Разновидности экспериментов и описывающих их моделей

1. Назначение эксперимента при построении модели	поверочное (априорные модели)		исходное (апостериорные модели)
2. Сходство физических носителей модели и оригинала	одной природы (идентичные модели)		разной природы (аналоговые, машинные)
	один и тот же (натурные)	однородные по природе (физические, биологические, химические,… )

Разновидности экспериментов и описывающих их моделей

3. Характер исходных данных	Экспериментальные данные – – единственный источник (эмпирические)	Разум – единственный источник (рационалистические)
4. Использование моделей в эксперименте	Пассивные (отражательные)	Активные (имитационные)

Разновидности экспериментов и описывающих их моделей

5. Реальные	—	проводимые на самом деле, в реальном действии
Мысленные		а) придуманные, воображаемые, не имеющие реальной реализации; б) связанные с мысленным извлечением выборки из генеральной совокупности
6. Однородные	—	проводимые с одним и тем же объектом в тех же условиях (для реальных экспериментов);
	—	связанные с одной и той же генеральной совокупностью (для мысленных экспериментов)
Неоднородные	—	не относящиеся к однородным

Модели (структуры) данных

ЛИНЕЙНЫЕ (указатели элементов не зависят от условий) или НЕЛИНЕЙНЫЕ
ИЕРАРХИЧЕСКИЕ	–	набор вершин и узлов (вуз – факультеты – потоки – группы – студенты)
СЕТЕВЫЕ	–	модели ориентированных графов (узловые понятия и связи между ними)
ТАБЛИЧНЫЕ (РЕЛЯЦИОННЫЕ)	–	табличное представление (строки, столбцы, отношения – реляции)
СЕМАНТИЧЕСКИЕ	–	упорядочение по смыслу
ДРУГИЕ

Модели (структуры, представления) знаний

ПРОДУКЦИОННЫЕ	–	описание и правила вывода (если <условие>, то <заключение>)
СЕТЕВЫЕ	–	ориентированные графы: вершина – понятие (объект, процесс, ситуация), ребра – отношения типа «это есть», «принадлежать», «быть причиной», «входить в», «состоять из», «быть как» и т.п.
ФРЕЙМОВЫЕ	–	описание класса однотипных объектов с помощью фреймов – квантов знаний, их концентраторов, специальных ячеек (шаблонных понятий) фреймовой сети
ЛОГИЧЕСКИЕ	–	основаны на алгебре высказываний и предикатов, системе аксиом этой алгебры и ее правилах выводов

Интеллектуальный анализ данных

Разновидность анализа, отличающаяся использованием естественного и/или искусственного интеллекта для выявления, получения «дополнительной» информации из тех же <данных> по сравнению с той, которая получается при применении только строго формализуемых технологических операций анализа

 ИАД-1:

1. Поиск скрытых закономерностей в <данных>, закономерностей и взаимосвязей в объекте (ранее неизвестных, нетривиальных, практически полезных, доступных интерпретации) из <данных> о нем /Data Mining (DM)/.

2. Очистка <данных> – устранение информационного <мусора>: ошибок, противоречий, сбоев, выбросов и т.п. /Data Cleaning (DС)/.

3. Извлечение знаний из <данных> для организации <данных>.

 ИАД-2:

1. Извлечение знаний из <данных> /Data-Based Knowledge (DBK)/ с помощью интеллектуальных инструментальных средств анализа /Business Intelligence Tools – BIT/ из хранилища <данных> /Data Warehouse – DW/.

2. Получение новых знаний об объекте на основе извлеченных при ИАД-1 знаний-1, виртуальных <данных> и естественного и/или искусственного интеллекта.

3. Управление знаниями – систематическое приобретение, синтез, обмен и использование информации, идей, опыта для достижения своих целей.

 ИАД-3:

1. Традиционный анализ <данных> с предшествующим ему или совмещенным с ним поиском, выбором, синтезом моделей, методов, средств, технологий сбора, обработки, анализа и интерпретации с учетом поставленных целей и ограничений.

2. Вариативное (вариантное) моделирование, в том числе вектор-моделирование, и поливариантный выбор других средств моделирования.

3. Самоорганизация моделей.

4. Когнитивное моделирование.

5. Автоматизация синтеза моделей, алгоритмов, техпроцессов и т.п.