https://transversais.sesisenaispedu.org.br/pluginfile.php/1737448/mod...

Mineração de dados
O que Turing propôs foi um desafio e tanto na área da computação, pois desenvolver todas essas
habilidades requer conhecimento provenientes de múltiplas áreas. Dessa forma, o que se viu ao longo da
história da Inteligência Artificial foi o desenvolvimento isolado de cada habilidade, sem ter o teste de
Turing com foco.

Em relação ao Big Data, a Inteligência Artificial contribuiu com a construção de modelos computacionais
para análise e descoberta de padrões em grandes conjuntos de dados. A área da Inteligência Artificial que
mais se relaciona a tais processos é denominada Aprendizagem de Máquina, com a subárea Mineração
de Dados (em inglês, Data Mining).

Por meio das técnicas de mineração é possível obter dados, normalmente, na forma de regras lógicas ou
predições computacionais, que irão subsidiar um processo de tomada de decisão. Exemplo disso são as
aplicações que buscam fazer previsões (denominadas modelagens preditivas), descobrir novos padrões
ou associações (denominadas modelagens descritivas), refinar agrupamentos por critérios de
semelhança ou compreender anomalias de comportamento.

As técnicas de mineração de dados podem variar de acordo com o objetivo da pesquisa.

Clique nos ícones e conheça as principais técnicas de mineração de dados:

Associação

1 of 3 13/11/2018 12:46
 https://transversais.sesisenaispedu.org.br/pluginfile.php/1737448/mod...

O objetivo dessa técnica é encontrar regras de associação entre itens que ocorrem simultaneamente. Por
exemplo, um conjunto de dados das vendas anuais de uma rede de supermercados possui todos os itens
que foram comprados por uma pessoa, a data/hora da compra e o sexo do cliente. Por meio de regras de
associação pode-se compreender quais itens são comprados em conjunto (sempre que os clientes
compram o item X, também compram o item Y: sabão lava-roupas e amaciante, por exemplo). Com isso,
a rede de supermercados pode compreender fenômenos de associação e colocar os produtos lado a lado
nas prateleiras a fim de garantir a continuidade desse comportamento.

Classificação

As técnicas de classificação são utilizadas para predizer possíveis valores (classes) a partir de uma série
de exemplos previamente rotulados.

Por exemplo, em um conjunto de dados provenientes de sensores instalados em máquinas da linha de

produção de automóveis, os dados foram rotulados para dizer se o produto apresentará problemas na
etapa de controle de qualidade. Observe a tabela:

Sensor 1 Sensor 2 Sensor 3 Sensor 4 Sensor 5 Problemas

1.0 0.5 0.3 0.2 1.8 SIM
0.5 0.5 1.0 0.5 0.5 NÃO
1.0 0.5 0.25 0.34 0.24 SIM
0.0 1.0 0.7 0.5 0.3 NÃO

Nessa tabela, a classe “Problemas” é o rótulo de cada linha do conjunto de dados. A tarefa de
classificação é predizer qual será o resultado da classe quando da análise de outros dados, como abaixo.
Quando o sensor 1 está com 0,5, o sensor 2 com 0,8 e o sensor 3 com 0,9 haverá problema ou não?

Sensor 1 Sensor 2 Sensor 3 Sensor 4 Sensor 5 Problemas

0.5 0.8 0.9 0.2 1.5 ???
0.3 0.4 0.5 0.1 0.7 ???

Veja, na imagem, o processo de classificação. Um algoritmo de classificação é utilizado para rotular um

novo dado a partir de um conjunto de dados previamente rotulados.

Agrupamento

As técnicas de agrupamento consistem em segmentar em subgrupos um conjunto de registros a partir da

similaridade de seus atributos.

Observe a ilustração que mostra dados não rotulados. No processamento, os padrões são detectados e os
dados são rotulados. Em seguida, um algoritmo de agrupamento é utilizado para agrupar um conjunto de
dados a partir do conceito de similaridade entre os dados.

2 of 3 13/11/2018 12:46
 https://transversais.sesisenaispedu.org.br/pluginfile.php/1737448/mod...

Fonte: IIEEE Communications Surveys & Tutorials, vol. 16, no. 1, First Quarter 2014.

undefined

3 of 3 13/11/2018 12:46