Made available in DSpace on 2014-06-12T15:57:51Z (GMT). No. of bitstreams: 2 arquivo3234_1.pdf: 2638292 bytes, checksum: cad6ee42242ce3e75b909176e6eaabc2 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2010 / Data Mining é uma área de pesquisa multidisciplinar, incluindo tecnologias de banco de dados, inteligência artificial, redes neurais, aprendizado de máquina, estatística e visualização de dados, tendo como objetivo específico a descoberta de conhecimento novo que por ventura esteja escondido em grandes massas de dados. Como um dos grandes objetivos de uma corporação é conhecer seus clientes, este conhecimento precisa ocorrer em vários níveis, desde o tipo de produto desejado até que tipo de ofertas os clientes estão dispostos a aceitar mesmo que os produtos não sejam essenciais no momento. Esta forma de mercado dirigido pode atingir o extremo de uma relação individual com cada cliente à medida que a empresa deseje investir em segmentações (classificações) sucessivas da sua clientela. Sendo assim, esse trabalho tem como finalidade aplicar técnicas de mineração em conjunto com as diretrizes do CRM à uma franquia da Coca-Cola afim de gerar uma nova classificação dos seus clientes e auxiliar o cumprimento das metas anuais de venda com a criação de novas atividades de marketing dado o resultado da análise dos dados minerados

Made available in DSpace on 2014-06-12T15:58:31Z (GMT). No. of bitstreams: 2 arquivo4638_1.pdf: 5130002 bytes, checksum: 6fce9704d608c04ee17fdca0537c4f2e (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2004 / As Redes Neurais Artificiais (RNA) têm sido utilizadas com sucesso em tarefas como mapeamento de funções complexas e reconhecimento de padrões. Este sucesso é resultado da habilidade das RNA em realizar cálculos com dados complexos ou imprecisos, aprender a partir de exemplos, generalizar a informação aprendida, extrair padrões e descobrir tendências. Apesar destas vantagens, geralmente não é muito fácil obter explicações de como uma RNA representa a solução de um problema. Devido a esta limitação, as RNA têm sido consideradas inadequadas para serem utilizadas em aplicações de KDD (Knowledge Discovery in Databases) em que o usuário deseja saber o raciocínio usado pela rede para obter uma dada conclusão. Sistemas Híbridos Inteligentes (SHI) é uma abordagem de Inteligência Artificial que vem sendo bastante utilizada na resolução de problemas onde o emprego de uma única técnica não é suficiente para obter resultados satisfatórios. Tais sistemas se inspiram na integração de duas ou mais técnicas inteligentes com o intuito de suprir as limitações de cada técnica. A disseminação dos SHI tem contribuído para a emergência dos Sistemas Neurais Híbridos (SNH). O principal foco de pesquisa em SNH tem sido a integração de RNA, técnica fortemente baseada em dados, com técnicas que utilizam representação simbólica, como Lógica Fuzzy e algoritmos simbólicos convencionais. Os Sistemas Neuro-Fuzzy são um exemplo de SNH que combinam sistemas conexionistas com sistemas fuzzy. Nestes sistemas é aplicado algum método de extração de regras que permite a representação do conhecimento incorporado pela rede numa forma compreensível. Além das técnicas de extração de conhecimento simbólico associadas aos Sistemas Neuro-Fuzzy, diversas técnicas têm sido propostas para outros modelos neurais. Esta dissertação tem como principais objetivos investigar o paradigma dos Sistemas Neuro-Fuzzy e as técnicas de extração de conhecimento simbólico de RNA como uma opção para tornar as RNA mais adequadas ao processo de KDD; e, como resultado da investigação, modelar e implementar uma ferramenta de software, a Neural Mining, baseada na abordagem neural híbrida. A ferramenta Neural Mining integra, em um único ambiente, o modelo Perceptron Multicamadas (Multilayer Perceptron - MLP); os modelos neuro-fuzzy FWD (Feature-Weighted Detector) e FuNN (Fuzzy Neural Network), juntamente com suas técnicas de extração de regras; e a técnica TREPAN (Trees Parroting Networks), que representa o conhecimento incorporado por uma RNA na forma de uma árvore de decisão. Os modelos e técnicas são avaliados e comparados com relação à capacidade de generalização e compreensibilidade do conhecimento extraído. Além da análise nas etapas de mineração de dados e apresentação do conhecimento, também são investigadas duas técnicas de seleção de atributos: a técnica do modelo FWD e através da árvore de decisão gerada por TREPAN. A investigação experimental é realizada usando uma base de dados de um problema real e de larga escala no domínio de análise de crédito ao consumidor. Como os resultados obtidos demonstram que os ganhos decorrentes do uso de modelos neuro-fuzzy e técnicas de extração de conhecimento simbólico de RNA são bastante significativos, ao final da investigação, considerando as vantagens de cada modelo e técnica, são propostas duas soluções neurais híbridas para o processo de KDD

Made available in DSpace on 2014-06-12T16:01:13Z (GMT). No. of bitstreams: 2 arquivo7201_1.pdf: 2018800 bytes, checksum: 53a5a6f555847d7a5b53bef8739ece02 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2005 / O processo de descoberta de conhecimento em bases de dados (Knowledge Discovery in Databases KDD) tem por objetivo extrair informações úteis (conhecimento) a partir de uma extensa quantidade de dados. Este processo, por sua vez, se constitui de várias etapas, entre elas, a atividade de mineração dos dados, representada neste estudo sob forma de an´ alise de agrupamento. Um problema característico dessa etapa é identificar qual ou quais métodos de agrupamento podem realmente apresentar uma classificação útil e válida para o conjunto de dados em estudo. Entre os mecanismos de apoio à triagem e estudo das técnicas de análise de agrupamento está o conhecimento adquirido sobre o conjunto de dados, o conhecimento de técnicas estatísticas para realizar a análise exploratória dos dados e principalmente conhecer bem quais algoritmos são adequados ao problema de interesse. A presente dissertação visa considerar os procedimentos de KDD apropriados para a aplicação das técnicas de análise de agrupamento a um conjunto de dados químicos

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Ciência da Informação e Documentação, Departamento de Ciência da Informação e Documentação, 2007. / Submitted by Luis Felipe Souza (luis_felas@globo.com) on 2009-01-12T11:44:00Z No. of bitstreams: 1 Dissertacao_2007_JoseSchiessl.pdf: 1688737 bytes, checksum: 8cde16615a96a2427a9cdfb62c3f48cc (MD5) / Approved for entry into archive by Georgia Fernandes(georgia@bce.unb.br) on 2009-03-04T14:33:25Z (GMT) No. of bitstreams: 1 Dissertacao_2007_JoseSchiessl.pdf: 1688737 bytes, checksum: 8cde16615a96a2427a9cdfb62c3f48cc (MD5) / Made available in DSpace on 2009-03-04T14:33:25Z (GMT). No. of bitstreams: 1 Dissertacao_2007_JoseSchiessl.pdf: 1688737 bytes, checksum: 8cde16615a96a2427a9cdfb62c3f48cc (MD5) / Analisa um Serviço de Atendimento ao Consumidor de uma instituição financeira que centraliza, em forma textual, os questionamentos, as reclamações, os elogios e as sugestões, verbais ou escritas, de clientes. Discute a complexidade da informação armazenada em linguagem natural para esse tipo de sistema. Visa apresentar alternativa para extração de conhecimento de bases textuais com a criação de agrupamentos e modelo de classificação automática de textos para agilizar a tarefa realizada atualmente por pessoas. Apresenta uma revisão de literatura que mostra a Descoberta de Conhecimento em Texto como uma extensão da Descoberta de Conhecimento em Dados que utiliza técnicas do Processamento de Linguagem Natural para adequar o texto a um formato apropriado para a mineração de dados e destaca a importância do processo dentro da Ciência da Informação. Aplica a Descoberta de Conhecimento em Texto em uma base do Serviço de Atendimento ao Cliente com objetivo de criar automaticamente agrupamentos de documentos para posterior criação de um modelo categorizador automático dos novos documentos recebidos diariamente. Essas etapas contam com a validação de especialistas de domínio que atestam a qualidade dos agrupamentos e do modelo. Cria indicadores de desempenho que avaliam o grau de satisfação do cliente em relação aos produtos e serviços oferecidos para fornecer subsídio à gestão na política de atendimento. _______________________________________________________________________________________________________________ ABSTRACT / It analyses a Help Desk System of a federal institution that centralizes customer answers, complains, compliments, and suggestions, spoken or written. It argues about information complexity stored in natural language. It intends to present an alternative for knowledge extraction from textual databases by creating clusters and automatic classification model of texts in order to improve the current tasks made by employees. It presents a literature revision that shows the Knowledge Discovery in Text as an extension of Knowledge Discovery in Data that utilizes the Natural Language Processing in order to adequate the text into an appropriated format to data mining and enhances the importance of the process in the Information Science field. It applies the Knowledge Discovery in Text techniques in the Help Desk Database in order to create cluster of documents and, after that, to build an automatic classification model to new documents received every day. These steps need to be validated by specialist in the area to verify the model and clusters quality. It creates performance indexes in order to measure the customer satisfaction related to products and services to provide information for decision makers.

Orientador: Alexandre Cesar Rodrigues da Silva / Resumo: Nos últimos anos a quantidade de dados armazenados diarimente em empresas e instituições aumentou consideravelmente e um dos motivos que contribuiu para isso é a crescente importân- cia dada à informação. De forma geral, esses dados são meramente armazenados e, portanto, subutilizados pelos seus detentores, enquanto poderiam ser estudados a fim de obter novos co- nhecimentos, informações e relacionamentos. Neste contexto, surge o processo de descoberta de conhecimento em banco de dados. Este trabalho apresenta uma introdução a banco de dados, uma revisão bibliográfica sobre o processo de descoberta de conhecimento em banco de dados, a descrição de cada etapa deste processo, uma explanação sobre as tarefas de agrupamento e classificação, além de resumir brevemente as técnicas de particionamento e árvore de decisão. É exposto um estudo sobre o sistema Weka, em que apresenta-se conceitos, funcionalidades e exemplifica-se diversas formas de utilização do sistema. O objetivo principal deste trabalho é propor uma metodologia para descoberta de novos conhecimentos em bancos de dados acadê- micos baseada no processo de descoberta de conhecimento em banco de dados, sendo esta uma metodologia mais simplificada e de execução mais direcionada. Como parte da metodologia este trabalho contribui ainda com uma aplicação desenvolvida em Python como forma de apoio a etapas da metodologia. A metodologia proposta conta com a ferramenta Weka para execução dos algoritmos de data mining e prevê a e... (Resumo completo, clicar acesso eletrônico abaixo) / Mestre

Submitted by Diogo Barreiros (diogo.barreiros@ufba.br) on 2017-02-17T16:34:22Z No. of bitstreams: 1 RicardoDissertacaoVersaoBiblioteca.pdf: 1164295 bytes, checksum: 7304acbc48549376d9ad9f44b57df96a (MD5) / Approved for entry into archive by Vanessa Reis (vanessa.jamile@ufba.br) on 2017-02-21T11:49:32Z (GMT) No. of bitstreams: 1 RicardoDissertacaoVersaoBiblioteca.pdf: 1164295 bytes, checksum: 7304acbc48549376d9ad9f44b57df96a (MD5) / Made available in DSpace on 2017-02-21T11:49:32Z (GMT). No. of bitstreams: 1 RicardoDissertacaoVersaoBiblioteca.pdf: 1164295 bytes, checksum: 7304acbc48549376d9ad9f44b57df96a (MD5) / As interfaces entre os seres humanos e as máquinas tornam-se mais amigáveis a cada dia. A evolução tecnológica destas interfaces tende para formas mais humanas de comunicação. Máaquinas com interfaces mais amigáveis têm o intuito de facilitar a sua utilização por usuários sem treinamentos técnicos específicos. / O objetivo deste trabalho ´e a proposi¸c˜ao de uma interface entre seres humanos e robˆos utilizando a linguagem natural escrita no idioma portuguˆes como protocolo de comunica¸c˜ao. Neste contexto, enfatizou-se uma abordagem para a utiliza¸c˜ao de t´ecnicas da Descoberta de Conhecimento em Textos baseada em Conceitos, cujo processo visa extrair padr˜oes interessantes e n˜ao triviais ou conhecimento de documentos textuais. Apesar dos recentes avan¸cos e da diversidade de artigos e pesquisas na ´area, aplica¸c˜oes das t´ecnicas de processamento de linguagem natural ainda se encontram em est´agio incipiente de desenvolvimento. O m´etodo proposto neste trabalho tem por objetivo interpretar o texto escrito e associar comandos de execu¸c˜ao de tarefas a serem realizadas, caracter´ıstica que diferencia a t´ecnica apresentada das t´ecnicas usuais. Exemplos reais de aplica¸c˜ao est˜ao ilustrados neste trabalho e um estudo de caso ´e enfatizado com aplica¸c˜ao em uma interface rob´otica

Made available in DSpace on 2014-06-12T15:50:25Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Um dos principais problemas enfrentados por órgãos públicos atualmente está associado à ineficiência no uso de informações contidas em grandes volumes de dados para a gestão e otimização de recursos públicos nos procedimentos de tomada de decisão. Em particular, um dos problemas enfrentados por órgãos reguladores como secretarias de fazenda de Estados é como identificar comportamentos fraudulentos e de sonegação fiscal por parte de contribuintes. A Descoberta de Conhecimento em Bases de Dados (KDD) tem sido cada vez mais explorada como uma ferramenta poderosa na otimização dos procedimentos de tomada de decisão e na extração automática de informações escondidas nos dados de corporações. Em particular, técnicas baseadas em árvores de decisão têm sido investigadas e aplicadas como uma das opções de ferramental tecnológico em problemas de mineração de dados pela sua simplicidade e facilidade de interpretação do conhecimento descoberto, que é próximo da linguagem humana. Neste trabalho, árvores de decisão baseadas nos algoritmos ID3, SPRINT e SLIQ são investigadas e comparadas para a solução do problema de análise do perfil de contribuintes com respeito à sonegação fiscal em uma situação complexa em larga escala envolvendo um grande número de variáveis e dados corporativos da Secretaria da Fazenda do Estado de Pernambuco (SEFAZPE). Os resultados obtidos objetivamente com os modelos investigados quanto à precisão das árvores construídas, interpretação do conhecimento minerado e extração de novos conhecimentos ao domínio do problema mostraram desempenho satisfatório na tarefa de classificação dos contribuintes quanto a irregularidades nos compromissos de pagamentos fiscais. A solução desenvolvida foi também analisada e validada subjetivamente por especialistas do domínio (auditores fiscais), que demonstraram aceitação no trabalho realizado e comprovando a viabilidade e relevância do uso da mineração de dados no processo de análise do perfil de contribuintes

Made available in DSpace on 2014-06-12T16:01:03Z (GMT). No. of bitstreams: 2 arquivo7148_1.pdf: 2212386 bytes, checksum: 6b2b0d7c2a94dfe1e1f831000f3dabe2 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2005 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Data mining surgiu da necessidade de extração do conhecimento a partir de volumosas massas de dados. Na verdade data mining faz parte de um processo mais amplo e complexo denominado KDD (Knowledge Discovery in Databases). O problema é que não há na prática uma metodologia completa para apoiar o usuário no desenvolvimento do processo de KDD. Neste contexto, o principal objetivo do presente trabalho é propor uma metodologia genérica para desenvolvimento de soluções em KDD integrada a um sistema para apoio ao usuário na documentação dos processos. A proposta assegura o desenvolvimento de projetos em KDD de alta qualidade, que atenda às expectativas do cliente dentro do tempo e orçamento previstos. Ao final, é aplicada a proposta em um estudo prático no problema de diagnóstico de falhas

Made available in DSpace on 2014-06-12T15:51:10Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Os avanços tecnológicos têm aumentado drasticamente a magnitude dos dados armazenados em diversos domínios de aplicação. Esta abundância de dados tem excedido a capacidade de análise humana. Como conseqüência, algumas informações valiosas escondidas nestes grandes volumes de dados não são descobertas. Este cenário impulsionou a criação de várias técnicas capazes de extrair conhecimento de grandes volumes de dados. Algumas dessas técnicas são resultantes do emergente campo de Descoberta de Conhecimento em Bases de Dados (Knowledge Discovery in Databases - KDD). O processo de KDD é composto de várias etapas. A etapa de preparação dos dados consome de 50% a 90% do tempo e esforço necessário para a realização de todo o processo. Quanto mais completa e consistente for a preparação, melhor será o resultado da mineração de dados. Uma forma de garantir a completude e a consistência dos dados é utilizar uma metodologia que aborde detalhadamente todas as atividades relacionadas à preparação dos dados. Muitas metodologias foram propostas para o desenvolvimento de projetos de KDD. Apesar da maioria citar o processo de preparação dos dados, poucas metodologias específicas para montagem de visão de dados têm sido propostas. Diante deste cenário, esta dissertação tem como objetivos investigar as metodologias para o desenvolvimento de projetos de KDD, enfatizando os aspectos relacionados à preparação dos dados, e como resultado da investigação, propor uma metodologia para montagem de visões em bases de dados dirigidas a problemas de Mineração de Dados. Esta metodologia engloba, de forma detalhada, todo processo de preparação dos dados, desde o entendimento do problema até a geração da base. A viabilidade prática da metodologia proposta, DMBuilding, é demonstrada através da realização de um estudo de caso que utiliza uma base de dados de um problema real de larga escala no domínio da análise de risco crédito. Os resultados ilustram os benefícios da metodologia, comprovando sua relevância para a montagem de visão em bases de dados

No presente documento são reunidas as colaborações de inúmeros trabalhos das áreas de Bancos de Dados, Descoberta de Conhecimento em Bases de Dados, Mineração de Dados, e Visualização de Informações Auxiliada por Computador que, juntos, estruturam o tema de pesquisa e trabalho da dissertação de Mestrado: a Visualização de Informações. A teoria relevante é revista e relacionada para dar suporte às atividades conclusivas teóricas e práticas relatadas no trabalho. O referido trabalho, embasado pela substância teórica pesquisada, faz diversas contribuições à ciência em voga, a Visualização de Informações, apresentando-as através de propostas formalizadas no decorrer deste texto e através de resultados práticos na forma de softwares habilitados à exploração visual de informações. As idéias apresentadas se baseiam na exibição visual de análises numéricas estatísticas básicas, frequenciais (Frequency Plot), e de relevância (Relevance Plot). São relatadas também as contribuições à ferramenta FastMapDB do Grupo de Bases de Dados e Imagens do ICMC-USP em conjunto com os resultados de sua utilização. Ainda, é apresentado o Arcabouço, previsto no projeto original, para construção de ferramentas visuais de análise, sua arquitetura, características e utilização. Por fim, é descrito o Pipeline de visualização decorrente da junção entre o Arcabouço de visualização e a ferramenta FastMapDB. O trabalho se encerra com uma breve análise da ciência de Visualização de Informações com base na literatura estudada, sendo traçado um cenário do estado da arte desta disciplina com sugestões de futuros trabalhos. / In the present document are joined the collaborations of many works from the fields of Databases, Knowledge Discovery in Databases, Data Mining, and Computer-based Information Visualization, collaborations that, together, define the structure of the research theme and the work of the Masters Dissertation presented herein. This research topic is the Information Visualization discipline, and its relevant theory is reviewed and related to support the concluding activities, both theoretical and practical, reported in this work. The referred work, anchored by the theoretical substance that was studied, makes several contributions to the science in investigation, the Information Visualization, presenting them through formalized proposals described across this text, and through practical results in the form of software enabled to the visual exploration of information. The presented ideas are based on the visual exhibition of numeric analysis, named basic statistics, frequency analysis (Frequency Plot), and according to a relevance analysis (Relevance Plot). There are also reported the contributions to the FastMapDB tool, a visual exploration tool built by the Grupo de Bases de Dados e Imagens do ICMC-USP, the performed enhancements are listed as achieved results in the text. Also, it is presented the Framework, as previewed in this work's original proposal, projected to allow the construction of visual analysis tools; besides its description are listed its architecture, characteristics and utilization. At last, it is described the visualization Pipeline that emerges from the joining of the visualization Framework and the FastMapDB tool. The work ends with a brief analysis of the Information Visualization science based on the studied literature, it is delineated a scenario of the state of the art of this discipline along with suggestions for future work.