TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE …laboratorios.fi.uba.ar/lsi/rgm/CD-TIpEI/Ap-Procesos.pdf · Descubrimiento de reglas de ... NAT e INT respectivamente. El perfil de

TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN Dr. Ramón García-Martínez

TECNOLOGÍAS INTELIGENTESPARA EXPLOTACIÓN DE INFORMACIÓN

PROCESOS Y CASOS DE ESTUDIO

Dr. Ramón García-MartínezCURSO DE DOCTORADO


PROCESOS EI

CORRESPONDENCIA ENTRE PROCESOS DE EXPLOTACION DE INFORMACION, TECNOLOGIAS INTELIGENTES E INTELIGENCIA DE NEGOCIO

Predicción

Agrupamiento

Ponderación

Inducción

Agrupamiento + InducciónInducción + PonderaciónAgrupamiento + Ponderación

Redes BP

Redes SOM

Redes Bayesianas

Algoritmos TDIDT

SOM + TDIDT

TDIDT + Redes BayesianasSOM + Redes Bayesianas

TECNOLOGIAS PROCESO EXPLOTACION DE INFO PARA INTELIGENCIA DE NEGOCIO

Descubrimiento de reglas de comportamiento

Descubrimiento de grupos

Ponderación de interdependencia de atributosDescubrimiento de reglas de pertenencia a gruposPonderación de atributos relevantes en reglas de comportamientoPonderación de atributos relevantes en cada grupo descubierto

Predicción de valores de atributos


Aplica cuando en un patrón <atributos de entrada, atributos de salida> se requiere predecir el valor de los atributos de salida para unos atributos de entrada dados.

Predicción de flujo de ventas

PROCESO: PREDICCION DE VALORES DE ATRIBUTOS

Ejemplos de problemas que requieren este proceso:

Predicción de flujo de demanda

Predicción del variables geofisicas en prospección petrolera.



Identificaciónde atributosde entrada y

de salida

Archivos con atributosde entrada y salida identificados (patrones)

Entrenamiento de Red BP para el reconocimiento de correspondencia de atributos de salida con los de entrada

Red BP entrenada



Inferir anomalías y variaciones de velocidades en capas con espesores muy por debajo de la resolución sísmica a partir de la sección sísmica y datos de pozo. Utilizando la predicción de datos faltantes.

Cersosimo, S., Ravazzoli, C., García-Martínez, R., 2006. Identification of Velocity Variations in a Seismic Cube UsingNeural Networks. IFIP Series, 218: 11-19.

CASO:

REFERENCIAS:


Aplica cuando se requiere identificar una partición en la masa de información disponible sobre el dominio de problema.

Identificación de segmentos de clientes para bancos y financieras

PROCESO: DESCUBRIMENTO DE GRUPOS


identificación de tipos de llamadas de clientes para empresas de telecomunicaciónidentificación de grupos sociales con las mismas característicasidentificación de grupos de estudiantes con características homogéneas

Gentileza: M.Ing. Paola Britos


PROCESO: DESCUBRIMENTO DE GRUPOSGentileza: M.Ing. Paola Britos

SOM

Generación de archivos de grupos



Britos, P., Grosser, H., Rodríguez, D., Garcia-Martinez, R. (2008). Detecting Unusual Changes of Users Consumption. IFIP Series, 276: 297-306.

CASO:

REFERENCIAS:

Se desea descubrir los patrones de llamadas de un usuario dado para llamadas locales, llamadas nacionales o y llamadas internacionales en orden a detectar desvios en dichos patrones.

El perfil de usuario se estará representando con la distribución de frecuencia en la cuál un determinado usuario realiza un tipo de llamada determinada, mostrando esta estructura dedatos el patrón de consumo del mismo.

Las redes SOM) pueden tomar esta información y construir estos patrones de manera no supervisada por criterios de semejanza, sin saber nada a priori de los datos.

Para evitar ruidos en los datos, se utilizan 3 redes SOM que generen patrones para representar a las llamadas LOC, NAT e INT respectivamente.

El perfil de usuario se construye utilizando todos los patrones generados por las 3 redes.



Patrones generados llamadas locales

05

101520253035

0 5 10 15 20 25

Hora

Dur

ació

n

Distribución de frecuencias CUP

0

0,005

0,01

0,015

1 17 33 49 65 81 97 113 129 145 161 177 193 209 225 241

PATRONES(1-144: LOC, 145-208: NAT, 209-244: INT)

Frec

uenc

ia

Distribución de frecuencias UPH

0

0.002

0.004

0.006

0.008

0.01

1 16 31 46 61 76 91 106

121

136

151

166

181

196

211

226

241

PATRONES(1-144: LOC, 145-208: NAT, 209-244: INT)

Frec

uenc

ia

PATRONES DE CONSUMO DE LA POBLACION DE USUARIOS

PATRONES DE CONSUMO DE UN USUARIO DADO EN EL TIEMPO T

PATRONES DE CONSUMO DE UN USUARIO DADO EN EL TIEMPO T+P


Aplica cuando se requiere identificar cuales son las condicionespara obtener determinado resultado en el dominio del problema.

Identificación de características del local mas visitado por los clientes

PROCESO: DESCUBRIMENTO DE REGLAS DE COMPORTAMIENTO


Identificación de factores que inciden en el alza las ventas de un producto dadoEstablecimiento de características o rasgos de los clientes con alto grado de fidelidad a la marcaEstablecimiento de atributos demográficos y psicográficos que distinguen a los visitantes de un website



PROCESO:Gentileza: M.Ing. Paola Britos

Identificaciónde atributoClase

DESCUBRIMENTO DE REGLAS DE COMPORTAMIENTO

Reglas de Comportamiento

Aplicaciónde TDIDT



Britos, P. Abasolo, M., García-Martínez, R. y Perales, F. 2005. Identification of MPEG-4 Patterns in Human Faces UsingData Mining Techniques. Proceedings 13 th InternationalConference in Central Europe on Computer Graphics, Visualization and Computer Vision: 9-10.

CASO:

REFERENCIAS:

A partir de una base de datos con medidas antropométricas del rostro humano (MPEG4 FDP Face Definition Parameters) desarrolladas por la Universidad de las Islas Baleares se busca ver si existen reglas que permitan caracterizar diferencias en los rostros segun el sexo.




Aplica cuando se requiere identificar cuales son los factores con mayor incidencia (o frecuencia de ocurrencia) sobre un determinado resultado del problema.

Factores con incidencia sobre las ventas

PROCESO: PONDERACION DE INTERDEPENDENCIADE ATRIBUTOS


Rasgos distintivos de clientes con alto grado de fidelidad a la marca

Atributos claves que convierten en vendible a un determinado productoCaracterísticas sobresalientes que tienen los visitantes de un website




Identificaciónde atributoClase

Aplicaciónde TDIDT

PONDERACION DE INTERDEPENDENCIADE ATRIBUTOS


Aplica cuando se requiere identificar cuales son las condicionesde pertenencia a cada una de las clases en una partición desconocida “a priori”, pero presente en la masa de información disponible sobre el dominio de problema.

Tipología de perfiles de clientes y caracterización de cada tipología

PROCESO: DESCUBRIMIENTO DE REGLAS DE PERTENENCIA A GRUPOS


Distribución y estructura de los datos de mi website

Segmentación etaria de mis estudiantes y comportamiento de cada segmentoClases de llamadas telefónicas en una región y caracterización de cada clase




DESCUBRIMIENTO DE REGLAS DE PERTENENCIA A GRUPOS

SOM

Generación de archivos de grupos

Identificación de atributo

clase

Aplicación TDIDT

Reglas de Comportamiento de cada Grupo



Cogliati, M., Britos, P., García-Martínez, R. 2006. Patterns in Temporal Series of Meteorological Variables Using SOM & TDIDT. IFIP Series, 217: 305-314.

CASO:

REFERENCIAS:

En un grupo de series cronológicas de variables meteorológicas (temperatura, presión, intensidad dirección de viento) en Allen, en el Alto Valle del Río Negro se busca encontrar correlaciones entre características de la dirección e intensidad del viento, y el comportamiento de la temperatura del aire y la presiónatmosférica.



Conjunto de registros de fenómenos meteorológicos

Clusters de registros de fenómenos meteorológicos

SOM

TDIDT TDIDT

TDI DT

TDIDT

TDIDTTDIDT

TDIDT

TDIDT

HELADASRADIATIVAS


Aplica cuando se requiere identificar cuales son las condicionescon mayor incidencia (o frecuencia de ocurrencia) en la determinación de una clase (cuyo comportamiento está descriptoen términos de reglas)

Rasgo con mayor presencia en los clientes con alto grado de fidelidad a la marca

PROCESO:


Frecuencia de ocurrencia de cada perfil de de clientes


PONDERACIÓN DE ATRIBUTOS RELEVANTES EN REGLAS DE COMPORTAMIENTO


PROCESO:


PONDERACIÓN DE ATRIBUTOS RELEVANTES EN REGLAS DE COMPORTAMIENTO

Identificación del atributo

clase

Identificación del atributos antecedentes y consecuentes clase

Base con atributos

relevantes y y clase

asociada


PROCESO:PONDERACIÓN DE ATRIBUTOS RELEVANTES EN REGLAS DE COMPORTAMIENTO

Jiménez Rey, E., Rodríguez, D., Britos, P., García-Martínez, R. (2008). Identificación de Problemas de Aprendizaje de Programación con Explotación de Información. Proceedingsdel XIV Congreso Argentino de Ciencias de la Computación, Workshop de Tecnología Informática Aplicada en Educación, Artículo 1881. ISBN 978-987-24611-0-2.

Britos, P., Jiménez Rey, E., García-Martínez, E. (2008). Work in Progress: Programming Misunderstandings Discovering Process Based On Intelligent Data Mining Tools. Proceedings 38th ASEE/IEEE Frontiers in Education Conference. Session F4H: Assessing and Understanding Student Learning. ISBN 978-1-4244-1970-8.

CASO:

REFERENCIAS:

El Profesor de un curso de programación básica desea explorar qué conceptos mal aprendidos están relacionados con el hecho de que los estudiantes no logren descubrir el algoritmo correctoasociado al problema propuesto y cuales de aquellos tienen mayor incidencia

VARIABLE DE CLASE ¿Logra Descubrir el Algoritmo?

¿Descubre la Naturaleza del Problema? ¿Comprende el Objetivo del Problema? ¿Consigue Generalizar la Solución? ¿Aplica Método de Refinamientos Sucesivos? ¿Logra Funcionamiento del Programa? ¿Obtiene una Solución Lógica? ¿Controla Condición Fin de Ciclo Repetitivo? ¿Usa Conectores Lógicos en forma correcta?

VARIABLES PREDICTORAS


PROCESO:PONDERACIÓN DE ATRIBUTOS RELEVANTES EN REGLAS DE COMPORTAMIENTO(TDIDT)


PROCESO:PONDERACIÓN DE ATRIBUTOS RELEVANTES EN REGLAS DE COMPORTAMIENTO(Redes Bayesianas)

Se aplican redes bayesianas a las variables que aparecen en las distintas reglas identificadas

-100%

20%80%

96%4%

86%14%

El estudiante descubre el algoritmo = síEl estudiante descubre el algoritmo = no

-100%

-

7%87%7%

25%62%12%

57%29%14%

El estudiante logra funcionamiento del programa = síEl estudiante logra funcionamiento del programa = noEl estudiante logra funcionamiento del programa = sí, con algún error

-100%

47%53%

100%-

86%14%

El estudiante generaliza la solución = síEl estudiante generaliza la solución = no

79%21%

93%7%

100%-

86%14%

El estudiante comprende el objetivo del problema = síEl estudiante comprende el objetivo del problema = no

24%76%

87%13%

100%-

86%14%

El estudiante descubre la naturaleza del problema = síEl estudiante descubre la naturaleza del problema = no

67%14%19%

67%20%13%

79%17%4%

100%--

El estudiante usa conectores lógicos correctamente = síEl estudiante usa conectores lógicos correctamente = noEl estudiante usa conectores lógicos correctamente = no evaluado

43%43%

-

67%13%20%

67%8%25%

86%14%

-

El estudiante controla finalización ciclo repetitivo = síEl estudiante controla finalización ciclo repetitivo = noEl estudiante controla finalización ciclo repetitivo = no siempre

86%5%

10%

60%20%20%

58%17%25%

86%-

14%

El estudiante programó alguna vez = noEl estudiante programó alguna vez = sí, en lenguaje Pascal El estudiante programó alguna vez = sí, en otro lenguaje

14%69%17%

33%67%

-

50%38%12%

71%14%14%

El estudiante aplica método de refinamientos sucesivos = síEl estudiante aplica método de refinamientos sucesivos = incompletoEl estudiante aplica método de refinamientos sucesivos = no

MalaRegularBuenaMuy Buena

El estudiante obtiene una solución lógicaVARIABLES


Aplica cuando se requiere identificar cuales son las condicionescon mayor incidencia (o frecuencia de ocurrencia) en los atributos descriptores de un grupo.

Identificación del factor dominante que incide en el alza las ventas de un producto dado

PROCESO:


Identificación del tipo de llamada mas frecuente en una región


PONDERACIÓN DE ATRIBUTOS RELEVANTES EN GRUPOS DESCUBIERTOS


PROCESO:


PONDERACIÓN DE ATRIBUTOS RELEVANTES EN GRUPOS DESCUBIERTOS

Aplicaciónde SOM

Identificación del atributos y grupo asociado

Documents

TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE …laboratorios.fi.uba.ar/lsi/rgm/CD-TIpEI/Ap-Procesos.pdf · Descubrimiento de reglas de ... NAT e INT respectivamente. El perfil de