Гибридные интеллектуальные системы для поддержки принятия решений
Модели миров задач и методов в системах поддержки принятия решений. Разработка моделей взаимодействия миров и классификация отношений интеграции разнородных знаний. Подходы к гибридам. Результаты методологии и технологии гибридных интеллектуальных систем.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 16.01.2018 |
| Размер файла | 164,8 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
12
Размещено на http://www.allbest.ru/
Гибридные интеллектуальные системы для поддержки принятия решений
Александр В. Колесников
Аннотация
Рассматриваются модели миров задач и методов в системах поддержки принятия решений (СППР). Предложены две модели взаимодействия миров и классификация отношений интеграции разнородных знаний. Дан обзор подходов к гибридам и приведены результаты разработки методологии и технологии гибридных интеллектуальных систем (ГИИС).
1. Введение
Работа направлена на решение фундаментальной проблемы искусственного интеллекта (ИИ) - интеграцию различных атрибутов интеллекта в интересах взаимокомпенсации недостатков и объединения преимуществ разнородных моделей для разработки объектов с синергическим эффектом - ГИИС, используемых для решения неоднородных задач в СППР, генерирующих и оценивающих альтернативы, прогнозирующих последствия предполагаемых решений, выбирающих лучший вари - ант и согласовывающих групповые решения. Огромный вклад в теорию и практику СППР внесли В.Н. Бурков, О.И. Ларичев, Н.Н. Моисеев, А.А. Самарский, Г.С. Поспелов, Э.А. Трахтенгерц и другие Российские ученые. Несмотря на бурное развитие СППР, многое здесь еще неясно: от спецификации решаемых задач до адекватных им методов моделирования в рамках новой парадигмы ИИ. Первые 30-35 лет исследований в ИИ были проникнуты духом индивидуалистических представлений о природе интеллекта [Тарасов, 1998], выделения и отделения от целого понятия "интеллект" какого-либо свойства и развития соответствующих формальных моделей. "Грандиозные притязания ИИ 80-х годов, основанного на базах правил, кажется, потерпели неудачу, в том числе и потому, что практики отказываются понимать или признавать ограничения их автономного метода … нет единственного, окончательного метода, который объяснит или решит сложные задачи …вместо этого имеется некоторое количество инструментальных средств и моделей, используемых при различных обстоятельствах" [Goonatilake et al., 1995]. Поэтому была сформулирована новая парадигма ИИ: "Исследования по ИИ должны переместиться из их традиционного фокуса на индивидуальных схемах. Многосторонность, в которой мы нуждаемся, может быть найдена только в универсальных архитектурах, использующих и управляющих преимуществами различных представлений одновременно. Тогда каждый может быть использован, чтобы преодолеть несовершенства других" [Minsky, 1991]. Это позволяет считать интеграцию и децентрализацию знаний наиболее важными тенденциями ИИ в 90-ые годы и ближайшем будущем в целях решения задач СППР.
2. Эволюция мира задач поддержки принятия решений
Изучая свойства и эволюцию понятия "задача", мы учли около 20 определений, исследовали известные классификации и построили онтологию этого субъективного мира с 1960 по 1999 годы. Ее анализ показал, что за сорок лет мало, что изменилось в определении и формализмах задачи, по-прежнему рассматриваемой как неделимая, однородная сущность. Только в последнее время акценты медленно смещаются на "подзадачи, выделяемые внутри данной задачи" [Попов и др., 1996], что увязано с разработками экспертных систем (ЭС), первыми столкнувшихся с "не игрушечными", а "практическими задачами", на что онтология мира задач откликнулась многообразием терминов: "хорошо и плохо определенные задачи", "простые и сложные задачи", "очень и особо сложные задачи". Все это, также как и наши исследования мира задач в языках профессиональной деятельности (ЯПД) трех предметных областей, говорят о существовании в нем объектов с плохо изученными свойствами, что и вызывает неоднозначность терминологии и негативные явления в мире методов моделирования. Чтобы обозначить такие объекты и исследовать их свойства, введены понятия и формализмы "мира задач" СППР, "однородной" и "неоднородной" задачи, требующие перехода к конструированию неизвестных методов, моделей для ее решения путем интеграции известных автономных методов и моделей.
интеллектуальная система интеграция знание
3. Эволюция методов моделирования задач СППР
Многообразие в мире методов для решения задач СППР всегда волновало ученых, а попытки его унификации [Бусленко, 1978] не вышли за рамки математического моделирования. Более плодотворным оказалось перемешивание методов в синергических системах [Гельфандбейн и др., 1984; Medsker, 1994; Goonatilake et al., 1995; Осипов, 1998; Рыбина, 1998], что во многом и определяет эволюционные процессы в мире методов, которые мы предложили представлять кодами, для комбинирования на "генетическом" уровне и подбора для гибрида свойств адекватных неоднородностям задачи. ЭС, пожалуй, первыми столкнулись с неоднородностью задач и начали эволюционировать от классической резолюции к эвристикам реального мира, и сегодня уже не найти "чистой, автономной" коммерческой оболочки ЭС, а широко предлагаются их гибриды, например, с нечеткой логикой и традиционными информационными технологиями. Типичная для 80-х годов картина мира методов [Ларичев, 1987] показана на рис.1 а). Для нее характерны узкие области общих задач, а в методах, используемых каждым направлением (область интеграции обозначена серой окружностью), видна асимметрия, центробежность и не системность.
На рис.1 б) изображена совсем иная, несколько идеализированная, ситуация 90-х годов. Желание решать неоднородные задачи влияет на мир методов, заставляет ученых искать модели за рамками отдельных школ и приводит к симметрии, центростремительным тенденциям, системности и расширению области интеграции.
Успешное применение Холландом модели эволюции в живой природе к адаптивному решению задач совершенствования в кибернетике, возможно, откроет путь к моделированию эволюции и мира методов, позволит представить и исследовать ситуацию, когда два (и более) метода отбираются, чтобы обменяться кодом и создать производную от себя - комбинированную сущность "гибрид", а также сделать шаг вперед в автоматизации выбора автономного метода и поиска алгоритмов формирования новых методов для решения неоднородных задач.
4. Интеграция методов и знаний в СППР
Наши исследования показывают, что в ходе обучения на всех ступенях системы образования и практического познания процессов в больших системах в памяти субъекта формируются и хранятся смешанные, неоднородные, когнитивные структуры из аналитических (А), статистических (С) и логико-лингвистических (Л) знаний. Это подтверждают результаты анализа ЯПД, где "перемешаны" аналитические зависимости в виде формул или графиков, таблицы статистики и лингвистические (четкие и нечеткие) переменные, рисунки, а также результаты бесед с экспертами, которые, объясняя задачу, "переключаются" на различные схемы рассуждений - вычисления, статистические заключения и логическую аргументацию. Для представления и манипулирования рассмотренными классами знаний в СППР могут использоваться, например, методы исследования операций, искусственные нейросети - ИНС и генетические алгоритмы - ГА (А-методы), имитационное (статистическое) моделирование - ИМ (С-методы), экспертные и нечеткие системы - НС (Л-методы).
Рассмотрим две модели взаимодействия миров задач и методов моделирования. Первая модель, характерная для 80-х годов, показана на рис.2 а). Петлями обозначены отношения получения новых знаний в рамках ограничений автономных знаний. Два мира связаны отношениями соответствия задачи и адекватного ей метода (может быть и более одного) решения. На рис.2 б) дана иная, современная картина. В ответ на преобразования неоднородной задачи в мире задач (например, ее декомпозицию) возникает соответствующий "системный отклик" в мире методов моделирования, образующий структуры за рамками автономных методов. Интеграция в этом случае означает возникновение отношений автономных методов (разнородных знаний) и формирование структур (методов и моделей), такие отношения интерпретирующих. Сравнительный анализ рис.2 а) и б) показывает, что вариант б) более общий и не отрицает важность отношений А-А, С-С, Л-Л, а дает возможность их улучшить за счет отношений Л-C, С-А, А-С, … и др.
Отношения А-А, С-С, Л-Л - предмет исследования индивидуальных школ, исповедующих тот или иной вид знаний. Например, в математике это правила алгебры, в эволюционном программировании - репродукция и генетические операторы.
Отношения Л-C, С-А,…уже требуют междисциплинарных усилий. Ниже предложена классификация таких отношений: извлечения знаний из одной компоненты для совершенствования или приобретения знаний другой, например, из ИНС для работы ЭС или НС; оценки знаний одной с точки зрения другой, например, использование С-знаний для оценки альтернатив, полученных ЭС; включения одних знаний в другие, например, правая часть нечеткой импликации в НС Takagi-Sugeno - это полином первого порядка, а в ГА используется fitness function; дополнения одних знаний другими, когда на знаниях задан порядок - последовательность, дерево, сеть; сравнения разнородных знаний; аргументации, например, использование знаний ЭС для объяснения ответов ИНС; управления, когда знания одного вида активизируют знания другого вида; отображения, когда одни знания преобразуются (транслируются) в другие; ролевые, например, когда НС функционирует как ИНС. Рассмотренные отношения обобщают известные классификации ГИИС, определяя многообразие вариантов конструирования методов и моделей для решения неоднородных задач.
5. Гибридные системы и гибридные интеллектуальные системы
Под ГИИС в мировой практике понимают систему, использующую для решения задачи более одного метода имитации интеллектуальной деятельности человека. Этот класс решателей существен - но отличается от "гибридных" [Witsenhausen, 1966; Branicky et al., 1994; Puri et al., 1994; Praehofer et al., 1995; Walsh, 1996] и "агрегативных" систем [Бусленко, 1978], а ближе всего к "мягким вычислениям", "интегрированным экспертным системам", хотя и имеет специфические особенности.
За рубежом ранние результаты по гибридам в континуально-дискретном пространстве состояний (W-модели) принадлежат [Witsenhausen, 1966]. Позже разработаны интересные, базовые модели L. Tavernini (T-модель), A. Nerode и W. Kohn (NK-модель) и J. Antsaklis, J. Stiver, M. Lemmon (ASL-модель) [Branicky et al., 1994], использующие только автономное переключение. В модели A. Back, J. Guckenheimer, M. Myer (BGM-модель) [Branicky et al., 1994] есть автономное переключение и скачки. Модель R. Brockett (B-модель) [Branicky et al., 1994] и NK-модель обобщают T-модель. С точки зрения управления T - и BGM-модели - автономные системы, а NK - и ASL-модели сфокусированы только на управляющем автомате. B-модель обеспечивает уже более высокий уровень математического моделирования, различая непрерывное и дискретное управление.
Развитием базовых моделей в сторону многокомпонентности и связности следует считать модель [Branicky et al., 1994], модель [Puri et al., 1994], предложивших гибридную систему коммутируемых и координируемых компонент - гибридных автоматов, модель [Walsh, 1996], использующую расширенную W-модель для математического моделирования управляющей сети и модель [Praehofer et al., 1995] - спецификацию систем для элементарных и связанных моделей.
Н.П. Бусленко [Бусленко, 1978] внес стохастичность в континуально-дискретное поведение объектов, предложив унифицированные математические модели - агрегат и агрегативную систему.
Следующая группа моделей отличается от рассмотренных тем, что авторы создают подходы с существенно более слабыми требованиями к математическим формализмам и тем самым расширяют класс систем, доступных исследованию как в классической математике, так и в computer science. Так, например, в [Осипов, 1998] предложены интегрированные динамические системы, основанные на знаниях, естественным образом сочетающие различные парадигмы моделирования, в [Вагин и др., 1997] - семиотическая система логико-лингвистического типа, в [Тарасов, 1998] - нечеткая эволюционная многоагентная система, в [Валькман, 1998] введено исчисление моделей, а в [Рыбина, 1998] - формализм интегрированной ЭС.
В работе [Гельфандбейн и др., 1984] рассмотрена открытая динамическая система семантичес - кого типа. В [Колесников и др., 1998; Kolesnikov, 1998; Kolesnikov, 1999; Kolesnikov et al., 1999a; Kolesnikov et al., 1999b] эта идея развита для пятикомпонентных ГИИС (ИНС, НС, ЭС, ГА, ИМ) трехуровневых стратифицированных СППР в управлении и проектировании. Разработана методология, формализованы состав, структура и функционирование каждой из компонент. Структура ГИИС представляется динамической, семантической сетью, в узлах которой расположены статические элементы - преобразователи информации (компоненты), связанные информационными и управляющими отношениями, по которым "перемещаются" динамические объекты - "курьеры". Компоненты также изменяют направление движения курьеров и выполняют их структурные преобразования. Компонентом может быть и уже определенная семантическая сеть. Курьеры - информационные единицы, имитирующие, например, однородные и неоднородные задачи, базы данных, электронные таблицы и А-, С - и Л-знания (в управляющих сегментах сети), а также ресурсы, свойства и процессы в объектных сегментах. Взаимодействие между сегментами в "метафоре курьера" обеспечивается компонентами-вентилями, прерывающими и возобновляющими процессы в одном сегменте в зависимости от выполнения некоторых условий в другом (их). Создание такой сети, по сути, есть процесс конструирования метода и мультиязыковой модели, интегрирующих знания для решения неоднородной задачи и позволяющих исследовать не только статические А-С, Л-А,…, но и динамические отношения, определяющие синергизм в ГИИС.
Используя формализм ГИИС, поставлены и решены неоднородные задачи "Оценки и выбора варианта сменно-суточного плана грузовых операций" в морском порту - на основе отношения отображения знаний, "Планирования урожайности с/х культур и агромероприятий" в биопроизводственной системе - на основе отношений извлечения, дополнения, ролевого и управления, а также задача "Выбора измерительных приборов и первичных преобразователей для систем автоматики машинного отделения транспортных судов" в СППР судостроителя - на основе отношений дополнения.
Все рассмотренные результаты вошли в созданную нами онтологию мира гибридов.
6. Инструментальные средства автоматизации проектирования и эксплуатации ГИИС
За последние десять лет сформировались условия и для автоматизации проектирования ГИИС: разработаны хорошие автономные методы и модели выработки, оценки и выбора решений, для которых созданы коммерческие программы, поддерживающие стандарты и соглашения обмена, например, DDE и технологию OLE 2; на рынке есть MatLab фирмы MatchWorks Inc. и FlexTool фирмы Flexible Intelligence Group, пригодные для программирования ГИИС. Тем не менее, положение дел с технологиями интеграции знаний нельзя считать удовлетворительным, хотя в Европе и США разрабатываются проекты HAREM, HANSA, MIX, MURI.
С 1997 г. мы также создаем инструменты для поддержки проектирования и эксплуатации ГИИС: диалоговую среду концептуального моделирования и извлечения знаний из текстов ЯПД - КОНЦЕПТ 1.0; технологию стратификации, идентификации, концептуализации, формализации данных и знаний - TEHIS 1.0 [Kolesnikov et al., 1999]; семейство программ NN-, FS-, ES-, IM - и GA-flexible - для автономного и связанного моделирования в ГИИС; язык и систему моделирования Visual Event, ядро которой отлажено и проходит лабораторную проверку, для крупноблочного и визуального программирования ГИИС.
Литература
1. [Бусленко, 1978] Бусленко Н.П. Моделирование сложных систем - М., Наука, 1978.
2. [Вагин и др., 1997] Вагин В.Н., Еремеев А.П. Реализация концепции распределенного ИИ и многоагентности в системах поддержки принятия решений на базе комплекса G2+GDA - Сб. тр. Междун. семинара "Распределенный искусственный интеллект и многоагентные системы - DIAMAS `97" - СПб, 1997.
3. [Валькман, 1998] Валькман Ю.Р. Интеллектуальные технологии исследовательского проектирования: формальные системы и семиотические модели - Киев, Port-Royal, 1998.
4. [Гельфандбейн и др., 1984] Гельфандбейн Я.А., Колесников А.В., Рудинский И.Д. Гибридное моделирование транспортного узла и его применение в процедурах выбора решений - Сб. "Методы и системы принятия решений. Информационное и алгоритмическое обеспечение принятия решений" - Рига, 1984.
5. [Колесников и др., 1998] Колесников А.В., Клачек П.М. Интеллектуальная система поддержки принятия решений по возделыванию сельскохозяйственных культур - Сб. "Труды Международной конференции по мягким вычислениям SCM 98", т.2 - СПб., 1998.
6. [Ларичев, 1987] Ларичев О.И. Объективные модели и субъективные решения - М., Наука, 1987.
7. [Осипов, 1998] Осипов Г.С. Динамика в системах, основанных на знаниях - Теор. и сист. управл., N5, 1998.
8. [Попов и др., 1996] Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы - М., Финансы и статистика, 1996.
9. [Рыбина, 1998] Рыбина Г.В. Автоматизация построения баз знаний для интегрированных экспертных систем - Теория и системы управления, N5, 1998.
10. [Тарасов, 1998] Тарасов В.Б. Искусственная жизнь и нечеткие эволюционные многоагентные системы - основные теоретические подходы к построению интеллектуальных организаций - Теор. и сист. управл., N5, 1998.
11. [Branicky et al., 1994] Branicky M. S, Bonkar V. S., Mitter S. K. A Unified Framework for Hybrid Control: Background, Model and Theory - Pr.33rd IEEE Conference on Decision and Control, Lake Buena Vista, 1994.
12. [Goonatilake et al., 1995] Goonatilake S., Khebbal S. (eds.). Intelligent Hybrid Systems - Wiley & Sons, 1995.
13. [Kolesnikov, 1998] Kolesnikov A. State of Affairs and Prospects for the Application of Hybrid Models to Designing Automatic Control Systems for Sea-Going Ship's Propelling Machinery - The Second Intern. Scientific Symposium on Automatic Control of Ship Propulsion and Ocean Engineering Systems PROPCON'98, Gdansk, 1998.
14. [Kolesnikov, 1999] Kolesnikov A.computer Aided Design of Hybrid Models for Automation Ship Systems - Konferencja Naukowo - Techniczna AUTOMATION 99 - Warszawa, 1999.
15. [Kolesnikov et al., 1999] Kolesnikov A., Sedov R. The Theory and Technology of Conceptual Modelling of Professional Activity Languages - Abs. of the 4th Intern. Conf. `Mathematical Modelling and Analysis' - Vilnius, 1999.
16. [Kolesnikov et al., 1999] Kolesnikov A., Yashin A. Hybrid Simulation of Stratified Systems - Abstract of the 4th International Conference `Mathematical Modelling and Analysis MMA 99' - Vilnius, 1999.
17. [Medsker, 1994] Medsker L. R. Hybrid Neural Network and Expert Systems - Kluwer Academic Publ., 1994.
18. [Minsky, 1991] Minsky M. Logical Versus Analogical or Symbolic Versus Connectionist or Neat Versus Scruffy - AI Magazine, vol.12, N2, 1991.
19. [Praehofer et al., 1995] Praehofer P., Zeigler B. Automatic Abstraction of Event-Based Control Models from Continuous Base Models - IEEE Trans. Systems, Man and Cybernetics, 1995.
20. [Puri et al., 1994] Puri A., Varaija P. Decidable of Hybrid Systems with Rectangular Differential Inclusions - Computer-Aided Verification, LN CS 818, Springer - Verlag, 1994.
21. [Walsh, 1996] Walsh G. On Race Conditions for Networked Control Systems-Pr. of 30th CISS, Princeton, NJ, 1996.
22. [Witsenhausen, 1966] Witsenhausen H. S. A Class of Hybrid-State Continuous Time Dynamic Systems - IEEE Transactions on Automatic Control, 11 (2), 1966.
Размещено на Allbest.ru
...Подобные документы
Классификация систем поддержки принятия решений. Сравнительный анализ методик для оценки рисков розничного кредитования. Структура системы поддержки принятия решений, формирование начальной базы знаний. Проектирование базы данных информационной системы.
дипломная работа [1,9 M], добавлен 10.07.2017Анализ существующих решений системы поддержки принятия решений для корпоративной сети. Многоагентная система. Разработка концептуальной модели. Структура базы знаний. Разработка модели многоагентной системы на базе сетей Петри. Методика тестирования.
дипломная работа [5,1 M], добавлен 19.01.2017Основные модели представления знаний. Системы поддержки принятия решений. Диаграмма UseCase. Разработка базы данных на основе трех моделей: продукционные правила, семантическая сеть, фреймовая модель. Программная реализация системы принятия решений.
курсовая работа [715,1 K], добавлен 14.05.2014Классификация задач системы поддержки принятия решений, их типы и принципы реализации при помощи программы "Выбор". Обзор современных систем автоматизированного проектирования "Компас", "AutoCad", "SolidWorks", оценка преимуществ и недостатков программ.
курсовая работа [1,4 M], добавлен 22.07.2014Методы решения проблем, возникающих на стадиях и этапах процесса принятия решений, их реализация в информационных системах поддержки принятия решений (СППР). Назначение СППР, история их эволюции и характеристика. Основные типы СППР, области их применения.
реферат [389,3 K], добавлен 22.11.2016Концепция систем поддержки принятия решений. Диапазон применения Analytica 2.0. Программное обеспечение количественного моделирования. Графический интерфейс для разработки модели. Основные способы моделирования. Диаграмма влияния и дерево решений.
контрольная работа [1,1 M], добавлен 08.09.2011Рассмотрение понятия и истории возникновения систем поддержки принятия решения. Приспособленность информационных систем к задачам повседневной управленческой деятельности. Понятие термина "интеллектуальный анализ данных". Методика извлечения знаний.
реферат [79,8 K], добавлен 14.04.2015Обслуживание двух встречных потоков информации. Структура информационных систем. Разработка структуры базы данных. Режимы работы с базами данных. Четыре основных компонента системы поддержки принятия решений. Выбор системы управления баз данных.
курсовая работа [772,0 K], добавлен 21.04.2016Разработка и внедрение программного модуля поддержки принятия управленческих решений для информационной системы медицинского предприятия ООО "Центр эндохирургических технологий". Эффективность применения модуля, полученные с его помощью результаты.
дипломная работа [1,9 M], добавлен 11.04.2013Разработка алгоритмического и программного обеспечения для решения задачи поддержки принятия решений о выпуске новой продукции. Математическое обеспечение задачи поддержки принятия решений о выпуске новой продукции, основные входные и выходные данные.
дипломная работа [943,0 K], добавлен 08.03.2011Типы административных информационных систем: системы генерации отчетов, системы поддержки принятия решений, системы поддержки принятия стратегических решений. Сортировка и фильтрация списков в Microsoft Excel. Работа с базами данных в Microsoft Access.
контрольная работа [6,0 M], добавлен 19.11.2009Теоретические аспекты функционирования Business intelligence - систем в сфере логистики. Анализ условий для разработки системы поддержки принятия решений. Характеристика процесса создания программного продукта, применение аналитической платформы QlikView.
курсовая работа [2,5 M], добавлен 09.09.2017Изучение назначения и основных задач, которые решает Project Expert - система поддержки принятия решений (СППР), предназначенная для менеджеров, проектирующих финансовую модель нового или действующего предприятия. Программные приложения, этапы работы.
реферат [30,7 K], добавлен 19.05.2010Система поддержки принятия решений "Мыслитель" и метод, заложенный в её основу. Порядок работы в программе: новая задача, составление списка альтернатив, списка критериев их оценки, сравнение критериев по степени важности, попарное сравнение альтернатив.
отчет по практике [719,2 K], добавлен 08.03.2016Использование библиотеки готовых компонентов как основы процесса построения моделей организационных систем. Характеристика качественных методов принятия решений. Применение порядковой классификации в процессе UFO-моделирования систем телемеханики.
магистерская работа [732,7 K], добавлен 26.04.2011Человеко-машинные комплексы, специально предназначенные для принятия решений. Процесс принятия решений и его этапы. Методы поиска новых вариантов решений: дерево решений, морфологические таблицы, конференции идей. Принцип математической оценки тенденций.
курсовая работа [272,1 K], добавлен 30.07.2009Исследование технологического процесса по производству газобетона. Модель "как будет" процесса диагностирования состояния технологического процесса производства газобетона с учетом системы поддержки принятия решений. Прототипирование интерфейса СППР.
дипломная работа [4,8 M], добавлен 17.06.2017Классификация информационных систем управления деятельностью предприятия. Анализ рынка и характеристика систем класса Business Intelligence. Классификация методов принятия решений, применяемых в СППР. Выбор платформы бизнес-интеллекта, критерии сравнения.
дипломная работа [1,7 M], добавлен 27.09.2016Принцип работы и назначение обучаемых информационных систем, их классификация по различным критериям, разновидности и отличия. Характеристика систем поддержки принятия решений. Механизм и основные этапы проектирования информационной обучаемой системы.
реферат [23,9 K], добавлен 22.11.2009Data Mining как процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей (шаблонов информации). Его закономерности и этапы реализации, история разработки данной технологии, оценка преимуществ и недостатков, возможности.
эссе [36,8 K], добавлен 17.12.2014
