- •1.Історична довідка про розвиток сппр.
- •2.Чинники, які сприяють сприйняттю та поширенню сппр.
- •3.Сучасний підхід до концепції ін-ція.
- •4. Ознаки корис-ті інф-ції для кор-ча сппр.
- •6.Розвиток інф-них тех-гій.
- •7.Характеристики нової інформаційної технології.
- •8.Загальна схема автоматизованого розв'язку задач.
- •9.Три покоління інформаційних систем.
- •10.Схема до обгрунтування концепції бази моделей.
- •12.Загальна схема підтримки та прийняття рішень.
- •13. Характеристика раціональних рішень
- •14.Класифікація Саймона проблем прийняття рішень в організаційному управлінні.
- •15.Загальні характеристики і особливості слабоструктурованих проблем, для яких в основному призначені сппр.
- •16.Класифікація працівників організаційного управління.
- •17.Особливості роботи керівників з технологічної точки зору.
- •18.Нормативні моделі підтримки управлінських рішень.
- •19.Дескриптивні (описові) моделі підтримки упр-х рішень.
- •20.Система перт для прийняття упорядкувальних рішень.
- •21.Графіки Ганта для прийняття упорядкувальних рішень.
- •22.Системний підхід в організаційному управлінні.
- •23.Суть і компоненти сппр.
- •24.Концепції побудови системи підтримки прийняття рішень.
- •25.Три покоління сппр.
- •26.Характеристика сппр третього покоління.
- •27.Характеристика сучасних сппр.
- •28.Галузі застосування сппр.
- •29. Сппр Marketing Expert
- •31. Система підтримки прийняття фінансових рішеньVisual ifps/Plus
- •32. Сппр plexsys
- •33. Загальна архітектура сппр
- •34. Підсистема даних в сппр.
- •35 Схема підсистеми даних в сппр
- •36. Аналіз систем управління базами даних для сппр
- •37. База моделей в сппр
- •38. Системи управління базою моделей (субм) в сппр
- •40. Структурне моделювання
- •41. Управління поштою (повідомленнями) в сппр
- •42. Використання ресурсів Інтернет в сппр
- •43. Основи та загальна схема класифікації сппр
- •44.Таксономія сппр Альтера та розширена рамка сппр Пауера.
- •45. Класифікація сппр на основі інструментального підходу.
- •46.Класифікація сппр за ступенем залежності опр в процесі прийняття рішень.
- •47.Класифікація сппр за ознакою часового горизонту.
- •48.Способи взаємодії особи, яка приймає рішення, з сппр.
- •49 Моделі сппр в рамках інформаційного підходу.
- •50. Модель сппр, основана на знаннях
- •51.Модель ієрархії упр-ня.
- •52.Моделі сппр, орієнт-ні на особистість опр.
- •53.Моделі сппр для план-ня і прогноз-ня.
- •54.Модель сппр для конторської діял-ті (для офісу).
- •55. Орієнтовані на моделі сппр
- •56. Сппр Analytica.
- •57. Сппр Expert Choice.
- •58. Родове дерево методологій в сппр
- •59. Процес прийняття рішень
- •60. Ситуації, пов’язані з прийняттям рішень
- •61. Функції і задачі прийняття рішень
- •62. Узагальнена матриця методів/ситуацій рішень.
- •63. Оцінка програмного забезпечення сппр: техніко-економічний аналіз.
- •64.Оцінка програмного забезпечення сппр: моделі багатоатрибутної корисності.
- •65.Оцінка програмного забезпечення сппр: метод ціни (вартості) інформації.
- •66.Фактори, які визначають інженерію сппр.
- •67. Загальні фази аналізу, проектування та розробки сппр (загальна схема створення сппр).
- •68. Методологія сппр: визначення опису системи і попереднє проектування
- •1. Вивчення опису системи.
- •2.0. Попереднє проектування.
- •69.Методологія сппр: детальне проектування і розробка програм та задач користувача.
- •3. Детальне проектування.
- •4. Розробка програм і задач користувачів.
- •70.Методологія сппр: тестування, перетворення даних і реалізація системи, експлуатація і супроводження системи
- •5.Тестування.
- •6.Перетворення даних і реалізація с-ми.
- •7.Експлуатація і супроводження с-ми.
- •71 .Суть і стратегія макетування сппр.
- •72. Дев’ятиетапна модель макетування сппр: загальна схема
- •73. Дев’ятиетапна модель макет-ня сппр: аналіз вимог.
- •74. Дев’ятиетапна модель макет-ня сппр: модел-ня.
- •75. Дев’ятиетапна модель макет-ня сппр: вибір методів.
- •76. Дев’ятиетапна модель макет-ня сппр: вибір і проект-ня пз.
- •77. Дев’ятиетапна модель макет-ня сппр: вибір і компонування апаратних засобів; складання с-ми.
- •78. Дев’ятиетапна модель макет-ня сппр: передача с-ми, оцінка с-ми, зворотній звязок.
- •79.Базові засоби штучного інтелекту і їх застосування в системах оброблення інформації.
- •80.Дейтамайнінг - засоби інтелектуального аналізу даних в сппр.
- •81.Застосування нейромереж в сппр.
- •82.Використання генетичних алгоритмів в сппр.
- •83.Програмні (інтелектуальні) агенти в сппр.
- •84.Розвиток та застосування сппр на основі сховищ даних та olap-систем.
- •85.Загальне проектування і процес розробки орієнтованих на дані сппр.
- •86.Сховище даних і створення на цій основі сппр. Вітрини даних.
- •87.Система аналітичної інтерактивної обробки olap.
- •88.Система оперативної аналітичної обробки Oracle Express.
- •89.Суть підтримки прийняття групових рішень.
- •90.Групове програмне забезпечення (Groupware) і його застосування в групових системах підтримки прийняття рішень (гсппр).
- •91.Підтримуючі засоби гсппр.
- •92. Гсппр GroupSystems
- •93. Підсистема управління сеансами в гсппр plexsys.
- •94. Управління моделями в гсппр plexsys.
- •95. Виконавчі інформаційні системи як різновид сппр.
- •96. Організаційно-технологічні основи створення та прийняття виконавчих рішень
- •97. Модель та компоненти віс
- •98. Ключові аспекти та механізми користувацького інтерфейсу.
- •99. Основні принципи (вимоги) до користувацького інтерфейсу
- •100. Питання проектування користувацького інтерфейсу.
- •101. Симулятори користувацького інтерфейсу.
81.Застосування нейромереж в сппр.
Нейронна мережа (Neural Network) або просто нейромережа є програмно (інколи апаратно) реалізованою системою, в основу якої покладена математична модель процесу передавання і оброблення імпульсів мозку людини, що імітує механізм взаємодії нейронів (neuron) з метою опрацювання інформації, що надходить, і навчання досвіду. Інакше кажучи, проводиться комп’ютеризована імітація інтелектуального режиму поведінки людини. Ключовим аспектом штучних нейромереж є їх здатність навчатися в процесі розв’язання задач, наприклад, розпізнавання образів. Нейромережі (нейрокомп’ютери) забезпечують користувачів надзвичайно гнучким і в певному розумінні універсальним аналітичним інструментарієм. Вони дають змогу розв’язувати досить різні типи задач. Класифікація образів. Кластеризація/категоризація. Апроксимація функцій. Передбачення/ прогнозування. Оптимізація. Контекстно-адресована пам’ять. Управління Банки і страхові компанії: Адміністративне обслуговування: Нафтова і хімічна промисловість: Служба безпеки: Біомедична промисловість: Телебачення і зв’язок: Є такі мережі:
1) такі, що конструюються(задається: число та тип нейронів, граф зв’язків та ваги)
2) такі, що навчаються(граф зв’язків, і ваги змінюються в ході навчання)
існує декілька типів архітектур нейромереж. Найчастіше використовується 3х шаровий персептрон. Вхідний шар – певна кількість нейронів; Середній шар – невидимі нейрони; Вивідний шар – включає лише один вихід. Навчання та використання нейромереж
Якщо НМ сконструйована для вирішення певної задачі, або класу задач, то нею користуватися досить просто. Якщо НМ навчається то потрібно мати 3 набори даних: 1) набір даних для навчання. 2) набір даних для тестування. 3) набір даних, що досліджується. Нейронні мережі нині знаходять величезну кількість різноманітних застосувань. Дійсно, в будь-якій галузі людської діяльності є задачі, що погано алгоритмізуються, для розв’язання яких необхідна або постійна робота групи кваліфікованих експертів, або адаптивні системи автоматизації розрахунків, якими є нейронні мережі. Різні компанії вибирають неоднакові варіанти — одні вважають за краще витрачати гроші на оплату кращих фахівців і їх навчання, інші купують повністю готові спеціалізовані нейромережеві системи, а треті комбінують ці підходи, створюючи власні системи з нуля або на основі готових комерційних пакетів. Кожний з варіантів упровадження нових технологій має свої переваги й недоліки.
82.Використання генетичних алгоритмів в сппр.
У загальному значенні генетичні алгоритми (Genetic Algorithms) — це тип алгоритмів, інспірованих механізмами еволюції живої природи, які застосовуються, головно, до задач глобальної оптимізації (зокрема, задач комбінаторної оптимізації) і деякою мірою для дейтамайнінгу, зокрема, для комбінування шаблонів з правил індукції, які були відкриті до цього, навчання нейромереж, пошуку зразків у даних, відкриття шаблонів у тексті тощо. Генетичні алгоритми належать нині до стандартного інструментарію методів дейтамайнінгу. Ідея генетичних алгоритмів запозичена з живої природи і полягає в машинній організації еволюційного процесу створення, модифікації і відбору кращих розв’язків, виходячи з того, що в процесі відтворення і модифікації розв’язків кращі з них (подібно до процесу селекції в рослинництві й тваринництві) можуть дати ще ліпших «нащадків», тобто нові, прийнятніші варіанти розв’язання задачі. Загальна схема генетичних алгоритмів. У загальному вигляді стратегію отримання рішень за допомогою генетичних алгоритмів можна реалізувати такими кроками:
ініціалізуйте популяцію;
виберіть батьків для репродукції і оператори мутації і кросовера;
виконайте операції, щоб згенерувати проміжну популяцію індивідуумів і оцінити їхні придатності;
виберіть членів популяції для отримання нової генерації (версії);
повторюйте кроки 1—3, поки не буде досягнуте деяке правило зупинки.
Критерієм зупинки процесу здійснення генетичного алгоритму може бути одна з трьох подій:
сформовано задану користувачем кількість поколінь;
популяція досягла заданої користувачем якості (наприклад, значення якості всіх особин перевищило задану порогову величину);
досягнутий деякий рівень збіжності. Тобто особини в популяції стали настільки подібними, що дальше їх поліпшення відбувається надзвичайно повільно, і тому продовження здійснення ітерацій генетичного алгоритму стає недоцільним. Після завершення роботи генетичного алгоритму з кінцевої популяції вибирається та особина, яка дає максимальне (або мінімальне) значення цільової функції і, отже, є результатом здійснення генетичного алгоритму.