Интеллектуальные системы в теории принятия решений в экономике

32

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ,

МОЛОДЕЖИ И СПОРТА УКРАИНЫ

ТАВРИЧЕСКИЙ НАЦИОНАЛЬНЫЙ УНИВЕРСИТЕТ ИМЕНИ В. И. ВЕРНАДСКОГО

кафедра экономической кибернетики

Реферат на тему:

«Интеллектуальные системы в теории принятия решений в экономике»

Выполнила:

Студентка 4 курса, группы 401-К,

специальность «экономическая кибернетика»

Мамутова А.А.

Симферополь 2012

Содержание

Введение……………………………………………………………………………...3

Раздел 1. Интеллектуальный анализ данных………………………..……………..5

Раздел 2. Классы систем АИД..………………………………………………….….9

2.1. Нейронные сети…………………………………………………………………9

2.2. Предметно-ориентированные аналитические системы …………………….12

2.3. Деревья решений………………………………………………………………13

2.4. Системы рассуждений на основе аналогичных случаев…………………….17

2.5. Статистические пакеты………………………………………………………..18

2.6. Генетические алгоритмы……………………………………………………...18

2.6. Эволюционное программирование …………………………………………..22

2.7. Алгоритмы ограниченного перебора…………………………………………22

2.8. Системы для визуализации многомерных данных …………………………23

Раздел 3. Классификация стадий ИАД …………………………………………...25

3.1. Свободный поиск ……………………………………………………………...25

3.2. Прогностическое моделирование ……………………………………………26

3.3. Анализ исключений……………………………………………………………27

Раздел 4. Бизнес-приложения ИАД ………………………………………………28

Заключение………………………………………………………………………….31

Список используемой литературы………………………………………………...32

Введение

В настоящее время в области информационных технологий можно выделить два класса систем:

OLTP (On-Line Transaction Processing) системы – системы, ориентированные на операционную обработку данных. В отечественной литературе они называются термином "системы обработки данных" (СОД);

DSS (Decision Support Systems) системы – системы, ориентированные на аналитическую обработку данных. В отечественной литературе они получили название систем поддержки принятия решений (СППР).

На первых стадиях информатизации всегда требуется навести порядок именно в процессах повседневной рутинной обработки данных, на что, и ориентированы традиционные СОД, поэтому опережающее развитие этого класса систем вполне объяснимо. Системы второго класса – СППР – являются вторичными по отношению к ним.

Системы поддержки принятия решений – основа ИТ-инфраструктуры различных компаний, поскольку эти системы дают возможность преобразовывать обширную бизнес-информацию в ясные и полезные выводы. Сбор, обслуживание и анализ больших объемов данных, – это задачи, которые требуют преодоления серьезных технических трудностей, огромных затрат и адекватных организационных решений. СППР представляет комплекс программных средств, который включает библиотеку различных алгоритмов поддержки решений, базу моделей, БД, вспомогательные и управляющую программы. Управляющая программа организует на ПЭВМ процесс принятие решений с учетом специфики проблемы. СППР используется для поддержки различных видов деятельности в процессе принятия решений:

определение специальных заданий;

выбора общей стратегии действий;

оценивание результатов;

инициация изменений.

Современный уровень развития аппаратных и программных средств с некоторых пор сделал возможным повсеместное ведение баз данных оперативной информации на всех уровнях управления. В последние годы в мире оформился ряд новых концепций хранения и анализа корпоративных данных:

Хранилища данных (Data Warehouse). Наиболее точный дословный перевод "склад данных". Термины "хранилище данных" и "склад данных" используются в дальнейшем как синонимы. Хранилища данных создаются специально для приложений поддержки принятия решений и предос-тавляют накопленные за определенное время, сводные и консолидированные данные, которые более приемлемы для анализа, чем детальные индивидуальные записи.

Оперативная аналитическая обработка данных (On-Line Analytical Processing, OLAP). OLAP-системы обеспечива-ют решение многих аналитических задач: анализ ключе-вых показателей деятельности, маркетинговый и финан-сово-экономический анализ, анализ сценариев, моделиро-вание, прогнозирование и т.д. Такие системы не обуслов-лены особенностями информационной инфраструктуры компании и могут работать со всеми необходимыми дан-ными, независимо от их источников.

Интеллектуальный анализ данных – ИАД (Data Mining) ИАД – это процесс обнаружения в 'сырых' данных ранее неизвестных нетривиальных практически полезных и дос-тупных интерпретации знаний, необходимых для приня-тия решений в различных сферах.

Раздел 1. Интеллектуальный анализ данных

Интеллектуальный анализ данных (ИАД) – это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей (шаблонов информации). Большинство методов ИАД было первоначально разработано в рамках теории искусственного интеллекта (ИИ) в 70-80-х годах, но получили распространение только в последние годы, когда проблема интеллектуализации обработки больших и быстро растущих объемов корпоративных данных потребовала их использования в качестве надстройки над хранилищами данных.

Выбор метода ИАД часто зависит от типа имеющихся данных и от того, какую информацию необходимо получить. Некоторые методы перечислены ниже:

1. Классификация. Наиболее распространенная задача ИАД. Она позволяет выявить признаки, характеризующие однотипные группы объектов - классы, - для того чтобы по известным значениям этих характеристик можно было отнести новый объект к тому или иному классу. Ключевым моментом выполнения этой задачи является анализ множества классифицированных объектов. Наиболее типичный пример использования классификации – конкурентная борьба между поставщиками товаров и услуг за определенные группы клиентов. Классификация способна помочь определить характеристики неустойчивых клиентов, склонных перейти к другому поставщику, что позволяет найти оптимальную стратегию их удержания от этого шага (например, посредством предоставления скидок, льгот или даже с помощью индивидуальной работы с представителями "групп риска").

2. Кластеризация. Логически продолжает идею классификации на более сложный случай, когда сами классы не предопределены. Результатом использования метода, выполняющего кластеризацию, как раз является определение (посредством свободного поиска) присущего исследуе-мым данным разбиения на группы. Так, можно выделить родственные группы клиентов или покупателей с тем, чтобы вести в их отношении дифференцированную политику. В приведенном выше примере "группы риска" – категории клиентов, готовых уйти к другому поставщику – средствами кластеризации могут быть определены до начала процесса ухода, что позволит производить профилактику проблемы, а не экстренное исправление положения. В большинстве случаев кластеризация очень субъективна; будучи основана на измерении "информационного расстояния" между примерами обучающего множества, любой вариант разбиения на кластеры напрямую зависит от выбранной меры этого расстояния. В качестве примера используемых методов можно привести обучение "без учителя" особого вида нейронных сетей – сетей Кохонена, а также индукцию правил.

3. Выявление ассоциаций. В отличие от двух предыдущих типов, ассоциация определяется не на основе значений свойств одного объекта или события, а имеет место между двумя или несколькими одновременно наступающими событиями. При этом производимые правила указывают на то, что при наступлении одного события с той или иной степенью вероятности наступает другое. Количественно сила ассоциации определяется несколькими величинами; например, могут быть использованы следующие три характеристики:

 предсказуемость определяет, как часто события X и Y случаются вместе, в виде доли от общего количества событий X; например, в случае покупки телевизора (X) одновременно покупается видеомагнитофон в 65% случаев (Y);

 распространенность показывает, как часто происходит одновременное наступление событий X и Y относительно общего числа моментов зафиксированных событий; иными словами, насколько часто производится одновременная покупка телевизора и видеомагнитофона среди всех сделанных покупок;

 ожидаемая предсказуемость показывает ту предсказуемость, которая сложилась бы при отсутствии взаимосвязи между событиями; например, как часто покупался бы видеомагнитофон безотносительно к тому, покупался ли телевизор. Рассмотренный пример является типичной иллюстрацией задачи анализа покупательской корзины. Цель его выполнения – определение пар товаров, при совместной покупке которых покупателю может быть предоставлена скидка ради увеличения значения предсказуемости и, следовательно, повышения объема продаж.

4. Выявление последовательностей. Подобно ассоциациям, последовательности имеют место между событиями, но наступающими не одновременно, а с некоторым определенным разрывом во времени. Таким образом, ассоциация есть частный случай последовательности с нулевым временным лагом. Так, если видеомагнитофон не был куплен вместе с телевизором, то в течение месяца после покупки нового телевизора покупка видеомагнитофона производится в 51% случаев.

5. Прогнозирование. Это особая форма предсказания, которая на основе особенностей поведения текущих и исторических данных оценивает будущие значения определенных численных показателей. Например, может быть сделан прогноз объема продукции, который ожидается в предприятиях текстильной отрасли Луганской области в ближайшие месяцы, на основе данных, накопленных в базе социально-экономического положения области. В задачах подобного типа наиболее часто используются традиционные методы математической статистики, а также нейронные сети.

6. Анализ временных рядов. Позволяет найти временные закономерности между транзакциями. Например, можно ответить на вопрос, покупки каких товаров предшествуют покупке данного вида продукции. Используется при анализе целевых рынков, управлении гибкостью цен, управлении циклом работы с заказчиком;

7. Объединение – выделение структур, повторяющихся во временной последовательности. Обнаруживает правила, по которым присутствие одного набора элементов коррелирует с другим. Этот метод часто применяется для анализа рыночной корзины пакетов продуктов, при разработке каталогов, перекрестном маркетинге. Цель – найти закономерности среди большого числа транзакций. Эта информация может использоваться для модификации расположения полок и последовательности товаров в торговом зале. Классический пример из американской жизни, когда в одном из универсамов обнаружили, что по субботам молодые отцы, купив памперсы и исполнив таким образом свою миссию, покупают пиво. Расположив полку с пивом рядом с полкой памперсов, универсам в четыре раза увеличил продажу пива по субботам;

Раздел 2. Классы систем АИД

ИАД является мультидисциплинарной областью, возникшей и развивающейся на базе достижений прикладной статистики, распознавания образов, методов искусственного интеллекта, теории баз данных и др. Отсюда обилие методов и алгоритмов, реализованных в различных действующих системах ИАД. Многие из таких систем интегрируют в себе сразу несколько подходов. Тем не менее, как правило, в каждой системе имеется какая-то ключевая компонента, на которую делается главная ставка. Ниже приводится классификация указанных ключевых компонент. Выделенным классам дается краткая характеристика.

2.1. Нейронные сети

Нейронные сети представляют собой вычислительные структуры, моделирующие простые биологические процессы, аналогичные процессам, происходящим в человеческом мозге. Искусственные нейронные сети – это распределенные и параллельные системы, способные к адаптивному обучению путем реакции на положительные и отрицательные воздействия. В основе их построения лежит элементарный преобразователь, называемый искусственным нейроном или просто нейроном по аналогии с его биологическим прототипом.

Структуру нейросети – многослойного персептрона – можно описать следующим образом. Нейросеть состоит из нескольких слоев: входной, внутренний (скрытый) и выходной слои. Входной слой реализует связь с входными данными, выходной – с выходными. Внутренних слоев может быть от одного и больше. В каждом слое содержится несколько нейронов. Все нейроны соединяются между собой связями, называемые весами (рис.1).