19
Gestão e Tratamento de Informação Helena Galhardas DEI IST

Gestão e Tratamento de Informação Helena Galhardas DEI IST

Embed Size (px)

Citation preview

Page 1: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Gestão e Tratamento de Informação

Helena Galhardas

DEI IST

Page 2: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Corpo docente

Helena Galhardas (responsável e aulas teóricas)

Pável Calado (aulas teóricas) Bruno Martins (laboratórios)

Page 3: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Organização das aulas

Aulas teóricas Aulas de laboratório

Grupos de três elementos inscrições na página da cadeira no Fénix iniciam-se

hoje Apoio no software a ser utilizado

SW open-source Apoio na resolução dos mini-projectos

Page 4: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Avaliação

Exame (52%) 22/1/2009 5/2/2009

4 Mini-Projectos (48%), cada um vale12% Enunciado é distribuído na aula teórica Alunos têm cerca de 2/3 semanas para resolver Entrega dos alunos feita na aula teórica Solução e correcções mostradas na aula teórica Conteúdo: uma parte teórica/prática e outra de

SW

Page 5: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Calendário Mini-Projectos

MP1 Entrega enunciado: 26/9 Entrega alunos: 17/10

MP2 Entrega enunciado: 17/10 Entrega alunos: 7/11

MP3 Entrega enunciado: 7/11 Entrega alunos: 28/11

MP4 Entrega enunciado: 28/11 Entrega alunos: 11/12

Page 6: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Programa Gestão de dados XML

Linguagens de interrogação e modificação: XPath, XSLT, XQuery, XQuery Update

Armazenamento de dados XML Extracção de Informação

Extracção de dados da Web Técnicas de extracção de informação a partir de texto Hidden Markov Models Ferramentas: Mallet, GATE, MinorThird, UIMA

Integração de dados e esquema Global-as-view vs local-as-view Mediadores e wrappers Systems: LSD, TSIMMIS, Information Manifold

Transformação e limpeza de dados Discrepâncias de esquemas e dados Detecção e eliminação de duplicados Fusão de informação

Page 7: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Extracção de informação

1. Extracção de dados estruturados a partir da Web (docs HTML, XML)

2. Extracção de dados estruturados a partir de texto Tb. conhecido por prospecçãod e texto (text mining)

Desafios da Web: Número grande de fontes de dados Páginas Web devem ser transformadas em dados

estruturados Falta de controlo sobre os dados Fontes têm restrições de entrada e saída Natureza distribuída da Web pode tornar a integração de

dados mto lenta

Page 8: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Extracção de dados estruturados a partir de texto Como descobrir estrutura em dados não

estruturados Exemplo (http://www.imdb.com)

Elegant redhead Nicole Kidman, known as one of Hollywood's top Australian imports, was actually born in Honolulu, Hawaii, to Anthony (a biochemist and clinical psychologist) and Janelle (a nursing instructor) Kidman. ...

Algumas técnicas de aprendizagem automática (Machine Learning) podem ser usadas

Page 9: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Gestão de dados XML

XML é vastamente utilizada como linguagem de troca de dados na Internet

DTD, XMLSchema, XPath, XSLT são assuntos já conhecidos

A linguagem XQuery é a linguagem de interrogação de dados XML que vamos estudar aqui

Page 10: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Integração de dados e esquema Integrar dados oriundos de múltiplas fontes

de dados heterógeneas Desafios:

Acesso aos dados Resolver as diferenças existentes ao nível de

esquema e dados Executar a integração de forma eficiente

Page 11: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Transformação e limpeza de dados Durante e após a integração, alguns problemas

com os dados precisam de ser resolvidos Exemplo:

Filmes (id, título, realizador, ano, ano_ult_remake)(1|Casablanca|Weir|1942|1940)(2|Dead Poets Society|Curtiz|1989|-)(3|Rman Holiday|Wylder|1953|-)(4|Casblanca|Weir|1940|1950)

Detecção e eliminação de duplicados é um dos aspectos que vamos estudar

Page 12: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Software utilizado Pacotes de SW open source:

Interrogação de dados XML, integração e limpeza de dados Saxon - Java API for XML processing, supporting SAX, DOM, XPath

2.0, XSLT 2.0 and XQuery 1.0 http://saxon.sourceforge.net/ SimPack - Java Library of similarity functions

http://www.ifi.uzh.ch/ddis/simpack.html

Extracção de dados da Web RoadRunner - Java Library for Automated Web Data Extraction

http://www.dia.uniroma3.it/db/roadRunner/software.html

Extracção de dados a partir de texto Minorthird - Java Library for ML-based Text Annotation and

Classification http://minorthird.sourceforge.net/

LingPipe - Java Framework for General Text Mining http://alias-i.com/lingpipe/

Page 13: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Bibliografia Não há um livro único Algumas partes da matéria cobertas por artigos Livros:

Data on the Web: From Relations to Semistructured Data and XML Serge Abiteboul, Peter Buneman, Dan SuciuMorgan Kaufmann Publishers2000 (4 ex. Bib IST Tagus)

XQuery from the Experts: A Guide to the W3C XML Query LanguageHoward Katz, Don Chamberlin, Denise Draper, Mary Fernandez, Michael Kay, Jonathan Robie, Michael Rys, Jerome Simeon, Jim Tivy, Philip WadlerAddison-Wesley2004

Data Quality: Concepts, Methodologies and Techniques Carlo Batini, Monica ScannapiecoSpringer2006 (4 ex. Bib. IST Tagus)

Page 14: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Outras informações interessantes

Page 15: Gestão e Tratamento de Informação Helena Galhardas DEI IST
Page 16: Gestão e Tratamento de Informação Helena Galhardas DEI IST
Page 17: Gestão e Tratamento de Informação Helena Galhardas DEI IST
Page 18: Gestão e Tratamento de Informação Helena Galhardas DEI IST
Page 19: Gestão e Tratamento de Informação Helena Galhardas DEI IST

Investigação na área de Gestão de Dados e Tratamento de Informação no Tagus Park/Alameda

Se estiverem interessados:

Grupo DMIR@INESC-ID

http://dmir.inesc-id.pt