Desvendando seus dados com Amazon Machine Learning
CBR
1. RACIOCÍNIO
BASEADO
EM
CASOS
(CBR)
NIELSEN
RECHIA
PONTIFÍCIA
UNIVERSIDADE
CATÓLICA
DO
RIO
GRANDE
DO
SUL
FACULDADE
DE
INFORMÁTICA
PROGRAMA
DE
PÓS-‐GRADUAÇÃO
EM
CIÊNCIA
DA
COMPUTAÇÃO
BUSINESS
INTELLIGENCE
AND
MACHINE
LEARNING
RESEARCH
GROUP
2. Agenda
Experiências
passadas
Suporte
a
decisão
O
que
é
Raciocínio
Baseado
em
Casos
Fluxo
CBR
O
que
é
um
Caso?
Como
CBR
Funciona?
Aprendizado
em
CBR
Quem
usa
CBR?
Como
usar
CBR?
Exemplo
3. Experiências
passadas
Experiências
passadas
apresentam
informações
de
decisões/ações
em
nosso
dia-‐a-‐dia
estas
informações
são
a
base
de
um
sistema
CBR
!
!
Custo
de
um
produto?
Será
o
mesmo
de
dias
anteriores?
Empresas
realizam
milhares
de
decisões
em
um
dia!
Decisões
corretas
podem
ser
usadas
como
experiências
passadas
4. Suporte
a
decisão
CBR
utiliza
experiências
passadas
(decisões/ações)
para
gerar
novas
decisões/soluções
!
Problemas
para
desenvolver
um
sistema
CBR:
Elicitação
do
conhecimento
Suporte
a
decisão
é
dinâmico
Sistemas
requerem
manutenções
Sistemas
devem
ser
aceitos
pelos
usuários
5. O
que
é
CBR?
Solução
de
novos
problemas
reutilizando
ou
adaptando
soluções
que
foram
utilizadas
na
solução
de
problemas
do
passado
!
Similar
ao
que
muitas
pessoas
realizam
rotineiramente
para
solucionar
seus
problemas
pessoais.
6. O
que
é
CBR?
Qual
resultado
de
12
x
12?
144
Qual
o
resultado
de
13
x
12?
próximo
de
12
x
12
(12
x
12)
+
12
156
7. O
que
é
um
Caso?
Atributos/features/characteristics
que
descrevem
um
determinado
problema
Em
conjunto
com
um
solução
para
este
problema
textos,
números,
símbolos,
imagens,
videos
…
!
Casos
são
eventos
reais!
Que
são
excelentes
para
justificar
decisões
9. O
que
é
um
Caso?
Atributos/features/characteristics
que
descrevem
um
determinado
problema
Em
conjunto
com
um
solução
para
este
problema
textos,
números,
símbolos,
imagens,
videos
…
!
Casos
são
eventos
reais!
Que
são
excelentes
para
justificar
decisões
10. O
que
é
um
Caso?
Características
de
um
casa
são:
Indexadas
Não
indexadas
11. O
que
é
um
Caso?
Características
indexadas:
Usadas
para
recuperação
Indicam
a
solução
para
o
caso
!
Características
não
indexadas:
Não
são
usadas
para
recuperação
Não
indicam
a
solução
para
o
caso
Fornecem
valiosas
informações
contextuais
e
lições
aprendidas
!
Características
podem
mudar
de
status
12. Como
CBR
funciona?
Imagine
uma
decisão
com
dois
fatores
de
influência.
Você
deve
conceder
um
empréstimo
para
uma
determinada
pessoa?
!
Fatores:
rendimento
líquido
mensal
Reembolso
mensal
do
empréstimo
13. Como
CBR
funciona?Rendimento
líquido
mensal
0
5
10
15
20
Reembolso
mensal
do
emprésomo
0 0.625 1.25 1.875 2.5
NOVO
CASO
CASOS
PASSADOS
RUINS
CASOS
PASSADOS
BONS
14. Como
CBR
funciona?Rendimento
líquido
mensal
0
5
10
15
20
Reembolso
mensal
do
emprésomo
0 0.625 1.25 1.875 2.5
Bom
caso
15. Como
CBR
funciona?
Na
vida
real,
o
problema
pode
ser
N
dimensional
Características
podem
ser
ponderadas
para
refletir
sua
importância
Novas
características
podem
ser
adicionadas
se
elas
se
tornarem
relevantes
Tolerante
a
ruído
e
a
falta
de
dados
Denominado
recuperação
do
vizinho
mais
próximo
(KNN)
16. Como
CBR
funciona?
CBR
é
transparente
Experiência
passada
é
um
métodos
aceito
para
justificar
decisões
Vizinho
mais
próximo
recupera
os
melhores
casos
passados
similares
O
processo
é
transparente
Fácil
de
ser
entendido
pelos
usuários
Aumenta
a
aceitação
dos
usuários
17. Como
CBR
funciona?
Sistemas
baseados
em
regras
justificam
suas
decisões
apresentando
o
caminho
percorrido.
regra
33
-‐>
regra
61
-‐>
regra
43
-‐>
regra
102
Este
caminho
pode
confundir
os
usuários
!
Redes
neutrais
e
algoritmos
genéticos
podem
não
justificar
suas
decisões
Usuários
terão
de
acreditar
que
o
programa
está
correto
18. Aprendizado
em
CBR
Suporte
a
decisão
é
dinâmica
CBR
aprende
adquirindo
novos
casos
Sem
adição
de
novas
regras
sem
a
necessidade
de
novos
treinamentos
sem
renovar
a
base
de
dados
19. Quem
usa
CBR?
American
Express
-‐
avaliação
de
risco
em
cartões
de
crédito
Microsoft
–
help
desks
Barclaycard
-‐
fraudes
General
Electric
–
diagnóstico
de
trains,
fabricação
de
plástico
British
Airways
–
Manutenção
de
aviões
Daimler
Chrysler
–
Suporte
para
softwares
Analog
–
Seleção
de
componentes
NASA
–
apoio
para
ônibus
espaciais
Swiss
Bank
-‐
gestão
de
investimentos
Deloitte
Touche
-‐
avaliação
de
fraudes
20. Exemplo
Falha
de
um
carro
Sintomas
observados
(ex:
motor
não
dá
partida)
e
valores
medidos
(ex:
Voltagem
da
bateria
=
6.3V)
Objetivo:
Encontrar
a
causa
da
falha
no
carro
(ex:
Sem
bateria)
e
solução
de
reparo
(ex:
recarregar
bateria)
!
Diagnóstico:
Um
caso
descreve
um
diagnóstico
e
contém:
Descrição
dos
sintomas
Descrição
da
falha
e
a
causa
descrição
da
solução
de
reparo
22. Cada
caso
descreve
uma
situação
!
Casos
são
independentes
um
dos
outros
!
Casos
não
são
regras
23. Solucionando
problema
Faça
observações
sobre
o
novo
caso
!
Nem
todas
as
características
precisam
ser
conhecidas
!
O
novo
problema
é
um
caso
sem
uma
solução
24. Solucionando
um
problema
Compare
o
novo
problema
com
cada
caso
e
selecione
o
caso
mais
similar
!
Similaridade
é
o
conceito
mais
importante
em
CBR
25. Similaridade
Similaridade
é
avaliada
para
cada
característica
Depende
do
valor
da
característica
Características
podem
possuir
diferentes
pesos
(importâncias)
30. Como
CBR
funciona?
Se
o
diagnóstico
está
correto,
armazene
o
novo
caso
na
base
de
casos.
31. Referências
Watson,
Ian,
and
Farhi
Marir.
"Case-‐based
reasoning:
A
review."
The
knowledge
engineering
review
9,
no.
04
(1994):
327-‐354.
Kolodner,
Janet.
Case-‐based
reasoning.
Morgan
Kaufmann,
2014.
de
Mantaras,
Ramon
Lopez.
"Case-‐based
reasoning."
Machine
Learning
and
Its
Applications.
Springer
Berlin
Heidelberg,
2001.
127-‐145.
Leake,
David
B.
Case-‐Based
Reasoning:
Experiences,
lessons
and
future
directions.
MIT
press,
1996.
MACHADO,
N.
L.
et
al.
Case-‐based
Reasoning
for
Experience-‐based
Collaborative
Risk
Management.
The
Twenty-‐Sixth
International
Conference
on
Software
Engineering
and
Knowledge
Engineering
(SEKE
2014),
p.
262-‐267,
2014.
32. RACIOCÍNIO
BASE
EM
CASOS
(CBR)
NIELSEN
RECHIA
PONTIFÍCIA
UNIVERSIDADE
CATÓLICA
DO
RIO
GRANDE
DO
SUL
FACULDADE
DE
INFORMÁTICA
PROGRAMA
DE
PÓS-‐GRADUAÇÃO
EM
CIÊNCIA
DA
COMPUTAÇÃO
BUSINESS
INTELLIGENCE
AND
MACHINE
LEARNING
RESEARCH
GROUP