《人工智能前沿问题》课件.ppt

人工智能 华中科技大学水电与数字化工程学院 第8章、人工智能的前沿问题 数据挖掘与网络(Web)智能 人工神经元网络 贝叶斯网络 蚁群优化算法 “信息过载” “资源迷向” 销售模式被动负荷增加、带宽严重浪费 8. 1. 数据挖掘与网络(Web)智能 -------数据挖掘 数据库中知识发现（Knowledge Discovery in Databases, KDD）的概念和数据挖掘 (Data Mining)技术，为解决这种“数据丰富，信息贫乏(Data Rich and Information Poor)”问题提供的一种有效方法。 从包含有大量原始数据的数据库中搜索并发现具有规律、富有意义的模式的过程称为数据库中知识发现。 三个步骤：定义要发现的问题；根据问题进行数据搜索、模式抽取；评价所发现的知识的好坏，即：KDD =问题处理 +DM +解释评价。可见,数据挖掘是KDD的核心技术。 数据挖掘是一种从大型数据库或数据仓库中提取隐藏的预测性信息的技术，它能挖掘出数据间潜在的模式 (pattern)，找出最有价值的信息和知识(knowledge)，指导商业行为或辅助科学研究。 模式是利用挖掘算法得到的结果，是对一种可能性分布的简单描述； 知识或信息是通过对模式进行处理而得到的易于理解的结果。 原始数据是形成知识的源泉，其形式可以是结构化的，如关系数据库中的数据，也可以是半结构化的，如文本、图形图像数据。而其内容可能是不完全的、有噪声的、模糊的。 数据挖掘技术是一门面向应用的交叉性新兴学科，它涉及到数据库、人工智能、机器学习、数理统计、模式识别、并行计算等领域。 数据挖掘的基本功能： 概括 是指提取数据库中用户指定的数据集合的一般特性. 关联 从关系数据库中提取关系规则，它们展示属性—值对频繁地在给定数据集中一起出现的条件。 分类和预测 分类是把新的记录分配到预先定义好的类中，它首先找出对象或概念的模型，以便能够使用模型预测类标记未知的对象。 聚类 是按照类内相似性最大，类间相似性最小的原则，对数据集合进行分组，以产生数据的类标记，最后形成一个个对象类。 孤立点分析 数据库中可能包含一些数据对象，它们与数据的一般行为或模型不一致，这些数据对象是孤立点。在一些应用中，罕见的事件可能比正常的事件更有价值。 演变分析 描述行为随时间变化的对象的规律或趋势，通常用时序模式来表示。 数据挖掘在数据库营销中的处理流程 ------ Web挖掘及其分类 万维网（World-wide-Web）是一个巨大的、分布广泛的和全球性的信息服务中心，它涉及新闻、广告、消费信息、金融管理、教育、政府、电子商务和许多其他信息服务。Web上包含有丰富和动态的超链接信息，以及Web页面的访问和使用信息，这为数据挖掘提供了丰富的资源，于是产生了一个更具挑战性的研究领域——Web挖掘。有三种基本类型。 Web内容挖掘（Web content mining）:可以看作是Web信息检索(Information Retrieval)和信息抽取(Information Extraction)的结合。 Web结构挖掘（Web structure mining）: 对Web页面进行链接分析的方法. Web使用挖掘（Web usage mining）: 指对Web日志的挖掘. ------网络智能 网络智能（WI）是人工智能技术（AI）和高级信息技术（IT）在Web和Internet上的应用和发展. WI技术的基础是AI和IT技术，WI研究的支撑平台是Web网络，因此WI的研究目标就是AI和IT技术在新的Web平台上的共同研究目标。 换句话说，网络智能就是应用AI和IT技术来设计和实现智能Web信息系统（Intelligent Web Information System）, 可见网络智能系统是一种高级的基于Web的智能信息系统，它能够实现类似于人类智能的一些功能，包括推理、学习和自适应等功能。 网络智能是目前计算机科学中一个活跃而开放的研究分枝，它随着Web信息的收集、存储、处理、传递和使用的发展而不断进化。 由于在Web环境下系统要处理的不再是结构化且互不相关的同类对象集合，而是结构化、半结构化、非结构化且相互关联混杂的异质的对象集合，这迫使人们不得不重新考虑许多现有信息系统中所使用的理论、方法和技术在Web领域中的适用性。 为了满足Web发展的这种需要，人们必须在结合和扩展现有智能信息系统已有成果的基础上研究基于Web信息系统的设计和实现问题。尽管以往经常有一些单独的基于Web的信息系统被开发实现，但它们没有从概念、体系、技术和方法层次上对系统进行深入的研究。 1999年末，钟宁教授等人提出网络智能这个概念后，