决策支持系统及人工智能.ppt

课件编写： 肖洪生 管理信息系统 决策支持系统与人工智能 学时：2 重点：决策支持系统的概念 数据仓库与数据挖掘技术 专家系统与人工智能 ·难点：数据仓库与数据挖掘 6.1 决策支持系统Decision Support System——DSS 1、概念 MIS在事务管理层能很好地满足实际需要； 决策则要从制定目标、收集信息、方案探索与比较多个方面进行，MIS难以满足要求； 结构化决策是：目标、规则均明确，MIS可有效支持决策各个阶段的工作； 半结构化决策是：目标不清晰、多目标 冲突，方案选择规则不清楚，MIS不能 完全支持决策问题。 实际中，半结构决策问题较多。 对DSS的理解有几种观点； 广义DSS——多学科交叉、高技术手段运用，解决半决策化问题，强调“人——机”交互，收集信息数据，帮助决策层制定目标、建立模型、方案分析、比较、优化等； 狭义DSS——利用数据、模型、方法、知识推理进行半结构化决策的“人——机”系统； “支持”不是代替，仅起辅助作用。 2、DSS的特点 面向决策层——帮助决策层惧资料，进行分析、 设计；决策人员起主导作用，DSS要考虑用户的 特点，如行业要求、决策人员的知识背景、爱好等； DSS主要解决半结构化决策问题； “支持”而不代替； 模型与用户共同驱动——根据历史数据、当前数 据，对未来进行基于知识的推理， 同时积累；DSS 的基础是数据库、模型库、方法库、知识库； 强调“人——机”交互； 推理规则； 3、DSS与MIS的区别 DSS与MIS的联系——MIS是DSS的基础，MIS主要面对结构化决策，DSS主要面对半结构化决策； DSS与MIS的区别——DSS主要面对中、高决策层，进行半结构化决策，与MIS在如下几个方面有区别： MIS用于日常业务，DSS用于管理目标与决策； MIS追求过程最优，DSS追求可行方案，不要求最优； MIS要求工作环境稳定，保障日常业务正常； MIS强调系统、客观、科学、最优，DSS强 调经验、判断、创造； MIS是数据驱动、DSS是模型与用户共同驱动； MIS希望尽量少的人为干扰，DSS要求更多的 “人——机”会话，强调“人”的作用； MIS体现全局、整体，DSS体现决策人的需要。 4、DSS的发展 智能化DSS——知识工程+人工智能+专家系统，为处理不确事实上性领域的问题提供技术保证； 群体DSS——从个体DSS发展到群体DSS，操作环境升级，比个体DSS在决策更为优越； 行为导向DSS——利用“行为科学”来引导、支持决策者，而不仅仅用信息科学来支持决策，这是今后DSS发展的主要方向。 5、DSS的框架结构 Data Base、Model Base——两库结构； 见图6.1 智能DSS框架，见图6.2 6.2 数据仓库与数据挖掘 1、数据仓库定义与特征——对历史数据进行集成化收集与处理的信息机构；这些历史数据可以从多个信息系统环境中收集并整理，对决策起辅助任作用其特征是： 面向主题——按企业关心的主题进行数据收集与整理； 集成化——从不同数据环境中收集的数据，能按内容进行格式统一，如名字转换、度量统一、结构编码 与物理属性一致处理等； 时变性——体现在如下几方面 数据仓库中的数据是一段时间上如一季度）的表现； 仓中数据具有相同的键结构、其中包含时间因素； 在记录周期内，仓中数据一旦记录后则不能更新； 非活性——仓中数据不能修改、删除，只有 整理、初始化数据时才能修改，通常使用仓 中数据不会影响。 2、数据仓库结构——仓中数据分为如下几个层次 当前详细数据——当前发生、用户感兴趣的数据。处于仓库底层，数量庞大；管理复杂； 历史详细数据——统一格式存储（外存）、存取频率低，但与当前数据详细水平相当； 轻度概略数据——从当前详细数据中提练出来的数据，与时间段、内容、属性有关； 高度概略数据——高度压缩、容易存取 的数据，在仓库最上层，常被外界引用。 超数据——操作环境不能直接提取的数 据，由超数据进行转换、引导。 3、数据流程 从操作环境进入数据仓库——当前详细层； 从低到高，数据被概略化，或取走、或删除； 提练数据进入中、高层后，其余按时间推移进入历史数据详细层； 当前详细数据——轻度概略——高度概略——外界引用，过时数据进入历史详细数据层。 4、数据仓库的使用 高层数据被使用的频率高； 历史数据使用频率低； 5、数据挖掘（Data Mining——DM）技术应用 DM——从大量的数据中抽取有效的、新颖的、潜在有用的知识的过程 DM的目的——提高市场决策能力，检测异常模式、在过去的经验基础上预测未来； 传统决策——知识库、规则是人为外部输入的；DM中，从系统内部获取知识——