Признаки интеллектуальности системы
Для ИС, решающих подобные задачи и ориентированных на генерацию алгоритмов решения задач, характерны следующие признаки:
1. Развитые коммуникативные способности (взаимодействия пользователя с системой).
2. Способность решать сложные плохо формализуемые задачи (задач, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации).
3. Способность к самообучению.
4. Адаптивность (способность к изменению и развитию системы).
1. Коммуникативные способности ИС характеризуют способ взаимодействия пользователя с системой (т.е. интерфейс), в частности возможность формулирования произвольного ЗАПРОСА в диалоге с системой на языке максимально близком к естественному.
2. Решение сложных плохо формализуемых задач, т.е. таких задач, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний.
3. Способность к самообучению – это возможность автоматического приобретения знаний для решения задач путем их извлечения из накопленного опыта конкретных ситуаций.
4. Адаптивность – способность к изменению и развитию системы в соответствии с объективными изменениями во внешнем мире системы, в исходных данных, в знаниях о предметной области и решаемой задаче, которые отражаются в изменениях модели проблемной области.
Эти признаки интеллектуальности в различных ИС развиты в неодинаковой степени и редко все они реализуются одновременно в одной системе.
Существует классификация ИС, в которой каждому из этих признаков соответствует свой класс (вид) ИС.
Четыре основных класса ИС:
СИСТЕМЫ С ИНТЕЛЛЕКТУАЛЬНЫМ ИНТЕРФЕЙСОМ
- развитые коммуникативные способности.
2. ЭКСПЕРТНЫЕ СИСТЕМЫ
- способность решать сложные плохо формализуемые задачи
3. САМООБУЧАЮЩИЕСЯ СИСТЕМЫ
- способность к самообучению
4. АДАПТИВНЫЕ СИСТЕМЫ
- адаптивность.
Ассоциативные правила
Ассоциация – это 1 из задач DataMining, целью поиска ассоциативных правил является нахождение закономерностей между связанными событиями в БД.
В силу своей относительной простоты применяются для решения разных задач, например: 1) розничная торговля, определение товаров которые стоит продвигать совместно. 2) Перекрёстные продажи: какова вероятность что при покупке 1 из продуктов клиент приобретет и 2. 3) Маркетинг – поиск рыночных сегментов и тенденция покупательского поведения. 4) анализ интернет трафика и тд.
*** (Транзакция, транзакционная БД, поддержка
Пример на основе БД с продуктами:
1) анализ совершенных покупок за 1 чек
2) определение «Поддержки» (например:
набор * встречается в БД 3 раза, поэтому
поддержка = 3). Определить поддержку в
%: sup(x)=
,
x- кол-во продуктов в
наборе, у- кол-во наборов (1. Лук, Яйца,
Сыр 2.Колбаса, Конфеты. У=2)
3)
1) Берется список продуктов купленных за 1 “чек”, 2) выбирается каждый продукт из этих чеков и смотрится сколько раз он встречается в выбранных записях, 3) Отсечение всех наименее повторяющихся продуктов, 4) Берется 2 и так далее продукта и сравнивается сколько раз встречается такой вариант, 5) Чтобы определить вероятность с которой правило срабатывает из результирующего списка берется кол-во наиболее часто встречающихся продуктов и делится на оставшееся кол-во проверяемых комбинаций продуктов.
Транзакция – множество событий, которые произошли одновременно.
Транзакционная БД – двумерная таблица, состоящая из номера транзакции и перечня продукции, приобретенной в ходе этой транзакции.
Поддержка – количество или процент транзакций, содержащий определенный набор данных.
Работа алгоритма: на первом шаге идет работа с одноэлементными наборами, далее – двухэлементными и т.д. отсекаются те наборы, у которых поддержка меньше минимальной.
Для того, чтобы определить с какой вероятностью срабатывает правило, используется такой параметр, как достоверность.