You are on page 1of 99

Sistemas de Informao Inteligentes

Airton Bordin Junior

Quem Sou Eu?


Airton Bordin Junior
Graduao: Cincia da Computao
Especializao: Redes de Computadores e Gerenciamento
de Projetos
Contato

airtonbjunior@gmail.com
airtonbjunior.com.br
facebook.com/airtonbjunior

Objetivos Gerais da Disciplina

Fornecer aos alunos os princpios bsicos da


Inteligncia Computacional procurando explorar
estes sob a perspectiva do projetista de sistemas
inteligentes.

Estratgia de Trabalho
Apresentao do contedo

Aulas expositivas de aspectos tericos;


Aplicaes a problemas de interesse, com exerccios
(classe e extra-classe);
Utilizao do laboratrio de informtica.

Avaliao

100 pontos, compostos por

1,5h/aula semana

60% prova;
40% trabalho.
Quinta-feira, 20h30

Bibliografia
Bsica

REZENDE S. Sistemas Inteligentes Fundamentos e Aplicaes.


Editora Manle, 2003
RUSSELL, Stuart J. - Inteligncia Artificial Ed. Norvig, Peter
Campus,2004
LUGER, George F. - Inteligncia Artificial Ed. Bookman
Companhia, 2004

Contedo Programtico
1.
2.
3.
4.
5.
6.

7.
8.

Reviso I.A.;
Lgica Fuzzy;
Representao do Conhecimento;
Reviso de Lgica;
Prolog, Clojure;
Sistemas Especialistas e Engenharia do Conhecimento;
Redes Neurais;
Minerao de Dados.

Introduo
Sistemas de Informao Inteligentes

Sistemas de Informao: Sistema (automatizado ou no)


que abrange pessoas, mquinas e/ou mtodos organizados para
coletar, processar, transmitir e disseminar dados que
representam informao para o usurio;

Inteligncia: Conjunto que forma todas as caractersticas


intelectuais de um indivduo; faculdade de conhecer, raciocinar,
pensar, interpretar e tomar decises;

Inteligncia Artificial: Inteligncia, similar humana, exibida


por mecanismos ou software.

1. Reviso Inteligncia Artificial

Inteligncia Artificial (Reviso)


Objetivos das pesquisas de Inteligncia Artificial

Capacitar o computador a executar funes que so


desempenhadas pelo ser humano usando o conhecimento e
raciocnio;
Homo Sapiens: homem sbio.

Pesquisa ps 2 guerra mundial;


Termo criado em 1956;
Variedade de subcampos

Jogos;
Demonstrao de teoremas;
Criao de poesia;
Direo de carros, etc.

Inteligncia Artificial

Filosofia (de 428 A.C. at a atualidade)


Lgica, mtodos de raciocnio, origens do aprendizado, racionalidade
Matemtica (cerca de 800 at a atualidade)
Representaes formais, algoritmos, computabilidade, probabilidade
Economia (de 1776 at a atualidade)
Conceito de utilidade, teoria da deciso, teoria dos jogos
Neurocincia (de 1861 at a atualidade)
Substrato fsico para a atividade mental
Psicologia (de 1879 at a atualidade)
Percepo e controle motor, tcnicas experimentais
Engenharia da computao (de 1940 at a atualidade)
Construo de computadores rpidos, ambientes, programao
Lingustica (de 1957 at a atualidade)
Representao do conhecimento e gramtica
10

Reviso - Inteligncia Artificial

11

Agindo de Forma Humana

Teste de Turing - Alan Turing (1950)

Passar no teste se

Habilidades necessrias

12

Um interrogador humano, depois de propor algumas perguntas por


escrito (vdeo e mecnica no teste total), no conseguir descobrir se
as respostas vem de um humano ou computador.
Processamento de linguagem natural;
Representao do conhecimento;
Raciocnio automatizado;
Aprendizado de mquina;
Viso computacional;
Robtica.

Alan Turing

Agindo de Forma Humana

Previso de Alan Turing: Em 2000, as mquinas tero 30%


de chances de enganar um humano por 5 minutos

2014: 33% dos pesquisadores convenceram-se de que


Eugene Goostman era humano.

13

Agindo de Forma Humana

14

Agindo de Forma Humana

Alguns pesquisadores tem deixado de lado o Teste de


Turing

Mais importante estudar os princpios bsicos da inteligncia


do que produzir um exemplar.

Justificativa: desafio do voo artificial

15

Pesquisadores pararam de imitar os pssaros e passaram a


aprender sobre aerodinmica.

Pensando de Forma Humana

Como os seres humanos pensam?

Introspeco;
Experimentos psicolgicos;
Imagens cerebrais.

Modelos computacionais + tcnicas experimentais da


psicologia

16

Pensando Racionalmente

Aristteles (384 a.C. 322 a.C.) Silogismo

Pensamento correto processos de raciocnio irrefutveis

17

Premissa maior (P);


Premissa menor (p);
Concluso (c).

Todo homem mortal.


Scrates homem.
Logo, Scrates mortal.

Agentes

Agente: algo que age

Autnomo;
Perceba o ambiente;
Persista;
Adapte-se;
Crie e persiga metas, etc.

Alguns modos de agir racionalmente no envolvem


inferncias

18

Reflexos (afastar-se do fogo, por exemplo)

Agentes

19

Agentes

Exemplo: Aspirador de p

Percepes: local e contedo

Exemplo: [A, sujo]

Aes: Esquerda, Direita, Aspirar, NoOp


20

Agentes
Percepes (sequncia)

Ao

[A, Limpo]

Direita

[A, Sujo]

Aspirar

[B, Limpo]

Esquerda

[B, Sujo]

Aspirar

[A, Limpo], [A, Limpo]

Direita

[A, Limpo], [A, Sujo]

Aspirar

[A, Limpo], [A, Limpo], [A, Limpo]

Direita

[A, Limpo], [A, Limpo], [A, Sujo]

Aspirar

...

21

Agentes

Conceito de sucesso do agente subjetivo

Medida de desempenho deve refletir o resultado


desejado
Agente racional: maximiza a medida de desempenho

Gasto de energia, quantidade de sujeira, rudo, etc

Leva em considerao a sequncia de percepes e por


conhecimento interno

Para pensar: Para que medida de desempenho o aspirador


de p (agente) racional?

22

Quantidade de p? (jogar o p e pegar novamente)


Cho limpo? (nvel limpeza, frequncia de trabalho)
Outras medidas...

Agentes Racionais

Agente racional: maximiza a medida de desempenho;


Racionalidade no perfeio!

Maximizao do desempenho esperado;


Perfeio maximiza desempenho real.

Escolha racional leva em conta as percepes at o


momento

23

Agentes Racionais

O agente deve coletar informaes?


O agente deve aprender?

24

Agentes Racionais

Os agentes podem e devem executar aes para a coleta


de informaes e aprender!

Coleta de informaes: explorao de um ambiente


desconhecido, por exemplo;
Agente que aprende: modifica seu comportamento,
dependendo das percepes ao longo do tempo

25

Tambm chamado Agente Autnomo.

Agentes Racionais

Ao projetar um agente, primeiramente deve especificar o


ambiente de tarefa (PEAS)

Performance Medida de desempenho


Environment Ambiente
Actuators - Atuadores
Sensors Sensores

Exemplo: Txi Autnomo


Performance

Environment

Actuators

Sensors

Seguro, dentro da lei,


viagem confortvel,
maximizao dos
lucros, otimizao
rota, etc.

Estradas, pedestres,
clientes, outros
trfegos, etc.

Acelerador, freio,
embreagem, cmbio,
rodas, pneus, luzes,
buzina, etc.

Cmeras, medidor de
velocidade, GPS,
teclado, sensor de
motor, etc.

26

Agentes Racionais

Exemplo: Sistema de Diagnstico Mdico


Performance

Environment

Actuators

Sensors

Paciente saudvel,
maximizao lucros,
diminuio custos,
sistemas legais, etc.

Hospital, paciente,
equipe mdica,
assistentes, etc.

Diagnsticos,
tratamentos,
questionamentos,
testes, etc.

Sensores, descobertas,
respostas da equipe e
paciente, teclado, etc.

Instrutor de Ingls Interativo


Performance

Environment

Actuators

Sensors

Maximizar
desempenho do aluno,
manter satisfao, etc.

Alunos

Sugestes, exerccios,
correes, mensagens,
etc.

Entradas pelo teclado,


anlise de dados, etc.

27

2. Lgica Fuzzy

28

Lgica Fuzzy (difusa)

Modelar modos de raciocnio aproximados ao invs de


precisos;
Lgica binria clssica

Verdadeiro ou Falso.

Lgica difusa

29

Valores intermedirios entre V e F (qualquer valor entre 0 e 1);


Graus de pertinncia.

Lgica Fuzzy (difusa)

Lgica Convencional

30

Lgica Fuzzy

Lgica Fuzzy (difusa)

H limitaes na representao de certos fenmenos


utilizando a lgica bivalente [0 | 1] (Zimmermann)

Situaes reais muito frequentemente no so determinsticas


e no podem ser precisamente descritas;
A descrio completa de um sistema real frequentemente
requereria mais dados detalhados do que os que um ser
humano poderia sempre reconhecer simultaneamente,
processar e entender.
Lgica clssica: homem, mortal, mpar, etc;
Clssica
Lgica fuzzy: jovem, est cansado, alto, etc.
Fuzzy

31

Lgica Fuzzy (difusa)

Habilidade de manipular conjuntos e nmeros fuzzy


uma das atividades mais importantes do crebro humano;

32

Provavelmente essa habilidade humana desenvolveu-se atravs


das geraes, j que o fato de se trocar preciso por
velocidade decisivo para a sobrevivncia biolgica em
situaes crticas ou de perigos naturais.

Lgica Fuzzy (difusa)

Pessoas jovens?
Temperatura agradvel?
Copo cheio?
Pessoa alta?

33

Incerteza

Ao At = sair para o aeroporto t minutos antes do


vo.
At me levar ao aeroporto a tempo?
Dificuldades de saber o resultado da ao:

Estados parcialmente observveis

Sensores ruidosos

34

Relatrios,etc.

Incerteza quanto ao efeito das aes

Estados das estradas, trnsito, etc.

Acidentes, pneu furado, etc.

Grande complexidade em prever e modelar o trnsito

Incerteza
Nesse caso, a lgica pura no seria muito til

Deduo de algo potencialmente falso

Concluses fracas para tomada de decises

A45 me levar a tempo ao aeroporto, se nenhum acidente


ocorrer na ponte, se no chover, se nenhum pneu furar, etc.

Concluses no prticas

35

A45 me levar a tempo ao aeroporto

A1440 me levar a tempo ao aeroporto

Incerteza

A Probabilidade modela o grau de crena de um agente


dada as evidncias disponveis

A25 chegar a tempo com probabilidade 0.04


A45 chegar a tempo com probabilidade 0.85
A60 chegar a tempo com probabilidade 0.95

Proporciona um meio para resumir a incerteza causada

36

Preguia - falha em enumerar todas as possveis excees


regra
Ignorncia - falta de conhecimento sobre fatos relevantes,
condies iniciais

Incerteza

Probabilidade (Bayesiana || Subjetiva)

Estado de crena do agente em uma sentenas, dadas as evidncias;


Diferente quando novas evidncias chegam

P(A25|nenhum acidente) = 0.06


P(A25|nenhum acidente, 5 a.m.) = 0.15

Sentenas (Verdadeiras || Falsas.)

Muda o grau de crena do agente na sentena;


Probabilidade 0 a uma sentena significa acreditar que ela falsa com
certeza absoluta;
Probabilidade 1 a uma sentena significa acreditar que ela verdadeira
com certeza absoluta.
0 = 100% falso
1 = 100% verdade

37

Incerteza

Suponha o seguinte conjunto de crenas:

A25 chegar a tempo com probabilidade 0.04;


A90 chegar a tempo com probabilidade 0.70;
A120 chegar a tempo com probabilidade 0.95;
A1440 chegar a tempo com probabilidade 0.9999.

Que ao o agente deve tomar?

Depende de suas preferncias (Perder o voo || Tempo


de espera no aeroporto)

38

Teoria da utilidade = representao de preferncias


Teoria da deciso = teoria da probabilidade + teoria da utilidade

Incerteza

Considere a regra em lgica de primeira ordem:


p Sintoma(p, Dor_de_Dente) Doena(p, Cries)
Certo ou errado?

39

Incerteza

Considere a regra em lgica de primeira ordem:

p Sintoma(p, Dor_de_Dente) Doena(p, Cries)


A regra est incorreta!

Nem todas as pessoas que tem dor de dente tem cries.

p Sintoma(p, Dor_de_Dente) Doena(p, Cries)


Doena(p, Gengivite) Doena(p, Abscesso)...

Para tornar essa regra verdadeira, necessrio encontrar


TODAS as possibilidades de causa de uma dor de dente.
Implicao pode ser modelada de forma mais fraca:

40

Dor_de_Dente(0.7) Doena(Cries)

Incerteza

Elemento bsico: varivel aleatria

Anlogo lgica proposicional

Cada varivel aleatria tem um domnio que determina


seus valores possveis.
Tipos de domnio

41

Mundos possveis so definidos pela atribuio de valores s variveis.

Booleano: Crie possui valores em [verdadeiro,falso]


Discreto: Clima possui valores em [ensolarado, chuvoso, nublado,
neve]
Contnuo: Temperatura

Incerteza

Proposies elementares:

Construdas atravs da atribuio de valores a variveis.


Crie = falso, Clima = chuvoso

Proposies complexas:

Formadas a partir de proposies elementares e conectivos lgicos


padro.
Clima = chuvoso Crie = falso

42

Incerteza

Um evento atmico consiste da especificao completa do


estado do mundo sobre o qual o agente est incerto.

Uma atribuio de valores a TODAS as variveis das quais o mundo formado.

Exemplo:
Crie = verdadeiro DorDeDente = verdadeiro
Crie = falso DorDeDente = falso
Crie = verdadeiro DorDeDente = falso

Crie = falso DorDeDente = verdadeiro

43

Incerteza

O grau de crena em uma proposio na ausncia de outras


informaes pode ser definida da seguinte maneira:

P(Crie = verdadeiro) = 0.1

P(Clima = ensolarado) = 0.72

Distribuio de probabilidades:

44

P(Clima) = (0.7, 0.2, 0.08, 0.02)


Clima = ensolarado, chuvoso, nublado, neve

3. Representao
do conhecimento

45

Representao do conhecimento

Como representamos nosso conhecimento?


As pessoas representam conhecimento da mesma
maneira?
Existe uma forma de representar qualquer coisa?
Como programas inteligentes devem representar
conhecimento?

46

Representao do conhecimento

Cadeia semntica (atividade prtica)

47

Representao do conhecimento

Cadeias semnticas (atividade);


Frames;

Scripts;
Orientao a objetos (exemplo).
48

Representao do conhecimento

Prolog

Programao lgica/matemtica.

Principal exemplo prtico: IBM Watson

49

Linguagens - Prolog

Programming in Logic;
Resolver problemas envolvendo objetos e relaes entre
eles;
Conceitos bsicos

Fatos;
Perguntas;
Variveis;
Conjunes;
Regras;

Conceitos avanados

50

Listas;
Recurso.

Linguagens - Prolog

Aulas prticas
http://swish.swi-prolog.org/
http://swish.swi-prolog.org/p/AulaPrologCesufoz.pl

Consultas

Interface
Respostas

51

Motor de
inferncia

Base de
Conhecimento

Linguagens - LISP

List Processor;
Assim como Prolog, utilizada em Inteligncia Artificial;
Final dos anos 50 MIT John McCarthy;
Processamento simblico;
Linguagem funcional;
Interpretado;
Possui garbage collector;
Uso intenso de recurso;
Vrias verses/dialetos

52

Mac Lisp;
Franz Lisp;
Common Lisp;
Golden Lisp;
Clojure, etc.

Linguagens - Clojure

2007 Rich Hickey;


Executada na JVM;
(println Ol Mundo!)
(defn raiz-quadrada [x] (* x x))
(javax.swing.JOptionPane/showMessageDialog nil "Ol Mundo" )
(defn soma-elementos
[lst]
(if (empty? lst)
0
(+ (first lst)
(soma-elementos (rest lst))))) ;
53

Linguagens - Clojure
Clojure

54

Java

Python

Ruby

4. Reviso de
Lgica

55

Lgica

Cincia do raciocnio;
Proporcionar a universalidade na representao do
raciocnio

Evitar ambiguidades.

Garantir consistncias;
Lgica formal ignora o contedo de um argumento e se
preocupa com a validade da argumentao;
Fornece as estruturas bsicas para descrever o mtodo
de pensar organizado e cuidadoso que caracteriza a
atividade racional (agentes racionais).

56

Lgica

Proposio

Sentena que falsa ou verdadeira


Usamos proposies para representar afirmaes que fazemos
em linguagem natural

Vinte maior que dez;


O cdigo hexadecimal da cor branca #ffffff.

Conjunes

57

pVq

p^q

Lgica

Exemplo

A = Pedro alto
B = Pedro magro

AND

OR

(A V B) = Pedro alto ou magro

Negao

58

(A ^ B) = Pedro alto e magro

(A ^ B) = Pedro baixo OU gordo

Lgica

Regras de equivalncia

59

6.Sistemas Especialistas e
Engenharia do Conhecimento;

60

Sistemas Especialistas

Sistemas baseados em conhecimento

H uma separao clara entre conhecimento e raciocnio;


Controle do programa no se mistura com a especificao do
conhecimento.

Conhecimento: conjunto integrado de fatos e relaes


que, quando devidamente interpretado, produz um
desempenho eficiente

61

Sistemas Especialistas

Sistemas baseados em conhecimento

Podem ser usados para

62

Facilitar a introduo de um novo conhecimento;


Apoiar na deteco de erros;
Justificar as regras melhorando a capacidade de explicao;
Dar mais informaes acerca do conhecimento;
Guiar a seleo e uso de regras;
Etc.

Sistemas Especialistas
Sistemas
Especialistas
Processamento
de Linguagem
Natural

Outros

Inteligncia
Artificial
Viso
Computacional

Robtica

Aprendizado
por reforo

63

Redes Neurais
Artificiais

Sistemas Especialistas
Inteligncia Artificial
Sistemas que exibem/replicam comportamentos inteligentes

Sistemas Baseados em Conhecimento


Conhecimento vital, diviso entre conhecimento e raciocnio

Sistemas Especialistas
Conhecimento obtido a partir de um perito/especialista

64

Sistemas Especialistas

Sistema

65

Conjunto de elementos, materiais ou ideais, entre os quais se


possa encontrar ou definir alguma relao.

Sistemas Especialistas

Sistema

Conjunto de elementos, materiais ou ideais, entre os quais se


possa encontrar ou definir alguma relao.

Especialista

66

Pessoa que se consagra com particular interesse e cuidado a


certo estudo. Conhecedor, perito.

Sistemas Especialistas

Sistema

Especialista

Conjunto de elementos, materiais ou ideais, entre os quais se


possa encontrar ou definir alguma relao.
Pessoa que se consagra com particular interesse e cuidado a
certo estudo. Conhecedor, perito.

Sistemas Especialistas

67

Sistemas que solucionam problemas que so resolvidos apenas


por pessoas especialistas (acumularam conhecimento) na
resoluo desses problemas.

Sistemas Especialistas

Ramo da Inteligncia Artificial

Faz uso intensivo do conhecimento especializado para resolver


problemas ao nvel de um especialista humano;
Emulam o comportamento de especialistas humanos em algum
domnio especfico do conhecimento.

Caso especfico de Sistemas Baseados em Conhecimento;


O desenvolvimento de um Sistema Especialista incorpora

Vertente tcnica;
Vertente humana complexa

68

Relacionamento de confiana que se estabelece entre quem especifica


e desenvolve o sistema e quem possui o conhecimento.

Sistemas Especialistas

Sistemas Convencionais x Sistemas Especialistas


Sistema Convencional
Baseado em um algoritmo;
Emite um resultado final
correto;
Processa um volume de dados
de maneira repetitiva.

69

Sistema Especialista

Baseado em busca heurstica;


Problemas para os quais no
existe uma soluo
convencional organizada de
forma algortmica disponvel
ou muito demorada.

Sistemas Especialistas

Sistemas Convencionais x Sistemas Especialistas


Sistema Convencional

70

Representao e uso de dados;


Algortmico;
Processos repetitivos;
Efetiva manipulao de grandes
bases de dados.

Sistema Especialista

Representao e uso de
conhecimento;
Heurstica;
Processos de inferncia;
Efetiva manipulao de grandes
bases de conhecimento.

Sistemas Especialistas

Faz inferncias e dedues a partir de informaes


fornecidas pelo usurio;
Conhecimento aplicado na soluo do problema

Usado para guiar e restringir a busca por solues.

rea do problema pequena e bem definida

71

Medicina;
Segurana;
Automobilismo;
Engenharia;
Etc.

Sistemas Especialistas

Especialista

Conhecimento amplo de uma tarefa especfica

Adquirido por meio de treinamento, leitura, experincia, etc.

Conhecimento

Dados + processamento = informao;


Informao + processamento (experincia, etc) = conhecimento

Conhecimento saber que um tomate


fruta, sabedoria saber que no se deve
usar um tomate em uma salada de frutas

72

Sistemas Especialistas

Especialista

73

Identifica questes relevantes ao problema;


Resolve problemas complexos;
Explica o resultado;
Aprende continuamente (reestruturao);
Sabe quando aplicar excees;
humano.

Sistemas Especialistas

Como um especialista toma uma deciso?

Encontra fatos;
Formula hipteses

Emite a deciso;
Durante o processo de raciocnio, verifica qual a importncia
dos fatos que encontra

74

Busca em sua memria um conhecimento prvio.

Compara com as informaes contidas em seu conhecimento


acumulado.

Formula novas hipteses e verifica novos fatos;


[...]

Sistemas Especialistas

Como um especialista toma uma deciso?

Sempre baseado em conhecimento prvio;


Pode no chegar a uma deciso se os fatos de que dispe para
aplicar seu conhecimento prvio no forem suficientes

75

Pode chegar a uma concluso errada.

Sistemas Especialistas

Arquitetura tpica de um sistema especialista


Sistema Especialista

Fatos

Interface de usurio

Base de
Conhecimento

Conhecimento

Motor de Inferncia

76

7. Redes Neurais

77

Redes Neurais

Crebro humano = aproximadamente 10 bilhes de


neurnios;

Ligados atravs de sinapses;

78

Em mdia, cada neurnio forma entre 1000 e 10000 sinapses.

Comunicao realizada por meio de impulsos;


Formam uma grande rede Rede Neural.

Redes Neurais

Algoritmo de Redes Neurais

Tentativa de imitar o crebro e sua incrvel capacidade de


aprender;
Hiptese de que o crebro possui apenas um algoritmo que
consegue aprender toas as funcionalidades do corpo;
Primeiras menes sobre o tema 1943 McCulloch e Pitts

79

Sugesto de uma mquina baseada no crebro humano;


Criao de um neurnio artificial.

Redes Neurais

Crebro humano x Computador

Parmetro

Crebro

Computador

Material

Orgnico

Metal e plstico

Velocidade

Milisegundos

Nanosegundos

Tipo de processamento

Paralelo

Sequencial

Armazenamento

Adaptativo

Esttico

Controle de processos

Distribudo

Centralizado

Nmero elementos processados

10^11 10^14

10^5 10^6

Ligaes entre elementos processados

10000

<10

80

Redes Neurais

81

Redes Neurais

82

Redes Neurais

Disposio dos neurnios

Rummelhart: Rede deve possuir no mnimo duas camadas


(entrada e sada). Como apresenta desempenho limitado com
duas camadas, adiciona-se uma camada intermediria;
Hopfield: Rede deve possuir comportamento dinmico e fluxo
de dados multidimensional, com a integrao total de todos os
neurnios.

Hopfield

83

Rummelhart

Redes Neurais

Disposio dos neurnios

Rummelhart: Rede deve possuir no mnimo duas camadas


(entrada e sada). Como apresenta desempenho limitado com
duas camadas, adiciona-se uma camada intermediria;
Hopfield: Rede deve possuir comportamento dinmico e fluxo
de dados multidimensional, com a integrao total de todos os
neurnios.

Hopfield

84

Rummelhart

Redes Neurais

Aprendizado

Propriedade mais importante das redes neurais;


Habilidade de aprender com o ambiente e melhorar seu
desempenho;
Feito por meio de um processo iterativo de ajustes aplicados a
seus pesos;
Tipos de relacionamento com o ambiente de aprendizado

Aprendizado supervisionado;
Aprendizado no-supervisionado;
Reforo.
w(k+1) = w(k) + w(k)
Adequao dos pesos sinpticos dos neurnios

85

Redes Neurais

Treinamento de uma rede neural em tempo real

86

http://playground.tensorflow.org/,
https://www.youtube.com/watch?v=qv6UVOQ0F44

8. Minerao de Dados

87

Minerao de Dados

Uma parte do processo de Descoberta de Conhecimento


em Base de Dados (KDD Knowledge Discovery in
Databases);
KDD: Processo de tornar dados de baixo nvel em
conhecimento de alto nvel

A minerao de dados a extrao de padres ou modelos de


dados observados.

Dado
-15000
88

Informao
Saldo = -15000

Conhecimento
Endividado!

Sabedoria
Eliminar dvida

Minerao de Dados

Uso da Tecnologia da Informao para descobrir regras,


identificar fatores, tendncias, padres, relacionamentos
ocultos em grandes bancos de dados para auxiliar a
tomada de decises.
Tpico recente em Cincia da Computao que utiliza
vrias outras reas

89

Estatstica;
Inteligncia Artificial;
Clculo;
Recuperao da Informao;
Engenharia da Computao;
Reconhecimento de Padres, etc.

Minerao de Dados

Processo no trivial de identificar, em dados, padres


vlidos, novos, potencialmente teis e ultimamente
compreensveis (Fayyad);
Fases da Descoberta de Conhecimento

90

Seleo;
Pr-processamento;
Transformao;
Minerao de Dados;
Avaliao.

Minerao de Dados

http://techland.time.com/2012/02/17/how-target-knew-a-high-school-girl-was-pregnant-before-her-parents/

https://www.facebook.com/notes/facebook-data-science/the-formation-of-love/10152064609253859

91

Minerao de Dados

92

Minerao de Dados

93

Minerao de Dados

94

Minerao de Dados

95

Minerao de Dados

96

Minerao de Dados

97

Minerao de Dados

98

Referncias

REZENDE S. Sistemas Inteligentes Fundamentos e Aplicaes. Editora Manle, 2003.


RUSSELL, Stuart J. - Inteligncia Artificial Ed. Norvig, Peter Campus,2004.
INF 1771 Inteligncia Artificial Edirlei Soares de Lima
Inteligncia Artificial Srgio Silva e Josiane M. Pinheiro
Inteligncia Artificial - Bianca Zadrozny
Top IT Trends of 2016: Autonomous Agents and Things fwrdtech
Aplicao De Lgica Fuzzy Em Sistemas De Controle De Trfego Metropolitano Em Rodovias Dotadas De
Faixas Exclusivas Para nibus - Juliano Neves De Paula E Sousa
Lgica Fuzzy Mrio Benevides
Inteligncia Artificial Edirlei Soares Lima
Introduo Programao Prolog Jos Augusto Baranauskas
Lgica Formal Nathann Lucas Jos Lima Alcantara
Lgica Matemtica e Computacional Ana Florencia
Sistemas Especialistas Cedric Luiz de Carvalho
Sistema Especialista para Supresso Online de Alarmes em Processos Industriais Danilo Curvelo de Souza
Redes Neurais Cassis Yuri Tatibana e Deisi Yuki Kaetsu
Viso Geral de Redes Neurais Isabel Gomes
Aprendizado em Redes Neurais Artificiais Von Zuben
Data Mining Joel de Bortoli

99