BI - Mineração de Dados / Data Mining

BI - Mineração de Dados / Data Mining

1. Dado

   • Dado é a estrutura fundamental sobre a qual um sistema de informação é construído.

2. Informação

   • Informação é qualquer dado estruturado, ou processado, que tem significado dentro de um contexto.

3. Conhecimento

   • Conhecimento é o termo abstrato usado para designar a compreensão de um indivíduo num domínio específico.

4. Sabedoria

   • Sabedoria é a capacidade de aplicarmos bem o conhecimento que possuímos.

5. KDD - DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS

   • é um processo, de várias etapas, não trivial, interativo e iterativo, para identificação de padrões compreensíveis, válidos, novos e potencialmente úteis a partir de grande conjunto de dados.
   • Processo KDD é feito através de limpeza, integração, seleção, transformação, mineração, avaliação de padrões e representação do conhecimento
     • Pré-Processamento
     • Mineração Dados
     • Pós-Processamento
   • A classificação de uma aplicação de KDD quanto ao objetivo
     • Predição: busca-se um modelo de conhecimento que permita, a partir de um histórico de casos anteriores, prever os valores de determinados atributos em novas situações.
     • Descrição: busca-se por um modelo que descreva, de forma compreensível pelo homem, o conhecimento existente em um conjunto de dados
   • O processo de mineração de dados, basicamente, utiliza técnicas derivadas de duas áreas de conhecimento: Estatística e Inteligência Artificial
     • Mineração de Dados, ou Data Mining, é a exploração e a análise de grandes quantidades de dados, por meio automático ou semi-automático, a fim de descobrir padrões e regras significativos
     • Mineração de dados é a extração de conhecimento a partir de um grande volume de dados ; é a análise e descoberta de padrões escondidos nos dados, usando meios automáticos ou semi-automáticos
       • tarefa mineração dados: Agrupamento, Associação, Classificação, Regressão e Previsão.
     • Tipos de algorítimo na miineração dos dados
       • Supervisionado: é realizado em função de um conhecimento prévio sobre o padrão desejado
       • Não Supervisionado: sem nenhum conhecimento prévio sobre o padrão desejado. Os métodos encontram padrões existentes nos dados explorados. Agrupamento e Regras de Associação são exemplos de atividades de mineração de dados que se encaixam nesta categoria
     • Ferramentas de Mineração Dados:Clementine (SPSS) Enterprise Miner (SAS) Intelligent Miner (IBM) Analysis Services (Microsoft) Darwin (Thinking Machines) PolyAnalist (Megaputer) Weka (Universidade de Waikato)
       • Potenciais aplicações: Vendas e Marketing Identificar padrões de comportamento de consumidores Associar comportamentos à características demográficas de consumidores Campanhas de marketing direto (mailing campaigns) Identificar consumidores “leais
         • Bancos Identificar padrões de fraudes (cartões de crédito) Identificar características de correntistas Mercado Financeiro Minimizar prejuízos através de crédito a clientes de “confiança
           • Médica Comportamento de pacientes Identificar terapias de sucessos para diferentes tratamentos Fraudes em planos de saúdes Comportamento de usuários de planos de saúde Planos diferenciados por perfil