Inteligência de enxame aplicada a problemas complexos de análise de dados : agrupamento multiobjetivo e mineração de regras de associação em Data Streams

Abstract

O crescente acúmulo de dados, das mais diversas origens, traz intrinsecamente a necessidade de desenvolvimento de novas e robustas ferramentas de análise. Dentre os muitos problemas de análise de dados da literatura, dois deles vêm recebendo especial atenção nos últimos anos, tanto no âmbito acadêmico quando no mercado: agrupamento multiobjetivo de dados; e a análise de fluxos de dados (data streams). Ao mesmo tempo, algoritmos inspirados no comportamento de sistemas biológicos vêm sendo aplicados com sucesso na solução de problemas complexos, como os anteriormente citados. É nesse contexto que propomos duas novas versões de algoritmos de inteligência de enxame para resolver esses problemas. Mais especificamente, um algoritmo inspirado no comportamento coletivo de abelhas é usado para resolver o problema de agrupamento multiobjetivo, enquanto uma ferramenta inspirada na tomada de decisão coletiva de bactérias é usada para minerar regras de associação em fluxos de dados. Os algoritmos são potencialmente aplicáveis aos problemas em questão e a contribuição principal dessa tese é a investigação da adaptação deles e posterior aplicação em problemas complexos de mineração de dados, já citados. Este documento traz a fundamentação teórica necessária ao desenvolvimento e compreensão da pesquisa, apresenta os modelos propostos e os resultados experimentais obtidos, a conclusão do desempenho atingido e uma reflexão sobre os próximos passos a serem dados.

The increasing accumulation of data, from the most diverse sources, brings the need to develop new and robust data analysis tools. Among the many data analysis problems, two of them have been receiving special attention over the past years, both in academic and in business: multi-objective data clustering; and mining of data streams. At the same time, bio-inspired algorithms have been successfully applied in solving complex problems, such as those previously mentioned. It is in this context that this thesis proposes two new versions of swarm intelligence algorithms to solve these problems. More specifically, an algorithm inspired by the collective behavior of bees is used to tackle the multi-objective clustering problem, while a tool inspired by the collective decision-making of bacteria is used to mine association rules in data streams. The algorithms are potentially applicable to the cited current problems and the main thesis' contribution is the investigation of algorithms' adaptation and subsequent application to the already mentioned data mining complex problems. This document provides the theoretical basis necessary for the development and understanding of the research, introduces the algorithms, presents the results obtained, the conclusion of the performance achieved and brings a reflection of the future steps to be taken.