wolframalpha.com
Livros Têm Conhecimento?Livros Têm Conhecimento?
Notes on Quantum MechanicsBy Enrico Fermi
Mir Publishers, 1968
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 10
Podemos dizer
que este livro tem
“Conhecimento”?
Não! Porquê?
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 11
Importância dos Níveis de AnáliseImportância dos Níveis de Análise
OrganelasEnzimas, membranas, transporte, etc
CélulasMitose, meiose, genética, etc
OrganismosBiologia, morfogênese, anatomia, etc
EcosistemasSimbiose, predação, populações, etc
EmergênciaEmergência
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 12
PartículasQuarks, glúons, múons, etc
ÁtomosElétrons, neutrons, prótons
Sólidos, FluidosGases, pressão, temperatura, fluxo
MoléculasQuímica, ligações, catálise, etc
Enzimas, membranas, transporte, etc
ReducionismoReducionismo
Múltiplos Níveis de AnáliseMúltiplos Níveis de Análise
Sistemas Sociais e EconômicosEstrutura social de seres humanos, estrutura das corporações (empresas), características dos mercados, economia global, Internet, etc.
Sistemas FisiológicosSistema nervoso central, controle neuromuscular, cérebro, córtex, cerebelo, hipocampo, fígado, estômago, etc.
Sistemas Celulares Sistemas Biomoleculares
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 13
Sistemas CelularesInterações gene/citoplasma, diferenciação celular, organismos multicelulares, comunicação entre células, etc.
Sistemas BiomolecularesDNA/RNA, proteínas, expressão, transcrição, regulação genética, mutações, recombinações genéticas, sistema imunológico, etc.
Sistemas Fisico-QuímicosHidrodinâmica, dinâmica química, física não-linear, auto-organização molecular, padrões fractais e temporais complexos, etc.
Introduzindo as OntologiasIntroduzindo as Ontologias
Ontologia (Filosofia) Estudo das “coisas que existem”, parte da filosofia que investiga a natureza e organização da realidade
Ontologia para Engenharia do Conhecimento
Uma especificação explícita de uma conceitualização (Gruber)
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 14
Teoria sobre quais entidades existem na mente de um agente com conhecimento (Wielinga & Schreiber)
Descrição de uma taxonomia de conceitos para uma tarefa ou domínio específico que define a interpretação semântica do conhecimento (Alberts)
Porção de uma base de conhecimentos que não muda durante a atividade de resolução de problemas (Fikes)
Mais Definições de OntologiasMais Definições de Ontologias
Uma base de conhecimentos descrevendo os fatos assumidos como verdadeiros por uma comunidade de usuários (Guarino)
Um conjunto de acordos sobre um conjunto de conceitos (Mark)
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 15
Taxonomia de Conceitos Reutilizável
Especificação parcial de um vocabulário conceitual para ser usado na formulação de teorias no nível do
conhecimento (knowledge level) acerca de um domínio do discurso.
O principal requisito de uma ontologia é suportar o reuso e o compartilhamento de conhecimento (Enrico Motta)
Por Que Precisamos de Ontologias?Por Que Precisamos de Ontologias?
Não é possível representar o universo com níveis exatos de detalhes, é preciso aproximar, categorizarDeve-se restringir a representação a partes específicas do universo (chamadas de domínios) com detalhes suficientes para permitir a resolução de problemas práticosEscolha de um conjunto de conceitos envolve um compromisso ontológico
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 16
DomainOntologies
CoreOntologies
Top LevelEmpresa decide criar uma categoria (classe) abstrata que tem importância para a
organização
Perda de DeterioraçãoCusto financeiro da perda
de matéria prima por apodrecimento
Exemplo: OntolinguaExemplo: Ontolingua
;;; -*- Mode:Lisp; Syntax: Common-Lisp; Package:ONTOLINGUA-USER; Base:10 -*-;;; Copyright (c) 1993 Greg Olsen and Thomas Gruber
(define-theory physical-quantities (abstract-algebra)(in-theory 'physical-quantities)(define-class PHYSICAL-QUANTITY (?x);; every physical quantity has a dimension:def (defined (quantity.dimension ?x));; physical quantities are either quantities or quantity functions:axiom-def (and (exhaustive-subclass-partition
PHYSICAL-QUANTITY
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 17
PHYSICAL-QUANTITY(setof CONSTANT-QUANTITY FUNCTION-QUANTITY)))
(define-function QUANTITY.DIMENSION (?q) :-> ?dim:def (and (physical-quantity ?q) ; domain constraint
(physical-dimension ?dim)) ; range constraint:issues ((:example
(= (quantity.dimension (height fred)) length-dimension))))(define-relation COMPATIBLE-QUANTITIES (?x ?y):iff-def (and (physical-quantity ?x)
(physical-quantity ?y)(= (quantity.dimension ?x) (quantity.dimension ?y)))
:issues (:example(compatible-quantities (* 6 feet) (* 20 meters))))
Exemplo: LOOMExemplo: LOOM
(loom:defcontext physical-quantities :theory (frame-ontology abstract-algebra))
(loom:defrelation quantity.dimension
:context physical-quantities
:only-if-no-preexisting-definition-p t)
;;; Concept PHYSICAL-QUANTITY
(loom:defconcept physical-quantity
:context physical-quantities
:is-primitive (:exactly 1 quantity.dimension)
:exhaustive-partitions $physical-quantity-partition-1$
:annotations ((documentation "A physical-quantity is a measure...")))
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 18
:annotations ((documentation "A physical-quantity is a measure...")))
(loom:defconcept physical-dimension
:context physical-quantities
:only-if-no-preexisting-definition-p t)
;;; Relation QUANTITY.DIMENSION
(loom:defrelation quantity.dimension
:context physical-quantities
:is-primitive loom:binary-tuple
:domain hysical-quantity
:range physical-dimension
:attributes (:single-valued)
:arity 2
Um Exemplo de Ontologia: MikrokosmosUm Exemplo de Ontologia: Mikrokosmos
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 19
Mais Um Nível da MikrokosmosMais Um Nível da Mikrokosmos
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 20
Um Editor Open SourceUm Editor Open Source
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 21
http://protege.stanford.edu/
Dois Lados da QuestãoDois Lados da Questão
Dedução Indução
Garante a verdade Garante a consistência
Conclusões são certeiras Conclusões são prováveis
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 22
Conclusões são certeiras Conclusões são prováveis
Aumento do número deproposições
Redução no número deproposições
Racionalismo Empirismo
Dedução Prova a Conclusão Pelas PremissasDedução Prova a Conclusão Pelas Premissas
Todas as Baleias são MamíferosTodos os Mamíferos têm Pulmões
Portanto, Todas as Baleias têm Pulmões
Mamíferosbípedes,
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 23
Todos os Homens São MapeludosTodos os Ursos São Mapeludos
Portanto, Todos os Homens São Ursos
Mamíferosbípedes,onívoros
Indução é Parecida (mas nem tanto)Indução é Parecida (mas nem tanto)
Todos cães que vi são amigáveisAqui temos um cão
Portanto, este cão é amigável
Indução Quase Aceitável
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 24
Portanto, este cão é amigável
Algumas instâncias são usadas para “justificar” uma regra genérica
Uma Indução Não Muito BoaUma Indução Não Muito Boa
Esta pessoa conhece o SergioEsta outra pessoa conhece o Sergio
Portanto, todas as pessoas desteprédio conhecem o Sergio
Indução Fraca
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 25
prédio conhecem o Sergio
O risco de fazer induções fracas é alto, essa é uma grande fonte de discordâncias em argumentações
Uma Indução Muito BoaUma Indução Muito Boa
Saturno tem órbita elípticaTerra tem órbita elíptica, .....Portanto, todos os planetas têm órbita elíptica
Indução Forte
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 26
órbita elíptica
A discussão filosófica sobre a validade da indução é tópico aberto mesmo na Filosofia atual. Provavelmente a resposta
está no meio do caminho
Conceituando o Data MiningConceituando o Data MiningBancos de dados corporativos são volumosos e potencialmente cheios de informações valiosas. Técnicas tradicionais de B.D. são inadequadas para gerar novos padrões (são dedutivas).
A extração de informações preditivas “escondidas” em grandes bancos de dados
Extração de padrões interessantes de grandes volumes de dados brutos
“Data Mining é o processo “Nós estamos nos
afogando em dados,
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 27
“Data Mining é o processo não trivial de identificação de padrões em dados que sejam válidos, novos, potencialmente úteis e ultimamente compreensíveis”Usama Fayyad (1995)
afogando em dados,
mas morrendo de fome
de conhecimento”
Dr. Jiawei Han, University of Illinois
Uma Visão do Processo InteiroUma Visão do Processo Inteiro
DECISÕES
Data Mining
Visualização
Limpeza* Dinâmicas* Incompletas* Reduntantes* Incoerentes* Ruidosas* Esparsas
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 28
Fontes Diversas
Bases de Dados
Data Warehouses
Data Mining
Interface Data Mining - EstatísticaInterface Data Mining - Estatística
DataMining
Estatística
Assim como em estatística, em DM
você tem o privilégio de nunca precisar dizer que
está totalmente certo sobre uma
conclusão!
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 29
Objetivo comum de sumarizar quantidades de dados
Identificar estruturas e relações interessantes em conjuntos de dados (data sets)
Construir (ou auxiliar) no desenvolvimento de preditores baseados nos dados coletados
DM Está no Meio de Uma Teia de DisciplinasDM Está no Meio de Uma Teia de DisciplinasSistemas
Operacionais
Ciência daComputação Bancos de
Dados
Algoritmos
MatemáticaLógica
EstatísticaTeoria
ProbabilidadeData
Mining
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 30
Linguagens deProgramação
InteligênciaArtificial
MachineLearning
KnowledgeRepresentation
NeurociênciaFilosofiaLinguística
Psicologia
InformationRetrieval
Mining
Manipulação de B.D. é DeduçãoManipulação de B.D. é Dedução
Dedução: Inferências comprovadamente corretas
Funcionários Departamentos Departamentos Gerentes
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 31
Operador
Join
Funcionários Gerentes
Dedução é naturalmente suportada pelos B.D.
Data Mining é InduçãoData Mining é Indução
Usando a mesma B.D., uma indução produz:
Funcionários Departamentos Departamentos Gerentes
Indução de
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 32
Indução deRegras
Cada Funcionário Tem Um Gerente
),()(, xyGerentexoFuncionáriyx ⇒∴∃∀
ILPInductive
LogicProgramming
Data Miningé a resposta
Novas Técnicas São NecessáriasNovas Técnicas São Necessárias
Indução não égerada por
manipulação dedutivade bases de dados
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 33
Perda de informação, compactaçãoPara fazer indução é necessário desprezar algumas características;
Data Mining precisa “perder” alguns dadosEste é um “medo” que precisamos perder!
Em Bancos de Dados, as informações estão
estruturadas em níveis primitivos
Em Bancos de Dados, as informações estão
estruturadas em níveis primitivos
A Questão dos NíveisA Questão dos Níveis
Filial
Divisão Operacional
Gerência Informática
Conhecimento é expresso em níveis
mais elevados
Conhecimento é expresso em níveis
mais elevados
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 34
Funcionário
Pessoa
José da SilvaMineração deve se preocupar com o nível de análise
Mineração deve se preocupar com o nível de análise
A Questão dos NíveisA Questão dos Níveis
Filial
Divisão Operacional
Gerência Informática
Funcionário
Pessoa
Nível Baixo DemaisRegras descobertas são muito fracas e
Nível Alto DemaisRegras são óbvias, revelam o senso comum
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 35
José da Silvasão muito fracas e suscetíveis a “ruído”
Mineração em múltiplos níveis, provê diversas visões em múltiplos estágios de abstração
Interação providencia (em tempo real) foco em áreas mais interessantes, aprofundando o processo de mineração de forma seletiva e controlada
Mineração em múltiplos níveis, provê diversas visões em múltiplos estágios de abstração
Interação providencia (em tempo real) foco em áreas mais interessantes, aprofundando o processo de mineração de forma seletiva e controlada
Três Principais Focos do DMTrês Principais Focos do DM
Identificar Classes
Achar Padrões em Sequências
Descobrir Regras Associativas
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 36
Regras (Rules)
Restrições (Constraints)
Padrões (Patterns)
Três Técnicas ImportantesTrês Técnicas Importantes
Árvores deDecisão
Descobertade Regras
RegrasAssociativas
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 37
ID3 (Quinlan 1986)C4.5 (Quinlan 1992)
Piatetsky-Shapiro1991
Agrawal 1993
Existe atualmente um grande número de técnicas, várias delas sendo publicadas no momento em que falamos
Indução de Árvores de DecisãoIndução de Árvores de DecisãoMétodo ID3 já é obsoleto, mas é importante em termos teóricos
Caso Risco Histórico Débito Garantia Salário
1 alto ruim alto nenhuma 15k2 alto desc. alto nenhuma 35k3 moder. desc. baixo nenhuma 35k4 alto desc. baixo nenhuma 15k5 baixo desc. baixo nenhuma >35k
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 38
5 baixo desc. baixo nenhuma >35k6 baixo desc. baixo adeq. >35k7 alto ruim baixo nenhuma 15k8 moder. ruim baixo adeq. >35k9 baixo bom baixo nenhuma >35k10 baixo bom alto adeq. >35k11 alto bom alto nenhuma 15k12 moder. bom alto nenhuma 35k
A Árvore Obtida Pelo ID3A Árvore Obtida Pelo ID3
histórico?desc.
garantia?débito? débito?
altorisco
altorisco
altorisco
nenh. adequ.
ruimbom
baixorisco
baixo
altobaixo
alto
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 39
garantia?
risco
garantia?
baixorisco
adequ.
salário?
nenh.
baixorisco
>35k
altorisco
15k
riscomoder.
35k
Técnicas Mais ComunsTécnicas Mais Comuns
Regras Caracterizadoras
Regras Discriminantes
Regras Associativas
Regras Classificadoras
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 40
Além dessas técnicas existem várias outras que não veremos aqui (algoritmos genéticos, métodos bayesianos, support vector
machine, análise de discriminantes, regressão linear, etc.)
Regras Classificadoras
Métodos Para Clustering
Regras de Evolução Temporal
O Que é Uma Regra?O Que é Uma Regra?
Expressões que relacionam condições iniciais a conclusões. Em argumentação, as condições iniciais são chamadas de premissas e as conclusões são chamadas de alegação. Em
nosso caso, vamos usar esta nomenclatura:
Antecedente 1Antecedente 2
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 41
Antecedente 2Antecedente 3...................Antecedente n
Consequente
Se (emprestimo > 5000) e (salário < 1500) então {recusar crédito}
A Indução Orientada a AtributosA Indução Orientada a Atributos
Compressão de dados onde valores de atributos são trocados por conceitos generalizados, de hierarquias superiores
Hierarquias são normalmente fornecidas por um especialista no domínio ou gerados através de sugestões de outros métodos (ID3, C4.5)
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 42
sugestões de outros métodos (ID3, C4.5)
Pode-se remover atributos que têm grande número de valores distintos e que não possuam hierarquia superior (Ex: chaves de acesso a B.D.)
Pode-se generalizar atributos que tenham como ser categorizados sob um mesmo nome
Exemplos de IOAExemplos de IOA
Estado Cidade População Orç.Saúde....... ........ ............ .................. ........ ............ .................. ........ ............ .................. ........ ............ .................. ........ ............ .................. ........ ............ ...........
Um banco de dados gigantesco esconde relações valiosas
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 43
Estado Norte, Nordeste, Sudeste, Sul, etc.
População Pequena, Média, Grande
Gastos 0-5%, 5-15%, 15-20% arrecadação
Generalização de atributos reduz (comprime) o tamanho do banco de dados
Exemplos de IOAExemplos de IOA
Hobby de Uma Pessoa
Tênis,futebol,piano,
nintendo,ópera,
Esportes,Música,
videogame
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 44
ópera,playstation
Redução de atributos promove uma generalização que pode favorecer o
aparecimento de certos padrões
As Regras CaracterizadorasAs Regras Caracterizadoras
Regras que caracterizam um conceito satisfeito por todos (ou pela maioria) dos exemplos. Também conhecidas como Regras de Sumarização.
Aqui usa-se a IOA de forma a sugerir quais são os atributos que caracterizam uma determinada coleção de dados.
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 45
de dados.
Exemplos: Sintomas de uma doença específica podem ser sumarizados por uma regra caracterizadora
Características típicas dos estudantes de MBA que decidiram pelo curso logo após terminarem graduação
Regras Caracterizadoras: Análise de CréditoRegras Caracterizadoras: Análise de Crédito
Cliente: 10015Anos cliente: 6Empréstimo:$2800Salário:$4800Possui casa:SimContas em atraso:2Num. Pagtos. Atraso:3Cliente rentável:?
Cliente: 10015Anos cliente: 6Empréstimo:$4200Salário:?Possui casa:SimContas em atraso:2Num. Pagtos. Atraso:4Cliente rentável:?
Cliente: 10015Anos cliente: 7Empréstimo:$6720Salário:?Possui casa:SimContas em atraso:3Num. Pagtos. Atraso:6Cliente rentável:Não
tempo t1 tempo t2 tempo t3
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 46
Cliente rentável:? Cliente rentável:? Cliente rentável:Não
Se [contas em atraso] > 2 e [num.pagtos.atraso] > 1 EntãoSe [cliente rentável] = “Não” Então {Recusar Crédito}
Se [contas em atraso] = 0 e ([salário] > 3000 ou ([anos cliente] > 3) Então
{Aceitar Solicitação de Crédito}
Regras DiscriminatóriasRegras Discriminatórias
Regras que discriminam um conceito da classe que está sendo aprendida (classe alvo) em relação a outras classes (classes contrastantes)
Exemplos:
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 47
Exemplos:Para distinguir uma doença de outras a regra discriminante iria sumarizar os sintomas que identificam (separam) esta doença das outras
Regras DiscriminatóriasRegras Discriminatórias
Principal preocupação da regra:Remover as classes alvo que tenham sobreposição com alguma das classes contrastantes
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 48
Generalizar classes alvo e contrastante sincronizadamente, para excluir as propriedades que se sobrepõe de um mesmo nível conceitual
Regras AssociativasRegras Associativas
Dado um B.D. qualquer, descobrir quais as associações entre itens de forma que a presença de um item em um registro implica na presença de outro(s) item(s) no mesmo registro
Exemplo:Para a maioria das pessoas que adquiriram pão e
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 49
Para a maioria das pessoas que adquiriram pão e leite conjuntamente, também foi adquirido manteiga
{pão, leite} manteiga
Características das Regras AssociativasCaracterísticas das Regras Associativas
Em geral, despreza quantidades, só interessando a presença ou ausência de determinada associação. Por isso, é um processo booleano por natureza (Sim/Não)
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 50
processo booleano por natureza (Sim/Não)
Jiawei Han propôs algoritmos que desenvolvem associações sobre “faixas” de quantidades
Regras Associativas Multi-NíveisRegras Associativas Multi-Níveis
Dr. Han também propôs descobrir regras em níveis conceituais específicos, como as MLAR (Multiple-Level Association Rules)
leite pão
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 51
leite pão
leite desnatado pão integral
leite desnatado Parmalat pão integral Pullman
Market Basket AnalysisMarket Basket Analysis
Esta é uma das mais interessantes aplicações das Regras Associativas, de fundamental importância para marketingEsta é uma das mais interessantes aplicações das Regras Associativas, de fundamental importância para marketing
A) Achar todas as regras que tenham “diet coke” como consequentes. Irá auxiliar no planejamento de lojas para vender melhor esse produto
B) Achar todas as regras com “iogurte” como
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 52
B) Achar todas as regras com “iogurte” como antecedente. Irá auxiliar a determinar o impacto nas vendas, caso esse produto seja retirado das prateleiras
C) Achar todas as regras com “salsicha” no antecedentee “mostarda” no consequente. Auxilia na obtenção de melhores regras para determinar que produtos devem ser vendidos em conjunto com salsichas para aumentar as vendas de mostarda
Regras ClassificadorasRegras Classificadoras
Tentam classificar o conjunto de dados disponível baseado no valor de um determinado atributo. Preocupa-se em obter regras que particionem os dados em grupos disjuntos.
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 53
Exemplo:Classificar carros de acordo com consumo de combustível, dividir clientes em classes pouco rentável, rentável e muito rentável, efetuar marketing direcionado, etc.
Um Exemplo de Uso da ClassificaçãoUm Exemplo de Uso da Classificação
Classificar lojas de acordo com a localização pode ajudar na escolha do local de uma nova loja
Lojas bem sucedidasLojas medianamente sucedidasLojas mal sucedidas
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 54
Lojas mal sucedidas
Classificação pode ser feita através de ID3, C4.5 ou do CART (Breitman et al. 1984)
Métodos SupervisionadosMétodos Supervisionados
Até agora vimos métodos no qual um operador humano deveria apontar que características ou conceitos deveriam
ser examinados. Esses métodos são ditos como supervisionados, pois usam um “professor” para lhes dizer
que fazer com os dados analisados
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 55
SistemaDados
Métodos Não-SupervisionadosMétodos Não-Supervisionados
Métodos no qual nós não fazemos idéia do tipo de padrões que podem ser encontrados nos dados. O sistema deve procurar por aquilo que for
possível achar
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 56
SistemaDados
O professor não sabe o que procurar
Clustering: Detectando AglomeraçõesClustering: Detectando Aglomerações
Clustering é um processo não-supervisionado no qual se tenta detectar aglomerações nos dados
Em geral, usa algum processo do tipo
Clusters são áreas densamente povoadas de dados
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 57
dividir/conquistar
É necessário fornecer alguma medida de distância entre os dados (por exemplo, distância euclideana)
A. K. Jain, R. C. Dubes: Algorithms for ClusteringData, Prentice Hall 1988
Clustering com o K-MeansClustering com o K-Means
x x
x
xx x
x
x
x
x
x
x
xx x
x
xxx
x
x
xxx
xx x
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 58
Pontos estão dispostos em uma área. Neste caso, área bidimensional, mas em geral é multidimensional
xx
x x
x
xx x
x
x
x
x
x
x
xx
Clustering com o K-Means - Fase 1Clustering com o K-Means - Fase 1
x x
x
xx x
x
x
x
x
x
x
xx x
x
xxx
x
x
xxx
xx x
fase
12
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 59
Escolhe-se dois pontos ao acaso. Esses pontos serão os “centros” de duas classes
xx
x x
x
xx x
x
x
xx
x
xx
1
Clustering com o K-Means - Fase 2Clustering com o K-Means - Fase 2
x x
x
xx x
x
x
x
x
x
x
xx x
x
xxx
x
x
xxx
xx x
fase
22
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 60
De cada ponto faz-se uma investigação de todos outros através da distância
xx
x x
x
xx x
x
x
xx
x
xx
1
Clustering com o K-Means - Fase 3Clustering com o K-Means - Fase 3
x x
x
xx x
x
x
x
x
x
x
xx x
x
xxx
x
x
xxx
xx x
fase
3
12
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 61
Recalcula-se os novos centros tomando por base aárea delimitada pelo passo anterior
xx
x x
x
xx x
x
x
xx
x
xx
Clustering com o K-Means - Fase 4Clustering com o K-Means - Fase 4
x x
x
xx x
x
x
x
x
x
x
xx x
x
xxx
x
x
xxx
xx x
fase
41
2
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 62
Volta ao passo 2, divide novamente os dados deacordo com os novos centros
xx
x x
x
xx x
x
x
xx
x
xx
Regras de Evolução TemporalRegras de Evolução Temporal
Procuram acompanhar a evolução no tempo de um conjunto de dados, tentando obter padrões
Exemplo:Comprou um PC com gravador DVD hoje, poderá comprar um Blu-ray em nove meses
Comprou impressora hoje, precisará de novos suprimentos em dois meses
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 63
suprimentos em dois meses
Quem comprou DVD-Player hoje tem 3 vezes mais probabilidade de adquirir uma filmadora 7 meses após a compra
Na Evolução Temporal interessa-nos dados que sofrem variações constantemente. Anti-exemplo: departamento de um funcionário
Usa as Outras Técnicas Como BaseUsa as Outras Técnicas Como Base
As Regras de Evolução Temporal são construídas através das técnicas anteriores (caracterização, classificação, associação, clustering)
Achar as principais características das empresas cujas ações em bolsas de valores tiveram
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 64
cujas ações em bolsas de valores tiveram crescimento de 20%
Achar as empresas que tenham ações subindo em conjunto (regras associativas)
Um Exemplo: VideolocadoraUm Exemplo: VideolocadoraCODFITA TITULO GENERO CODPRECOLOCMESLOCTOTALDIASLANCSITUACAO000011 LIGACOES PERIGOSAS ALT. 11 01 6 6 0 0000021 MANSAO DA MEIA NOITE 11 06 6 6 0 0000031 IMPERIO DO SOL 08 06 13 13 0 0000041 DOCTOR DETROIT 01 06 3 3 0 0000051 A PRINCESA E O ROBO 09 03 21 21 0 0000061 EXCALIBUR 07 06 29 29 0 0000071 O SENHOR DAS AGUIAS 07 06 14 14 0 0000081 UM PRINCIPE EM NOVA YORK 01 06 4 4 0 0000091 AS NOVAS AVENTURAS TURMA DA MONICA09 03 16 16 0 0000101 NA HORA DA ZONA MORTA 01 06 2 2 0 0000111 TACADA MORTAL 06 06 11 11 0 0000121 FIREFOX-RAPOSA DE FOGO 06 06 6 6 0 0000131 OSSO DURO DE ROER 01 03 23 23 0 0
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 65
000131 OSSO DURO DE ROER 01 03 23 23 0 0000141 LATINOS 03 06 5 5 0 0000151 APRENDIZ DE ASSASSINOS 11 06 6 6 0 0000161 O MERCADOR DE GUERRA 06 06 10 10 0 0000171 O TELEFONE VERMELHO 05 03 17 17 0 0000181 DOVE LIBERDADE 01 03 1 1 0 0000191 O TREM DOS DESESPERADOS 06 06 2 2 0 0000201 HONDCATS 09 03 3 3 0 0000221 FUGA A MEIA NOITE 07 06 20 20 0 0000231 OS DOZE CONDENADOS 03 06 11 11 0 0000241 ATIRANDO PARA MATAR 06 06 1 1 0 0000251 COCKTAIL 01 06 5 5 0 0000261 RED SCORPION 07 03 28 28 0 0000271 CONQUISTA SANGRENTA 07 06 22 22 0 0
Outras Bases de Dados da VideolocadoraOutras Bases de Dados da VideolocadoraFeriadosLocaçõesGêneros
CODGENERO GENERO01 COMEDIA02 FICCAO03 GUERRA04 WESTER05 EROT/PORNO06 ACAO07 AVENTURA
CLI_FITA00001000010005400001000790000100151000010022000001003420000100414000010047300001004800000100484
DATA01/01/0007/03/0021/04/0001/05/0022/06/0007/09/0012/10/0008/10/0002/11/0015/11/0025/12/00
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 66
08 DRAMA09 INFANTIL10 TERROR11 SUSPENSE12 POLICIAL13 ROMANCE14 COMEDIA/ROMANCE15 DOCUMENTARIO16 BIBLICO
00001004840000100526000010055600001006260000100628000010065600001006640000100666000010067500001006760000100705000010072700001007430000100744
25/12/0008/12/0006/03/0029/04/0030/04/0001/01/0127/02/0113/04/0121/04/0101/05/0114/06/0107/09/0108/10/0115/11/01
Manipulando as Bases de DadosManipulando as Bases de DadosLocações
+
Isto ainda é manipulação
de B. D. tradicional, ou seja, é
DEDUÇÃO
FilmesCLI_FITA000010000100054000010007900001001510000100220000010034200001004140000100473000010048000001004840000100526
CODFITA TITULO GENERO CODPRECOLOCMESLOCTOTALDIASLANCSITUACAO000011 LIGACOES PERIGOSAS ALT. 11 01 6 6 0 0000021 MANSAO DA MEIA NOITE 11 06 6 6 0 0000031 IMPERIO DO SOL 08 06 13 13 0 0000041 DOCTOR DETROIT 01 06 3 3 0 0000051 A PRINCESA E O ROBO 09 03 21 21 0 0000061 EXCALIBUR 07 06 29 29 0 0000071 O SENHOR DAS AGUIAS 07 06 14 14 0 0000081 UM PRINCIPE EM NOVA YORK 01 06 4 4 0 0000091 AS NOVAS AVENTURAS TURMA DA MONICA09 03 16 16 0 0000101 NA HORA DA ZONA MORTA 01 06 2 2 0 0000111 TACADA MORTAL 06 06 11 11 0 0000121 FIREFOX-RAPOSA DE FOGO 06 06 6 6 0 0000131 OSSO DURO DE ROER 01 03 23 23 0 0000141 LATINOS 03 06 5 5 0 0000151 APRENDIZ DE ASSASSINOS 11 06 6 6 0 0000161 O MERCADOR DE GUERRA 06 06 10 10 0 0000171 O TELEFONE VERMELHO 05 03 17 17 0 0000181 DOVE LIBERDADE 01 03 1 1 0 0000191 O TREM DOS DESESPERADOS 06 06 2 2 0 0000201 HONDCATS 09 03 3 3 0 0000221 FUGA A MEIA NOITE 07 06 20 20 0 0000231 OS DOZE CONDENADOS 03 06 11 11 0 0000241 ATIRANDO PARA MATAR 06 06 1 1 0 0000251 COCKTAIL 01 06 5 5 0 0
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 67
Gêneros
+
LocaçõesPor Gênero
DEDUÇÃO
+
000010055600001006260000100628000010065600001006640000100666000010067500001006760000100705000010072700001007430000100744000010074600001007470000100748
000251 COCKTAIL 01 06 5 5 0 0000261 RED SCORPION 07 03 28 28 0 0000271 CONQUISTA SANGRENTA 07 06 22 22 0 0
CODGENERO GENERO01 COMEDIA02 FICCAO03 GUERRA04 WESTER05 EROT/PORNO06 ACAO07 AVENTURA08 DRAMA09 INFANTIL10 TERROR11 SUSPENSE12 POLICIAL13 ROMANCE14 COMEDIA/ROMANCE15 DOCUMENTARIO16 BIBLICO
Minerando Através da InduçãoMinerando Através da Indução
GênerosPreferidos
GênerosMaisRentáveis
Locações Gêneros
+
Classifica ejoga forarestante
Ao “jogar fora” o restante está-se
fazendo uma
CLI_FITA000010000100054000010007900001001510000100220000010034200001004140000100473000010048000001004840000100526000010055600001006260000100628000010065600001006640000100666
CODGENERO GENERO01 COMEDIA02 FICCAO03 GUERRA04 WESTER05 EROT/PORNO06 ACAO07 AVENTURA08 DRAMA09 INFANTIL10 TERROR11 SUSPENSE12 POLICIAL13 ROMANCE
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 68
GêneroPreferidopor cadacliente
MarketingDirecionado
LocaçõesPor Gênero
fazendo uma indução, ou seja,
desenvolvendo uma regra que vale “para
a maioria”
0000100666000010067500001006760000100705000010072700001007430000100744000010074600001007470000100748
13 ROMANCE14 COMEDIA/ROMANCE15 DOCUMENTARIO16 BIBLICO
CODFITA TITULO GENERO CODPRECOLOCMESLOCTOTALDIASLANCSITUACAO000011 LIGACOES PERIGOSAS ALT. 11 01 6 6 0 0000021 MANSAO DA MEIA NOITE 11 06 6 6 0 0000031 IMPERIO DO SOL 08 06 13 13 0 0000041 DOCTOR DETROIT 01 06 3 3 0 0000051 A PRINCESA E O ROBO 09 03 21 21 0 0000061 EXCALIBUR 07 06 29 29 0 0000071 O SENHOR DAS AGUIAS 07 06 14 14 0 0000081 UM PRINCIPE EM NOVA YORK 01 06 4 4 0 0000091 AS NOVAS AVENTURAS TURMA DA MONICA09 03 16 16 0 0000101 NA HORA DA ZONA MORTA 01 06 2 2 0 0000111 TACADA MORTAL 06 06 11 11 0 0000121 FIREFOX-RAPOSA DE FOGO 06 06 6 6 0 0000131 OSSO DURO DE ROER 01 03 23 23 0 0000141 LATINOS 03 06 5 5 0 0000151 APRENDIZ DE ASSASSINOS 11 06 6 6 0 0000161 O MERCADOR DE GUERRA 06 06 10 10 0 0000171 O TELEFONE VERMELHO 05 03 17 17 0 0000181 DOVE LIBERDADE 01 03 1 1 0 0000191 O TREM DOS DESESPERADOS 06 06 2 2 0 0000201 HONDCATS 09 03 3 3 0 0000221 FUGA A MEIA NOITE 07 06 20 20 0 0000231 OS DOZE CONDENADOS 03 06 11 11 0 0000241 ATIRANDO PARA MATAR 06 06 1 1 0 0000251 COCKTAIL 01 06 5 5 0 0000261 RED SCORPION 07 03 28 28 0 0000271 CONQUISTA SANGRENTA 07 06 22 22 0 0
Minerando Através do Uso de “Conceitos”Minerando Através do Uso de “Conceitos”
Generalização Indutiva
FL - Filmes Leves
FF - Filmes Fortes
FS - Filmes Suspense
CODGENERO GENERO01 COMEDIA02 FICCAO03 GUERRA04 WESTER05 EROT/PORNO06 ACAO07 AVENTURA08 DRAMA
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 69
FA - Filmes Ação
FO - Filmes (Outros)
08 DRAMA09 INFANTIL10 TERROR11 SUSPENSE12 POLICIAL13 ROMANCE14 COMEDIA/ROMANCE15 DOCUMENTARIO16 BIBLICO
Outro Conceito, Outras DescobertasOutro Conceito, Outras Descobertas
Generalização Indutiva
FI - Filmes Infantis
FT - Filmes “Teens”
CODGENERO GENERO01 COMEDIA02 FICCAO03 GUERRA04 WESTER05 EROT/PORNO06 ACAO07 AVENTURA08 DRAMA
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 70
FA - Filmes Adultos08 DRAMA09 INFANTIL10 TERROR11 SUSPENSE12 POLICIAL13 ROMANCE14 COMEDIA/ROMANCE15 DOCUMENTARIO16 BIBLICO
Explorando a Evolução TemporalExplorando a Evolução Temporal
Como é o comportamento de cada cliente?
Detectar sequências típicas de consumo
Ação - Romance - Ficção - Infantil
Romance - Erótico - Bíblico - Documentário
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 71
Ação - Western - Guerra - Ficção - Terror
O fato é que muitas vezes não dá para “deduzir” que tipo de sequências são “lógicas”. É por isso que o apoio tem que ser sobre nossos dados, pois eles é que são a única referência
empírica da realidade de que dispomos
Uma Colcha de RetalhosUma Colcha de Retalhos
Estado atual do DM: inúmeras técnicas, cuja aplicação requer concentração sobrealgoritmos específicos.
Mas um analista humano tem tudo
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 72
integrado em seu cérebro.
Então qual é melhor tipo de futuro quepodemos imaginar para o DM?
Agentes Inteligentes e Seus AmbientesAgentes Inteligentes e Seus Ambientes
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 73
O AmbienteO AgenteO Conjunto Ambiente/Agente
Apresentando a Visão TradicionalApresentando a Visão Tradicional
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 74
Organismos inteligentes requerem transdutores (órgãos dos sentidos) e sistemas motores para interagir com o
meio ambiente. Entre esse nível e o processamento simbólico há um nível perceptual
Visão já obsoleta
O Sensório, o Perceptual e o ConhecimentoO Sensório, o Perceptual e o Conhecimento
PERCEPÇÃO
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 75
Mecanismos InatosDesenvolvidoPor Experiência
Controlede Atenção
PARALELOSERIAL
Empirismo: Conhecimento Dos SentidosEmpirismo: Conhecimento Dos Sentidos
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 76
Conhecimento nasce através da percepção das regularidades estatísticas dos sinais sensórios, da
formação de categorias e da indução de regras
Racionalismo: Conhecimento Do PensarRacionalismo: Conhecimento Do Pensar
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 77
Conhecimento nasce através da reflexão. Faz-se o pensamento circular por áreas perceptuais já formadas (simulação do mundo), o que leva a novas percepções
Conhecimento Modula Percepção e Vice-VersaConhecimento Modula Percepção e Vice-Versa
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 78
A atenção “modula” a percepção. Ao desviar a atenção para uma característica em particular, perdemos
a capacidade de perceber alguns outros detalhes
Das Similaridades Originam-se CategoriasDas Similaridades Originam-se Categorias
Perceptuais
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 79
Tangerinas
Maçãs
Frutas
O tipo de característica que define uma categoria pode variar, até mesmo em tempo real
Conceituais
A Hierarquia da MenteA Hierarquia da Mente
Lógico-AssociativoExpressões linguísticas
explícitas
Simbólico
“O gato estádormindo no
tapete”
Gato
Ed
uc
aç
ão
Fo
rma
l
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 80
SimbólicoPalavras, ícones,
signos
Sub-SimbólicoNão tem expressão
pública
[mesa]
[gosto
chocolate]
GatoJustiçaÁrvore
Viv
ên
cia
s
Decidi Fazer Um “Experimento”Decidi Fazer Um “Experimento”
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 81
Esse é o sofisticado instrumental que utilizei
Cento e Dez Arremessos de MoedaCento e Dez Arremessos de Moeda
A O O A O A O A A A O O O A O A A A O A
A O O O O O A A A O A A A O O A A A O O
A O O A A O O A A A A A A O A A A A O A
O A A O A A A O O A A A A A O A A A A O
O O A O O O A O A O O O A A O O A O A O
A O A O A O O O O O
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 82
Organizei em matriz de 10 por 11 elementos, CARA ficou um
quadrado em branco, COROA quadrado preto.
Simples Filtro GaussianoSimples Filtro Gaussiano
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 83
Gaussian Blur, 20 pixels
Apresentando os Monstros da MoedaApresentando os Monstros da Moeda
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 84
Adição de um pouco de ruído
para dar “textura”
Original
Como Separar Palavras da Fala?Como Separar Palavras da Fala?
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 85
Como os bebês conseguem aprender a segmentar palavras se a fala humana raramente
respeita fronteiras?
Um Experimento InstiganteUm Experimento Instigante
A Dra. Jenny Saffran (University of Wisconsin-Madison) é uma das maiores autoridades no aprendizado estatístico de bebês
Bebês de 8 meses de idade foram expostos a estímulos sonoros
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 86
bidakupadotigolabubidakutupiropadotitupiro...
Sílabas utilizadas
pa bi go tu pi la da do ti ku bu ro
estímulos sonoros durante 2 minutos
Os Estatísticos de 8 Meses de IdadeOs Estatísticos de 8 Meses de Idade
Diferentes probabilidades transicionais
ro
go
bi
pa
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 87
bidakupadotigolabubidakutupibupadotitupiro...
tupirogolabubidakupadoti
Bebês localizam ponto de quebra
Palavras formadas com a sequência de sílabas
Percepção Estatística é MultimodalPercepção Estatística é Multimodal
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 88
Segmentou as palavras
corretamente
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 89
Um Quase-Exemplo: SISCOLOUm Quase-Exemplo: SISCOLO
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 90
Limpeza e Preparação de DadosLimpeza e Preparação de Dados
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 91
Base ConvertidaBase Convertida
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 92
Um Teste: O Simple MinerUm Teste: O Simple Miner
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 93
Avaliação Analítica Citologia Colpocitologia Oncótica
dataestado civilcor
Resultados de 4 IteraçõesResultados de 4 Iterações
Padrão
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 94
Padrãoestabilizado
Ideias Fundamentais da Cognição Ideias Fundamentais da Cognição
Variable Binding and Substitution (deduction)
Alignment and Matching of Structures (analogies)
Structures of Coherent Elements (gestaltic structures)
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 95
Abstract Representations and Transfer (inner symbols)
Similarity and Category Formation (induction)
Co-occurrence and Covariation (chunks, conditioning)
Information Theory (frequency of occurrence)
Fenômenos Cognitivos RelevantesFenômenos Cognitivos Relevantes
Sensibility to transitional probabilities
Decay of memory traces
Proactive and Retroactive Interference
Semantic, Repetition, Negative and Associative Priming
Chunks, Perceptual Magnet Effect
Primacy and Recency
Spreads of Activation (compound cue)
Selective and Automatic Attention
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 96
Selective and Automatic Attention
Detection of Abstract Relational Structures
Transfer of Abstract Structures
LTM, STM, WM, LTWM and CSTM
Binding of Variable to Abstract Structures
Conceptual and Perceptual Categorization
Past Tense, Lexics, Grammars
Mental Models (deductive reasoning)
Analogical Mapping
Gestaltic Structures
Qual o Futuro?Qual o Futuro?
O Data Mining Definitivo
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 97
Quando se emula a capacidade conceitual e analítica do ser humano
Para ConcluirPara Concluir
Slides da palestra disponíveis emhttp://www.intelliwise.com.br
IAIR-Intelliwise AI Research www.intelliwise.com [email protected] 98
Grato Pela Atenção
Sergio [email protected]://www.intelliwise.com/snavega