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 Objetivos Criar 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