Виктор Дудихин

Информационные технологии в управлении

Аналитическая платформа Deductor. Учебное пособие по проведению практических занятий со студентами управленческих направлений подготовки

Шрифты предоставлены компанией «ПараТайп»

© Виктор Дудихин, 2017

В данном пособии приводятся примеры использования аналитической платформы «Deductor». Изучение пособия дает возможность студентам бакалавриата и магистратуры существенно продвинуться в освоении совокупности методов и средств аналитической обработки информации. Пособие предназначено для студентов факультета государственного управления МГУ, а также студентов гуманитарных специальностей, изучающих информационные технологии в управлении.

12+

ISBN 978-5-4490-1257-9

Создано в интеллектуальной издательской системе Ridero

Оглавление

1. Информационные технологии в управлении
2. Введение
3. I. Аналитическая платформа Deductor
4. II. Нейронные сети и их использование
   1. Структура искусственного нейрона и нейронной сети
      1. Задание №1 Проектирование нейронной сети для выполнения арифметических операций
      2. 0. Формирование исходных данных для построения нейронной сети, реализующей арифметические операции
      3. Ввод исходных данных
      4. Построение нейронной сети при помощи мастера обработки
      5. Задание №2 Проверка правильности выполнения нейронной сетью операций умножения и сложения
      6. Задание №3. Исследование зависимости точности выполнения операций от количества нейронов
      7. Задание №4. Построение прототипа медицинской информационной диагностической системы, использующей технологию нейронных сетей
      8. Требование к оформлению отчета о практической работе
      9. Контрольные вопросы
   2. III. Построение и обучение самоорганизующихся карт признаков (карт Кохонена)
      1. Задание №1 Использование карт Кохонена для кластеризации продуктов питания с автоматическим определением количества кластеров
      2. Задание №2 Использование карт Кохонена для кластеризации продуктов питания с принудительным вводом количества кластеров
      3. Задание №3 Использование карт Кохонена для кластеризации списка студентов Факультета государственного управления МГУ в зависимости от их рейтинга
      4. Задание №4 Сравнительный анализ рейтингов студентов
      5. Требования к оформлению отчета о практической работе
      6. Контрольные вопросы
   3. IV. Прогнозирование Временных рядов
      1. Задание №1 Использование технологии нейронных сетей для прогноза стоимости картофеля в городе Москве
      2. 1. Подготовка данных
      3. 2. Создание нейронной сети
      4. 3. Прогнозирование с использованием нейронной сети
      5. Задание №2 Использование линейной регрессии для прогноза стоимости картофеля в городе Москве
      6. Задание №3. Прогноз цен сезонных товаров в различных регионах
      7. Требования к оформлению отчета о практической работе
      8. Контрольные вопросы
   4. V. Построение баз знаний
      1. Задание №1. Выявление ассоциативных правил при анализе продаж в магазине подводного снаряжения
      2. Задание №2 Выявление ассоциативных правил при анализе продаж в продовольственном (хозяйственном) магазине
      3. Задание №3. Построение прототипа медицинской диагностической системы, использующей технологию деревьев решений
      4. Задание №4 Построение прототипа информационной системы, использующей технологию деревьев решений и управляющей назначением стипендии студентам
      5. Требования к оформлению отчета о практической работе
      6. Контрольные вопросы

Введение

В данном пособии приводятся примеры использования аналитической платформы «Deductor». Рассматриваются некоторые возможные реализации нейронных сетей, кластеризация с помощью карт Кохонена, прогнозирование временных рядов и создание баз знаний.

Наличие достаточно развитых инструментальных программных средств аналитической платформы «Deductor» позволяет аналитику при построении модели прогнозируемого процесса руководствоваться такими понятиями, как опыт и интуиция. В ряде случаев, когда нет необходимости в строгой математической спецификации модели, такой подход представляется вполне допустимым, что особенно ценно при анализе плохо формализуемых процессов.

Изучение пособия дает возможность студентам бакалавриата и магистратуры существенно продвинуться в освоении совокупности методов и средств аналитической обработки информации.

Пособие предназначено для студентов факультета государственного управления МГУ, а также студентов гуманитарных специальностей, изучающих информационные технологии в управлении.

Хочу выразить свою благодарность доценту Кафедры математических методов и информационных технологий Факультета государственного управления МГУ И.А.Смольниковой за оказанную помощь и полезные советы при редактировании этой книги.

Если у Вас возникнут вопросы, то пишите мне dudikhin@yandex.ru

I. Аналитическая платформа Deductor

Аналитическая платформа платформа Deductor — это отечественный программный продукт, разработанный компанией BaseGroup Labs. С его помощью возможно решение самого широкого спектра задач, начиная от создания систем корпоративной отчетности и до решения задач Data Mining.

Это специализированное программное решение выполнено на базе единой платформы и содержит в себе необходимые инструменты для извлечения закономерностей из «сырых» данных. Оно позволяет пройти все этапы построения аналитической системы: от создания хранилища данных до автоматического подбора моделей и визуализации полученных результатов.

Система позволяет анализировать любые табличные данные и для решения аналитических задач. В ней предусмотрена возможность использования следующих специальных технологий:

— Data Warehouse (хранилища данных) — консолидация данных и обеспечение быстрого и понятного для аналитика доступа к ним

— OLAP (многомерный анализ) — визуализация, отчетность и удобное манипулирование большими объемами данных

— Data Mining (моделирование, интеллектуальный анализ данных) — поиск скрытых закономерностей, выявление причинно-следственных связей, анализ рисков

— KDD — Knowledge Discovery in Databases (обнаружение, извлечение знаний) — построение сценариев обработки от очистки и предобработки данных до моделирования.

В настоящем пособии рассматриваются только некоторые технологии из приведенного списка.

Последовательность действий (импорт, экспорт, обработка, визуализация) при решении конкретных задач в Deductor задается сценарием обработки. Сами же сценарии формируются специальным приложением Deductor Studio, которое является рабочим местом аналитика.

В профессиональной версии системы для импорта и анализа пригодны разнообразные табличные данные из стороннего источника (Oracle, MS SQL, Sybase, MS Access, Excel, 1С и др.). В учебной версии Deductor Academic — импортируются только данные в формате текстовых файлов с разделителями в виде табуляции.

Под обработкой данных в системе подразумевается любые действия, связанные с их преобразованием, такие как очистка данных, их трансформация и построение разнообразных моделей Data Mining.

При визуализации производится отображение полученных и обработанных данных. Аналитическая платформа самостоятельно анализирует формат отображения, предоставляя пользователю возможность выбора необходимого варианта.

В профессиональной версии системы предусмотрен экспорт (вывод) результатов обработки в виде файлов для последующего использования. В учебной версии Deductor Academic данная опция отсутствует.

В платформе Deductor представлено большинство основных технологий анализа, позволяющих достаточно быстро проектировать законченные аналитические решения, охватывающие весь цикл обработки данных. Это — многомерный анализ, нейронные сети, деревья решений, самоорганизующиеся карты, спектральный анализ и ряд других.

Применение подобных самообучающиеся методов и машинного обучения дает возможность создавать адаптивные информационные системы. Во многом такой подход делает более мягкими требования к квалификации персонала, приближая современные информационные технологии к более широкому кругу пользователей.

С помощью аналитической платформой Deductor появляется возможность извлекать из ранее накопленных и хранящихся в организации (в компании, в фирме, в департаменте государственного учреждения и др.) данные, интересную и практически полезную информацию, и тем самым трансформировать ее в знания, дающие существенные конкурентные преимущества.

Тиражирование же знаний обеспечивается за счет того, что все отчеты, модели, правила, полученные экспертом с помощью аналитической платформы Deductor, могут использоваться другими сотрудниками организации без необходимости понимания способов и методов получения этих результатов.

ЛИТЕРАТУРА К РАЗДЕЛУ I

— Deductor Integration Server — Руководство по установке и настройке Deductor Компания BaseGroup™ Labs

— Руководство администратора Deductor 5.3 Компания BaseGroup™ Labs

— Практикум Базовые навыки работы в Deductor Studio BaseGroup™ Labs, 2009

— Н. Ю. Прокопенко ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ АНАЛИЗА ДАННЫХ (аналитические информационные системы поддержки принятия решений на базе Deductor Studio Academic 5.2) Учебное пособие. Нижний Новгород2012.

II. Нейронные сети и их использование

Целью данной практической работы является ознакомление с примерами использования нейронных сетей для решения практических задач. Для выполнения работы используется свободно распространяемая аналитическая программная платформа «Deductor Academic»[1] и программа работы с электронными таблицами MS Excel.

Нейронный сети — это большой класс информационных систем, построение которых имеет некоторую аналогию с структурой нервной ткани человеческого мозга. Нейросетевые технологии функционируют аналогично неосознанным мыслительным действиям человека. Нейронные сети в искусственном интеллекте — это упрощенные модели биологических нейронных сетей.

Известно, что нервная система и мозг человека состоят из нейронов, соединенных между собой нервными волокнами. Нервные волокна способны передавать электрические импульсы между нейронами. Нейрон является особой биологической клеткой, которая обрабатывает информацию. Элементарным преобразователем в искусственных нейронных сетях является искусственный нейрон, названный так по аналогии с биологическим прототипом.

Принципиальное отличие искусственных нейросетей от обычных программных систем состоит в том, что первые не требуют программирования и их можно обучить тому, что требуется пользователю.

Одна из наиболее распространенных архитектур нейронных сетей персептрон. Он построен по принципу иерархической сети, где каждый нейрон более высокого уровня соединен своими входами с выходами нейронов предыдущего слоя.

Для нейросетевой модели обработки данных характерно следующее:

— однородность системы (элементы нейронной сети одинаковы и просты, все определяется структурой связи)

— надёжность системы, построенной из ненадёжных элементов, за счёт избыточного числа связей

— «голографичность», предопределяющая, что при разрушении части система сохраняет свои свойства.