Data Mining: Introduction Chapitre 1 Introduction au Data Mining

Pourquoi le Data Mining? Point de vue commercial Beaucoup de données collectées et emmagasinées (entrepots) Web, e-commerce Achats supermarchés, etc. Transactions avec cartes de crédit/ cartes bancaires Ordinateurs moins chers er plus puissants Concurrence très forte Fournir de meilleurs services personnalisés pour avoir un avantage (e.g. Gestion de la Relation Clients, CRM)

Pourquoi le Data Mining? Point de vue Scientifique Données collectées, sauvegardées à très grandes vitesses (GB/heure) capteurs à distance sur un satellite télescopes à scruter le ciel microarrays générant des données sur les gênes simulations scientifiques générant des téraoctets de données Techniques traditionnelles non utilisables sur des données brutes Le Data Mining peut aider les scientifiques à classer et segmenter des données formuler des hypothèses

Mining d’ensembles de données larges- Motivation Le plus souvent il existe des informations “cachées” dans les données (pas rapidement évidentes) Les analystes humains peuvent prendre des semaines à découvrir des informations utiles Bonne partie des données jamais analysées! L’écart de données! Disk total nouveau (TB) depuis 1995 Nombre d’analystes From: R. Grossman, C. Kamath, V. Kumar, “Data Mining for Scientific and Engineering Applications”

Qu’est-ce que le Data Mining? Beaucoup de définitions: Extraction à partir de données données d’informations implicites, non triviales, non connues précédemment et potentiellement utiles. Exploration & analyse, par moyens automatiques ou semi-automatiques de larges quantités de données afin de découvrir des modèles/ relations significatifs

Qu’est-ce qui n’est pas Data Mining? rechercher un n° de tél. dans un annuaire téléphonique Questionner un moteur de recherche web pour informations sur “Amazon” Ce qu’est le Data Mining: Certain noms sont plus communs dans certaines locations/provinces/wilayas (O’Brien, O’Rurke, O’Reilly… dans la région de Boston) Regrouper les documents similaires retournés par le moteur de recherche selon leurs contextes (par exemple forêt amazonienne, Amazon.com,)

Origines du Data Mining Emprunte des idées à l’apprentissage automatique/IA, reconnaissance de formes, statistiques, et SGBD Techniques traditionelles peuvent ne pas être adéquates Taille énorme des données Haute dimensionalité des données nature hétérogène, distribuée des données Statistics/ AI Machine Learning/ Pattern Recognition Data Mining Database systems

Les tâches du Data Mining Méthodes de Prédiction Utiliser des variables pour prédire les valeurs inconnues ou futures d'autres variables Méthodes de description Trouver des modèles humainement interprétables qui décrivent les données. From [Fayyad, et.al.] Advances in Knowledge Discovery and Data Mining, 1996

Les tâches du Data Mining… Classification [prédictive] Clustering [descriptif] Découverte de règles d'association [descriptif] Découverte de motifs séquentiels [descriptif] Détection de déviations [prédictive]

Classification: Définition Étant donnée une collection de documents (ensemble d'apprentissage) Chaque enregistrement contient un ensemble d'attributs, l'un des attributs est la classe. Trouver un modèle pour l'attribut classe en fonction des valeurs des autres attributs. Objectif: assigner aux enregistrements précédemment invisibles une classe de façon aussi précise que possible. Un ensemble d'apprentissage est utilisé pour déterminer la précision du modèle. Habituellement, l'ensemble de données est divisée en ensembles d'apprentissage (modèle) et d'essai (valider le modèle),

Example de Classification categorique categorique continue classe Test Set Learn Classifier Model Training Set

Classification: Application 1 Marketing Direct But: Réduire les coûts de postage/ publicité en ciblant un ensemble de consommateurs susceptibles d'acheter un nouveau produit de téléphonie mobile Approche: Utiliser les données pour un produit similaire introduit précédemment Nous savons quels clients ont décidé d'acheter ou pas. Cette décision {acheter, ne pas acheter} devient l'attribut de classe. Recueillir diverses caractéristiques démographiques, style de vie, et informations sur les intéractions sociales sur tous ces clients. Type d'entreprise, où ils vivent, combien ils gagnent, etc. Utilisez ces informations comme attributs d'entrée pour apprendre un modèle de classification From [Berry & Linoff] Data Mining Techniques, 1997

Classification: Application 2 Détection de Fraudes But: Prédire les cas de transactions fraudules d’utilisations de cartes de crédit. Approache: Utiliser les transactions par cartes de crédit et les informations du titulaire du compte comme attributs Quand est-ce qu’un client fait des achats, qu’achète -t-il, combien de fois il paie à temps, etc . Label les transactions passées comme des opérations frauduleuses ou correctes. Cela constitue l'attribut de classe. Apprendre un modèle de la classe de transactions. Utiliser ce modèle pour détecter les fraudes en observant les transactions par carte de crédit sur un compte donné.

Classification: Application 3 Désabonnement / perte de clients: But: prédire si un client est susceptible d'être perdu à un concurrent. Approche: Utilisez un rapport détaillé des transactions avec chacun des clients passés et présents, pour trouver des attributs. Fréquence d’appels du client, où il appelle, quelle heure de la journée il appelle, sa situation financière, l'état matrimonial, etc. Label les clients fidèles ou infidèles. Trouver un modèle de fidélité From [Berry & Linoff] Data Mining Techniques, 1997

Classification: Application 4 Catalogage d’une étude “exhaustive” du ciel (Sky Survey) But: prédire la classe (étoile ou galaxie) des objets célestes, en particulier les plus difficiles à déceler, basés sur les images télescopiques (de l'Observatoire Palomar). 3000 images à 23,040 x 23,040 pixels par image. Approche: Segmenter l'image. Mesurer les attributs de l'image (caractéristiques) - 40 par objet. Modeliser la classe en fonction de ces caractéristiques. Success Story: vous pourrez trouver 16 nouveaux quasars à » haut décalage vers le rouge », quelques-uns des objets les plus éloignés qui sont difficiles à trouver! From [Fayyad, et.al.] Advances in Knowledge Discovery and Data Mining, 1996

Classifying Galaxies Tôt Classe: Attributs: Intérmédiaire Tard Courtesy: http://aps.umn.edu Tôt Classe: Phase de Formation Attributs: Caractéristiques de l’Image, Caractéristiques des ondes de lumière reçues, etc. Intérmédiaire Tard Taille des données: 72 millions d’étoiles, 20 millions de galaxies Catalogue d’Objects : 9 GB BD d’Images : 150 GB

Clustering Definition Given a set of data points, each having a set of attributes, and a similarity measure among them, find clusters such that Data points in one cluster are more similar to one another. Data points in separate clusters are less similar to one another. Similarity Measures: Euclidean Distance if attributes are continuous. Other Problem-specific Measures.

Illustrating Clustering Euclidean Distance Based Clustering in 3-D space. Intracluster distances are minimized Intercluster distances are maximized

Clustering: Application 1 Market Segmentation: Goal: subdivide a market into distinct subsets of customers where any subset may conceivably be selected as a market target to be reached with a distinct marketing mix. Approach: Collect different attributes of customers based on their geographical and lifestyle related information. Find clusters of similar customers. Measure the clustering quality by observing buying patterns of customers in same cluster vs. those from different clusters.

Clustering: Application 2 Document Clustering: Goal: To find groups of documents that are similar to each other based on the important terms appearing in them. Approach: To identify frequently occurring terms in each document. Form a similarity measure based on the frequencies of different terms. Use it to cluster. Gain: Information Retrieval can utilize the clusters to relate a new document or search term to clustered documents.

Illustrating Document Clustering Clustering Points: 3204 Articles of Los Angeles Times. Similarity Measure: How many words are common in these documents (after some word filtering).

Clustering of S&P 500 Stock Data Observe Stock Movements every day. Clustering points: Stock-{UP/DOWN} Similarity Measure: Two points are more similar if the events described by them frequently happen together on the same day. We used association rules to quantify a similarity measure.

Association Rule Discovery: Definition Given a set of records each of which contain some number of items from a given collection; Produce dependency rules which will predict occurrence of an item based on occurrences of other items. Rules Discovered: {Milk} --> {Coke} {Diaper, Milk} --> {Hammoud}

Association Rule Discovery: Application 1 Marketing and Sales Promotion: Let the rule discovered be {Bagels, … } --> {Potato Chips} Potato Chips as consequent => Can be used to determine what should be done to boost its sales. Bagels in the antecedent => Can be used to see which products would be affected if the store discontinues selling bagels. Bagels in antecedent and Potato chips in consequent => Can be used to see what products should be sold with Bagels to promote sale of Potato chips!

Association Rule Discovery: Application 2 Supermarket shelf management. Goal: To identify items that are bought together by sufficiently many customers. Approach: Process the point-of-sale data collected with barcode scanners to find dependencies among items. A classic rule -- If a customer buys diaper and milk, then he is very likely to buy baby food. So, don’t be surprised if you find baby food stacked next to diapers!

Association Rule Discovery: Application 3 Inventory Management: Goal: A consumer appliance repair company wants to anticipate the nature of repairs on its consumer products and keep the service vehicles equipped with right parts to reduce on number of visits to consumer households. Approach: Process the data on tools and parts required in previous repairs at different consumer locations and discover the co-occurrence patterns.

Sequential Pattern Discovery: Definition Given is a set of objects, with each object associated with its own timeline of events, find rules that predict strong sequential dependencies among different events. Rules are formed by first disovering patterns. Event occurrences in the patterns are governed by timing constraints. (A B) (C) (D E) (A B) (C) (D E) <= ms <= xg >ng <= ws

Sequential Pattern Discovery: Examples In telecommunications alarm logs, (Inverter_Problem Excessive_Line_Current) (Rectifier_Alarm) --> (Fire_Alarm) In point-of-sale transaction sequences, Computer Bookstore: (Intro_To_Visual_C) (C++_Primer) --> (Perl_for_dummies,Tcl_Tk) Athletic Apparel Store: (Shoes) (Racket, Racketball) --> (Sports_Jacket)

Regression Predict a value of a given continuous valued variable based on the values of other variables, assuming a linear or nonlinear model of dependency. Greatly studied in statistics, neural network fields. Examples: Predicting sales amounts of new product based on advetising expenditure. Predicting wind velocities as a function of temperature, humidity, air pressure, etc. Time series prediction of stock market indices.

Deviation/Anomaly Detection Detect significant deviations from normal behavior Applications: Credit Card Fraud Detection Network Intrusion Detection Typical network traffic at University level may reach over 100 million connections per day

Challenges of Data Mining Scalability Dimensionality Complex and Heterogeneous Data Data Quality Data Ownership and Distribution Privacy Preservation Streaming Data