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.

Структура методов и средств исследования материальных объектов и экспериментирования с ними

Условное изображение структуры методов и средств исследования материальных объектов

ТЕХНОЛОГИЧЕСКИЙ ПРОЦЕСС ЭКСПЕРИМЕНТАЛЬНОГО ИССЛЕДОВАНИЯ ОБЪЕКТОВ

Понятие о планировании экспериментов (Планирование в условиях априорной неопределенности)

1. Постановка решаемой задачи. Выбор показателей качества результатов.

2. Определение цели экспериментирования с ориентацией на конечную цель решаемой задачи, применение результатов эксперимента (декомпозиция целей, построение дерева целей).

3. Выбор модельного представления объекта (для организации эксперимента) и экспериментальных данных (для их сбора, обработки, анализа, интерпретации, применения).

4. Выбор измеряемых (оцениваемых, косвенно измеряемых) характеристик и показателей качества их измерения.

5. Выбор алгоритма и средств измерения показателей (параметров) объекта и искомых характеристик с требуемым качеством.

6. Формулировка плана измерений (U, Z) / U – управляемые факторы, условия, Z – неуправляемые, но регистрируемые/, в частности параметров дискретизации, квантования, шага измерения, группирования, объема выборки, количества измерений в каждой точке и т.д., и определение его реализуемости.

7. Обеспечение условий и проведение эксперимента.

8. Проведение разведочного анализа экспериментальных результатов.

9. Специальные операции по достижению требуемого качества результатов и/или управления ими.

10. Интерпретация и применение результатов.