Você está na página 1de 20

Universidade Federal do Rio Grande do Norte Centro de Ensino Superior do Serid Departamento de Cincias Exatas e Aplicadas Bacharelado de Sistemas

de Informao Laboratrio de Inteligncia Computacional Aplicado a Negcios Fladson Oliveira Lucas Marciano

Agenda
Introduo
Premissas Ferramentas de Apoio a deciso

Trabalhos na base
Trabalhos parecidos Concluso Referncias

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

Introduo
Algoritmos de minerao de dados para analisar uma

base de dados comercial, real; Com o fim de identificar possveis grupos de clientes, para que auxilie o comerciante a liberar ou no o pagamento parcelado; Algoritmos Nave Bayes e os Mapas Auto Organizveis.

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

Premissas I
De acordo com o IBGE o brasileiro teve seu poder de

compra aumentado em 19% entre os anos de 2003 e 2010; O tipo de compra mais realizada pelo brasileiro a compra a prazo que, em alguns casos, envolve confiana por parte do empresrio para com o cliente; A rpida evoluo dos recursos computacionais permitiu que fossem gerados grandes volumes de dados (Sferra,2003);

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

Premissas II
Estima-se que a quantidade de informao no mundo

dobra a cada vinte meses (Dilly, 1999); As informaes esto bastante ligadas tomada de decises de nvel estratgico (Freitas, 1992); A tentativa de buscar relacionar vrios campos, de uma base de dados de vrios terabytes, praticamente impossvel para um humano comum, tambm podemos citar a questo do tempo e do dinheiro investido para essa ao (Fayyad et al.,1992).

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

Ferramenta de apoio a deciso I


Descoberta de Conhecimento em Base de Dados

(Knowledge Discovery in Databases - KDD)


Minerao de Dados (Prospeco de Dados )

Nave Bayes Redes Bayseanas Busca por uma forma de lgica fuzzy;

Ex: VERDADEIRO, FALSO, TALVEZ. Ex: 0 ou 1

No baseada na lgica Booleana.

Mapas Auto Organizveis (SOM)


UFRN/CERES/DCEA/Sistemas de Informao/LabICAN 6

Ferramenta de apoio a deciso II

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

Ferramenta de apoio a deciso III

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

Ferramenta de apoio a deciso IV

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

Trabalhos na base I
Uso do Weka Explore, Orange Canvas e MySQL

Workbench; Tuplas erradas ou no preenchidas; Campos da base: renda da famlia, se casado, numero de filhos, faixa salarial, emprego fixo, idade e se possui atraso; Transformao dos campos de datas em nmero de meses, at a presente data; Minerao usando o Nave Bayes e o SOM;
Classes definidas : atrasou ou no atrasou.

Uso da projeo linear para perceber a distribuio da base.


UFRN/CERES/DCEA/Sistemas de Informao/LabICAN 10

Trabalhos na base II

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

11

Trabalhos na base III

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

12

Sada do Weka

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

13

Sada do Weka

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

14

Sada do Weka

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

15

Sada do Weka com o Nave Bayes

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

16

Trabalhos parecidos
Xiao e Lei (2008) obtiveram resultados satisfatrios

numa pesquisa em que compararam o modelo de risco de evoluo de credito baseado em SOM
Os resultados mostraram que os SOM tiveram um

estado estvel com uma taxa de preciso discriminante de 99.75%.

Angelini et al. (2008) comprovaram, atravs da

abordagem de redes neurais :


... leva a um sistema capaz de classificar corretamente

as entradas com um erro muito baixo ..


UFRN/CERES/DCEA/Sistemas de Informao/LabICAN 17

Concluso
Com isso conclumos que os atributos usados para o

estudo so insuficientes para estabelecer uma tomada de deciso confivel ao gerente de negcios de uma empresa; Para obter resultados mais satisfatrios seria necessrio um estudo mais profundo e detalhado na influncia local de cada atributo.

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

18

Referncias
Fayyad, U., Piatesky-Shapiro, G., Smyth, P. (1996). The KDD Process for Extracting Useful Knowledge from Volumes of Data. In: Communications of the ACM. Vol 39. No. 11. Gorgnio, F., Costa, J. (2008). Parallel Self-organizing Maps with Application in Clustering Distributed Data. International Joint Conference on Neural Networks IJCNN. Marques, R., Dutra, I. (2000). Redes Bayesianas: o que so, para que servem, algoritmos e exemplos de aplicaes. http://www.cos.ufrj.br/~ines/courses/cos740/leila/cos740/Bayesianas.pdf. Dezembro. Sferra, H., Corra, A. (2003). Conceitos e Aplicaes de Data Mining. Revista de Cincia & Tecnologia. Vol. 11, No. 22 - pp. 19-34. Dilly, R. (1999). Data Mining: an introduction. Belfast: Parallel Computer Centre. Queens University. Sandri, S., Corra, C. (1999). Lgica Nebulosa. V Escola de Redes Neurais, Promoo: Conselho Nacional de Redes Neurais. ITA. pp. 073-090. So Jos dos Campos, SP. Xiao, Y., Lei, L. (2008). Research on Comparison of Credit Risk Evaluation Models Based on SOM and LVQ Neural Network. Proceedings of the 7th World Congress on Intelligent Control and Automation. Chongqing, China. Angelini, E., Tollo, G., Roli, A. (2008). A neural network approach for credit risk evaluation. The Quarterly Review of Economics and Finance 48. pp. 733-755. Italia.
UFRN/CERES/DCEA/Sistemas de Informao/LabICAN 19

Dvidas

UFRN/CERES/DCEA/Sistemas de Informao/LabICAN

20