inteligência artificial - fuzzy - mineração

Inteligência Artificial
Prof. Charles Fortes
Fuzzy
Mineração de dados

Charles Fortes

Charles Fortes
Líder Técnico na Empresa Prime Systems.
Agilista, apaixonado por desenvolvimento
(Web, Desktop, Mobile, o que for), pai,
amante do Paintball e do Kenjutsu. MTAC -
Microsoft Technical Audience Contributor
100Loop - DotNetRaptors

Charles Fortes
SlideShare: http://pt.slideshare.net/charleswellingtonfortes
Linkedin: http://br.linkedin.com/in/charlesfortes/
Twitter: @CharlesFortes

Charles Fortes
Desenvolvimento Web – MVC – Angular.JS – JQuery – SQLServer – MySQL – HTML5 – NoSQL

Sistemas Fuzzy

• Vago
• Indistinto
• Incerto
• Nebuloso
• Difuso
Fuzzy

Criada por Aristóteles em mais de 300 antes de cristo, usava uma linha de
raciocínio lógico baseada em premissas e conclusões onde a declaração é
verdadeira ou falsa.
Lógica Binária

Premissa1: todo ser vivo é mortal
Premissa2: Sarah é um ser vivo
Conclusão: Sarah é mortal
Lógica Binária
Sarah não pode ser um pouco mortal

O conceito da dualidade, onde algo pode coexistir com
seu oposto.
Lógica difusa
“Entre a certeza de ser e a certeza de não ser, existem infinitos graus
de incerteza”

• Aquele homem é alto ou baixo?
• A taxa de risco para aquele empreendimento é grande ou pequena?
• Hoje o dia esta parcialmente nublado!
• Preciso perder alguns quilos para ficar bem!
Lógica difusa

Lógica que suporta os modos de raciocínio que são aproximados, ao invés de
exatos.
Ela está baseada na teoria dos conjuntos nebulosos e
difere dos sistemas lógicos tradicionais em suas
características e detalhes.
Lógica difusa

O objetivo da lógica Fuzzy é gerar uma saída lógica a partir de um conjunto de
entradas não precisas, com ruídos ou até mesmo faltantes
Lógica difusa

Lógica Fuzzy tem por essência gerar valores de a saídas
sem a necessidade de entradas precisas
Lógica difusa

Precisão vs importância
Desloque-se 3,75 metros a
sudoeste, um objeto metálico de
3.782kg está se deslocando a uma
velocidade de 72metros por
seguno na direção de sua cabeça

Sai daí!
Uma bigorna vai cair na
sua cabeça!
Precisão vs importância

Teoria dos conjuntos fuzzy

Algoritmos de aproximação de string
Dice coeficient
Leveinshtein Distance
Longest Common Subsequence
Double Metaphone
Você quis dizer....

Comparação pela fonética  Jensn
Double Metaphone for Jensn: ANSN
ATMS metaphone for Adams
PNSN metaphone for Benson
JRLT metaphone for Geralds
AHNS metaphone for Johannson
ANSN metaphone for Johnson
ANSN metaphone for Jensen
ARTN metaphone for Jordon
MTSN metaphone for Madsen
STTR metaphone for Stratford
FLKN metaphone for Wilkins
Metaphone

Encontrar a maior subsequência comum entre os
elementos  Jensn
.04000, s against Adams
.33333, ensn against Benson
.05714, es against Geralds
.08889, jnsn against Johannson
.17143, jnsn against Johnson
.56667, jensn against Jensen
.06667, jn against Jordon
.13333, en against Madsen
.02222, s against Stratford
.11429, ns against Wilkins
Longest common subsequence

Mede a distancia entre duas sequencias. Simplificando é a
medição do menor número de edições (inserir, deletar, editar)
necessários para fazer uma palavra virar a outra  Jensn
4 against Adams
2 against Benson
5 against Geralds
5 against Johannson
3 against Johnson
1 against Jensen
4 against Jordon
4 against Madsen
8 against Stratford
6 against Wilkins
Levenshtein distance

Comparação estatística entre duas sequencias Jensn
.00000 against Adams
.46154 against Benson
.00000 against Geralds
.37500 against Johannson
.42857 against Johnson
.76923 against Jensen
.30769 against Jordon
.30769 against Madsen
.00000 against Stratford
.14286 against Wilkins
Dice coeficient

As respostas aceitáveis devem estar acima de 33%, sendo que
abaixo de 20% são inaceitáveis, sendo o o intervalo de 33 a 20
duvidoso.
Dice coeficient

Usa “n”gramas para fazer a análise  bigramas, trigramas,
ngramas....
Dice coeficient
var str2 = "chalk";
var str = "chlk";
%c
ch
hl
lk
k#
%c
ch
ha
al
lk
k#

Dice coeficient
%c
ch
hl
lk
k#
%c
ch
ha
al
lk
k#
4 elementos iguais
(2 * ElementosIguais) / QtdLista1+QtdLista2
(2*4) / 6+5 = 8 / 11 = 0,7272

https://github.com/tylerjensen/duovia-fuzzystrings
Code sample

Mineração de dados

A informatização dos meios produtivos permitiu a geração de grandes volumes
de dados:
• Transações eletrônicas.
• Novos equipamentos científicos e industriais para observação e controle.
• Dispositivos de armazenamento em massa.
• Computadores mais baratos e poderosos.
Aproveitamento da informação permite ganho de competitividade através do
conhecimento.

Abra a img!

Processo de explorar grandes quantidades de dados à procura de padrões
consistentes, como regras de associação ou seqüências temporais, para
detectar relacionamentos sistemáticos entre variáveis, detectando assim novos
subconjuntos de dados
Data Mining

Conjunto de ferramentas e técnicas que através do uso de algoritmos de
aprendizagem ou classificação baseados em redes neurais e estatística, são
capazes de explorar um conjunto de dados, extraindo ou ajudando a evidenciar
padrões nestes dados e auxiliando na descoberta de conhecimento.
Data Mining

- Extração não-trivial de informação implícia, previamente desconhecidos e
potencialmente útil a partir dos dados
- Exploração e análise, por meios automáticos e semi-automáticos de grandes
quantidades de dados com o objetivo de descobrir padrões significativos
Data Mining

Data Mining
Mineração
de Dados
(Data Mining)
CONHECIMENTO
DADOS

Data Mining
Documentos históricos da empresa,
Internet, banco de dados, notícias
Data Warehouse,
Data Marts

• Mineração de dados é um processo que permite compreender o
comportamento dos dados e prever resultados.
• Mineração de dados analisa os dados usando técnicas de aprendizagem
para encontrar padrões e regularidades nestes conjuntos de dados.
• Mineração de dados é multidisciplinar, envolve inteligência artificial,
estatística, reconhecimento de padrões etc..
• Mineração de dados pode ser bem aplicado em diversas áreas de negócios.
Data Mining

• Previsão
• Associação
• Análise de grupos
• Detecção de anomalias
Data Mining

O processo de criação de um modelo de mineração de
dados pode ser definido utilizando as seguintes etapas:
• Definir o problema.
• Preparar os dados.
• Explorar os dados.
• Criar os modelos.
• Explorar e validar os modelos
Modelo de mineração

Modelo de mineraçãoPreprocessamento
 Limpeza dos dados, onde informações julgadas
desnecessárias são removidas.
 Reconfiguração dos dados para assegurar
formatos consistentes (identificação)
– Ex. : sexo = “F” ou “M”
sexo = “M” ou “H”
Transformação
 Transformam-se os dados em formatos utilizáveis.

Modelo de mineração
Mineração de Dados
 É a extração dos padrões de comportamento dos dados
Interpretação e Avaliação
 Identificado os padrões pelo sistema, estes são
interpretados em conhecimentos, os quais darão
suporte a tomada de decisões humanas.

42
Exemplos Reais
Walmart
• Walmart colocou cervejas ao lado das fraldas.
• O que as cervejas tem a ver com as fraldas?
• Homens casados, entre 25 e 30 anos; compravam fraldas
e/ou cervejas às sextas-feiras à tarde no caminho do
trabalho para casa.
• Walmart otimizou às gôndolas nos pontos de vendas,
colocando as fraldas ao lado das cervejas;
• Resultado: o consumo de cerveja cresceu 30% .

43
Exemplos Reais
 Lojas Brasileiras (em 1998)
• Aplicou 1 milhão de dólares em técnicas de data mining.
• Reduziu de 51.000 produtos para 14.000 produtos oferecidos em
suas lojas.
• Exemplo de anomalias detectadas:
– Roupas de inverno e guarda chuvas encalhadas
no nordeste
– Batedeiras 110v a venda em Santa Catarina onde a
corrente elétrica é 220v
Encerrou as operações em 1999 após uma série de prejuízos
que vinham ocorrendo desde 1996. Sucessora Lojas Marisa.

Dúvidas?

inteligência artificial - fuzzy - mineração

Mais conteúdo relacionado

Mais procurados (20)

Destaque (20)

Semelhante a inteligência artificial - fuzzy - mineração (20)

Mais de Charles Fortes (11)

Último (12)

inteligência artificial - fuzzy - mineração