Data Mining:

A arte de minerar conhecimento

Roteiro• Visão do Problema

– Introdução 1– Motivação 2

• Desafios• Tecnologias:

– Algoritmos de otimização de mineração• Algoritmos de mineração de regras de associação• Algoritmos de reconhecimento de padrão

– Arquiteturas• DBMiner• Critikal• Snout• Fuzzy • Arquiteturas baseadas em agentes:

– BODHI– JAM– PADMA

Visão do problema

• ObjetivosCriar uma estrutura de mineração de dados em

um Data Warehouse Geográfico– Dividido em duas etapas:

1. Criar um sistema de mineração de dados em um Data warehouse normal

2. Estender a mineração para os dados geográficos

Visão do problema

Motivação:

Aumentar o poder de análise de dados em ambientes de tomada de decisão

Desafios

• Otimizar os sistema de mineração de dados em sistemas de tomada de decisão– Minimizar o esforço de processamento– Minimizar o tempo– Representar o conhecimento gerado pela

ferramenta

Tecnologias

• Algoritmos• Geração de regras de associação

– Mining association rules in Sets of Items – Agrawal et al– Multi-level association rule – Jiawei Han et al

• Reconhecimento padrão– GSP – Agrawal et al– PSP – Jian Pei et al– FP-Grow – Jiawei Han et al

• Classificação– São uma extensão dos algoritmos de reconhecimento de

padrão• Previsão

– São uma extensão do algoritmo de reconhecimento de padrão onde o processamento final seria o complemento do padrão ao qual se encaixa

Tecnologias

• Arquiteturas• DBMiner (falar um pouco mais)• Snout• CRITIKAL• Integrate Fuzzy OLAP

Tecnologias

• Considerações• Grande número de modelos• Aspectos a considerar:

– Comunicação entre os agentes– Geração do conhecimento

Tecnologias

• Arquiteturas Baseadas em agentes• BODHI• JAM• PADMA• Fuzzy Learning• Agent-Based OLAM in CRM