- •1. Определение искусственного интеллекта. Искусственный интеллект (ии) можно определить как область компьютерной науки, занимающуюся автоматизацией разумного поведения.
- •. Тест Тьюринга.
- •3. Искуственный интеллект Обзор прикладных областей искусственного интеллекта. Основные сферы применения искусственного интеллекта.
- •4. Интеллектуальные информационные системы: определение и области применения.
- •5.Интеллектуальный анализ данных( определение ,задач, особенности )
- •10.Интеллектуальные информационно-поисковые системы.
- •11. Экспертные системы. Краткая характеристика. Общие задачи.
- •Исследовательский цикл разработки.
- •. Концептуальная модель.
- •Поиск на основе данных и цели. Графы.
- •Поиск в глубину и ширину.
- •12. Экспертные системы, основанные на правилах(эс на основе цели, объяснение и прозрачность при рассуждении на основе цели, Эс на основе данных, примечание)
- •17. Экспертные системы, основанные на данных.
- •13. Рассуждения на основе моделей.
- •14. Рассуждения на основе опыта.
- •16. Рассуждения на основе правил (достоинства и недостатки).
- •Рассуждения на основе опыта (достоинства и недостатки).
- •Рассуждения на основе моделей (достоинства и недостатки).
- •24. Гибридные системы.
- •20. Семантические сети.
- •21. Фреймы.
- •22. Концептуальные графы: введение, типы, экземпляры, имена.
- •Обобщение и специализация.
- •17.Нейронные сети(определение,основы,нйрон,персептрон(недостаток) )
- •Нейрон Мак-Каллока-Питтса.
- •Персептрон ф. Розенблата.
- •18. Карты Кохонена.
- •7.Деревья решений
- •Правило остановки. Разбивать дальше узел или отметить его как лист?
- •8. Деревья решений - математический аппарат (алгоритм с 4.5).
- •Например если один из атрибутов содержит фио клиентов, то gain(X) скорее всего выберет его.
- •9. Деревья решений - математический аппарат (алгоритм cart).
- •Правила разбиения
- •6. Ассоциативные правила. Алгоритм ограниченного перебора.
- •19.Генетические алгоритмы( Социальные и эмерджентные модели обучения,Игра жизнь,генетические алгоритмы,системы классификации на основе га)
- •Системы классификации
5.Интеллектуальный анализ данных( определение ,задач, особенности )
Data mining получил свое название из 2х понятий , поиска ценной инфы в большой базе данных и добычу горной руды .
Оба процесса требуют или просеивания огромного количества сырого материала или разумного исследования и поиска искомых ценностей.
DM -1978 г ,середина 1990г –писк популярности
Data Mining – это процесс обнаружения в "сырых" данных ранее неизвестных нетривиальных практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.
(рисунок в тетради)
Место ДМ в бизнесе
Business Intelligence - программные средства, функционирующие в рамках предприятия и обеспечивающие функции доступа и анализа информации, которая находится в хранилище данных, а также обеспечивающие принятие правильных и обоснованных управленческих решений..
BI-системы также известны под названием Систем Поддержки Принятия Решений (СППР, DSS, Decision Support System)
Виды СНПР: 1.средства построения хранилищ данных (data warehousing, ХД);
2.системы оперативной аналитической обработки (OLAP);
3.информационно-аналитические системы (Enterprise Information Systems, EIS);
4.средства интеллектуального анализа данных (data mining);
5.инструменты для выполнения запросов и построения отчетов (query and reporting tools).
Задачи, решаемые методами Data Mining:
Классификация – это отнесение объектов (наблюдений, событий) к одному из заранее известных классов.
Регрессия, в том числе задачи прогнозирования. Установление зависимости непрерывных выходных от входных переменных.
Кластеризация – это группировка объектов (наблюдений, событий) на основе данных (свойств), описывающих сущность этих объектов. Объекты внутри кластера должны быть "похожими" друг на друга и отличаться от объектов, вошедших в другие кластеры. Чем больше похожи объекты внутри кластера и чем больше отличий между кластерами, тем точнее кластеризация.
Ассоциация – выявление закономерностей между связанными событиями. Примером такой закономерности служит правило, указывающее, что из события X следует событие Y. Такие правила называются ассоциативными. Впервые эта задача была предложена для нахождения типичных шаблонов покупок, совершаемых в супермаркетах, поэтому иногда ее еще называют анализом рыночной корзины (market basket analysis).
Последовательные шаблоны – установление закономерностей между связанными во времени событиями, т.е. обнаружение зависимости, что если произойдет событие X, то спустя заданное время произойдет событие Y.
Анализ отклонений – выявление наиболее нехарактерных шаблонов.
Особенности ДМ
ДМ не волшебная палочка, разные алгоритмы по разному работают с одними и теми же данными
75% работы с ДМ это работа с данными (их подготовка) Есть предметные области где ДМ вообще не может быть применима .Не существует самого лучшего ДМ.
Особенности:
Необходимо обеспечить качественные работы и взаимодействия разного рода специалистов .
Высоки издержки .
Результат применения ДМ череда последовательных небольших улучшений.