第十讲智慧型决策支援系统.ppt

第十章 智慧型決策支援系統 本章大綱 第一節 導論 第二節 人工智慧的概念 第三節 第一代智慧型DSS 第四節 第二代智慧型系統 第五節 結論 學習目標 智慧型DSS的概念 人工智慧與專家系統的概念與應用 類神經網路技術與應用 基因演算法技術與應用 案例推理技術與應用 表10-1 兩代IDSS系統的比較 「智慧」應包括的能力 觀察外界環境的能力 對環境作彈性反應 與外界環境或其他事物溝通 瞭解不同因素的相對重要性 擁有內部知識 能夠異中求同或同中求異 設定目標並達成目標 創造力 學習能力 人工智慧的兩種觀點 實用觀點 AI是電腦科學中的一支，其目的在創造電腦程式來執行以往由人類所進行的工作；偏重實用性。 科學觀點 AI是一套方法，其目的在探討許多難解的問題，如人類智慧；偏重學術性。 圖10-1 AI重點的演變 圖10-2 AI家族的成員 第一代智慧型DSS 是運用專家系統技術的系統 專家系統概念解析 專家 專才 專家系統的要求 為何需要專家系統 專家系統與傳統DSS之不同 專家 能夠比其他絕大多數人更有效地解決某些特定問題的人。 專才 專家所賴以解決問題的知識，其通常包括知識與經驗 可以由它的形式和本質兩方面來探討 就形式而言，知識包括了經驗和法則 就知識的本質而言，可以分為「表面知識」與「深度知識」 表面知識是指與某個特定問題有關的知識，它只與該問題的解決有關。 深度知識則是指和許多問題都有關聯，而且可以加以一般化的知識。 專家系統的要求 專才 一個專家系統必須擁有足夠水準的專才，以表現出專家的水準，並且有充分的穩定性。 符號推理 符號是指敘述性的文字。 知識深度 專家系統必須要能夠運用複雜的深度知識，以解決困難的問題，否則便難稱為「專家」系統。 專家系統的要求（續） 自我充實 另一項專家系統的重要要求則是能夠檢討自己的推理思考過程，解釋自己的建議，並自經驗中學習改進，達到自我充實的要求。 表10-2 人類專家與專家系統的優劣 專家系統與傳統DSS之不同 系統目標：取代 vs. 支援 系統重心：知識移轉 vs. 決策過程 交談方向：系統主導 vs. 用戶主導 知識表達：敘述性知識和符號 vs. 數學模式 決策方法：經驗 vs. 數學演算法 適用問題：狹窄而特定 vs. 非結構化 解釋能力：可以 vs. 困難 專家系統的實例 美國史丹佛大學開發的MYCIN傳染病系統 Coopers Lybrand開發的Exper Tax稅務規劃與管理系統 DEC電腦公司開發的XCON系統，其可協助銷售及技術人員選購恰當的迷你電腦組合 Cognitive systems, Inc.開發的La-Courtier財務規劃系統 第二代智慧型系統 第二代的專家系統又加入了學習能力，故稱為智慧型系統 具有下列幾項特質 更瞭解專業領域的知識 明確地陳述問題 找出適當的解決之道 解釋結果 自我成長 第二代智慧型系統之發展技術 類神經網路 是一種以電腦來模擬人類腦神經細胞網路的科學。 基因演算法 一種模擬人類基因演化的模型。 案例推理 以案例為基礎的推理系統，可以收集解決舊問題的案例，加以整理，並用來找出解決未來問題的方法。 圖10-3 類神經網路的類神經元 圖10-4 單層感知機模型 倒傳遞網路學習模式 輸入層 由問題之自變數所構成，將變數的資料輸入到類神經網路中進行計算。 隱藏層 藉以表示輸入與輸出處理單元間之交互影響，而隱藏層之層數、單元數目前並無標準方法可決定，通常以試誤法(trial and error)決定。 輸出層 問題之因變數，也是網路計算結果的輸出。 圖10-6 倒傳遞神經網路模型 類神經網路應用基本步驟 蒐集足夠數量且輸入及輸出結果均已知的訓練案例，來訓練該神經網路。 選定隱藏層的數量及各層中神經元的數量。 選擇適當的轉換函數，並決定學習率(learning rate)及動力(momentum)。 經長時間的學習調整，直到其誤差的變化逐漸收斂為止。 類神經網路在國內的應用 國內銀行業者—台新銀行 醫學界—忠孝醫院 股市投資 類神經網路的優點 類神經網路可以建構非線性的預測及分析模型。 類神經網路有良好的推廣性，對於未知的輸入亦可得到正確的輸出。 類神經網路可以接受不同種類的變數作為輸入，適應性強。 類神經網路可因應新增案例而機動調整。 類神經網路的缺點 類神經網路以逐漸趨近的方式更新鍵結數值與臨界門檻值，計算量大，相當耗費電腦資源。 類神經網路的解有無限多組，無法得知哪一組的解為最佳解。 類神經網路訓練的過程中無法得知需要多少神經元個數，太多或太少的神經元均會影響系統的準確性，因此往往需以試誤的方式得到適當的神經元個數。 基因演算法 基因演算法是一種模擬人