1、智能技术及应用,Intelligence Technology Introduction and Application,智能技术及应用,第一节 人工智能技术 第二节 智能商务,智能技术及应用,定义人工智能 解释为什么专家系统可以保存和使用知识 组织如何利用智能技术改进知识的获取和使用 智能商务如何帮助组织获得竞争优势,第一节 人工智能,一、什么是人工智能,人工智能(AI)的概念,基于计算机的具有智能和模拟人的智能行为功能的系统 特点： 基于计算机系统 具有一定的智能 能够全部或部分模拟人的智能行为,研究人工智能的目的,建立一套不包括人类感觉的机理 排除由人掌握的经常性不满意的工作 保存专家的
2、意见 按有效的方式保存信息 通过对短时间由人无法分析的大规模复杂系统问题提出建议来增强组织的知识库,人工智能的研究应用领域,语言学习自然语言 完成实际任务机器人 使用感觉器官感觉系统 效仿专家的决策专家系统 执行任务“智能”机器,人工智能的成果,机器人技术 智能设备 识别技术 知识的保存和使用,二、专家系统,专家系统,通过获取人类专家在特定领域内的意见建立的集中知识的计算机程序 专家系统一般通过提问和解释帮助决策者做出决策 特征 基于计算机系统 以专家的知识和经验为依托 通过提问和解释的方式支持决策者的决策,专家系统的局限性,针对特定的问题 有限的应用领域 专家的确认 专家知识的获取 专家知识
3、的保存和使用,专家系统工作原理,知识库用于专家系统的人类知识的模型 主要工作方式 基于规则 知识框架 推理机,知识框架,前向推理机,专家系统的建立,建立专家系统需要 专家(提供知识和经验) 知识工程师(翻译知识) 步骤 确定特定的问题 建立原型验证知识翻译及推理 建立完整系统，增加大量知识,专家系统的问题,开发投入与运行投入 知识的有效性 知识的成功表达与使用 只能解决有限问题,基于案例推理的组织智能,将知识按照案例的方式组织在数据库中 通过对数据库中案例的搜索实现知识的利用 通过不断补充案例实现知识的积累,基于案例的推理过程,三、其它智能技术,神经网络,模仿生物大脑活动的硬件或软件 生物大脑
4、活动的特点 由神经元组成最小活动单位 神经元之间相互作用 神经元间并行活动,生物神经元结构,人工神经元,神经网络,神经网络与专家系统区别,神经网络不将人类智能模型化 神经网络不需要对方案编程 神经网络不直接面对特定问题 神经网络强调学习能力 神经网络经常无法解释得到结果的途径 神经网络比较敏感，训练数据少或过多都会影响训练效果,神经网络几个应用,销售神经网络：确定销售模式 神经网络用于国防：雷达模式识别 神经网络用于电力系统：预测,模糊逻辑,一种允许使用不精确的隶属函数来解决问题的基于规则的人工智能方法 将所有判断都看作是不精确的(模糊的),遗传算法,利用遗传方法 利用0,1表示方案特征 步骤
5、 在初始方案中选取种子 进化重组种子 自然淘汰 获得最好结果,遗传算法应用,遗传算法用于甄别嫌疑犯 遗传算法用于供应链管理 遗传算法用于金融业 遗传算法用于电视广告 遗传算法用于数据挖掘,传统智能技术研究方法,以整体为对象 研究整体所反映的行为 以概率的形式反映个体在整体中的地位,智能自主体（代理）,以每个拥有智能的个体为对象 通过研究个体及个体之间的关系来观察整体的行为突现 对每个个体详细描述,第二节 智能商务,智能商务,目的： 将组织现有数据转化成为知识而提高组织决策的科学性和有效性 效益： 为组织提供从数据中发现新关系的能力 加强组织决策及决策过程的精确性,实现智能商务的步骤,有充分的正
6、确数据可以利用 数据抽取(数据仓库) 这些数据被转换成为可利用的信息 数据分析(多维分析) 这些信息被传递给需要它们的人员 关系发现(数据挖掘),一、数据仓库,数据仓库的概念,数据仓库就是支持管理决策过程的、面向主题的、集成的、随时间可变的、持久的数据集合。 W. H. Inmon的定义,数据仓库的特征,面向主题 数据时间跨度大 数据量大 内容随时增加,数据仓库的基本功能,数据获取 数据存储和管理 信息访问,数据仓库的基本体系结构,数据仓库成功实施的保证,集中解决实际的业务问题 争取数据仓库的拥护者确保项目的实施 详尽的数据支持 可靠的历史数据 适应于业务的技术,二、在线分析,在线分析的概念,
7、通过快速、一致、交互地访问各种可能的信息视图，帮助管理人员掌握数据中存在的规律，实现对数据的归纳、分析和处理，帮助组织完成相关决策。,在线分析系统的体系结构,在线分析的基础,变量：数据的实际意义 维：观察数据的特定角度 维的层次：如年、月、日等 维的成员：维的取值 多维数组：多个方面表示的数据 数据单元：多维数组的取值,在线分析中的多维数据,多维分析的基本操作,切片：在多位数组中选定某一维成员 切块：在某一维中选定某一区间 钻取：某一维中观察上下层状况 旋转：改变观察的方向,三、数据挖掘,数据挖掘的概念,所谓数据挖掘(Data Mining)，就是从大型数据库的数据中提取人们感兴趣的知识。这些
8、知识是隐含的、事先未知的潜在有用信息。 W. J. Frawley, G. Piatetsky-Sjapiro,相关的研究领域,归纳学习 机器学习 统计分析,知识的表达方式,概念(Concepts) 规则(Rules) 规律(Regularities) 模式(Patterns) 约束(Constraints) 可视化(Visualizations),知识的使用方式,提供给决策者用以辅助决策 提供给专家用以修正知识 作为新的知识存储于知识库中,数据挖掘的过程,数据挖掘工作的过程,数据准备阶段 数据挖掘阶段 结果表达和解释阶段,数据准备阶段的工作步骤,数据集成 数据选择 数据预处理,数据挖掘阶段的步骤,决定如何产生假设 用户设定假设验证知识 系统设定假设发现知识 选择合适的工具 发掘知识的操作 证实发现的知识,结果表达和解释阶段的步骤,对提取出的信息进行分析 将知识提交给用户 用户过滤知识，若不满意重复数据挖掘的操作,数据挖掘的分类,总结规则挖掘 特征规则挖掘 关联规则挖掘 分类规则挖掘 聚类规则挖掘 趋势分析 偏差分析 模式分析,数据挖掘面临的问题,数据质量 数据可视化 数据容量 性能和成本 信息分析员的技能,较活跃的数据挖掘应用,
