Система поддержки принятия решений (СППР)

Оглавление Введение 2 1. Обзор предметной области 3 1.1. Назначение системы поддержки принятия решений 10 1.2. Компоненты системы поддержки принятия решений 10 1.3. Типы систем поддержки принятия решений 12 1.4. Преимущества системы поддержки принятия решений 13 1.5. Недостатки системы поддержки принятия решений 13 1.6. Программное обеспечение системы поддержки принятия решений 14 2. Теоретические аспекты функционирования систем принятия решений 16 2.1. Многие типы систем поддержки принятия решений 19 2.2. Управление базой данных (СУБД) 23 2.3. Хранилище данных 24 2.4. Интеллектуальные системы принятия решений (ИСППР) 25 2.5. Заключение 28 3. Исследование ансамблевых методов для систем принятия решений 30 3.1 Алгоритм машинного обучения «логистическая регрессия» 31 3.2 Алгоритм машинного обучения «случайный лес» 32 3.3 Ансамблевые методы на основе голосования и усреднения 34 4. Разработка системы принятия решений на основе ансамблевых методов 43 ЗАКЛЮЧЕНИЕ 49 Библиографический список 51

Библиографический список 1. Забежайло М.И. Интеллектуальный анализ данных – новое направление развития информационных технологий // НТИ. Сер.2. Информационные процессы и системы. 1998. №8, с. 6-17. 2 . Петерсон Дж. Теория сетей Петри и моделирование систем. – М.: Мир, 1984. – 264 c. 3. Системы искусственного интеллекта в интеллектуальных технологиях ХХI века. – М.: Радиотехника, 2011. 4. Бортовые интеллектуальные системы. Часть 1. Авиационные системы. Часть 2. Корабельные системы. – М.: Радиотехника, 2006. Часть 3. Системы корабельной посадки летательных аппаратов. – М.: Радиотехника, 2008. 5. Нечаев Ю.И., Горбачев Ю.Е. Реализация сложных интеллектуальных комплексов на базе современных суперкомпьютеров // Тр. Международной конференции «Интеллектуальные многопроцессорные системы». Таганрог. 1999, с.78-85. 6. Нечаев Ю.И., Бухановский А.В., Васильев В.Н. Концепция и методологические основы создания интеллектуального базиса грид-систем // Научно-технический вестник Санкт-Петербургского государственного университета информационных технологий, механики и оптики. №54. 2008, с.13 – 28. 7. Богданов А.В., Дегтярев А.Б., Нечаев Ю.И. Проблемы создания виртуального полигона моделирования сложных динамических объектов // Сборник докладов на международной научной конференции«Суперкомпьютерные системы и их применение». Минск. 2004, с.31-37. 8. Нечаев Ю.И. Концепция мягких вычислений в бортовых интеллектуальных системах // Информационно-измерительные и управляющие системы. №2. Т.7, 2009, с.3 – 11. 9. Zadeh L. Fuzzy logic, neural networks and soft computing // Соmmutation on the ASM-1994. Vol.37. №3, рр.77 – 84. 10. Нечаев Ю.И. Нейросетевые технологии в интеллектуальных системах реального времени // Труды 4-й всероссийской конференции«Нейроинформатика – 2002». М.: МИФИ. 2002. Лекции по нейроинформатике. Часть 1, с.114 – 163. 11. Нечаев Ю.И. Математическое моделирование в бортовых интеллектуальных системах реального времени // Труды 5-й всероссийской научно-технической конференции «Нейроинформатика – 2003». М.:МИФИ.2003. Лекции по нейроинформатике. Часть 2, с.119–179. 12. Нейрокомьютеры в интеллектуальных технологиях ХХI века. – М.:Радиотехника, 2011. – 352. 13. Васильев Д.К. Типовые решения в управлении проектами. – М.: ИПУ РАН. 2003. – 75 c. 14. Дегтярев А.Б., Кастнер С., Нечаев Ю.И. Моделирование сложных динамических систем в нечеткой среде // Тр. Международной конференции по мягким вычислениям и измерениям SCM-2001. Санкт-Петербург. 2001. т.2, с.119-124. 15. Яковлев С.Я. Методология имитационного моделирования распределенных интеллектуальных информационных систем // Сборник докладов первой всероссийскoй конференции «Опыт применения языков и программных систем имитационного моделирования в промышленности и прикладных разработках». T.1. Санкт-Петербург.2003, с.28-35. 16. Нечаев Ю.И., Дубовик С.А. Высокопроизводительные вычисления на основе принципа конкуренции с использованием вероятностно- асимптотических методов структурирования данных // Морской вестник. 2003.№2, c.95-100. 17. Nechaev Yu.I., Dubovik S.A. Probability-asymptotic methods in ship dynamic problem // Proceedings of 15th international conference on hydrodynamics in ship design, safety and operation. Gdansk. Poland. 2003, pp.187-199. 18. Хаяси Т. Нелинейные колебания в физических системах. – М.: Мир, 1973. – 336 c. 19. Boukhanovsky A., Degtyarev A., Lopatoukhin L., Rozhkov V. Stable states of wave climate: applications for risk estimation. Proceedings of the International conference STAB'2000, Launceston, Tasmania, Australia, February, 2000, vol.2, pp.831-846. 20. Солодовников В.В., Тумаркин В.И. Теория сложности и проектирование систем управления. - М.: Наука, 1990. – 168 с. 21. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. – 167 с. 22. Забелинский А.И. Нелинейная самоорганизация как подход к построению прогнозирующих моделей // Автоматизация и информационные технологии. 2001. №9, с.17 – 19. 23. Нечаев Ю.И. Искусственный интеллект: концепции и приложения. – Санкт-Петербург. ГМТУ, 2002. 24. Осипов В.П., Сивакова Т.В., Судаков В.А. Предпосылки унификации программных средств поддержки принятия решений // Программные продукты и системы, 2013, №3, с. 147-150. 25. Осипов В.П., Сивакова Т.В., Судаков В.А., Загреев Б.В., Трахтенгерц Э.А. Методологические основы поддержки принятия решений при планировании научно-прикладных исследований и экспериментов на международной космической станции (МКС) // Электротехнические и информационные комплексы и системы. 2013. Т.9. № 3, с. 80-88.

1. Обзор предметной области В то время как некоторые возражают против того, чтобы доверять сложным компьютерным программным решениям принимать решения за них, большинство предпочитает использовать сгенерированную компьютером статистику для понимания ключевых тенденций. К ним относятся такие аналитические данные, как статистика продаж, гарантийные ставки и тенденции движения денежных средств, которые являются важными индикаторами, помогающими пользователям определять состояние своего бизнеса и подсказывать необходимость корректирующих действий. Сложность в том, что этот уровень информации не может определить, какая из нескольких возможностей максимизирует отдачу при достижении желаемого результата. Он также не может предвидеть внешние изменения, которые могут повлиять на прибыльность, что является важным фактором, поскольку большинство компаний работают в неопределенной среде, определяемой потребительскими настроениями, правовыми нормами и жесткой конкуренцией. Кроме того, компании уязвимы для внешних воздействий, таких как политическая неопределенность, крупные погодные явления и торговые споры. Эти факторы иногда объединяются, чтобы создать идеальный шторм, когда принятию решений мешает отсутствие предсказуемости, а также неспособность обрабатывать данные достаточно быстро для поддержки решений. Вот почему системы поддержки принятия решений, которые могут быстро анализировать данные, определять закономерности и оценивать несколько альтернатив, оказываются бесценными для бизнес-лидеров. Принципы СППР Основные принципы СППР были развиты из работ специалистов Технологического института Карнеги по курсу «теория принятия организационных решений». В ходе изучения дисциплины специалистами было признано, что в процессе принятия решений на основе интуиции было довольно много прецедентов, когда в итоге такое решение было неверным. После этого вывода ученые разработали идею использования информационных систем для руководителей, которая анализирует множество данных, обрабатывает и предоставляет краткую выжимку руководителю для последующего принятия решения. С развитием информационных технологий и вычислительных ресурсов такой подход был улучшен применением довольно сложно программного комплекса, который моделировал различные процессы в разных сферах деятельности, что дало возможность пользователям оценивать результаты различных решений. Таким образом, теперь легко оценить какое именно решение было лучшим в данной ситуации с учетом всех известных факторов. Система поддержки принятия решений (СППР) — это интерактивная информационная система, которая анализирует большие объемы данных для принятия бизнес-решений. СППР поддерживает уровни управления, операций и планирования организации в принятии лучших решений путем оценки значимости неопределенностей и компромиссов, связанных с принятием одного решения по сравнению с другим. СППР использует любые данные - документы, личные знания и/или бизнес-модели, чтобы помочь пользователям принимать решения. Источники данных, используемые СППР, могут включать реляционные источники данных, кубы, хранилища данных, электронные медицинские карты (EHR), прогнозы доходов, прогнозы продаж и многое другое. Концепция систем поддержки принятия решений выросла из