5.3. Интеллектуальн.Анализ данных. Упр-ние знаниями.

Анализ данных – действия, направлен.на извлеч-е из них инф-ции об исследуемом объекте и на получ-е по имеющимся данным новых данных.

Интеллектуальн.анализ данных (ИАД)– общий термин для обознач-я анализа данных с активн.исп-нием матем.методов и алгоритмов (методы оптимизации, генетич.алгоритмы, распознавание образов, статистич.методы, Data Mining…), использующих визуальное представл-е данных.

Процесс ИАД состоит из 3 стадий:

1. Выявление закономерностей (свободн.поиск);

2. Исп-ние выявленных законом-тей для предсказания неизвестных значений (прогнозир-е)

3. Анализ исключений для выявления и толкования аномалий в найденных законом-тях.

Иногда выделяют промежуточн.стадию проверки достоверности найденных законом-тей меджу их нахожд-ем и исп-нием.

Все методы ИАД по принципу работы с исходн.данными подраздел-ся на 2 группы:

- методы рассужд-й на основе анализа прецедентов – исходн. данные могут хранится в явном детализированном виде и непосредственно исп-ся для прогнозир-я и анализа.

- методы выявления и исп-ния формализован.законом-тей, требующие извлечения инф-ции из первичн.данных и преобразов-я ее в нек-рые формальные конструкции, вид кот. зависит от конкретн.метода.

Существующие системы ИАД подразделяют на исследо­вательские, ориентированные на специалистов и предназна­ченные для работы с новыми типами проблем; прикладные, рассчитанные на аналитиков, менеджеров, технологов и решающие типовые задачи (в прикладных системах целесообразно реализовывать не методы, а типовые виды рассуждений, характерные для проблемной области).

Для проведения автоматического анализа данных, на­копленных предприятием в течение жизненного цикла, ис­пользуются технологии под общим названием Data Mining. Data Mining — это технология обнаружения «сырых» данных ранее неизвестных нетривиальных, практически полезных и доступных интерпретаций знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Алгоритмы, используемые в Data Mining требуют большого количества вычислений, что ранее считалось сдерживающим фактором широкого практического их применения, однако рост производительности современных процессоров снял остроту этой проблемы.

Наибольшее распространение полу­чили следующие методы Data Mining: нейронные сети, деревья решений, алгоритмы кластеризации, алгоритмы обнаружения ассоциативных связей между событиями и т.д.

Деревья решений представляют собой иерархическую древовидную структуру классифицирующих правил типа «если-то». Для отнесения некоторого объекта или ситуации к какому-либо классу следует ответить на вопросы. При положительном ответе осуществляется переход к правому узлу следующего уровня дерева, отрицательном — к левому узлу.

5.4. Экспертная система (эс).

ЭС – система ИИ, включающая знания об определен.слабо структурирован.и трудно формализуемой узкой предметн.области и способная предлагать и объяснять польз-лю разумн.реш-я. В ее основе лежит база знаний с правилами и машиной логич.вывода и которая на основании представленных фактов делает диагноз и подсказывает путь реш-я.

Осн.компоненты ЭС:

- база знаний, кот.содержит факты и правила. Факты – краткосрочн.инф-ция. Они могут измен-ся в ходе консультации. Правила – более долговремен.инф-ция о том, как порождать новые факты из того, что известно.

- подсист.логического вывода(машина логич.вывода) – она, используя исходн.данные из раб.памяти и базы знаний, формирует последов-ть правил, кот.приводят к реш-ю задач. Различают прямую и обратную цепочки рассужд-й. прямая - цепочка, кот.ведет от данных к гипотезе. Процесс получ-я окончательн.результата прозрачный. Обратная – попытка найти данные для доказат-ва или опровержения нек-рой гипотезы. На практике в чистом виде они редко встречаются.

- приобрет-е (редактор) знаний – автоматизирует процесс напол-я ЭС знаниями.

- объяснительн.компонент – разъясняет польз-лю, как система получила реш-е задачи и какие знания при этом использовались.

- диалоговый компонент – ориентирован на организацию дружествен.общения с польз-лем в ходе реш-я задач.

- БД – для хранения исходных и промежуточн.данных решаемой задачи.

ЭС может работать в режиме приобрет-я знаний (общение с ЭС осуществляет эксперт, кот.использует компонетн приобрет-е знаний) и в режиме реш-я задачи (режим консультации, общение с ЭС осуществляет конечн.польз-ль, которого интересуют результаты реш-я задачи)

ЭС формируется по след.методологич. принципам:

1. Объект – все, что является источником инф-ции

2. Любой объект обладает различными свойствами, кот.явл-ся в рамках соответствующ.систем

3. Структура сист. отражает структуру предметн.области

ЭС классифиц-ся по след.признакам:

1. По назнач-ю: *общего назнач-я; *специализированные (сист.тестирования,УЗИ)

2. По степени зависимости от внешн.среды: *статические; *динамич.

3. По типу исп-ния: *изолированные; *ЭС на выходе 1 сист. и входе др.системы; *гибридные

4. По стадии создания: *исследовательские; *демонстрацион; *промышлен; *коммерч.