Introducere ˆ ın Data Mining

Curs 1: Prezentare general˘ a Lucian Sasu, Ph.D.
Universitatea Transilvania din Bra¸ sov, Facultatea de Matematic˘ a¸ si Informatic˘ a

March 1, 2012

lucian.sasu@ieee.org (UNITBV)

Curs 1

March 1, 2012

1 / 42

Outline

1

Bibliografia recomandat˘ a Bibliografie pentru curs Bibliografie pentru laborator Data Mining - introducere Definit ¸ii, exemple ¸ si motivat ¸ie Data Mining ¸ si Knowledge Discovery Puncte de dificultate Originile DM Tipuri de aplicat ¸ii DM

2

lucian.sasu@ieee.org (UNITBV)

Curs 1

March 1, 2012

2 / 42

Bibliografie pentru curs

1

Pang-Ning Tan, Michael Steinbach, Vipin Kumar: Introduction to Data Mining, Addison-Wesley, 2006

lucian.sasu@ieee.org (UNITBV)

Curs 1

March 1, 2012

3 / 42

Bibliografie pentru curs

1

Pang-Ning Tan, Michael Steinbach, Vipin Kumar: Introduction to Data Mining, Addison-Wesley, 2006 David J. Hand, Heikki Mannila and Padhraic Smyth: Principles of Data Mining, MIT Press, 2001

2

lucian.sasu@ieee.org (UNITBV)

Curs 1

March 1, 2012

3 / 42

sasu@ieee.Bibliografie pentru curs 1 Pang-Ning Tan. 3rd ed. Heikki Mannila and Padhraic Smyth: Principles of Data Mining. 2006 David J. 2001 Jiawei Han. Jian Pei: Data Mining: Concepts and Techniques..org (UNITBV) Curs 1 March 1. Addison-Wesley. Hand. 2012 3 / 42 . Micheline Kamber. Michael Steinbach. Morgan Kaufmann Publishers. Vipin Kumar: Introduction to Data Mining. 2011 2 3 lucian. MIT Press.

Vipin Kumar: Introduction to Data Mining. liber˘ a la download 2 3 4 lucian. 2011 Trevor Hastie. Heikki Mannila and Padhraic Smyth: Principles of Data Mining. Inference. Micheline Kamber. 3rd ed.. Springer 2009. Jerome Friedman: The Elements of Statistical Learning: Data Mining. 2nd edition. MIT Press. Addison-Wesley. 2001 Jiawei Han.Bibliografie pentru curs 1 Pang-Ning Tan. and Prediction. Robert Tibshirani. 2012 3 / 42 .sasu@ieee. Morgan Kaufmann Publishers. Michael Steinbach. Jian Pei: Data Mining: Concepts and Techniques.org (UNITBV) Curs 1 March 1. Hand. 2006 David J.

Bibliografie pentru laborator lucian. 2012 4 / 42 .org (UNITBV) Curs 1 March 1.sasu@ieee.

com/content/view/36/209/lang.Bibliografie pentru laborator 1 2 http://rapidminerresources.en/ lucian.com http://rapid-i.sasu@ieee.org (UNITBV) Curs 1 March 1. 2012 4 / 42 .

com/content/view/36/209/lang. Witten.com http://rapid-i. Eibe Frank: Data Mining: Practical Machine Learning Tools and Techniques.en/ Ian H. 2nd edition. Morgan Kaufmann.org (UNITBV) Curs 1 March 1. 2012 4 / 42 .sasu@ieee. 2005 lucian.Bibliografie pentru laborator 1 2 3 http://rapidminerresources.

Download de aici Weka is a collection of machine learning algorithms for data mining tasks. 2012 5 / 42 .sasu@ieee.org (UNITBV) Curs 1 March 1. The algorithms can either be applied directly to a dataset or called from your own Java code.Unelte folosite la laborator (1) Weka: Data Mining Software in Java. and visualization. association rules. It is also well-suited for developing new machine learning schemes. Weka contains tools for data pre-processing. classification. regression. lucian. clustering.

association rules. 2012 5 / 42 .Unelte folosite la laborator (1) Weka: Data Mining Software in Java. Weka contains tools for data pre-processing. It is also well-suited for developing new machine learning schemes. Download de aici Weka is a collection of machine learning algorithms for data mining tasks. lucian.net. The algorithms can either be applied directly to a dataset or called from your own Java code. and visualization. classification. posibil s˘ a se apeleze din .org (UNITBV) Curs 1 March 1.sasu@ieee. clustering. regression. Software multiplatform˘ a dezvoltat ˆ ın Java. poate fi folosit din GUI sau prin API-ul expus.NET via ikvm.

] Alte softuri larg folosite. 2012 6 / 42 . Repositories for process.org (UNITBV) Curs 1 March 1. and data visualization methods [.com/polls/2010/data-mining-analytics-tools. data and meta data handling. is the world-leading open-source system for data and text mining.Unelte folosite la laborator (2) RapidMiner Community Edition The main product of Rapid-I. Hundreds of data loading. the data analysis solution RapidMiner.com/software/index.htm lucian.edu/˜kumar/dmbook/resources.kdnuggets.html http://www-users. Analytical ETL. graphical user interface for the design of analysis processes.umn.sasu@ieee. http://www.html. Mecanisme: Data Integration. and Reporting.kdnuggets.cs. . Data Analysis. data transformation. data modeling. . dar neabordate la laborator: http://www.

Outline 1 Bibliografia recomandat˘ a Bibliografie pentru curs Bibliografie pentru laborator Data Mining .org (UNITBV) Curs 1 March 1. exemple ¸ si motivat ¸ie Data Mining ¸ si Knowledge Discovery Puncte de dificultate Originile DM Tipuri de aplicat ¸ii DM 2 lucian.introducere Definit ¸ii. 2012 7 / 42 .sasu@ieee.

de regul˘ a sub forma de modele ¸ si ¸ sabloane de cunoa¸ stere (Schapiro et al). Definit ¸ie Data Mining este analiza seturilor de date – deseori de dimensiuni mari – rezultate prin observat ¸ii pentru a g˘ asi relat ¸ii noi ¸ si pentru sumarizarea datelor ˆ ın moduri care sunt atˆ at u¸ sor de ˆ ınt ¸eles cˆ at ¸ si utile celui ce det ¸ine datele (Hand et al). interesante ¸ si potent ¸ial utile din date. anterior necunoscute. Definit ¸ie Data mining este procesul netrivial de extragere a informat ¸iei implicite. lucian.Definit ¸ii Definit ¸ie Data Mining este procesul descoperirii (semi)automate a informat ¸iilor utile ˆ ın depozite mari de date (Tan et al). 2012 8 / 42 .org (UNITBV) Curs 1 March 1.sasu@ieee.

2012 9 / 42 .Termeni alternativi: mineritul cuno¸ stint ¸elor din date extragere de cuno¸ stint ¸e (eng: Knowledge Discovery) – sinonim discutabil analiza date/¸ sabloane Ce NU e Data Mining: g˘ asirea datelor complete privind o persoan˘ a folosind interogare ˆ ıntr–o baz˘ a de date.sasu@ieee.org (UNITBV) Curs 1 March 1. g˘ asirea paginilor web care cont ¸in anumit ¸i termeni. Acestea sunt activit˘ a¸ ti de reg˘ asire a informat ¸iei. lucian.

gruparea client ¸ilor pe baza unui profil de consum comun. gruparea paginilor dintr-un motor de c˘ autare pe baza similarit˘ a¸ tilor: motorul search.yippi. O’Rurke.com.com.org (UNITBV) Curs 1 March 1. 2012 10 / 42 . predict ¸ia evolut ¸iei preturilor la bilete de avion: farecast.sasu@ieee.Ce poate fi Data Mining: s˘ a descoperi c˘ a anumite nume sunt mai frecvente ˆ ın unele zone: O’Brien. O’Reilly ˆ ın zona Boston. lucian.

sasu@ieee.Clustering de pagini web in Yippi lucian. 2012 11 / 42 .org (UNITBV) Curs 1 March 1.

org (UNITBV) Curs 1 March 1. 2012 12 / 42 .sasu@ieee.Farecast: s˘ a cump˘ ar sau nu acum un bilet de avion? lucian.

procesarea distribuit˘ a este ceva comun. 2012 13 / 42 .sasu@ieee. lucian. comert ¸ electronic cump˘ ar˘ aturi ˆ ın magazine/lant ¸uri de desfacere tranzact ¸ii financiare.De ce Data Mining: din punctul de vedere al afacerilor (1) O mult ¸ime de date sunt colectate ¸ si depozitate prin sisteme de data warehouse date din Web.org (UNITBV) Curs 1 March 1. carduri de debit/credit Calculatoarele au devenit tot mai ieftine ¸ si mai puternice.

. “Care produse cump˘ arate atrag achizit ¸ia altor produse?”. “Care va fi evolut ¸ia companiei/piet ¸ei pe segmentul .org (UNITBV) Curs 1 March 1. ?”. fraud detection Probleme stringente: “Care sunt cei mai profitabili client ¸i?”. .De ce Data Mining: din punctul de vedere al afacerilor (2) Presiunea impus˘ a de competit ¸ie este motivant˘ a: aducerea unui nou client ˆ ıntr–o ret ¸ea de telefonie este de pˆ an˘ a la 4 ori mai scump˘ a decˆ at p˘ astrarea lui: Customer attrition Cerint ¸e specifice mediului de afaceri: customer profiling.sasu@ieee. “Care sunt ni¸ sele de piat ¸˘ a?” lucian. 2012 14 / 42 . targetted marketing.

lucian. determinarea genelor care cauzeaz˘ a diferite afect ¸iuni. 2012 15 / 42 .sasu@ieee. inginerie ¸ si ¸ stiint ¸˘ a se acumuleaz˘ a rapid date ce trebuie exploatate pentru a duce la noi descoperiri. se dore¸ ste decodificarea complet˘ a a genomului uman. ˆ ınt ¸elegerea structurii ¸ si funct ¸ionalit˘ a¸ tii genelor.org (UNITBV) Curs 1 March 1.De ce Data Mining: din punct de vedere ¸ stiint ¸ific ˆ In domenii precum medicina. Exemplu: dezvoltarea de sisteme de satelit ¸i pentru observat ¸ii climatice. DM e unealt˘ a de baz˘ a pentru bioinformatic˘ a = “aplicarea statisticii ¸ si a informaticii ˆ ın domeniul biologiei moleculare”. Date genetice generate prin “microarrays”.

770 filme KDDCup: 2012: User Modeling based on Microblog Data and Search Click Data 2011: Recomandare de muzic˘ a 2010: Evaluarea performant ¸elor student ¸ilor 2009: Predict ¸ia relat ¸iei cu client ¸ii 2008: Cancer de sˆ an 2007: Netflix prize 2006: embolism pulmonar din date tomografice 2005: clasificarea interog˘ arilor de Internet 2004: fizica particulelor ¸ si biochimie 2003: mineritul ret ¸elelor ¸ si analiza log-urilor competit ¸ia merge pˆ an˘ aˆ ın 1997 Alte competit ¸ii — www. 2012 16 / 42 .org (UNITBV) Curs 1 March 1.480.kdnuggets.sasu@ieee.Competit ¸ii Neflix prize: 100.507 rating-uri date de 480.189 utilizatori pentru 17.com lucian.

care e un ˆ ıntreg proces de conversie a datelor primare ˆ ın cuno¸ stint ¸e (informat ¸ie). imagini.org (UNITBV) Curs 1 March 1. filme etc.sasu@ieee. baze de date relat ¸ionale. 2012 17 / 42 . Procesul const˘ aˆ ıntr–o succesiune de pa¸ si: Datele de intrare se pot g˘ asi ˆ ıntr-o larg˘ a varietate de formate: fi¸ siere text. lucian.Pa¸ sii unui proces de extragere de cuno¸ stint ¸e (1) Data Mining este parte integrant˘ a a domeniului Knowledge discovery in databases (KDD). date semistructurate (e. HTML).g. XML.

org (UNITBV) Curs 1 March 1.g. se elimin˘ a rezultatele invalide sau neinteresante) ¸ si trebuie prezentate ˆ ıntr–o form˘ a inteligibil˘ a factorilor de decizie (e.sasu@ieee. lucian. normalizarea. vizualizare sau reguli de forma “if–then”). reducerea dimensionalit˘ a¸ tii. cuno¸ stint ¸ele rezultate sunt post–procesate (e. Preprocesarea ¸ si transformarea pot lua chiar ¸ si 60% din durata total˘ a a unui proces de extragere a cuno¸ stint ¸elor. Preprocesarea ¸ si transformarea pot include: selectarea dimensiunilor. La final. 2012 18 / 42 .g. sau integrate ˆ ın alte sisteme (e. deseori se testeaz˘ a mai multe metode. tratarea datelor incomplete. Partea de Data Mining se face printr–o varietate de tehnici.g. sistemele utilizate pentru detectare de fraude).Pa¸ sii unui proces de extragere de cuno¸ stint ¸e (2) Datele se selecteaz˘ a din multitudinea de surse.

2012 19 / 42 . economist).sasu@ieee. Limitarea complexit˘ a¸ tii modelelor folosite ˆ ın procesul de DM: “If you torture the data long enough.org (UNITBV) Curs 1 March 1. Principiul lui Bonferroni: if you look harder than the quantity of data supports.Atent ¸ie la ce se obt ¸ine Tehnici folosite la preprocesare: testarea ipotezelor prin metode statistice – se elimin˘ a rezultatele nerealiste. Eliminarea cuno¸ stint ¸elor “neinteresante” — element subiectiv. you will find a pattern that “fits”. dependent de cuno¸ stint ¸ele anterioare. it will confess” (Ronald Harry Coase. lucian.

oamenii de la pasul anterior nu au mai ghicit aproape deloc culoarea cartoanelor. “experimentul” lui Rhine: a cerut unor oameni s˘ a ghiceasc˘ a culorile a 10 cartona¸ se ascunse – se ¸ stiau cele dou˘ a posibilit˘ a¸ ti: ro¸ su ¸ si albastru.org (UNITBV) Curs 1 March 1. 2012 20 / 42 . “Concluzia”: lucian. a “descoperit” c˘ a aproximativ 1/1000 din oameni au ghicit toate cele 10 cartoane a spus oamenilor respectivi c˘ a au abilit˘ a¸ ti extrasenzoriale ¸ si i-a chemat pentru alte experimente la un nou experiment.sasu@ieee.Principiul lui Bonferroni: paradoxul Rhine (1) Joseph Rhine: parapsiholog ˆ ın anii ’50 care a ˆ ıncercat s˘ a dovedeasc˘ a faptul c˘ a unii oameni au percept ¸ie extra-senzorial˘ a.

Cunoa¸ sterea principiului lui Bonferroni poate s˘ a salveze de astfel de “descoperiri”.sasu@ieee. 2012 21 / 42 . lucian.org (UNITBV) Curs 1 March 1.Principiul lui Bonferroni: paradoxul Rhine (2) Nu ar fi trebuit s˘ a le spun˘ a oamenilor c˘ a au capacit˘ a¸ ti extra-senzoriale: asta ˆ ıi face s˘ a¸ si le piard˘ a!! Un calcul probabilistic simplu arat˘ a c˘ a raportul de aproximativ 1/1000 poate fi explicat prin evenimente aleatoare ¸ si legea numerelor mari.

org (UNITBV) Curs 1 March 1. stabilirea reputat ¸iei URL-urilor: 3231961 de atribute Experimentul “Compact Muon Solenoid” la CERN’s Large Hadron Collider genereaz˘ a 40 de terabytes de date pe secund˘ a. 2012 22 / 42 . France Telecom are o baz˘ a de date folosit˘ a pentru luarea deciziilor de 30 TB Wal-Mart are 20 de milioane de tranzact ¸ii pe zi. 16 telescoape europene produc 1 Gb pe secund˘ a.Scalabilitatea ¸ si dimensiunea datelor seturile de date ajung u¸ sor la dimensiuni de giga/tera/peta–bytes.sasu@ieee.4 miliarde de perechi ¸ si ˆ ıntre 20000 ¸ si 25000 gene. problem˘ a de descoperire de medicamente: 100000 de atribute. lucian. proiectul genomului uman: 3.

scalarea pe vertical˘ a: rareori suficient˘ a. datele nu ˆ ıncap ˆ ın RAM scalarea pe orizontal˘ a – cazuri remarcabile: Apache Hadoop. 2012 23 / 42 . Apache Mahout — proiecte open–source.org (UNITBV) Curs 1 March 1. lucian.sasu@ieee.Scalabilitatea ¸ si dimensiunea datelor (2) variante: structuri de date specifice. care s˘ a u¸ sureze interogarea datelor scalarea pe orizontal˘ a sau pe vertical˘ a a resurselor hardware.

g. ce faci cu datele lips˘ a? eliminarea ˆ ınregistr˘ arilor cu goluri de date nu e ˆ ıntotdeauna o opt ¸iune.org (UNITBV) Curs 1 March 1. serii de timp tehnicile de DM trebuie s˘ a ia ˆ ın considerare relat ¸iile dintre date (corelat ¸ie spat ¸ial˘ a¸ si temporal˘ a. categoriale. relat ¸ie p˘ arinte–copil). date ADN cu structur˘ a spat ¸ial˘ a¸ si secvent ¸ial˘ a.Date eterogene ¸ si complexe atribute eterogene: numerice.sasu@ieee. conectivitate de grafuri. pagini Web). colect ¸ii de documente (e. 2012 24 / 42 . lucian.

Gestiunea ¸ si distribuirea datelor datele pot fi prezente ˆ ın locat ¸ii multiple.org (UNITBV) Curs 1 March 1. 2012 25 / 42 . diferite aspecte legislative pot interveni lucian.sasu@ieee. nu doar ˆ ıntr–o organizat ¸ie. necesitate: DM distribuit sau suport de tip Data Warehouse ˆ ın caz de distribuire: comunicarea necesar˘ a poate s˘ a domine timpul de calcul ˆ ın caz de data warehouse: integrarea datelor necesit˘ a timp ˆ ındelungat “data privacy”: problem˘ a delicat˘ a.

Dar statistica ofer˘ a unelte utile – de exemplu metode de testare. inferent ¸a statistic˘ a etc.org (UNITBV) Curs 1 March 1. determinarea intervalelor de confident ¸˘ a. ˆ In timp ce statistica este ˆ ın mare m˘ asur˘ a tributar˘ a modelelor parametrice. 2012 26 / 42 .Analiz˘ a nestandard Statistica: enuntarea de ipoteze ¸ si apoi testarea lor. Problem˘ a evident˘ a: procesul este laborios DM are ca scop tocmai determinarea pe cˆ at posibil automat˘ a a astfel de ipoteze. datele reale pot avea cu totul alte distribut ¸ii decˆ at cele presupuse.sasu@ieee. lucian.

testarea ipotezelor.sasu@ieee. modele parametrice.Originile DM Statistic˘ a – e¸ santionare. Inteligent ¸˘ a artificial˘ a — tehnici de rat ¸ionament probabilist ¸ si management al incertitudinii ˆ Inv˘ a¸ tare automat˘ a (machine learning) — pornind de la date se creeaz˘ a modele adecvate Recunoa¸ stere de ¸ sabloane (pattern recognition) Sisteme de baze de date – suport pentru stocarea (eventual distribuit˘ a a ) datelor.org (UNITBV) Curs 1 March 1. lucian. 2012 27 / 42 . estimare. Calcul paralel—distribuit — pentru a rezolva problema scalabilit˘ a¸ tii aplicat ¸iilor de DM. probleme pot ap˘ area din cauz˘ a c˘ a nu toate datele se pot reprezenta u¸ sor sub model relat ¸ional.

g.sasu@ieee. cele care se folosesc pentru predict ¸ie sunt variabile independente sau explicative. corelat ¸ii. anomalii lucian. Descrierea — determinarea de ¸ sabloane. Atributul ce urmeaz˘ a a fi prezis se nume¸ ste variabil˘ a dependent˘ a sau ¸ tint˘ a. traiectorii. e.Sunt dou˘ a categorii majore de aplicat ¸ii: Predict ¸ia — scopul e de a prezice valoarea concret˘ a a unui atribut pe baza altor atribute. grup˘ ari. tendint ¸e.org (UNITBV) Curs 1 March 1. 2012 28 / 42 .

org (UNITBV) Curs 1 March 1.sasu@ieee.Clasificare — predict ¸ie Grupare (Clustering) — descriere Determinarea relat ¸iilor de asociere — descriere Descoperirea ¸ sabloanelor secvent ¸iale — descriere Regresie — predict ¸ie Detectarea deviat ¸iilor — predict ¸ie lucian. 2012 29 / 42 .

sasu@ieee. lucian. risc mare/risc moderat/risc mic. 2012 30 / 42 .Clasificarea: definit ¸ie Se pleac˘ a de la o colect ¸ie de ˆ ınregistr˘ ari = setul de antrenare Fiecare ˆ ınregistrare e format˘ a din atribute. a unei funct ¸ii) care s˘ a determine clasa pe baza atributelor. Scopul este g˘ asirea unui model (a unui mecanism.org (UNITBV) Curs 1 March 1. dintre care unul este “clasa”: bun/rau. Modelul trebuie s˘ a fac˘ a o clasificare cˆ at mai fidel˘ a pentru ˆ ınregistr˘ ari care nu fac parte din setul de test = date din setul de testare.

org (UNITBV) Curs 1 March 1.Clasificarea: exemplu lucian. 2012 31 / 42 .sasu@ieee.

org (UNITBV) Curs 1 March 1. asta d˘ a clasa unei ˆ ınregistr˘ ari. se folosesc aceste date pentru a construi un clasificator. istoricul tranzact ¸iilor etc. ca valoare posibil˘ a din mult ¸imea {a cump˘ arat.Clasificarea: aplicat ¸ia 1 Marketing direct: scopul: reducerea costurilor de trimitere a reclamelor prin po¸ st˘ a prin alegerea unui set de consumatori pentru care ¸ sansele de achizit ¸ie a unui produs sunt mari modalitate de lucru: se pleac˘ a de la produse similare pentru aceste produse ¸ stim dac˘ a au fost sau nu cump˘ arate de c˘ atre consumatorii ˆ ın cauz˘ a. nu a cump˘ arat} se colecteaz˘ a date demografice despre client ¸i. 2012 32 / 42 .sasu@ieee. lucian.

org (UNITBV) Curs 1 March 1. ret ¸elele c˘ atre care s–au efectuat.sasu@ieee. 2012 33 / 42 . starea civil˘ a etc. se eticheteaz˘ a clientul ca fiind loial sau nu plecˆ and de la acest set de antrenare se creeaz˘ a un clasificator care s˘ a fie utilizat pentru alt ¸i client ¸i lucian. se folosesc date demografice: situat ¸ia financiar˘ a.g. durata. telefonie: apelurile efectuate.Clasificarea: aplicat ¸ia 2 Prevenirea migr˘ arii clientului: Scop: s˘ a se determine dac˘ a un client al serviciilor oferite este pe cale de a pleca la un competitor modalitate de lucru: se folosesc ˆ ınregistr˘ ari detaliate despre tranzact ¸iile f˘ acute de client (e. frecvent ¸a).

Clasificarea: aplicat ¸ia 3 Clasificarea obiectelor cere¸ sti Scop: s˘ a se prezic˘ a clasa unor obiecte cere¸ sti pe baza imaginilor luate de telescoape modalitate de lucru: se pleac˘ a de la o colect ¸ie de imagini.org (UNITBV) Curs 1 March 1. elemente greu de descoperit ¸ si catalogat prin mijloace tradit ¸ionale.pentru fiecare segment se ¸ stie exact ce reprezint˘ a poveste de succes: s–au g˘ asit 16 noi quasari.sasu@ieee. caz concret: 3000 imagini cu 23040 x 23040 pixeli pe imagine se segmenteaz˘ a imaginea se m˘ asoar˘ a anumite tr˘ as˘ aturi se construie¸ ste un clasificator plecˆ and de la aceste segmente de imagini cu clase ata¸ sate . lucian. 2012 34 / 42 .

2012 35 / 42 .edu lucian. 72 de milioane de stele baza de date de 150 GB atribute: tr˘ as˘ aturi extrase din imagini. de vˆ arst˘ a medie. stadiu final. set de date: 20 de milioane de galaxii. vechi.umn. Scop: clasificarea galaxiilor relativ la stadiul de formare: galaxii tinere. caracteristicile lungimilor de und˘ a primite etc. sursa: http://aps.org (UNITBV) Curs 1 March 1. de nivel intermediar.Clasificarea: aplicat ¸ia 4 Clasificarea galaxiilor ˆ ın: galaxii tinere.sasu@ieee.

2012 36 / 42 .sasu@ieee.org (UNITBV) Curs 1 March 1. fiecare avˆ and un set de atribute ¸ si o m˘ asur˘ a de similaritate.Clustering: definit ¸ie Dˆ andu–se un set de puncte. s˘ a se g˘ aseasc˘ a grup˘ ari (cluster–e) cu proprietatea: punctele care apart ¸in unui aceluia¸ si cluster sunt similare ˆ ıntre ele punctele din clustere separate sunt mai put ¸in similare m˘ asur˘ a de similaritate: distant ¸a Euclidian˘ a sau alte m˘ asuri specifice deosebire fat ¸˘ a de clasificare: printre atributele considerate nu exist˘ a un atribut de clas˘ a lucian.

utilitate: detectare de plagiate.org (UNITBV) Curs 1 March 1. 2012 37 / 42 .Clustering: exemplu Gruparea automat˘ a de documente scop: g˘ asirea grupurilor de documente care sunt similare pe baza termenilor pe care ˆ ıi cont ¸in modalitate de lucru se contorizeaz˘ a cuvintele se formeaz˘ a o m˘ asur˘ a de similaritate ˆ ıntre documente pe baza frecvent ¸elor pe baza similarit˘ a¸ tii se formeaz˘ a grupurile utilitate: pentru un nou document se descoper˘ a rapid care este clusterul c˘ aruia ˆ ıi apart ¸ine ˆ ın mod natural.sasu@ieee. lucian. c˘ autare de documente similare etc.

2012 38 / 42 .sasu@ieee.Analiza asocierilor: definit ¸ie Dˆ andu–se un set de colect ¸ii de ˆ ınregistr˘ ari.org (UNITBV) Curs 1 March 1. s˘ a se produc˘ a regulile de dependent ¸˘ a care prezic aparit ¸ia unui item pe baza aparit ¸iei altor itemi lucian.

ˆ ın funct ¸ie de aceste grup˘ ari se poate specula partea de cross-selling (ieftine¸ sti un produs dar ˆ ıl scumpe¸ sti pe un altul) sau dispunerea pe raft a lor (cele care se vˆ and ˆ ımpreun˘ a s˘ a fie dispuse apropiat). echiparea ma¸ sinilor care particip˘ a la reparat ¸ii cu anumite unelte. 2012 39 / 42 .Analiza asocierilor: exemple g˘ asirea grupurilor de gene care au funct ¸ii ˆ ınrudite identificarea paginilor Web dintr–un site care sunt accesate ˆ ımpreun˘ a Market Basket Analysis: care sunt produsele care se vˆ and bine ˆ ımpreun˘ a.org (UNITBV) Curs 1 March 1.sasu@ieee. pentru a reduce num˘ arul de deplas˘ ari la client lucian.

lucian. Spre deosebire de analiza asocierilor: aparit ¸ia evenimentelor este reglat˘ a de restrict ¸ii de timp. s˘ a se g˘ aseasc˘ a regulile care pot prezice dependint ¸ele secvent ¸iale dintre evenimente. fiecare cu timpul la care apare.sasu@ieee. 2012 40 / 42 .Descoperirea ¸ sabloanelor secvent ¸iale: definit ¸ie Dˆ andu–se un set de obiecte.org (UNITBV) Curs 1 March 1.

exemple Prezicerea unui atribut continuu pe baza unor atribute independente.Regresie: definit ¸ie. 2012 41 / 42 . dar la regresie valorile variabilei dependente sunt numerice Intens studiat˘ aˆ ın statistic˘ a¸ si ret ¸ele neurale artificiale Exemple: prezicerea volumului de vˆ anz˘ ari prezicerea vitezei vˆ antului pe baza umidit˘ a¸ tii.org (UNITBV) Curs 1 March 1. Similar cu clasificarea. pe o zon˘ a specificat˘ a lucian. temperaturii etc. presiunii.sasu@ieee. prezicerea consumului de curent ˆ ıntr–o anumit˘ a perioad˘ a.

sasu@ieee.Detectarea anomaliilor detectarea deviat ¸iilor semnificative de la comportamentul normal aplicat ¸ii: detectarea fraudelor cu card bancar detectarea intruziunilor ˆ ın ret ¸ele de calculatoare lucian.org (UNITBV) Curs 1 March 1. 2012 42 / 42 .

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer for students: Only $4.99/month.

Master Your Semester with a Special Offer from Scribd & The New York Times

Cancel anytime.