Web 3.0

Valor da informação

Data Mining

Aprisionamento no sistema

Monopólio

Batalha das redes

IoT Internet das coisas

Machine Learning

John Markoffjornalista americano conhecido por ter popularizado termo web 3.0 ou web semântica e por ter escrito sobre a busca e prisão do hacker Kevin Mitnick, ambos através de seu trabalho no New York Times.

“Entrepreneurs See a Web Guided by Common Sense.”

12/11/2006 The New York Times John Markoff Em San

Francisco

WEB 1.0 – Primeira evolução da WEB; pouca

interatividade ; predominavam sites de empresas e

instituições; a era do e-mail e sites de busca. Ex:

Google, Cadê, Yahoo, hotmail, etc.

WEB 2.0 – A era da interatividade; revolução de blogs e

chats; midias sociais colaborativas; redes sociais;

popularização da internet; avanço tecnológico em

mobiles e aparelhos com aplicativos. Ex.: Youtube,

Skype, Facebook, etc.

WEB 3.0 - Informações organizadas para

entendimento do homem e da máquina; uso

inteligente do conhecimento e conteúdo já disponível

online; acesso 24h por dia em meios de comunicação.

Apresenta-se como um fluxograma, disposto sob forma de uma árvore, conforme ilustrado, no qual cada nó contém o nome do atributo que terá o seu valor testado. Nos galhos, encontram-se as saídas dos testes; e nas folhas, as classes resultantes da classificação;

Fonte: NEVES, Cesar das. Análise de Investimentos: Projetos Industriais e Engenharia Econômica. Zahar Editores, Rio de Janeiro, 1982.

EXEMPLO FEBRE ENJOÔ MANCHAS DOR DIAGNÓSTICO

1 SIM SIM PEQUENAS SIM DOENTE

2 NÃO NÃO GRANDES NÃO SAUDÁVEL

3 SIM SIM PEQUENAS NÃO SAUDÁVEL

4 SIM NÃO GRANDES SIM DOENTE

5 SIM NÃO PEQUENAS SIM SAUDÁVEL

6 NÃO NÃO GRANDES SIM DOENTE

EXEMPLO FEBRE ENJOÔ MANCHAS DOR DIAGNÓSTICO

N1 NÃO NÃO PEQUENAS SIM ?

N2 SIM SIM GRANDES SIM ?

ALGORÍTIMO DE APRENDIZADO

APRENDIZADO DO MODELO

MODELODEDUÇÃO

OBJETO ATRIBUTO CLASSE

BASGALUPP,2010 – FERREIRA,2008

→ ID3

→ C4.5

→ CART

É a aplicação de algoritmos específicos para a extração de informações do banco de dados.

(FAYYAD, Usama; PIATETSKY-SHAPIRO, Gregory; SMYTH, Padhraic. From data mining to knowledge discovery: An overview. In: Advances in Knowledge Discovery and Data Mining,

AAAI Press / The MIT Press, MIT, Cambridge, Massachusetts, and London, England,.p 3)

The Data Mine (http://www.the-data-mine.com/)

Knowledge Discovery Mine (http://www.kdnuggets.com/)

“Data mining não é algo novo. Apesar de algumas novastécnicas, a análise de dados existe antes mesmo da existência dos computadores.”

“Data mining is a business process for exploring large amounts of data to discover meaningful patterns and rules”

(LINOFF,Gordon S. e Berry,Michael J. A.; WILEY.1997.p2)

www.wiley.com/go/dataminingtechniques3e

http://blog.data-miners.com/

1. Identificação de um problema ou objetivo a seralcançado:

2. Descoberta de Conhecimento : novas relações nãoidentificáveis a olho nu, mas podem ser visualizadas com procedimentos mecânicos.

3. Análise das Relações descobertas: depende ainda do raciocínio humano

4. Uso das relações Descobertas: utilização das melhoresrelações

5. Avaliação dos resultados

(Luís Alfredo Vidal de Carvalho)

Fonte: http://fp2.com.br/blog/index.php/2012/um-visao-geral-sobre-fases-kdd/

FAYYAD et al. (1996): “processo, não trivial, de extração de informações implícitas, previamente desconhecidas e potencialmente úteis, a partir dos dados armazenados em um banco de dados”.

Descoberta de Conhecimento em Banco de Dados

Fonte: CARVALHO, Luís Alfredo Vidal de. DATA MINING:, 2002, segunda edição , Ed. Érica Ltda.

Classificar um objeto é determinar com que grupode entidades, já classificadas anteriormente , este objetoapresenta mais semelhança ;

Estimar uma grandeza é avaliá-la tendo com base casos semelhantes nos quais essa grandeza esteja presente;

Consiste na determinação do futuro de uma grandeza;

Preocupa-se em descobrir que elementosdos eventos têm relações no tempo;

Baseado em medidas de semelhança, definir quantas e quais classes existem em um conjunto de entidades

Embora praticamente hoje não exista nenhuma área de conhecimento em que as técnicas de mineração de dados não possam ser usadas, existem áreas onde o uso têm sido empregado com maior frequência:

: sistemas que detectam e diagnosticam erros na fabricação de

produtos têm sido largamente desenvolvidos por grandes empresas (normalmente utilizam técnicas de Análise de Agrupamentos). Em qualquer área, corrigir um erro logo na sua origem é muito mais barato do que no final da produção, ou pior, depois que o produto chegou as mãos dos consumidores.

diversas empresas têm usado técnicas de mineração de dados,

embora a maioria delas não as revela, para obter ganhos financeiros. São usados especialmente modelos de redes neurais no mercado de ações e na previsão da cotação do ouro e do dólar;

a seleção de potenciais consumidores, através de perfis ou histórico

de transações, causa significativa redução dos custos com o envio de correspondências em sistemas de mala direta;

reclamações indevidas de seguro, chamadas clonadas

de telefones celulares e compras fraudulentas com cartão de crédito possuem mais em comum do que o prejuízo que causam para as empresas: possuem padrões a detecção de fraude procura justamente identificar esses padrões;

Fonte: http://fp2.com.br/blog/index.php/2012/um-visao-geral-sobre-fases-kdd/

É um sub-campo da inteligência artificial dedicado ao desenvolvimento de algoritmos e técnicas que permitam ao computador aprender, isto é, que permitam ao computador aperfeiçoar seu desempenho em alguma tarefa

Google Science Fair: A More Effective Way to Detect Breast

Cancer

Publicado em 29/01/2013Register to compete in the Google Science Fair 2013 athttps://www.googlesciencefair.com.

•Aprendizado Supervisionado“Ensinando o computador a fazer qualquer coisa”

•Aprendizado Não Supervisionado“Deixando o computador aprender por si próprio”

•Aprendizado por reforço“A cada interação há uma pergunta de satisfação daquela ação, afim de melhorar as próximas ações”

Exemplos:

Regressão logística:

>Prever o valor de venda de casas, sabendo o tamanho em m2, o número de quartos e a respectiva idade.

>Prever o preço de uma matéria prima, sabendo a quantidade da produção e da procura.

>Em instituições financeiras, pode detectar os grupos de risco para a subscrição de um crédito.

Classificação:

>Detecção de spam: Analisa e-mails e classifica-os como sendo spam ou não.

>Reconhecimento de dígitos escritos à mão: Analisa imagens de dígitos escritos à mão e classifica-os de 0 a 9.

>Detecção de anomalias/fraudes: Analisa vários indicadores de um equipamento e classifica-o como tendo uma anomalia ou não. Analisa o comportamento de um utilizador num website e classifica se existe actividade fraudulenta ou não.

Exemplos:

Exemplos:

Unsupervised Learning:

>Catalogar e agrupar automaticamente as noticias que tratem do mesmo assunto (Google News).

>Identificar segmentos de mercado através de elementos recolhidos do perfil dos consumidores e do tipo de consumo, para fazer promoções ou publicidade dirigida a alguns desses segmentos.

Exemplos:

Outros Exemplos:

>Reconhecimento de caracteres numa imagem.

>Recomendação de filmes/livros a um determinado utilizador baseado nos ratings desse utilizador a outros filmes/livros.

•Dependência gerada por alguma opçãopreviamente tomada.

•Dificuldade para realizar a troca:

-Custos;-Tecnologia-Contratos;-Conhecimento específico.

Fonte: Caderno de pesquisas em Administração, São Paulo, v.8, Janeiro/Março 2001

Fonte: Caderno de pesquisas em Administração, São Paulo, v.8, Janeiro/Março 2001

Jonathan L. Zittrain (born December 24, 1969) is an American professor of Internet law at Harvard Law School and the Harvard Kennedy School, a professor of computer science at the Harvard School of Engineering and Applied Sciences, and a faculty co-director of Harvard's Berkman Center for Internet & Society. Previously, Zittrain was Professor of Internet Governance and Regulation at the Oxford Internet Institute of the University of Oxford and visiting professor at the New York University School of Law and Stanford Law School.

-Caixa Fechada – Década de 60

- IBM (1969)

- Criação do PC (Computador de Casa)

- Necessidade dos Computadores se comunicarem

Fonte: Wikipedia

I O T

I O T

As tecnologias necessárias :

I. Identificar objetos através de códigos de barras, etiquetas RFID e

matrizes bi-dimensionais, entre outros.

II. Agregar dados à identificação do objeto.

III. Monitorar variáveis ambientais por meio de sensores eletrônicos.

IV. Processar dados.

V. Formar redes de comunicações entre objetos.

VI. Comunicar com a Internet.

I O T

A maior parte dessas tecnologias já se encontra disponível,

mas são necessários avanços que aumentem a capacidade

de memória e de processamento das etiquetas sem aumentar

muito significativamente seu consumo de energia e que

tornem os circuitos menos suscetíveis a flutuações dos

processos de fabricação.

Porém o maior desafio é de natureza sistêmica: definir

padrões de interoperabilidade dos vários elementos de um

sistema de IoT que garantam sua estabilidade, confiabilidade

e economicidade.

I O T

• Comportamento de rastreamento;

• Consciência situacional melhorada;

• Saúde Humana ;

• Consumo de recursos otimizado;

• Sistemas autônomos complexos;

• Segurança alimentar.

Social Machines

“A internet é a máquina mais confiável de

todos os tempos . Feito de imperfeitas peças

confiáveis ligados entre si, para tornar a coisa

mais confiável que temos "

Kevin Kelly

Social Machines

Paradigma para desenvolvimento de sistemas que

visa unificar Processos computacionais e

Processos Sociais.

“A partir do momento em que você permite interação,

compartilhamento e co-criação de conteúdos, esta é

uma forma de implementar esses processos sociais”,

Vanilson Buregio.

Social Machines

Social MachinesFUTWEET

Social Machines-FUTWEET

http://aplicacao.saude.gov.br/portaltransparencia/visao/dadosTransparencia.jsf?uf='BA'

http://aplicacao.saude.gov.br/portaltransparencia/visao/dadosTransparencia.jsf?uf='BA'

http://aplicacao.saude.gov.br/portaltransparencia/visao/dadosTransparencia.jsf?uf='BA'

http://aplicacao.saude.gov.br/portaltransparencia/visao/dadosTransparencia.jsf?uf='BA'

http://aplicacao.saude.gov.br/portaltransparencia/visao/dadosTransparencia.jsf?uf='BA'

• No conjunto do país, são 46.634.678 usuários de planos de saúde, segundo dados de 2011 da Agência Nacional de Saúde Suplementar (ANS).

• População que depende exclusivamente do SUS, soma 144.098.016 pessoas;

• Temos 1,95 de postos médicos nos estabelecimentos públicos por 1000 HABITANTES;

• A Bahia conta com apenas 1,25 posto ocupado por 1.000 habitantes;

• O quadro de penúria e desigualdade é ainda maior em estados como Maranhão e Pará, que contam com menos de um posto de trabalho médico ocupado por 1.000 habitantes/SUS.

http://www.cremesp.org.br/?siteAcao=CentroDados&acao=detalhes_capitulos&cod_capitulo=4

PENSANDO QUE ESTAMOS FALANDO DE VIDAS QUE PODERÍAM SER SALVAS...

ISTO PARECE BOM PRA VOCÊ ?

The Future of the Internet and How to Stop it: Published March 30,2008. Cap 1,2,3 e 4,

Authored by Jonathan Zittrain;

The emerging Webof Social Machine http//arxiv.org/ftp/arxiv/papers/1010/1010.3045.pdf

The big switch.Rewiring the World,from Edison to Google.Carr(2008)

FLETCHER,Dan. How Facebook is redefining privacy.2010.

CARDOSO,Jorge. The semantic web vision:Where are we? Intelligent Systems,

IEEE,v.22,n.5,p.84-88,2007.

HENDLER, Jim;BERNERS-LEE,Tim. From the Semantic Web to social machines:A research

challengefor Al on the World Wide Web. Artificial Intelligence,v.174,n.2,p.156-161,2010.

WITTEN,lan H;FRANK,Eibe.Data Mining:Practical Machine Learning tools and

techniques.Morgan Kaufmann,2005.

www.data.gov.uk

http://www.technologyreview.com/communications/1/4664

http://cyber.law.harvard.edu/iif/Syllabus

http://portal.saude.gov.br/portal/arquivos/pdf/painel_%20indicadores_do_SUS.pdf

http://www2.datasus.gov.br/DATASUS/index.php

http://www2.datasus.gov.br/DATASUS/index.php?area=0701&item=1&acao=22

http://portalsaude.saude.gov.br/portalsaude/index.cfm?portal=pagina.visualizarArea&codArea=369

<ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/ia004_1s10/notas_de_aula/topico7_IA0

04_1s10.pdf>. Acesso em: 01 de nov de 2013, 20:30:14

http://189.28.128.178/sage/index.php?tp=1&pr=2&ufibge=29

http://www.cremesp.org.br/?siteAcao=CentroDados&acao=detalhes_capitulos&cod_capit

ulo=4

Machine learning: an algorithmic perspective / Stephen Marsland. p. cm. --(Chapman & Hall/CRC machine learning & pattern recognition series), 2009

OBRIGADO A TODOS!!