- •Електронний конспект лекцій з дисципліни «Інтелектуальний аналіз даних»
- •Тема 1. Інтелект як високоорганізована кібернетична система
- •2. Формалізація понять алгоритмічності та декларативності
- •3. Означення інтелектуальної системи
- •Тема 2. Знання як інформаційна основа інтелектуальних систем
- •1. Знання як основа інформаційної системи
- •2. Моделі знань
- •3. Методи інтелектуального аналізу даних
- •1. Знання як основа інформаційної системи
- •2. Моделі знань
- •Тема 3. Концепція інтелектуального аналізу даних.
- •1. Розвиток і призначення дейтамайнінгу (data mining)
- •2. Характеристика процесів і активностей інтелектуального аналізу даних.
- •3. Методи інтелектуального аналізу даних
- •Mineset — візуальний інструмент аналітика
- •2. Характеристика процесів і активностей інтелектуального аналізу даних.
- •3. Методи інтелектуального аналізу даних
- •Збереження даних
- •Дистиляція даних
- •Тема 4. Методи інтелектуального аналізу даних
- •2. Основні етапи та алгоритми інтелектуального аналізу даних
- •3. Огляд алгоритмів та іс Data Mining
- •Тема 5. Особливості статистичного аналізу даних.
- •1. Логіка прикладного статистичного моделювання
- •2. Типи моделей взаємозв’язку. Задача регресії в іад. Сутність і види статистичних прогнозів
- •3. Ідентифікація часових рядів. Аналіз та коригування рівнів часового ряду
- •2.Типи моделей взаємозв’язку. Задача регресії в іад
- •Забезпечення адекватності регресійної моделі
- •2. Сутність і види статистичних прогнозів
- •3. Ідентифікація часових рядів. Перевірка на стаціонарність
- •Тема 6. Перспективні прикладні системи іад
- •2. Орієнтовані на знання системи підтримки прийняття рішень
- •3. Нейронні мережі. Визначення та еволюція нейронних мереж
- •1. Головна їх властивість — здібність до навчання.
- •Застосування нейронних мереж
- •Математична модель біологічного нейрона
- •Математична модель штучного нейрона
- •Загальна схема генетичних алгоритмів
- •Узагальнена схема реалізації генетичного алгоритму
2. Моделі знань
Можна сформульовані наступні особливості знань, що відрізняють їх від традиційних даних:
Внутрішня інтерпретованість: кожна інформаційна одиниця повинна мати унікальне ім’я, за яким інформаційна система її знаходить, а також відповідає на запити, в яких це ім’я згадується;
Структурованість: знання повинні мати гнучку структуру; одні інформаційні одиниці можуть включатися до складу інших;
Пов’язність: в інформаційній системі повинна бути передбачена можливість встановлення різних типів зв’язків між різними інформаційними одиницями (причинно-наслідкові, просторові тощо);
Семантична метрика: на множині інформаційних одиниць корисно задавати відношення, які характеризують ситуаційну близькість цих одиниць;
Активність: виконання програм в інтелектуальній системі повинно ініціюватися поточним станом бази знань.
Для формалізації знань у інтелектуальних системах використовують поняття модель знань.
Моделлю знань називається фіксована система понять і правил, відповідно до яких інтелектуальна система подає знання в своїй пам’яті та здійснює операції над ними.
Моделі знань необхідні:
- для створення спеціальних мов описів знань і маніпулювання ними;
- для формалізації процедур порівняння нових знань з уже існуючими;
- для формалізації механізмів логічного виведення.
Однією з найскладніших задач побудови експертної системи є задача побудови бази знань. Процес формування БЗ є інтерактивним (англ. Interaction – взаємодія) із можливим поверненням з подальшого етапу проектування на попередній. Одним із найскладніших моментів процесу формування БЗ, що зумовлює ітерактивні повернення, є одержання знань від експерта з їх подальшою формалізацією. Оскільки багато виведень експерт вважає очевидними, а деякі використовує інтуїтивно, дуже важко одержати від нього зв’язки між елементами проблемної ситуації, логічно-послідовну інформацію про процес розв’язання задачі.
В будь-який момент часу в експертній системі фігурують три типи знань:
Структуровані – статичні знання про проблемну ситуацію. Після того як ці знання виявлено, вони вже не змінюються;
Структуровані динамічні – змінні знання про проблемну ситуацію. Вони поновлюються в міру виявлення нової інформації;
Робочі – знання, які застосовують для розв’язання конкретної задачі або проведення консультації.
Також знання можуть бути кваліфіковані за такими категоріями:
Поверхневі – знання про видимі взаємозв’язки між окремими подіями і чинниками предметної галузі;
Глибинні – абстракції, аналогії, схеми, що відображають структуру і природу процесів, які відбуваються в предметній сфері. Ці знання пояснюють явища і використовуються для прогнозування поведінки об’єктів.
Сучасні експертні системи працюють в основному з поверхневим знанням. Це пов’язане з тим, що на сьогодення відсутні універсальні методики, які дозволяють виявити глибинні структури знань і працювати з ними.
Окрім того, знання розділяють на процедурні і декларативні. Історично першими були процедурні знання, тобто знання, що потрібні для побудови алгоритмів. Вони керували даними. Їхня варіація змінювала програму. Але із розвитком штучного інтелекту пріоритет даних постійно змінювався, і все більшою ставала частина знань, зосереджена у структурах даних (таблицях, списках, абстрактних типах даних), тобто зростала роль декларативних знань.
На сьогодні знання набули суто декларативної форми. Знаннями вважають речення, записані інформаційними мовами, що наближені до природної і зрозумілої неспеціалістам. Найбільш розвинутими на сучасному етапі є моделі задання знань, які ґрунтуються на вербально-дедуктивній парадигмі. До основних мов подання знань відносять:
продукційні моделі (логіка предикатів);
семантичні мережі;
фрейми;
логічні моделі.
Список питань для перевірки знань:
Поняття дані, інформація, знання.
Бази знань.
Вербально-дедуктивне знання.
Методи представлення та формалізації знань.
Експертні системи, принципи побудови.