Mövzu 2: perspektiv təDQİqatlar və İntellektual sistemləRİN İŞLƏNİLMƏLƏRİ VƏ İntellektual hesablamalar texnologiyalarinin model və metodlari



Yüklə 37,71 Kb.
tarix08.10.2017
ölçüsü37,71 Kb.
#3675

MÖVZU 2: PERSPEKTİV TƏDQİQATLAR VƏ İNTELLEKTUAL SİSTEMLƏRİN İŞLƏNİLMƏLƏRİ VƏ İNTELLEKTUAL HESABLAMALAR TEXNOLOGİYALARININ MODEL VƏ METODLARI
Plan

1. Ənənəvi və analitik (determinə olunmuş və ehtimal) texnologiyalar

2. Yeni texnologiyalar

3. Data Mining

4. İntellektual hesablamaların modellərinin növləri (təsnifat, reqressiya təhlli, zaman ardıcıllıqlarının proqnozlaşdırılması, klasterizasiya, assosiasiya, ardıcıllıq)
1. Ənənəvi və analitik (determinə olunmuş və ehtimal) texnologiyalar

Yeni intellektual sistemlərinə aid tədqiqatlar insan intellektinin və kompüter sistemlərinin birləşdirilmə metodlarının işlənilməsinə yönəldimişdir. Son zamanlar analitik texnologiyalar əhəmiyyətli dərəcədə inkişaf və istifadə edilirlər.

Analitik texnologiyalar – müəyyən model, alqoritm, riyazi teoremlər əsasında məlum verilənlərə görə naməlum xarakteristika və parametrlərin qiymətlərini tapmağa imkan verən metodikalardır. Analitik texnologiyanın ən sadə misalı Pifaqor teoremidir ki, o, məlum düstur əsasında с22+b2 katetlərin uzunluğuna görə hipotenuzun uzunluğunun tapılmasına imkan yaradır.

Analitik texnologiyaların digər nümunəsi kimi insan beyni ilə informasiyanın işlənməsini çəkmək olar. Həttə uşaq beyni də müasir kompüterlərin bacarmadığı məsələləri həll edə bilir, məsələn, tanış simaların tanınması və ya futbol oyunu zamanı onlarla əzələlərin səmərəli idarəsi. Beynin unikallığı kimi yeni məsələlərin həlli qabiliyyətidir – şahmat oyunu, avtomobilin idarəedilməsi və s. Lakin eyni vaxtda beyin ədədi informasiyanın böyük həcmlərin işlənilməsinə pis uyğunlaşmışdır – insan iki çoxqiymətli ədədi kalkulyatorsuz və ya digər üsullardan istifadə etmədən bir-birinə vura bilməz. Ədədlərlə real məsələlər vurma ilə müqayisədə daha mürəkkəbdir və insan üçün belə məsələlərin həlli üçün əlavə metodikaar və alətlər lazımdır.

Analitik texnologiyalar vacim qərarları qəbul edən insanlara – rəhbərlərə, analitiklara, ekspertlərə, məsləhətçilərə gərəkdir. Kompaniyanın gəliri əhəmiyyətli dərəcədə bu qərarların keyfiyyətindən asılıdır – seçılmş strategiyaların optimallığı, proqnozların dəqiqliyi ilə. Analitik texnologiyalarn köməyi ilə proqnozlaşdırma (valyuta kursları, xammal qiyməti, tələb, kompaniyanın gəliri, işsizlik səviyyəsi) və optimallaşdırma (marşrutların cədvəli, tədarük planı, investisiya planı, inkişaf strategiyaları) problemlərini həll etmək olar.

Pifaqor teoremi tipli analitik texnologiyaları insan tərəfindən artıq yüzilliklərdir ki, istifadə olunur. Bu vaxta kimi klassik məsələlərin həlli üçün düsturların, teoremlərin və alqoritmlərin küllü miqdarı yaradılmışdır – həcmin təyini, xətti tənliklər sisteminin həlli, çoxhədlilərin köklərinin axtarışı. Optimal idarəetmə məsələlərin, differensial tənliklərin həlli və s. üçün mürəkkəb və səmərəli metodlar işlənilmişdir. Bütün bu metodlar eyni sxem üzrə işləyirlər.

Alqoritmin tətbiqi üçün verilən məsələnin tam müəyyən determinə olunmuş modeli (məlum funksiya və parametrlərinin toplusu) ilə təsvir olunması zəruridir. Onda alqoritm dəqiq cavab verir. Məsələn, Pifaqor teoreminin tətbiqi üçün üçbucağın düzbucaqlı olmasını yoxlamaq lazımdır.

Praktikada tez-tez elə məsələlərə rast gəlirik ki, onlar təsadüfi kəmiyyətlərlə bağlıdır – məsələn, səhmlər kursunun proqnozlaşdırma məsələsi. Bu cür məsələlər üçün determinə olmuş modelləri qurmaq olmaz, bunun üçün prinsipial olaraq digər ehtimal yanaşma tətbiq olunur.

Ehtimal modellərin parametrləri – təsadüfi kəmiyyətlərin paylanmalarıdır, onların orta qiymətləridir, dispersiyalardır və s. Bir qayda olaraq, bu parametrlər əvvəlcədən bilinmir, və onların qiymətləndirilməsi üçün fiksə olunmuş qiymətlərin toplularına (tarixi verilənlərə) tətbiq olunan statistik metodlardan istifadə olunur.

Belə metodların tətbiqi üçün məsələnin bəzi ehtimal modelinin məlum olması zəruridir. Məsələn, kursun proqnozlaşdırılması məsələsində nəzərə almaq olar ki, səhmlərin sabahkı kursu yalnız son 2 günün kursundan asılıdır (avtoreqressiya modeli). Əgər bu doğrudursa, onda bir neçə ay ərzində kursun müşahidəsi bu asılılığın əmsallarını dəqiq qiymətləndirməyə və gələcəkdə kursu proqnozlaşdırmağa imkan verir.


2. Yeni texnologiyalar

Son 10 ildə yeni tip analitik texnologiyaların sürətli inkişafı baş verir. Onların əsasında – təbii prosesləri imitasiya edən süni intellekt texnologiyaları durur, məsələn, beynin neyronlarının fəaliyyəti və ya təbii seçim prosesi.

Analitik texnologiyaların işlənilməsi zamanı onların aşağıdakı qabiliyyətləri nəzərə alınır:

Məsələnin, ümumi prosesin və qarşılıqlı əlaqədə iştirak edən insan və digər sistemlərin imkanları haqqında biliklərin başa düşülməsi;

Təbii dilin, şəkillərin, təsvirlərin və işarələrin kömətilə istifadəçilərlə əlaqə;

Düzgün düşüncə əsasında biliklər;

Qərarlərın qəbulu, planlaşdırma və və hərəkətlərin nizamlanması;

əvəlki təcrübə əsasındaöyrənmə və davranışın adaptasiyası.

İnsanların bu imkanları dərk etmələri və proqramların işlənilməsi zamanı onların tətbiqi biliklərin əldə və istifadə edilməsinə qadir olan ən yeni analitik texnologiyaların yaradılmasında mərkəzi yer tutur. Milli rəqabət informasiya təhlilinin aparılması, qərarın qəbulu, çevik layihələndirmə və istehsalat üçün qüvvətlərin artmasından asılıdır. Kompüter sistemlərinə intellekt əlavə olunanda real məsələlələrin həllində bir çox məhdudiyyətlər kənarlaşdırılır.
3. Data Mining

Data Mining (biliklərin əldə edilməsi) adlandırılan verilənlərin təhlilinin və avtomatik emalının elementləri verilənlərin elektron anbarının və intellektual hesablamaların təşkili konsepsiyasında ayrılmaz bir hissəsinə çevrilirlər. Verilənlər anbarına istifadəçinin sadə daxil olması yalnız ifadə edilən suallara cavabların alınmasını təmin edir, Data Mining texnologiyası isə verilənlər toplusunda gizli qaydaları və qanunauyğunluqları görməyə imkan verir.

Data Mining “verilənlərin qazıntısı” kimi tərcümə edilir. Data Mining termini ilə bərabər “verilənlərin intellektual analizi” ifadəsi də istifadə olunur. İnsan zəkası müxtəlifcinsli informasiyanın böyük massivlərini qəbul etməyə qadir deyil. Bundan başıqa insan hətta kiçik toplularda 2-3-dən artıq qarşılıqlı əlaqəni seçə bilmir.

Uzun zaman verilənlər təhlilinin əsas aləti rolunu oynayan ənənəvi riyazi statistika real mürəkkəb həyatdan olan məsələlərin həllini hər zaman tapa bilmir. O, toplunun orta xarakteristikaları ilə əməliyyat aparır, hansılarkı fiktiv kəmiyyətdir (məktəbdə oğlan uşaqlarının orta boyu, müəssisədə qadınların orta çəkisi və s.). Buna görə də riyazi statistikanın metodları əsasən əvvəlcədən formulə olunmuş hipotezlərin yoxlanılması üçün faydalı olurdu.

Fəaliyyət zamanı müəssisələr verilənlərin nəhəng həcmlərini toplayırlar ki, onlardan faydalı informasiya əldə etsinlər. Verilənlərdən necə bilmək olar ki, müştərilərin təşkili üçün nə daha da sərfəlidir, resursları səmərəli necə yerləşdirmək olar və ya itirimləri minimallaşdırmaq üçün nə etmək lazımdır? Bu problemlərin həlli üçün intellektual analizin ən yeni texnologiyaları nəzərdə tutulub ki, onlar verilənlər bazasında gizli qalan və adi metodlarla tapılmayan model və nisbətlərin tapılması üçün istifadə olunur.

Model xəritə kimi reallığın abstrakt təsviridir. Xəritə aeroportdan evə gedən yolu görsədir, lakin tıxacı yaradan qəzanı və ya dolayı yolu tələb edən təmir işlərini görsədə bilməz. Model mövcud real münasibətlərə cavab verməyənətək əlverişli nəticəni almaq olmaz.

Modellərin iki növü var: proqnoz və təsviri. Birinci növ modellərin qurulması üçün məlum nəticələrlə verilənlərin bir toplusundan digər topluların nəticələrini proqnozlaşdırmaq üçün istifadə edilir, ikinci növ modellər isə mövcud verilənlərdə asılılıqları təsvir edirlər ki, onlar da öz növbələrində qərarın və ya hərəkətin qəbulunda istifadə olunurlar.

Data Mining – sehrli çubuq yox, vasitələr toplusudur. O, verilənlər bazasında maraqlı model görərkən elektron poçt göndərmir. O, analitiklərin biznes biliklərinin zəruriliyini istisna etmir. Bu texnologiya analitiklərə modellərin və verilənlərdə olan nisbətlərin tapılmasında köməklik edir, lakin təşkilat üçün bu modellərin qiyməti haqqında heç bir məlumat vermir. Hər bir mdel real mühitdə yoxlanılmaldır.

Yeni biliyin tapılma prosesinin uğurlu keçməsi üçün zəruri şərt verilənlər anbarının mövcudluğudur. Verilənlər anbarı – qərarların qəbulu prosesinin dəstəyi üçün predmet-yönümlü, inteqrə olunmuş, zamana bağlanılmış, verilənlərin dəyişilməz toplusudur.

Predmet-yönümlülük deməkdir ki, verilənlər kateqoriyalara birləşib və təsvir edilən oblastlara uyğyn saxlanılırlar. İnteqrə olma deməkdir ki, verilənlər biznesin tək funksiyasını yox, bütün təşkilatın tələblərini ödəyirlər. Bununla verilənlər ambarı zəmanət verir ki, müxtəlif analitiklar üçün eyni hesabatlar eyni nəticələri saxlayacaqlar. Zamana bağlanma deməkdir ki, anbarı “tarixi” verilənlər toplusu kimi nəzərdən keçirmək olar: zamanın istənilən anı üçün situasiyanı bərpa etmək olar. Verilənlər anbarı strukturlarında həmişə zaman atributu mövcuddur. Verilənlərin dəyişilməzliyi deməkdir ki, bir dəfə anbara düşərkən verilənlər orada qalır və dəyişilmir. Anbara verilənlər yalnız əlavə olunurlar.

Informasiya anbarının təşkili və istismarı üçün istifadəçi ilə səmərəli qarşlıqlı əlaqəni təmin edən xüsusi proqram təminatı yaradılır.

Yeni texnologiyaların tətbiqinin əsas imkanı son bir neçə ildə informasiyanın saxlama qurğularına qiymətlərin endirimi olmuşdur. Prosessorlara qiymətlərin endirimi və eyni zamanda onların işləmə surətinin artması informasiyanın nəhəng massivlərinin işlənilməsi ilə bağlı olan texnologiyaların inkişafına təkan vermişdir. Bunun nəticəsində informasiya anbarlarında yeni biliyin tapılmasında rast gələn bir çox maneələr aradan qaldırılmışdır.

Bundan başqa müştəri-server arxitekturası verilənlərin intellektual təhlili texnologiyasının zəruri atributudur. Belə yanaşma layıhələri işləyənlər və istifadəçilər üçün yüksək istehsalatlı serverdə verilənlərin işlənilməsinin əmək tutumlu prosedurlarını yerinə yetirmək imkanını təqdim edir. Həmin serverdə müştərilərin sorğularına uyğun korporativ layihələr saxlanıla və yerinə yetirilə bilərlər.

İntellektual hesablama texnologiyalarının tətbiq sferası heçnə ilə məhdud deyil – harada verilənlər varsa oradadır. Lakin ilk növbədə Data Maning metodları verilənlərin informasiya anbarları əsasında layihələri hazırlayan kommersiya təşkilatlarını maraqlandırır. Bir çox belə təşkilatların təcrübəsi onu göstərir ki, verilənlərin intellektual hesablama texnologiyalarının istifadəsindən gəlir 100% tək çata bilər. Data Maning texnologiyaları rəhbər və analitiklər üçün onların gündəlik fəaliyyətində böyük köməklik göstərirlər, çünki onlar rəqabətdə hiss olunan üstünlükləri əldə edə bilərlər. Qısaca verilənlərin intellektual təhlil və hesablama texnologiyalarının bəzi mümkün biznes-tətbiqlərini xarakterizə edək.


4. İntellektual hesablamaların modellərinin növləri (təsnifat, reqressiya təhlli, zaman ardıcıllıqlarının proqnozlaşdırılması, klasterizasiya, assosiasiya, ardıcıllıq)

İntellektual texnologiyalarının məqsədi yeni biliyin tapılmasıdır ki, sonradan onu istifadəçi öz fəaliyyətinin nəticələrini yaxşılaşdırmaq üçün tətbiq edə bilər. Modelləşdirmənin nəticəsi – vrilənlərdə münasibətlərin aşkarıdır.

Biliklərin aşkarnın və təhlilinin azı 6 metodunu seçmək olar:

təsnifat

reqressiya

zaman sıralarının proqnozlaşdırılması

klasterizasiya

assosiasiya

ardıcıllıq

Birinci üçlük əsasən proqnoz üçün, ikinci üçlük isə verilənlərdə mövcud qanunauyğunluqların tapılmasının təsviri üçün əlverişlidir.

Təsnifat - ən yayılmış Data Mining modelidir. Onun köməyi ilə bu və ya digər obyektin daxil olduğu qrupu xarakterizə edən əlamətlər göstərilir. Bu artıq təsnif olunmuş oyektlər və qaydaların müəyyən toplusunun qurulması köməyi ilə yerinə yetirilir.

Biznesin bir çox növlərində müüştərilərin tirilməsi problemə çevrilir.

Təsnifat “qeyri-sabit” müştərilərin xarakteristikalarını tapmağa, və müştərinin digər təzhizatçıya meyilliliyini proqnozlaşdıran modeli yaratmağa kömək edir. Ondan iştifadə edərək, müxtəlif alıcılar üçün endirimlərin səmərəli növlərini və digər sərfəli təklifləri təyin etmək olar. Bu vasitə ilə kifayət qədər pul sərf edərək müştəriləri saxlamaq olar.

Bir dəfə təyin edilən effektiv klassifikator verilənlər bazasında yeni yazıların mövcud siniflərə təsnifatı üçün istifadə edilir və beləliklə o, proqnoz xarakterini əldə edir. Məsələn, kreditin verilmə riskini identifikasiya etməyi bacaran klassifikator müəyyən müştəriyə kreditin verilmə riskinin həcminə aid qərar qəbulunda istifadə oluna bilər. Yəni, klassifikatordan kreditin qaytarılması ehtimalının proqnozlaşdırılması üçün istifadə olunur.

Reqressiya analizində dəyişənlər arasında münasibətlər bu dəyişənlərin bəzi kombinasiyası kimi kəmiyyətcə ifadə ola bilərlər. Alınmış kombinasiya giriş (sərbəst) dəyişənlərin verilən toplusunda hesablanan məqsəd dəyişənin (asılı) qəbul etdiyi qiymətin proqnozu üçün istifadə olunur.

Ən sadə təsadüfdə bunun üçün xətti reqressiya kimi standart statistik metodlardan istifadə olunur, lakin real modellərin çoxu onların çərçivəsinə daxil deyillər. Məsələn, satışların həcmləri və ya fond qiymətləri proqnoz üçün mürəkkəbdirlər, çünki qarşılıqlı əlaqədə olan dəyişənlər kompleksindən asılı ola bilərlər.

Zaman sıralarının proqnozlaşdırılması. İstənilər proqnoz sistemləri üçün əsas kimi zaman sıraları şəklində informasiya ambarlarında saxlanılan tarixi informasiyadan istifadə olunur. Bu dinamikanı adekvat əks edən şablonları tapmaq və riyazi modeli qurmaq mümkündürsə, onda elə ehtimal var ki, onların köməyi ilə gələcəkdə sistemin davranışını proqnoz etmək olar. Zaman ardıcıllıqlarının proqnozu zaman sıraların davranışının təhlili əsasında proqnozlaşdırılan dəyişənlərin gələcək qiymətlərinin tapılmasına imkan verir. Bu modellər zamanın xüsusi əlamətlərini saxlamalıdırlar: dövrlərin iyerarxiyası (ay-kvartal-il), zamanın xüsusi kəsrləri (5-, 6-, 7-günlük iş həftəsi), mövsümlər, bayramlar və s.

Klasterizasiya təsnifatdan onunla fərqlənir ki, siniflərin sayı əvvəlcədən verilmir və klasterizasiya modelinin köməyi ilə intellektual hesablamalar vasitələri verilənlərin eynicinsli qruplarını yaradırlar.

Assosiasiya strukturun təhlilinə aiddir və bir neçə hadisə əlaqədar olanda tətbiq edilir. Vahid iqtisadi əməliyyat (tranzaksiya) kimi alış strukturunun təhlilinin klassik nümunəsi malların ixtiyari miqdarının əldə edilməsinin təqdimatına aiddir. Alışların çox hissəsi supermarketlərdə keçdiyindən və rahatlıq üçün alıcıların səbətdən istifadə etdiklərindən, assosiasiyaların tapılması üçün səbətin içindəkilərin təhlilindən istifadə olunur. Yanaşmanın məqsədi alıcıların davranışının izahatı üçün istifadə oluna bilən tranzaksiyaların çox hissəsi arasında trendlərin tapılmasıdır. Belə informasiya ehtiyatların nizamlanması üçün istifadə edilə bilər.

Baxmayaraq ki, bu yanaşma sırf pərakəndə satışdan gəlib, o, qiymətli kağızların portfelinin təhlili üçün maliyyə sferasında tətbiq oluna bilər.



Əgər zamanda bağlı olan hadisələr zənciri mövcuddursa ardıcıllıqdan istifadə olunur. Əlışlar strukturunun ənənəvi təhlili bir tranzaksiyanı təqdim edən mallar toplusu ilə işləyir. Əgər vahid zaman sırasına bağlamaq üçün əlavə informasiya (müştərinin kredit kartının və ya bank hesabının nömrəsi) mövcuddursa belə təhlilin variantına rast gəlmək olar. Belə situasiyada bir tranzaksiyanın içində verilənlərin yalnız yanaşı mövcudluğu yox, bundan başqa müxtəlif tranzaksiyalarda verilənlərin aşkar olunma nizamı və bu tranzaksiyalar arsında zaman vacibdir. Bu münasibətləri müəyyən edən qaydalar satışların tipik toplusunun təyin edilməsində istifadə oluna bilərlər.
Yüklə 37,71 Kb.

Dostları ilə paylaş:




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©genderi.org 2024
rəhbərliyinə müraciət

    Ana səhifə