Recomendados
Más contenido relacionado
Similar a Web 3.0, IoT e ML: Evolução da internet e novas tecnologias
Similar a Web 3.0, IoT e ML: Evolução da internet e novas tecnologias (20)
Web 3.0, IoT e ML: Evolução da internet e novas tecnologias
- 2. Web 3.0 Valor da informação Data Mining Aprisionamento no sistema Monopólio Batalha das redes IoT Internet das coisas Machine Learning
- 3. John Markoff jornalista americano conhecido por ter popularizado termo web 3.0 ou web semântica e por ter escrito sobre a busca e prisão do hacker Kevin Mitnick, ambos através de seu trabalho no New York Times. “Entrepreneurs See a Web Guided by Common Sense.” 12/11/2006 The New York Times John Markoff Em San Francisco
- 4. WEB 1.0 – Primeira evolução da WEB; pouca interatividade ; predominavam sites de empresas e instituições; a era do e-mail e sites de busca. Ex: Google, Cadê, Yahoo, hotmail, etc. WEB 2.0 – A era da interatividade; revolução de blogs e chats; midias sociais colaborativas; redes sociais; popularização da internet; avanço tecnológico em mobiles e aparelhos com aplicativos. Ex.: Youtube, Skype, Facebook, etc. WEB 3.0 - Informações organizadas para entendimento do homem e da máquina; uso inteligente do conhecimento e conteúdo já disponível online; acesso 24h por dia em meios de comunicação.
- 13. Apresenta-se como um fluxograma, disposto sob forma de uma árvore, conforme ilustrado, no qual cada nó contém o nome do atributo que terá o seu valor testado. Nos galhos, encontram-se as saídas dos testes; e nas folhas, as classes resultantes da classificação; Fonte: NEVES, Cesar das. Análise de Investimentos: Projetos Industriais e Engenharia Econômica. Zahar Editores, Rio de Janeiro, 1982.
- 14. OBJETO ATRIBUTO ALGORÍTIMO DE APRENDIZADO CLASSE EXEMPLO FEBRE 1 SIM 2 NÃO 3 SIM 4 SIM 5 SIM 6 NÃO ENJOÔ SIM NÃO SIM NÃO NÃO NÃO MANCHAS PEQUENAS GRANDES PEQUENAS GRANDES PEQUENAS GRANDES DOR SIM NÃO NÃO SIM SIM SIM DIAGNÓSTICO DOENTE SAUDÁVEL SAUDÁVEL DOENTE SAUDÁVEL DOENTE EXEMPLO FEBRE N1 NÃO N2 SIM ENJOÔ MANCHAS NÃO PEQUENAS SIM GRANDES DOR SIM SIM DIAGNÓSTICO ? ? APRENDIZADO DO MODELO DEDUÇÃO MODELO BASGALUPP,2010 – FERREIRA,2008
- 15. → ID3 → C4.5 → CART
- 16. É a aplicação de algoritmos específicos para a extração de informações do banco de dados. (FAYYAD, Usama; PIATETSKY-SHAPIRO, Gregory; SMYTH, Padhraic. From data mining to knowledge discovery: An overview. In: Advances in Knowledge Discovery and Data Mining, AAAI Press / The MIT Press, MIT, Cambridge, Massachusetts, and London, England,.p 3) The Data Mine (http://www.the-data-mine.com/) Knowledge Discovery Mine (http://www.kdnuggets.com/)
- 17. “Data mining não é algo novo. Apesar de algumas novas técnicas, a análise de dados existe antes mesmo da existência dos computadores.” “Data mining is a business process for exploring large amounts of data to discover meaningful patterns and rules” (LINOFF,Gordon S. e Berry,Michael J. A.; WILEY.1997.p2) www.wiley.com/go/dataminingtechniques3e http://blog.data-miners.com/
- 18. 1. Identificação de um problema ou objetivo a ser alcançado: 2. Descoberta de Conhecimento : novas relações não identificáveis a olho nu, mas podem ser visualizadas com procedimentos mecânicos. 3. Análise das Relações descobertas: depende ainda do raciocínio humano 4. Uso das relações Descobertas: utilização das melhores relações 5. Avaliação dos resultados (Luís Alfredo Vidal de Carvalho)
- 19. Descoberta de Conhecimento em Banco de Dados FAYYAD et al. (1996): “processo, não trivial, de extração de informações implícitas, previamente desconhecidas e potencialmente úteis, a partir dos dados armazenados em um banco de dados”. Fonte: http://fp2.com.br/blog/index.php/2012/um-visao-geral-sobre-fases-kdd/
- 20. Classificar um objeto é determinar com que grupo de entidades, já classificadas anteriormente , este objeto apresenta mais semelhança ; Estimar uma grandeza é avaliá-la tendo com base casos semelhantes nos quais essa grandeza esteja presente; Consiste na determinação do futuro de uma grandeza; Preocupa-se em descobrir que elementos dos eventos têm relações no tempo; Baseado em medidas de semelhança, definir quantas e quais classes existem em um conjunto de entidades Fonte: CARVALHO, Luís Alfredo Vidal de. DATA MINING:, 2002, segunda edição , Ed. Érica Ltda.
- 21. Embora praticamente hoje não exista nenhuma área de conhecimento em que as técnicas de mineração de dados não possam ser usadas, existem áreas onde o uso têm sido empregado com maior frequência: : sistemas que detectam e diagnosticam erros na fabricação de produtos têm sido largamente desenvolvidos por grandes empresas (normalmente utilizam técnicas de Análise de Agrupamentos). Em qualquer área, corrigir um erro logo na sua origem é muito mais barato do que no final da produção, ou pior, depois que o produto chegou as mãos dos consumidores. diversas empresas têm usado técnicas de mineração de dados, embora a maioria delas não as revela, para obter ganhos financeiros. São usados especialmente modelos de redes neurais no mercado de ações e na previsão da cotação do ouro e do dólar; a seleção de potenciais consumidores, através de perfis ou histórico de transações, causa significativa redução dos custos com o envio de correspondências em sistemas de mala direta; reclamações indevidas de seguro, chamadas clonadas de telefones celulares e compras fraudulentas com cartão de crédito possuem mais em comum do que o prejuízo que causam para as empresas: possuem padrões a detecção de fraude procura justamente identificar esses padrões; Fonte: http://fp2.com.br/blog/index.php/2012/um-visao-geral-sobre-fases-kdd/
- 22. É um sub-campo da inteligência artificial dedicado ao desenvolvimento de algoritmos e técnicas que permitam ao computador aprender, isto é, que permitam ao computador aperfeiçoar seu desempenho em alguma tarefa
- 23. Google Science Fair: A More Effective Way to Detect Breast Cancer Publicado em 29/01/2013 Register to compete in the Google Science Fair 2013 athttps://www.googlesciencefair.com.
- 24. •Aprendizado Supervisionado “Ensinando o computador a fazer qualquer coisa” •Aprendizado Não Supervisionado “Deixando o computador aprender por si próprio” •Aprendizado por reforço “A cada interação há uma pergunta de satisfação daquela ação, afim de melhorar as próximas ações”
- 25. Exemplos: Regressão logística: >Prever o valor de venda de casas, sabendo o tamanho em m2, o número de quartos e a respectiva idade. >Prever o preço de uma matéria prima, sabendo a quantidade da produção e da procura. >Em instituições financeiras, pode detectar os grupos de risco para a subscrição de um crédito.
- 26. Exemplos: Classificação: >Detecção de spam: Analisa e-mails e classifica-os como sendo spam ou não. >Reconhecimento de dígitos escritos à mão: Analisa imagens de dígitos escritos à mão e classifica-os de 0 a 9. >Detecção de anomalias/fraudes: Analisa vários indicadores de um equipamento e classifica-o como tendo uma anomalia ou não. Analisa o comportamento de um utilizador num website e classifica se existe actividade fraudulenta ou não.
- 27. Exemplos: Unsupervised Learning: >Catalogar e agrupar automaticamente as noticias que tratem do mesmo assunto (Google News). >Identificar segmentos de mercado através de elementos recolhidos do perfil dos consumidores e do tipo de consumo, para fazer promoções ou publicidade dirigida a alguns desses segmentos.
- 28. Exemplos: Outros Exemplos: >Reconhecimento de caracteres numa imagem. >Recomendação de filmes/livros a um determinado utilizador baseado nos ratings desse utilizador a outros filmes/livros.
- 29. •Dependência gerada por alguma opção previamente tomada. •Dificuldade para realizar a troca: -Custos; -Tecnologia -Contratos; -Conhecimento específico. Fonte: Caderno de pesquisas em Administração, São Paulo, v.8, Janeiro/Março 2001
- 30. Fonte: Caderno de pesquisas em Administração, São Paulo, v.8, Janeiro/Março 2001
- 32. Jonathan L. Zittrain (born December 24, 1969) is an American professor of Internet law at Harvard Law School and the Harvard Kennedy School, a professor of computer science at the Harvard School of Engineering and Applied Sciences, and a faculty codirector of Harvard's Berkman Center for Internet & Society. Previously, Zittrain was Professor of Internet Governance and Regulation at the Oxford Internet Institute of the University of Oxford and visiting professor at the New York University School of Law and Stanford Law School.
- 33. -Caixa Fechada – Década de 60 - IBM (1969) - Criação do PC (Computador de Casa) - Necessidade dos Computadores se comunicarem Fonte: Wikipedia
- 39. I O T
- 40. I O T As tecnologias necessárias : I. Identificar objetos através de códigos de barras, etiquetas RFID e matrizes bi-dimensionais, entre outros. II. Agregar dados à identificação do objeto. III. Monitorar variáveis ambientais por meio de sensores eletrônicos. IV. Processar dados. V. Formar redes de comunicações entre objetos. VI. Comunicar com a Internet.
- 41. I O T A maior parte dessas tecnologias já se encontra disponível, mas são necessários avanços que aumentem a capacidade de memória e de processamento das etiquetas sem aumentar muito significativamente seu consumo de energia e que tornem os circuitos menos suscetíveis a flutuações dos processos de fabricação. Porém o maior desafio é de natureza sistêmica: definir padrões de interoperabilidade dos vários elementos de um sistema de IoT que garantam sua estabilidade, confiabilidade e economicidade.
- 42. I O T • Comportamento de rastreamento; • Consciência situacional melhorada; • Saúde Humana ; • Consumo de recursos otimizado; • Sistemas autônomos complexos; • Segurança alimentar.
- 43. Social Machines “A internet é a máquina mais confiável de todos os tempos . Feito de imperfeitas peças confiáveis ligados entre si, para tornar a coisa mais confiável que temos " Kevin Kelly
- 44. Social Machines Paradigma para desenvolvimento de sistemas que visa unificar Processos computacionais e Processos Sociais. “A partir do momento em que você permite interação, compartilhamento e co-criação de conteúdos, esta é uma forma de implementar esses processos sociais”, Vanilson Buregio.
- 45. Social Machines
- 56. • No conjunto do país, são 46.634.678 usuários de planos de saúde, segundo dados de 2011 da Agência Nacional de Saúde Suplementar (ANS). • População que depende exclusivamente do SUS, soma 144.098.016 pessoas; • Temos 1,95 de postos médicos nos estabelecimentos públicos por 1000 HABITANTES; • A Bahia conta com apenas 1,25 posto ocupado por 1.000 habitantes; • O quadro de penúria e desigualdade é ainda maior em estados como Maranhão e Pará, que contam com menos de um posto de trabalho médico ocupado por 1.000 habitantes/SUS. http://www.cremesp.org.br/?siteAcao=CentroDados&acao=detalhe s_capitulos&cod_capitulo=4
- 57. PENSANDO QUE ESTAMOS FALANDO DE VIDAS QUE PODERÍAM SER SALVAS... ISTO PARECE BOM PRA VOCÊ ?
- 58. The Future of the Internet and How to Stop it: Published March 30,2008. Cap 1,2,3 e 4, Authored by Jonathan Zittrain; The emerging Webof Social Machine http//arxiv.org/ftp/arxiv/papers/1010/1010.3045.pdf The big switch.Rewiring the World,from Edison to Google.Carr(2008) FLETCHER,Dan. How Facebook is redefining privacy.2010. CARDOSO,Jorge. The semantic web vision:Where are we? Intelligent Systems, IEEE,v.22,n.5,p.84-88,2007. HENDLER, Jim;BERNERS-LEE,Tim. From the Semantic Web to social machines:A research challengefor Al on the World Wide Web. Artificial Intelligence,v.174,n.2,p.156-161,2010. WITTEN,lan H;FRANK,Eibe.Data Mining:Practical Machine Learning tools and techniques.Morgan Kaufmann,2005. www.data.gov.uk http://www.technologyreview.com/communications/1/4664 http://cyber.law.harvard.edu/iif/Syllabus http://portal.saude.gov.br/portal/arquivos/pdf/painel_%20indicadores_do_SUS.pdf http://www2.datasus.gov.br/DATASUS/index.php http://www2.datasus.gov.br/DATASUS/index.php?area=0701&item=1&acao=22 http://portalsaude.saude.gov.br/portalsaude/index.cfm?portal=pagina.visualizarArea&codArea= 369
- 59. <ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/ia004_1s10/notas_de_aula/topico7_IA0 04_1s10.pdf>. Acesso em: 01 de nov de 2013, 20:30:14 http://189.28.128.178/sage/index.php?tp=1&pr=2&ufibge=29 http://www.cremesp.org.br/?siteAcao=CentroDados&acao=detalhes_capitulos&cod_capit ulo=4 Machine learning: an algorithmic perspective / Stephen Marsland. p. cm. -(Chapman & Hall/CRC machine learning & pattern recognition series), 2009