Этапы проектирования системы поддержки принятия решения

Этапами проектирования системы поддержки принятия решения при наличии программной оболочки являются:

• описание предметной области, целей создания системы и выполнение постановки задачи;
• составление словаря системы;
• разработка базы знаний и базы данных;
• внедрение системы.

Этап 1. Описание предметной области, целей создания системы и выполнение постановки задачи. Описание должно отражать специфику предметной области в нескольких формах. Первая из них - это текстовое представление содержание процессов, объектов и связей между ними. Вторая форма описания представляет собой графическое представление дерева целей, стоящих перед пользователем, или дерева И-ИЛИ.

Постановка всякой задачи предполагает указание результатов функционирования системы, исходных данных, а также общее описание процедур, формул и алгоритмов преобразования исходных данных в результирующие данные.

Этап 2. Составление словаря системы. Словарь системы - это набор слов, фраз, кодов, наименований, используемых разработчиком для обозначения условий, целей, заключений и гипотез. Благодаря словарю пользователь понимает результаты работы системы. Составление словаря - важная работа, ибо четко сформулированные условия и ответы резко повышают эффективность эксплуатации системы.

Этап 3. Разработка базы знаний и базы данных. База знаний, как правило, состоит из двух компонентов: дерева целей с расчетными формулами и базы правил (сеть вывода). База правил создается на основании графа целей и сформулировавши ранее гипотез. Главное внимание здесь уделяется коэффициентам определенности исходных условий и правил их обработки.

Этап 4. Внедрение. Проверяется и оцениваются правильность работы системы. Устанавливаются результаты, которые затем сравниваются с полученными в процессе запуска системы. Проверяются также промежуточные расчеты с помощью блока, отвечающего на вопросы как и почему.

Тема: Технология Data Mining

1. Почему растет популярность Data Mining? 1

2. Определение Data Mining 2

3. Области применения Data Mining 3

3.1. Розничная торговля. 3

3.2. Банковское дело. 3

3.3. Телекоммуникации. 3

3.4. Страхование. 3

3.5. Другие приложения в бизнесе. 4

3.6. Медицина. 4

3.7. Фармацевтика. 4

3.8. Молекулярная генетика и генная инженерия. 4

3.9. Прикладная химия. 4

3.10. Управление производством.. 4

3.11. Наука и техника. 4

4. Типы закономерностей 4

5. Классы систем Data Mining 5

6. Десять мифов интеллектуального анализа данных 6

7. Шесть шагов к успеху в интеллектуальном анализе данных 8

8. Инструментарий технологии Data Mining 8

1. 1. Почему растет популярность Data Mining?

Мы живем в веке информации. В связи с совершенствованием технологий записи и хранения данных на людей обрушились колоссальные потоки информации в самых различных областях. Трудно переоценить значение данных, которые мы непрерывно собираем в процессе нашей деятельности, в управлении бизнесом или производством, в банковском деле, в решении научных, инженерных и медицинских задач.

Деятельность любого предприятия (коммерческого, производственного, медицинского, научного и т.д.) теперь сопровождается регистрацией и записью всех подробностей его деятельности. Мощные компьютерные системы, хранящие и управляющие огромными базами данных, стали неотъемлемым атрибутом жизнедеятельности, как крупных корпораций, так и даже небольших компаний.

Без продуктивной переработки потоки сырых данных образуют никому не нужную свалку. Наличие данных само по себе еще недостаточно для улучшения показателей работы. Нужно уметь трансформировать "сырые" данные в полезную для принятия важных бизнес решений информацию. В этом и состоит основное предназначение технологий Data Mining.

Необходимость автоматизированного интеллектуального анализа данных стала очевидной в первую очередь из-за огромных массивов исторической и вновь собираемой информации. Трудно даже приблизительно оценить объем ежедневных данных, накапливаемых различными компаниями, государственными, научными и медицинскими организациями. По мнению исследовательского центра компании GTE только научные институты собирают ежедневно около терабайта новых данных! А ведь академический мир далеко не самый главный поставщик информации. Человеческий ум, даже такой тренированный, как ум профессионального аналитика, просто не в состоянии своевременно анализировать столь огромные информационные потоки.

Другой причиной роста популярности Data Mining является объективность получаемых результатов. Человеку-аналитику, в отличие от машины, всегда присущ субъективизм, он в той или иной степени является заложником уже сложившихся представлений. Иногда это полезно, но чаще приносит большой вред.

И, наконец, Data Mining дешевле. Оказывается, что выгоднее инвестировать деньги в решения Data Mining, чем постоянно содержать целую армию высоко подготовленных и дорогих профессиональных статистиков. Data Mining вовсе не исключает полностью человеческую роль, но значительно упрощает процесс поиска знаний, делая его доступным для более широкого круга аналитиков, не являющихся специалистами в статистике, математике или программировании.

Итак, современная специфика такова, что:

· · данные имеют неограниченные объем;

· · данные являются разнородными (количественными, качественными, текстовыми);

· · результаты должны быть конкретны и понятны;

· · инструменты для обработки сырых данных должны быть просты в использовании.