Introdução à Descoberta de Conhecimento e Mineração de Dados

1. Introdução à Descoberta de Conhecimento e Mineração de Dados Professor Celso A A Kaestner, Dr. Eng.

2. Site:http://www.dainf.ct.utfpr.edu.br/~kaestner/ls-dm.htm

3. Introdução

4. Introdução: por que Data Mining ? • O problema da explosão da quantidade de dados (data explosion): • Ferramentas de armazenamento automático e a maturidade da tecnologia de banco de dados, bem como o advento da Internet, levaram à criação de imensas massas de dados em data bases, data warehouses e em outros repositórios.

5. Introdução: por que Data Mining ? • 1 byte = 8 bits; • 1 Kbyte = 1.024 bytes; • 1 Mbyte ~= 1.000.000 bytes; • 1 Gbyte ~= 1.000.000.000 bytes; • 1 Terabyte ~= 1.000.000.000.000= 1012 bytes • 1 EB = 1 exabyte ~= 1.000.000 Tbytes • Qual o tamanho das bases de dados ? • Qual o tamanho da internet ?

6. Introdução: por que Data Mining ? Fonte: Curso de Piatetsky-Shapiro

7. Introdução: por que Data Mining ? • Tamanho da Internet (2003, em Terabytes): Fonte: How Much Information 2003

8. Introdução: por que Data Mining ? • Tamanho da Internet indexada (2005): 11,5 bilhões de páginas; • Ver: • http://www.cs.uiowa.edu/~asignori/web-size/size-indexable-web.pdf • http://www.worldwidewebsize.com/

9. Introdução: por que Data Mining ? • Estamos nos afogando em dados, mas sedentos por informação!

10. Introdução: por que Data Mining ? • A solução: data warehousing e data mining: • Data warehousing e on-line analytical processing (OLAP); • Extração de conhecimentos interessantes (regras, regularidades, padrões, restrições) a partir das grandes bases de dados.

11. Introdução: evolução da tecnologia dos BD • 1960s: Coleta de dados, criação de bancos de dados, IMS e DBMS em rede; • 1970s: Modelo de dados relacional, implementação de DBMS relacionais; • 1980s: RDBMS, modelos de dados avançados (relacional estendido, OO, dedutivo, etc.) e DBMS orientados à aplicação (espaciais, científicos, para engenharia, etc.) • 1990s—2000s: Data mining and data warehousing, DBMS multimídia e Web DB.

12. Introdução: o que é data mining ? • Data mining (descoberta de conhecimento em BD): • Extração de padrões de informação de interesse: • não-trivial, • implícita, • previamente desconhecida e • potencialmente útil, de grandes DBs.

13. Introdução: o que é data mining ? Dilbert explica ...

14. Introdução: o que é data mining ? • Conceitos relacionados: • Descoberta de conhecimento em BD (KDD), extração de conhecimento, análise de padrões em dados, information harvesting, business intelligence, etc. • O que não é data mining? • Processamento dedutivo de consultas; • Sistemas especialistas e pequenos programas estatísticos e de aprendizagem de máquina.

15. Introdução: o que é data mining ? Gartner Group: • “Data mining is the process of discovering meaningful new correlations, patterns and trends by sifting through large amounts of data stored in repositories, using pattern recognition technologies as well as statistical and mathematical techniques.”

16. Introdução: potenciais aplicações • Análise de DB e suporte à decisão: • Análise e gerenciamento de mercado: • Marketing dirigido, gerenciamento de relações com consumidores, análise de mercado, vendas cruzadas, segmentação de mercado; • Análise e gerenciamento de risco: • Previsões, retenção de clientes, controle de qualidade, análise de competitividade; • Análise e gerenciamento de fraudes.

17. Introdução: potenciais aplicações • Outras aplicações: • Mineração de textos (documentos, emails, news) e Web mining. • Resposta inteligente a consultas.

18. Análise e gerenciamento de mercado • Onde estão as fontes de dados para análise ? • Transações com cartões de crédito, cartões de fidelidade, cupons de desconto, requisições de clientes e estudos sobre o estilo de vida dos clientes. • Marketing dirigido: • Encontra grupos de clientes “modelo” que compartilham as mesma características: interesses, salário, hábitos de consumo, etc.

19. Análise e gerenciamento de mercado • Determinação de padrões de compra ao longo do tempo: • Conversão de conta simples para conjunta, casamento, etc. • Análise de vendas cruzadas: • Associações e correlações entre vendas de produtos; • Predição baseada na informação de associações.

20. Análise e gerenciamento de mercado • Perfil do consumidor: • data mining pode informar que tipos de consumidores compram quais produtos (agrupamento ou classificação); • Identificação dos requisitos dos clientes: • Identificação dos melhores produtos para os diferentes clientes; • Uso de predição para encontrar quais fatores atrairão os consumidores;

21. Análise e gerenciamento de mercado • Fornecimento de informação sumarizada: • Relatórios multidimensionais sumarizados; • Informações estatísticas sumarizadas (tendência central e variação dos dados)

22. Análise corporativa e gerenciamento de risco • Planejamento financeiro e avaliação de crédito: • Análise e previsão de fluxo de caixa; • Análise contingente para avaliação de crédito; • Análise seccional e temporal (razão financeira, análise de tendência, etc.) • Planejamento de recursos: • Sumarização e comparação de recursos e gastos; • Competição: • Monitoramento de competidores e mercado; • Agrupamento de clientes em classes e procedimentos de preços baseados em classes; • Estratégias para fixação de preços em mercado competitivo.

23. Detecção e gerenciamento de fraudes • Aplicações: • Amplamente utilizado em serviços de cartões de crédito, telefonia celular, convênios de saúde, etc. • Abordagem: • Uso de dados históricos para construir modelos do comportamento fraudulento e uso de data mining para identificar instâncias similares;

24. Detecção e gerenciamento de fraudes • Exemplos: • Seguros de automóveis: detectar um grupo de pessoas que forjam acidentes para ganhar o seguro; • Lavagem de dinheiro: detecção de transações suspeitas de dinheiro (US Treasury's Financial Crimes Enforcement Network) • Seguros médicos: detecção de pacientes”profissionais” e grupos de doutores coniventes.

25. Detecção e gerenciamento de fraudes • Detecção de tratamento médico inapropriado: • A Australian Health Insurance Commission identificou que em muitos casos exames desnecessários eram solicitados (economia de AD$1milhão /ano). • Detecção de fraudes telefônicas: • Modelo de chamadas telefônicas: destino da chamada, duração, horário e dia da semana; análise de padrões para detectar desvios; • A British Telecom identificou grupos de clientes com chamadas freqüentes dentro do grupo, especialmente em telefones celulares, e detectou uma fraude milionária.

26. Detecção e gerenciamento de fraudes • Venda a varejo: • Analistas estimam que 38% das perdas no varejo são devidas a empregados desonestos.

27. Outras aplicações • Esportes: • IBM Advanced Scout analisou as estatísticas dos jogos da NBA (cestas, bloqueios, assistências, faltas, etc) para auxiliar os times do New York Knicks e do Miami Heat; • Astronomia: • JPL e o Observatório do Monte Palomar descobriram 22 quasars com o auxílio de data mining;

28. Outras aplicações • Ajuda ao uso da Internet, comércio eletrônico: • IBM Surf-Aid aplica algoritmos de data mining a logs de acessos Web à páginas de vendas, de forma a descobrir preferências e comportamentos dos clientes e efetuar análise da efetividade do Web marketing, melhorar a organização do site Web, etc. • (ex-) Blue Martini Company... • Amazon, Google...

29. A Web como fonte de aplicações • Num site de comércio eletrônico, serve canal de negócios e laboratório; • Limitado como canal de compra (valor do bem, segurança, privacidade ...); • Como laboratório serve para testar campanhas, novos produtos, avaliar clientes, etc.

30. A Web como fonte de aplicações • A amostra de clientes de tendenciosa; • O comportamento na internet não é o mesmo do presencial; • O custo de um site é elevado; • Muitos robôs de busca ... (fonte: palestra de Ron Kohavi)

31. Análise da Web (fonte: palestra de Ron Kohavi) • Tráfego na Web (10/46) por dia do mês; • Por dia da semana (11/46); • Exemplo por ponto de venda (POS) (12/46); • Por hora (13/46); • Um exemplo espúreo (14/46); • Campanhas por emails (20/46); • Estudos demográficos (25/46); • Robôs de busca (28/46);

32. Análise da Web (fonte: palestra de Ron Kohavi) • Estatística por visita (29/46); • Privacidade (32/46); • Exemplos de melhorias (41/46).

33. KDD e DM

34. Data Mining e Business Intelligence Increasing potential to support business decisions End User Making Decisions Business Analyst Data Presentation Visualization Techniques Data Mining Data Analyst Information Discovery Data Exploration Statistical Analysis, Querying and Reporting Data Warehouses / Data Marts OLAP, MDA DBA Data Sources Paper, Files, Information Providers, Database Systems, OLTP

35. KDD e Data Mining Knowledge Data mining é o coração do processo KDD Pattern Evaluation Data Mining Task-relevant Data Selection Data Warehouse Data Cleaning Data Integration Databases

36. Integração de Dados Normalização Seleção de atributos Redução de dimensionalidade Avaliação, Seleção, Interpretação e Visualização de padrões KDD e Data Mining Pattern Information Knowledge Data Mining Post-Processing Data Pre-Processing Descoberta de padrões Associação & correlação Classificação Agrupamento Análise de desvios Visão simplificada do processo de KDD

37. Passos do processo de KDD • Estudo sobre o domínio de aplicação: • Conhecimento relevante a priori e metas da aplicação; • Criação de um dataset alvo: • Seleção de dados; • Limpeza e pré-processamento dos dados: • Pode corresponder a 60 % do esforço; • Redução e transformação dos dados: • Encontrar atributos relevantes, redução de dimensionalidade, representação de invariantes;

38. Passos do processo de KDD • Escolha da função de data mining: • Sumarização, classificação, regressão, associação, regressão, agrupamento... • Escolha do algoritmo de mineração: • Busca aos padrões de interesse; • Avaliação dos padrões e apresentação do conhecimento: • Visualização, transformação, remoção de redundâncias, etc. • Uso do conhecimento descoberto.

39. Arquitetura de um sistema de DM típico Graphical user interface Pattern evaluation Data mining engine Knowledge-base Database or data warehouse server Filtering Data cleaning & data integration Data Warehouse Databases

40. Alguns conceitos fundamentais • Instância (item ou registro): • Um exemplo, descrito por certo número de atributos: um dia descrito por temperatura, umidade e situação das nuvens; • Atributo (característica ou campo): • Medida de aspectos de uma instância, como o valor da temperatura; • Classe (Rótulo): • Agrupamento de instâncias, e.g. dias bons para jogar tênis

41. Alguns conceitos fundamentais • Base de treinamento: • Conjunto de exemplos utilizado para a geração do procedimento / estrutura que servirá para a aplicação em outros casos; • Base de testes: • Conjunto de exemplos que será utilizado para verificar a “eficiência” do procedimento de DM gerado.

42. Alguns conceitos fundamentais • Desafio principal: Encontrar padrões verdadeiros nos dados e evitar o “overfitting” (padrões que parecem significantes mas são aleatórios ou que só funcionam para o conjunto de treinamento dado)

43. DM: em que dados? • DB relacionais: • Data warehouses; • DB tradicionais; • DB de transações; • DB avançados e repositórios de informação; • DB Orientados a Objeto e DB Objeto-Relacionais; • DB espaciais; • Séries temporais e dados temporais; • DB legados e heterogêneos; • A Web ...

44. DM: funcionalidades • Associação (correlação e causalidade) • Associação multi-dimensional x uni-dimensional; • idade(X,“20..29”)^ ganhos(X,“20..29K”) => compra (X, “PC”) [suporte = 2%, confiança = 60%]

45. DM: regras de associação Transações Conjuntos de itens frequentes Milk, Bread (4) Bread, Cereal (3) Milk, Bread, Cereal (2) … Regras: Milk => Bread (66%)

46. DM: funcionalidades • Descrição de conceitos: caracterização e discriminação: • Dados podem ser associados em classes; • A caracterização de uma classe ou sua discriminação em relação a outras classes é potencialmente útil; • Generalização, sumarização, contraste das características dos dados são os objetivos.

47. DM: funcionalidades • Classificação e predição: • Encontrar modelos (funções) que descrevem e distinguem classes ou conceitos para futura predição; • Ex: classificar países conforme o clima ou carros conforme o consumo; • Apresentação: árvore de decisão, regra de classificação, rede neural; • Predição: de valor numérico desconhecido ou perdido;

48. DM: classificação • Principais abordagens: Estatísticas, Árvores de decisão, redes neurais…

49. DM: funcionalidades • Agrupamento (clustering): • O rótulo (nome) da classe é desconhecido: deve-se agrupar os dados para formar classes; • Ex: agrupamento de casas para encontrar padrões de distribuição; • O agrupamento é baseado na maximização da similaridade intra-classe e minimização da similaridade inter-classes.

50. DM: agrupamento Encontrar agrupamentos“naturais” das instâncias em dados não-rotulados