Descoberta de Conhecimento em BD Jacques Robin e Ricardo Bezerra.

Apresentação em tema: "Descoberta de Conhecimento em BD Jacques Robin e Ricardo Bezerra."— Transcrição da apresentação:

1 Descoberta de Conhecimento em BD Jacques Robin e Ricardo Bezerra

2 Motivação: da seca de dados até o diluvio * 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; * Aproveitamento da informação permite ganho de competitividade: conhecimento é poder (e poder = $$!) * Recursos de análise de dados tradicionais são inviáveis para acompanhar esta evolução: processo iterativo de criação, teste e refinamento de hipóteses;

3 Motivação: inundação de informação * Morrendo de sede por conhecimento em um oceano de dados * Gigantismo do problema de análise de dados para tomada de decisão: BD da Wal-Mart: 20 milhões de transações por dia Data Warehouse da Mobil: 100 TB BD da NASA: recebe de satélites 50 GB por hora * Solução: ferramentas de automatização das tarefas repetitivas e sistemática de análise de dados ferramentas de auxílio para as tarefas cognitivas da análise integração das ferramentas em sistemas apoiando o processo completo de descoberta de conhecimento para tomada de decisão

4 Exemplo preliminar * Problema do mundo dos negócios, entender o perfil dos clientes: desenvolvimento de novos produtos; para controle de estoque em postos de distribuição; propaganda mal direcionada gera maiores gastos e desestimula o possível interessado a procurar as ofertas adequadas; * Situação: empresa possui registro de todas as transações efetuadas; mas como aproveitar dessa riqueza de dados? * Categorias: produtos de esporte; eletrodomésticos; produtos de entretenimento; produtos para o lar;

5 Processo mínimo de descoberta de conhecimento Compreensão do domínio e dos objetivos da tarefa; Criação do conjunto de dados envolvendo as variáveis necessárias; Operações como identificação de ruídos, outliers, como tratar falta de dados em alguns campos, etc. Redução de dimensionalidade, combinação de atributos; Escolha e execução do algoritmo de acordo com a tarefa a ser cumprida Interpretação dos resultados, com possível retorno aos passos anteriores; Consolidação: incorporação e documentação do conhecimento e comunicação aos interessados;

6 1. Seleção de dados e 2. pré-processamento * Com seu conhecimento do domínio, analista humano decide: que as informações relevantes a-priori encontram-se nas seguintes tabelas: t clientes: nome, identificação, idade, sexo, estado civil, endereço, renda, proprietário da casa; t produtos: nome, identificação, preço, categoria, quantidade em estoque, quantidade encomendada; t transações: identificador de cliente, identificador de produto, data e hora, quantidade; Eliminar registros incompletos, inconsistentes, etc.

7 3. Transformação de dados * Agrupando informações em uma única tabela;

8 4. Data mining stricto sensus * Decidiu-se aplicar um algoritmo de aprendizado para agrupar os clientes em quatro conjuntos ex.: rede de Kohonen do tipo vector quantization; * Idéia do algoritmo é dispor, em conjuntos, clientes que apresentem aspectos similares; * Posteriormente, os dados são organizados em uma planilha, onde o número do grupo (1, 2, 3, ou 4) é utilizado como chave primária; * A planilha calcula estatísticas de cada grupo, comparando-as com toda população;

9 5. Apresentação dos resultados * Analista humano: ainda precisa do seu conhecimento do domínio para interpretar esses resultados em conhecimento marketing

10 Descoberta de Conhecimento em BD * O processo: não trivial de extração de informações implícitas, anteriormente desconhecidas, e potencialmente úteis de uma fonte de dados; * Torture os dados até eles confessarem; * O que é uma descoberta, afinal? Exibir todos os empregados que ganham dentro de uma determinada faixa salarial é uma descoberta? * O que é um padrão interessante? Válido, Novo, Útil, Interpretável (objetividade difícil) que é conhecimento?: { X | f(X, V, N, U, I) > T}

11 KDD x Data Mining * Mineração de dados: passo do processo de KDD que produz um conjunto de padrões sob um custo computacional aceitável; * KDD: utiliza algoritmos de data mining para extrair padrões classificados como conhecimento incorpora também tarefas como escolha do algoritmo adequado, processamento e amostragem de dados e interpretação de resultados;

12 O perigo da falta de interpretação Hospital AHospital B Morreram Sobreviveram 63 2037 16 784 Total2100800 3%2% O hospital A parece ser o menos adequado.

13 O perigo da falta de interpretação (cont.) * Números x Bom-senso: 1. Mentiras, 2. Mentiras danadas, 3. Estatísticas... e data mining? Hosp. AHosp. B Morreram Sobreviveram 6 594 Total600 8 592 Hosp. AHosp. B Morreram Sobreviveram 57 1443 Total1500200 8 192 1%1.3% 3.8%4% Boas condições Más condições O hospital A é melhor!

14 A busca por causalidade * Correlação não é o mesmo que causalidade lama e chuva são dois conceitos relacionados, mas como inferir que um é causa do outro? A média de idade da Flórida é grande. O clima da Flórida faz as pessoas viverem mais? t Explicação plausível: muitas pessoas mudam-se pra lá quando se aposentam; * Experimentos controlados * KDD necessariamente: processo exploratório, iterativo e interativo envolvendo em cada passo um especialista humano tanto (se não mais) importante do que método de mineração: t auxílio ao gerenciamento do processo (Knowledge Management) t integração transparente de ferramentas

15 Processo mais abrangente de descoberta de conhecimento Task Discovery Goal Data Discovery Output Generation Data Analysis Model Development Data Cleaning Domain Model Report Action Model Monitor Query tools Statistic & AI tools Visua- lization tools Presen- tation tools Data transfor- mation tools Database Key InputOutputToolProcess task Process flowData flowTool usage

16 KDD: problema pluridisciplinar * Inteligência Artificial aprendizado de máquina; representação de conhecimento e inferência; geração automática de resumos textuais; * Estatística: análise exploratória de dados; * Computação gráfica: visualização de dados; * Bancos de dados: integração, consolidação e remodelagem de dados para processamento analítico (data warehousing) linguagens de consulta para: t hipercubos de dados (OLAP) t funções de mineração (OLAM) * Integração: APIs entre ferramentas, disponibilização na Web, BD dedutivos, ativos, temporais, OOs, de restrições

17 * Ex, conhecimento extraído de um BD de supermercado: No ano passado, as variações de vendas mais incomuns foram: t Soda Diet com decrescimento de 40% na região nordeste de julho a agosto40% t Cerveja Bavaria com crescimento de 42% nacional de setembro a outubro; t... Outro exemplo de passos e saída de KDD BD Relacional Base de Conhecimento Data Warehouse Dimensiona l Aprendizagem Mineração de Dados Arquivos de Log Páginas Web Geração de Linguagem Natural

18 Camada 4: tecnologia de Processamento de Linguagem Natural e Lingüística Computacional Gramática Computacional Léxico Computacional Estratégias de planejamento de hipertexto HYSSOP: Gerador automático de hipertexto em linguagem natural Hipertexto em linguagem natural resumindo os insights descobertos Regras de exploração de hipercubo de dados SGBD dedutivo orientado a objetos Regras de seleção de conteúdo de resumos Camada 3: tecnologias de Sistemas Especialistas Dedução Automática BD Dedut DOivos BD Orientada a Objetos Conteúdo selecionado para o resumo: conjunto de predicados de objetos Camada 2: tecnologias de Aprendizagem de Màquina Indução Automática Mineração de Dados ExceptionMiner: minerador de células e subcubos atípicos em hipercubos de dados Outros aplicativos de mineração de dados conectados via Java DOODCI: API SGBDDOO / Java para OLAP e mineração de exceções Servidor OLAP Camada 1: tecnologias de BD Ativos Data Warehousing BD Dimensionais e OLAP JDCI: API Java / Servidor OLAP Esquema Relacional BD operacional (para OLTP) Esquema Dimensional Data Warehouse: Hipercubo de dados Assistente de Remodelagem de Dados Regras de carga e atualização de dados SGBD ativo Arquivos de log: Servidor Web Gerenciador de Banners Servidor RoboCup integradaintegrada Exemplo de Exemplo de ArquiteturaArquitetura

19 Tarefas básicas * Previsão Cálculo de variáveis de interesse a partir dos valores de um conjunto de variáveis de explicação; É comunamente visada em aprendizado de máquina/estatística; Exemplos: classificação e regressão; * Descrição Reportar relações entre as variáveis do modelo de forma simétrica; À princípio, está mais relacionada ao processo de KDD; Exemplos: agrupamento, sumarização (incluindo sumário de textos), dependências, análise de desvio;

20 Exemplo de previsão (I) * Um hiperplano paralelo de separação: pode ser interpretado diretamente como uma regra: se a renda é menor que t, então o crédito não deve ser liberado * Exemplo: árvores de decisão; indução de regras renda débito x x x x x x x o o o o o o o o o t sem crédito o o: exemplo aceito x: exemplo recusado Análise de crédito

21 Exemplo de previsão (II) * Hiperplano oblíquo: melhor separação: * Exemplos: regressão linear; perceptron; Análise de crédito renda débito x x x x x x x o o o o o o o o o t sem crédito o o: exemplo aceito x: exemplo recusado

22 Exemplo de previsão (III) * Superfície não linear: melhor poder de classificação, pior interpretação; * Exemplos: perceptrons multicamadas; regressão não-linear; Análise de crédito renda débito x x x x x x x o o o o o o o o o t sem crédito o o: exemplo aceito x: exemplo recusado

23 Exemplo de previsão (IV) * Métodos baseado em exemplos; * Exemplos: k-vizinhos mais próximos; raciocínio baseado em casos; Análise de crédito renda débito x x x x x x x o o o o o o o o o t sem crédito o o: exemplo aceito x: exemplo recusado

24 Exemplo de descrição (I) * Agrupamento * Exemplo: vector quantization; renda débito + + + + + + + + + + + + + + + + t + +: exemplo Análise de crédito

25 Exemplo de descrição (II) * Regras de associação 98% dos consumidores que adquiriram pneus e acessórios de automóveis também se interessaram por serviços automotivos; descoberta simétrica de relações, ao contrário de métodos de classificação t qualquer atributo pode ser uma classe ou um atributo de discriminação;

26 Métodos Exemplo de descrição (III) * Previsão de séries temporais Identificação dos investimentos mais promissores nos próximos 30 dias;

27 Garimpando resultados * Transformar 1.000.000 de registros em mil regras é bom, mas... o que fazer com estas 1000 regras? * Mineração de Conhecimento * Medidas de utilidade: subjetivas t dependentes de domínio; t demanda especialistas com tempo livre; objetivas t mais independentes; t ex, grau de surpresa; Validade t utilizando limiares de confiança, apenas as regras (por exemplo) mais importantes seriam apresentadas; E as exceções? t ruído ou pepita de conhecimento

28 Distinguir pepitas de ruído * Regras cobrindo cobrem apenas uma pequena quantidade de dados: potencial para descrever relações interessantes e anteriormente despercebidas; porém, são facilmente descartadas em filtragens por limiar de grau de cobertura; t como distingui-las de ruído? * Idéia do algoritmo: criar pequenas generalizações das regras em estudo e comparar a cobertura obtida;

29 Algoritmo para regras de pequeno alcance * para cada antecedente a de uma regra se a é categórico, retire-o da regra; se a é contínuo, aumente o intervalo no qual o antecedente é válido; conte o número D de vezes em que a classe obtida é diferente da classe da regra original; * calcule uma medida M em função de D e do total de antecedentes N. exemplo: M = D/N; * valores altos de M tenderão a capturar as relações mais úteis;

30 Escalabilidade técnicas para acelerar a mineração de BD gigantes * Amostragem redução de precisão; * Algoritmos distribuídos particionar o banco de dados em p partições; utilizar um processador diferente para cada partição; utilizar um método de combinação de resultados; * Paralelismo (intra-algorítimico)

31 Aplicabilidade de KDD * Onde o processo de descoberta de conhecimento deve ser aplicado? A tarefa é propícia ao estudo de novos experimentos; não há nenhuma outra boa alternativa de análise de dados; disponibilidade de dados suficientes; t com nível aceitável de ruído; t sem problemas de ordem jurídica; especialistas disponíveis para t avaliação do grau de interesse das descobertas obtidas; t seleção de atributos; t descrição de conhecimento a priori em geral;

32 A diminuição de 40% das vendas de soda diet de julho a agosto na região nordeste foi realmente atípica porque: t para as outras regiões, a variação média das vendas desse produto no mesmo período foi um aumento de 9%; t para o ano todo, as vendas desse produto nessa mesma região decresceram de apenas 7%; t as vendas globais, de todos os produtos, nessa região e no mesmo periódo, decresceram de apenas 2% Volta