INE5644

1
INE5644 Data Mining

• Tarefas de DCBD
• Prof. Luis Otavio Alvares
• alvares_at_inf.ufsc.br
• Apresentação adaptada do material do livro
• Introduction to Data Mining Tan, Steinbach e
  Kumar
• e de slides do prof. José Leomar Todesco (UFSC)

2
Porque DCBD? Ponto de vista comercial

• Enormes quantidades de dados
• são coletadas e armazenadas
• Dados da Web, e-commerce
• Compras em supermercados,
• lojas de departamentos, etc.
• Transações bancárias e de
• cartões de crédito
• Os computadores se tornaram baratos e mais
  poderosos
• A pressão competitiva é muito forte

prof. Luis Otavio Alvares
3
Porque DCBD? Ponto de vista científico

• Dados captados e
• armazenados em grande
• velocidade (GB/hora)
• sensores remotos em satélites
• telescópios varrendo o firmamento
• microarrays gerando dados de expressão
• gênica
• simulações científicas gerando terabytes
• de dados
• Técnicas tradicionais de anáilise são
• inviáveis para estes dados brutos

prof. Luis Otavio Alvares
4
Motivação para minerar grandes bases de dados

• Freqüentemente há informação escondida nos
  dados, que não é evidente
• Analistas humanos podem levar semanas para
  descobrir informação útil
• Muitos dados nunca são analisados

The Data Gap
Total new disk (TB) since 1995
Number of analysts
5
O que é DCBD?

• Muitas definições
• Extração não-trivial de informação implícita,
  previamente desconhecida e potencialmente útil
  de um conjunto de dados
• Exploração e análise, de modo
• automático ou semi-automático,
• de grandes quantidades de
• dados para descobrir
• padrões úteis

prof. Luis Otavio Alvares
6
O que (não) é DCBD?

• O que é DCBD
• descobrir que certos nomes são mais comuns em
  alguns lugares (OBrien, ORurke, OReilly na
  área de Boston)
• Agrupar documentos similares recuperados por um
  motor de busca de acordo com o seu contexto (ex
  Amazon rainforest, Amazon.com,)

• O que não é
• buscar um nome e número de telefone em um
  arquivo de clientes
• Consultar um motor de busca na web sobre
  Amazon

prof. Luis Otavio Alvares
7
Observando e Aprendendo
Exemplo um proprietário de uma pequena loja de
vinhos conhece tudo sobre vinhos, por exemplo, o
tipo de uva, a região onde a uva foi cultivada, o
clima, o solo, a altitude dos parreirais, aroma,
sabor, cor, o processo de fabricação. Os clientes
gostam de visitar sua loja pois, também, aprendem
muito sobre vinhos. Porém, só isto não basta, o
proprietário precisa conhecê-los, como por
exemplo, qual o tipo de vinho que o cliente
gosta? Qual o poder aquisitivo? Assim, ele poderá
dar um atendimento diferenciado (um a um) aos
clientes. Temos, portanto, duas necessidades
conhecimento e aprendizado
Uma pequena loja ? poucos clientes ? atendimento
personalizado
Uma grande empresa ? milhares de clientes ?
dificuldade em dar um atendimento dedicado
prof. Luis Otavio Alvares
8
Observando e Aprendendo
Qual a tendência nos dias atuais? Ter clientes
leais, através de um relacionamento pessoal,
um-para-um, entre a empresa e o cliente.
Dentro desta tendência, as empresas desejam
identificar os clientes cujos valores e
necessidades sejam compatíveis com o uso
prolongado de seus produtos, e nos quais é válido
o risco de investir em promoções com descontos,
pacotes, brindes e outras formas de criar essa
relação pessoal. Esta mudança de foco requer
mudanças em toda a empresa, mas principalmente
nos setores de marketing, vendas e atendimento ao
cliente.
prof. Luis Otavio Alvares
9
Na pequena empresa, o proprietário com sua
inteligência e memória aprende, conhece o cliente.
prof. Luis Otavio Alvares
10
Data Warehouse a memória da empresa
Para criar relações um-para-um em uma grande
empresa, o proprietário humano precisa ser
substituído por uma máquina capaz de tratar
grandes números, o computador. A memória do
proprietário é substituída por um grande banco de
dados denominado de Data Warehouse, enquanto a
capacidade de aprendizado é substituída por
técnicas de inteligência artificial e estatística
genericamente denominadas de Data Mining.
Diariamente gera-se dados, por exemplo,
considere que gera-se e armazena-se atributos
tais como o número do telefone, a duração da
chamada telefônica, o número do cartão de
crédito, o endereço da entrega, o produto
escolhido, renda do consumidor, escolaridade do
consumidor, gasto com lazer, etc. Certamente, só
armazenar dados não significa aprender sobre o
cliente.
prof. Luis Otavio Alvares
11
Memória da empresa
Fonte de informações preciosas para a empresa
Dados armazenados
prof. Luis Otavio Alvares
12
Data Mining a inteligência da empresa
Para o aprendizado ocorrer, uma série de
informações de diferentes formatos e fontes
precisa ser organizada de maneira consistente na
grande memória empresarial. Após isto, métodos de
análise estatística e inteligência artificial
precisam ser aplicados sobre esses dados e
relações novas e úteis à empresa devem ser
descobertas, ou seja, os dados devem ser
minerados. A mineração dos dados consiste mais
especificamente em descobrir relações entre
produtos, classificar consumidores, prever
vendas, localizar áreas geográficas
potencialmente lucrativas para novas filiais,
inferir necessidades, entre outras.
prof. Luis Otavio Alvares
13
Data Mining
Na grande empresa, a memória é o data warehouse,
enquanto a inteligência é o data mining
prof. Luis Otavio Alvares
14
Data Mining and BI
Aumento do potencial Para suportar decisões do
negócio
Diretor
Making Decisions
Analista de negócios
Data Presentation
Visualization Techniques
Data Mining
Analista de dados
Knowledge Discovery
Data Exploration
Statistical Analysis, Querying and Reporting
Data Warehouses / Data Marts
OLAP, MDA
DBA
Data Sources
Papel, Arquivos, Provedores de informação,
Database Systems, OLTP
prof. Luis Otavio Alvares
15
Tipos de descobertas (tarefas de DCBD)

• Os dois principais objetivos de alto nível da
  DCBD são a descrição e a predição
• a descrição se concentra em encontrar padrões
  que descrevem os dados de forma compreensível
  para o usuário
• a predição envolve usar valores conhecidos de
  campos ou variáveis para predizer o valor
  desconhecido ou futuro de variáveis de interesse
• para isso, utiliza-se vários tipos de descoberta
  ou tarefas de DCBD

16
Principais Tarefas de DCBD ...

• Classificação Preditiva
• Clustering Descritiva
• Descoberta de regras de associação Descritiva
• Descoberta de padrões seqüenciais Descritiva
• Regressão Preditiva
• Detecção de desvios Preditiva

prof. Luis Otavio Alvares
17
Classificação
18
Classificação exemplos

• O professor classifica o desempenho do aluno em
  A, B, C, D ou E
• Identificar um cogumelo como sendo venenoso ou
  não
• Reconhecimento de caracteres

19
Classificação definição

• Dada uma coleção de registros (conjunto de
  treinamento)
• Cada registro contém um conjunto de atributos, e
  um dos atributos é a classe.
• Encontre um modelo para o atributo classe como
  uma função dos valores dos outros atributos
• Objetivo definir a classe para novos registros
  tão acuradamente quanto possível.

prof. Luis Otavio Alvares
20
Classificação Aplicação 1

• Marketing direto
• Objetivo Reduzir o custo na oferta para um
  conjunto alvo de consumidores mais prováveis de
  comprar um novo produto.
• Abordagem
• Usar os dados de um produto similar oferecido
  anteriormente.
• Sabemos quais consumidores compraram e quais não
  compraram. Esta decisão compra, não compra
  forma o atributo classe.
• Coletar várias informações pessoais, de estilo de
  vida e de interações com a empresa de todos estes
  clientes.
• Tipo de atividade, local da moradia, rendimentos,
  estado civil, compras anteriores, etc.
• Usar esta informação como atributos de entrada
  para gerar um modelo de classificação.

From Berry Linoff Data Mining Techniques, 1997
prof. Luis Otavio Alvares
21
Classificação Aplicação 2

• Detecção de fraudes
• Objetivo identificar casos de fraude em
  transações com cartão de crédito.
• Abordagem
• Usar as transações do cartão de crédito e as
  informações do proprietário como atributos.
• Quando um consumidor compra, o que ele compra,
  onde ele compra, compra a vista ou a prazo, valor
  da compra, etc
• Rotular as transações passadas como fraude ou
  não. Isto forma o atributo classe.
• Gerar um modelo de classificação para as
  transações.
• Usar este modelo para detectar fraudes observando
  as novas transações .

prof. Luis Otavio Alvares
22
Classificação Aplicação 3

• Conservação de clientes
• Objetivo prever se é provável que um cliente de
  uma empresa de telefone celular passe para um
  concorrente.
• Abordagem
• Usar um registro detalhado das transações de cada
  cliente antigo e atual para obter os atributos.
• Com que freqüência o cliente faz ligações, para
  quem ele liga, a que horas ele liga mais
  freqüentemente, sua renda, estado civil, desde
  quando é cliente, etc.
• Rotular os clientes como fiéis ou infiéis a
  empresa.
• Gerar um modelo.

From Berry Linoff Data Mining Techniques, 1997
prof. Luis Otavio Alvares
23
Classificação Aplicação 4

• Análise de objetos celestes
• Objetivo predizer a classe (estrela ou galáxia)
  de objetos celestes, especialmente de pouco
  brilho, baseado em imagens do telescópio do Monte
  Palomar
• 3000 imagens com 23.040 x 23.040 pixels por
  imagem.
• Abordagem
• Segmentar a imagem.
• Medir os atributos da imagem (40 por objeto)
• Gerar um modelo baseado nestes atributos.
• Resultado foram descobertos 16 novos quasars,
  alguns dos mais distantes objetos já
  identificados!

From Fayyad, et.al. Advances in Knowledge
Discovery and Data Mining, 1996
prof. Luis Otavio Alvares
24
Classificando Galáxias
Courtesy http//aps.umn.edu

• Atributos
• Image features,
• Characteristics of light waves received, etc.

Early

• Classe
• Estágio da formação

Intermediate
Late

• dados
• 72 milhões de estrelas, 20 milhões de galáxias
• Object Catalog 9 GB
• Image Database 150 GB

prof. Luis Otavio Alvares
25
Clustering (formação de agrupamentos)
26
Clustering (formação de agrupamentos)

• Dado um conjunto de dados, cada um com um
  conjunto de atributos, e uma medida de
  similaridade entre eles, encontre clusters
  (grupos) tais que
• Dados de um grupo são mais similares entre si que
  com dados de outros grupos
• Dados de grupos diferentes são menos similares
  entre si.
• Medidas de similaridade
• Distância Euclidiana, para atributos contínuos
• Outras medidas específicas do problema.

prof. Luis Otavio Alvares
27
Clustering exemplo

• Clustering em espaço 3-D baseado em distância
  euclidiana.

Distâncias intracluster são minimizadas
Distâncias intercluster são maximizadas
prof. Luis Otavio Alvares
28
Clustering Aplicação 1

• Segmentação de mercado
• Objetivo subdividir um mercado em diferentes
  subconjuntos de clientes onde cada subconjunto
  possa ser selecionado como objetivo específico de
  marketing a ser alcançado.
• Abordagem
• Obter diferentes atributos de clientes baseado em
  informações cadatrais e de estilo de vida dos
  clientes
• Encontrar grupos (clusters) de clientes
  similares.
• Medir a qualidade dos clusters observando padrões
  de compra entre clientes do mesmo cluster versus
  entre clientes de outros clusters

prof. Luis Otavio Alvares
29
Clustering Aplicação 2

• Clustering de documentos
• Objetivo encontrar grupos de documentos que são
  similares entre si baseado em termos importantes
  que aparecem nos documentos.
• Abordagem identificar termos que ocorrem
  freqüentemente em cada documento. Criar uma
  medida de similaridade baseada na freqüência dos
  diferentes termos. Usar esta medida para a
  formação dos grupos.
• Ganho os clusters podem ser usados em
  Recuperação de Informações para relacionar um
  novo documento ou termo de pesquisa a clusters de
  documentos.

prof. Luis Otavio Alvares
30
Clustering de ações da bolsa

• Observe os movimentos das ações a cada dia.
• Dados ação-UP/DOWN
• Medida de similaridade Duas ações são similares
  se os eventos descritos por elas freqüentemente
  acontecem juntos no mesmo dia.

prof. Luis Otavio Alvares
31
Associação
32
Dependência (associação) entre atributos

• Exemplos
• determinados procedimentos médicos aparecem
  sempre juntos
• determinados procedimento médicos aparecem mais
  associados a homens e outros a mulheres
• compradores de leite geralmente compram pão na
  mesma transação

33
Exemplo vendas casadas
Sei que quem compra o produto A também compra o B.
PRODUTO A
PRODUTO B
Compra de produto
Oferta de produto relacionado
PRODUTO A
34
(No Transcript)
35
Regras de associação Definição

• Dado um conjunto de registros, cada um com um
  conjunto de itens de uma certa coleção
• Produza regras de dependência que vão predizer a
  ocorrência de um item baseado na ocorrência de
  outros.

Regras descobertas leite --gt guaraná
fralda, leite --gt cerveja
prof. Luis Otavio Alvares
36
Regras de associação Aplicação 1

• Gerenciamento de prateleiras de supermercado.
• Objetivo identificar itens que são comprados
  juntos por um grande número de clientes.
• Abordagem processar os dados das transações de
  compra obtidos com os códigos de barras para
  encontrar dependências entre itens.
• Uma regra clássica--
• Se um cliente compra fralda e leite ele tem uma
  boa probabilidade de comprar também cerveja.
• Portanto, não fique surpreso de encontrar pacotes
  de cerveja próximo das fraldas!

prof. Luis Otavio Alvares
37
Regras de associação Aplicação 2

• Gerência de inventário
• Objetivo uma empresa de consertos de
  eletrodomésticos quer antecipar a natureza dos
  consertos nos aparelhos dos seus clientes de
  forma a ter em seus veículos de serviço peças de
  reposição, de modo a poder realizar o conserto na
  hora, sem precisar voltar à casa dos clientes
• Abordagem Analisar os dados de consertos
  anteriores em termos de ferramentas e peças
  necessárias para descobrir padrões de
  co-ocorrência.

prof. Luis Otavio Alvares
38
Padrões sequenciais
39
Padrões sequenciais

• Detecção de dependências temporais entre eventos.
• Exemplos
• determinado procedimento médico sempre precede
  outro
• turistas que visitam o museu do Louvre depois
  visitam a Notre Dame

• Definição
• Dado um conjunto de objetos, com cada objeto
  associado com a sua linha de eventos, encontre
  regras com forte dependência seqüencial entre
  diferentes eventos.

prof. Luis Otavio Alvares
40
Padrões seqüenciais exemplos

• Em transações de vendas
• Livraria de informática
• (Intro_To_Visual_C) (C_Primer) ?
  (Perl_for_dummies,Tcl_Tk)
• Loja de artigos esportivos
• (tenis) (raquete, bolas) ? (moleton)

prof. Luis Otavio Alvares
41
Regressão
42
Regressão

• Prediz o valor de uma variável contínua baseado
  no valor de outras variáveis, considerando um
  modelo de dependência linear ou não linear.
• Bastante estudado em estatística e redes neurais
• Exemplos
• Previsão da quantidade de vendas de um novo
  produto baseado nos gastos com propaganda
• Previsão da velocidade do vento em função da
  temperatura, humidade, pressão atmosférica, etc.
• Previsão da evolução do índice de bolsa de
  valores.

prof. Luis Otavio Alvares
43
Detecção de desvios
44
Detecção de desvios

• Determinar desvios significativos do
  comportamento normal
• Aplicações
• Detecção de fraudes em
• cartões de crédito
• Detecção de
• invasão em redes
• de computadores
• Detecção de eventos
• através de mensagens
• do Twitter

Typical network traffic at University
level may reach over 100 million connections per
day
prof. Luis Otavio Alvares
45
exemplo sistema de mortalidade

• Doenças P Algumas afecções originadas no
  período perinatal
• Uruguaiana apresenta um desvio significativo em
  relação a esta classe de doenças, pois foram
  registrados muito mais casos de morte do que o
  esperado.
• Porto Alegre registrou menos mortes do que a
  quantidade esperada, para esta classe de doenças.
• Caxias do Sul apresenta um desvio em relação às
  doenças Q- malformação congênita, deformidades e
  anomalias cromossômicas. Foi registrado um
  número de mortes significativamente maior do que
  o esperado para a cidade.

46
Principais Tarefas de DCBD ...

• Classificação Preditiva
• Clustering Descritiva
• Descoberta de regras de associação Descritiva
• Descoberta de padrões seqüenciais Descritiva
• Regressão Preditiva
• Detecção de desvios Preditiva

47
Exercício

• Especifique a tarefa de DCBD em cada um dos casos
  abaixo

1 agrupar proteínas com funcionalidades similares
2 predizer a quantidade de vendas de um novo produto baseado nos gastos com propaganda
3 prever se é provável que um cliente de uma empresa de telefone celular passe para um concorrente
4 identificar itens que são comprados juntos por um grande número de clientes
48
Desafios para Data Mining

• Escalabilidade
• Dimensionalidade
• Dados complexos e heterogêneos
• Qualidade dos dados
• Propriedade e distribuição dos dados
• Preservação da privacidade
• Dados em fluxo contínuo

49
Próxima aula

• O processo de KDD