Redes Neurais Aplicado a Data Mining

89
Potencialidade Regional e Tecnologias Sociais: o sertão Piauiense em evidência
Redes Neurais Aplicado a Data Mining
Francilene Luzia Martins
Universidade Federal do Piaui – [email protected]
Laise do Nascimento Silva
Universidade Federal do Piaui – [email protected]
Viviane Gonçalves Fontes
Universidade Federal do Piaui – [email protected]
Resumo: Este trabalho tem como objetivo demonstrar e conceituar o uso de Mineração de Dados e Redes Neurais
para tratamento do grande volume de dados, que vem crescendo com o surgimento desordenado de informações.
Mostraremos algumas técnicas de processos de extração do conhecimento tais como: Redes Neurais e KDD –
Klnowledge Discovery in Databases (descoberta de conhecimento em bases de dados).
Palavras-chave: Mineração de Dados, Redes Neurais, Técnica KDD.
1. Introdução
O crescimento das bases de dados sejam elas administradas pelo governo, pelas entidades
de pesquisa, vem ultrapassando a capacidade humana de interpretar e digerir o volume de dados
disponíveis. Com essa realidade cresce a necessidade por uma nova geração de ferramentas e
técnicas que possibilitem uma analise automática e mais inteligente destas bases de dados.
Graças às técnicas de aquisição e de armazenamento, nesta ultima década estamos vivendo um
crescimento explosivo na capacidade das pessoas em gerar e coletar dados. No armazenamento,
os avanços tecnológicos dos computadores cada vez mais velozes, relativamente mais barato e
com maior capacidade de armazenamento, dotados de sistemas de gerenciamento de banco de
dados cada vez melhores e a tecnologia Data Warehouse, vem possibilitando o acumulo de
verdadeiras montanhas de dados corporativos. Data Warehouse, KDD – Knowledge Discovery
in Databases, Data Mining, Inteligência Computacional e Redes Neurais são alguns dos nomes
encontrados neste novo segmento. Apresentaremos uma breve exposição dos principais
conceitos e definições sobre termos citados acima: Data Mining e Data Warehouse. Faremos
uma apresentação detalhada sobre Redes Neurais.
2. Procedimentos Metodológicos
Nosso estudo teve foco nas pesquisas bibliograficas da instituição da Universidade
Federal do Piaui, foram analizados artigos cientificos do Google Academicos, Capes, FAEF
Revistas Científicas Eletrônicas, entre outros, tendo como palavra chave para filtramento foram
Redes Neurias, Mineração de Dados.
3. Resultados e discussões
KDD – Klnowledge Discovery in Databases (descoberta de conhecimento em bases de
dados),tem o objetivo de representar todo o processo de busca e extração de conhecimento,
consiste em um processo não trivial de identificação de padrões válidos, novos, potencialmente
úteis e compreensíveis, em conjunto de dados” (Fayyad, 1996). Segundo Carlos Gay, o processo
de KDD é interativo e iterativo, envolvendo uma série de etapas onde cada uma pode requerer do
usuário capacidade de análise e de tomada de decisão. As principais fases do processo são:
a) Seleção – é a etapa que consiste na análise dos dados existentes e na seleção daqueles a serem
utilizados na busca por padrões e na geração de conhecimento novo.
b) Pré-processamento – consiste no tratamento e na preparação dos dados para uso pelos
algoritmos. Nesta etapa devemos identificar e retirar valores inválidos, inconsistentes ou
redundantes.
ISSN:2316-8854 - Edição atual - Anais do EITEC. Volume 3, Número 2. Picos: Instituto Federal de Educação,
Ciência e Tecnologia do Piauí, 2014
90
Potencialidade Regional e Tecnologias Sociais: o sertão Piauiense em evidência
c) Transformação – consiste em aplicar, quando necessário, alguma transformação linear ou
mesmo não linear nos dados, de forma a encontrar aqueles mais relevantes para o problema em
estudo. Nesta etapa geralmente são aplicadas técnicas de redução de dimensionalidade e de
projeção dos dados.
d) Mineração – consiste na busca por padrões através da aplicação de algoritmos e técnicas
computacionais específicas.
e) Interpretação – consiste na análise dos resultados da mineração e na geração de conhecimento
pela interpretação e utilização dos resultados em benefício do negócio.
Data Mining
O termo Data Mining (mineração de dados) é muito usado por estatísticos, pesquisadores
de banco de dados e comunidades de negócio, constituindo uma das ferramentas mais utilizadas
para extração de conhecimento ou informações relevantes, a partir de bancos de dados, o
objetivo do data mining é extrair conhecimento correto e compreencival de bases de dados nos
meios comerciais quanto científico (“Data Mining overview”, 2005; Silberschatz, 1999; Elmasri
e Navathe, 2002). Data Mining é uma das etapas principais de um processo de KDD. Consiste na
construção de modelos computacionais para descoberta automática de novos fatos e
relacionamentos entre dados, a partir da aplicação repetida e muitas vezes interativa, de
algoritmo de busca.
Paradigma de Redes Neurais
Redes neurais são sistemas computacionais formados pela integração de inúmeros
elementos de processamento (EP). Existem várias ferramentas neurais oferecidas
comercialmente, onde o paradigma neural não faz uso dos conceitos que caracterizam os demais
algoritmos e sistemas de computacionais. A principal característica das redes neurais é, como
foram concebidas baseados na estrutura do sistema nervoso, mais precisamente do cérebro
humano, a capacidade de aprender com base na exposição a exemplos. A construção de uma rede
neural é formada da sua arquitetura interna (uma rede interligada de neurônios) e como
treinamento desta rede com base em exemplos, ate que ela própria consiga aprender como
resolver o problema.
Redes Neurais Artificiais
Redes Neurais é uma solução computacional que envolve o desenvolvimento de
estruturas matemáticas com a habilidade de aprendizagem. As Redes Neurais têm uma notável
habilidade de derivar médias de dados complicados ou imprecisos e podem ser utilizadas para
extrair padrões e detectar tendências que são muito complexas para serem percebidas tanto por
humanos quanto por outras técnicas computacionais.
As redes neurais utilizam um conjunto de elementos de processamento (ou nós) análogos
aos neurônios no cérebro. Estes elementos de processamento são interconectados em uma rede
que pode identificar padrões nos dados uma vez expostos aos mesmos, ou seja, a rede aprende
através da experiência, tais como as pessoas. Esta característica distingue Redes Neurais de
tradicionais programas computacionais, que simplesmente seguem instruções em uma ordem
seqüencial fixa.
Associando Mineração de Dados e Redes Neurais Artificiais
ISSN:2316-8854 - Edição atual - Anais do EITEC. Volume 3, Número 2. Picos: Instituto Federal de Educação,
Ciência e Tecnologia do Piauí, 2014
91
Potencialidade Regional e Tecnologias Sociais: o sertão Piauiense em evidência
O uso de redes neurais artificiais e o desenvolvimento de algoritmos para descoberta do
conhecimento, também, são novos. Quando se utiliza Redes Neurais Artificiais (RNA) para
procurar padrões nos dados na etapa de Mineração de Dados do Processo de DCBD, estas novas
tecnologias oferecem promissoras oportunidades para as empresas procurarem informações úteis
em seus próprios dados. [BIG96]
A principal característica das RNA é a grande capacidade de reconhecer padrões. Isto é
possível, pois uma Rede Neural Artificial pode ser treinada para aprender um determinado
padrão através da modificação e correção de seus pesos (estímulos). Além do reconhecimento de
padrões, as RNA são eficientes para a classificação de padrões. O objetivo do desenvolvimento
de aplicações utilizando a tecnologia de RNA é trabalhar em conjunto com os sistemas
tradicionais de desenvolvimento existentes, como cadastros de qualquer natureza.
As RNA estão sendo utilizadas na etapa de Mineração de Dados não estão e nem vão ser usadas
para substituir os sistemas tradicionais existentes, para trabalhar com dados aproximados, tanto
para a entrada como para a saída. Isto acontece porque o maior volume de dados utilizados é o de
números reais e funções de ativação que geram um resultado também no formato de números
reais. Uma RNA é capaz de guardar informações, isto é, pode armazenar padrões. Este
armazenamento de padrões é obtido através do comportamento dos pesos de cada neurônio a
partir de cada entrada recebida.
4. Considerações finais
As organizações têm se mostrado extremamente eficientes em capturar, organizar e
armazenar grandes quantidades de dados, obtidos de suas operações diárias ou pesquisas
cientificas, porem, ainda não usam adequadamente essa gigantesca montanha de dados para
transforma-la em conhecimentos que possam ser utilizados popularizando como ferramenta de
gerenciamento de informação, pois acabam guiando empresas por certezas limitadas. O processo
de mineração de dados é uma tecnologia relativamente nova, por isso, não são tecnologias
consolidadas, que juntamente com o crescimento da utilização do processo distribuído vem
sendo alvo de inúmeras pesquisas e experimentos nesta área.
5. Referências
FAYYAD,U. M.; PIATETSKY-SHAPIRO,G; SMYTH, P; THURUSAMY,R. Advances in Knowledge Discovery
& Data Mining. Cambridge, MA: AAAI/MIT, 1996.
[BIG96] BIGUS, J. Data Mining with neural networks: solving business problem - from application to decision
support. McGraw-Hill, USA, 1996.
ELMASRI, R.; NAVATHE, S. B. Sistemas de banco de dados: fundamentos e aplicações. 3.ed. Rio de Janeiro:
LTC, 2002.
SILBERSCHATZ, A.; KORTH, H. F.; SUDARSHAN, S. Sistema de banco de dados. 3.ed. São Paulo: Makron
Books, 1999.
ISSN:2316-8854 - Edição atual - Anais do EITEC. Volume 3, Número 2. Picos: Instituto Federal de Educação,
Ciência e Tecnologia do Piauí, 2014