Учебное пособие по курсу интеллектуальные системы (Часть 1) Москва 2003

Вопросы для самопроверки 42
Литература к главе 2 42
ГЛАВА 3. ИНТЕЛЛЕКТУАЛЬНЫЕ МЕТОДЫ ИЗВЛЕЧЕНИЯ ЗНАНИЙ 43
3.1. Деревья решений 43
3.2. Ассоциативные правила 46
3.3. Нейронные сети 53
3.4. Генетические алгоритмы 59
3.5. Машинное обучение на основе механизмов индуктивного вывода 68
Вопросы для самопроверки 72
Литература к главе 3 72
ГЛАВА 4. ИНСТРУМЕНТАЛЬНЫЕ СРЕДСТВА ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА И ОБРАБОТКИ ДАННЫХ 74
4.1. Общая характеристика инструментальных средств 74
4.2. Инструментальное средство MineSet 82
4.3. Инструментальное средство Intelligent Miner 85
4.4. Инструментальное средство IDIS 90
4.5. Семейство инструментальных средств фирмы Cognos 97
4.6. Области применения и пути развития технологии интеллектуального анализа и обработки данных 107
Вопросы для самопроверки 117
Литература к главе 4 118

ПРЕ­ДИ­СЛО­ВИЕ

Одна из фундаментальных проблем современных систем поддержки принятия решений состоит в получении значимой информации из огромного постоянно увеличивающегося объема данных, содержащегося в базах данных (БД).

Большинство международных организаций производят за неделю большее количество информации, чем многие люди могли бы прочитать за всю жизнь. Ещё более тревожная ситуация во всемирных сетях, подобных Internet. Каждый день во всем мире распределяются сотни мегабайт данных, но хуже всего, что этим процессом невозможно управлять - рост имеет экспоненциальный характер. Мы сталкиваемся с новым парадоксом роста данных: больше данных означает меньше информации. Механическое производство и воспроизводство данных вынуждает развивать новую технологию отбора, фильтрации, выделения и обработки данных - технологию интеллектуального анализа и обработки данных (ИАОД).
В начале 90-х годов стало очевидно, что помимо транзакционной обработки данных, осуществляемой традиционными системами оперативной обработки (OLTP), необходима аналитическая и концептуальная обработка накопленных данных. Работникам управления приходится принимать решения не только в условиях неполной, но и зачастую недостоверной и противоречивой информации. К тому же не всегда удается получить требуемую информацию вовремя и в наглядном виде, что приводит к неудачным решениям. Чтобы вырваться из этого затруднительного положения, была предложена технология хранилищ данных (Data Warehouse). Хранилище данных предлагает такую среду накопления данных, которая оптимизирована для выполнения сложных аналитических запросов управленческого персонала. В ее задачу входит автоматический сбор операционных данных, их согласование и объединение в предметно-ориентированный формат, который нужен работникам управления.
Раз­ви­тие тех­но­ло­гии хра­ни­лищ данных стимулировало широкое развитие средств извлечения знаний, позволяющих преобразовывать различные выборки данных из операционных баз данных в знания. Ес­ли ра­нее не­об­хо­ди­мо бы­ло сна­ча­ла со­брать дан­ные, про­ве­рить и объ­е­ди­нить их, то се­го­дня это уже сде­ла­но - дан­ные на­хо­дят­ся в ин­фор­ма­ци­он­ных хра­ни­ли­щах и де­ло лишь за тем, что­бы наи­бо­лее ра­цио­наль­но ими вос­поль­зо­вать­ся.
С точ­ки зре­ния поль­зо­ва­те­ля в процессе из­вле­че­ния зна­ний из БД долж­ны ре­шаться следующие за­да­чи преобразования: дан­ных (т.е. не­струк­ту­ри­ро­ван­ных на­бо­ров чи­сел и сим­во­лов) в ин­фор­ма­цию (т.е. опи­са­ние об­на­ру­жен­ных за­ко­но­мер­но­стей); информации в зна­ния (зна­чи­мые для поль­зо­ва­те­ля за­ко­но­мер­но­сти); знаний в ре­ше­ния (по­сле­до­ва­тель­ность ша­гов, на­прав­лен­ная на дос­ти­же­ние информационных по­треб­но­стей поль­зо­ва­те­ля).
При на­пи­са­нии дан­но­го учеб­но­го по­со­бия ав­то­ры стре­ми­лись сис­те­ма­ти­че­ски из­ло­жить основные методы интеллектуальной обработки данных и методологию по­строе­ния этого нового класса сис­тем и та­ким об­ра­зом под­го­то­вить чи­та­те­ля к са­мо­стоя­тель­ной ра­бо­те в этой об­лас­ти.
Учеб­ное по­со­бие со­сто­ит из четырех глав. Пер­вая гла­ва вво­дит чи­та­те­ля в про­бле­ма­ти­ку сис­тем интеллектуального анализа и обработки данных (ИАОД). Вторая и третья гла­вы по­свя­ще­ны цен­траль­ным во­про­сам, рас­смат­ри­вае­мым при создании ИАОД: описанию методов извлечения знаний из данных. Во второй главе рас­смат­ри­ва­ют­ся традиционные методы; в третьей - интеллектуальные (такие как методы инженерии знаний, нейросетевые и методы эволюционного моделирования).
В четвертой гла­ве рас­смот­ре­ны некоторые ин­ст­ру­мен­таль­ные ком­плек­сы для соз­да­ния ИАОД, признанные специалистами в числе лучших в своем классе (MineSet, Intelligent Miner, IDIS, Scenario и 4Thought).