第一章 智能管理与智 能管理系统-智 能管理技术与方法-重点.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 1.3 智能技术与方法概述 数据挖掘技术在企业市场营销中得到了比较普遍的应用，它是以市场营销学的市场细分原理为基础，其基本假定是“消费者过去的行为是其今后消费倾向的最好说明”。 通过收集、加工和处理涉及消费者消费行为的大量信息，确定特定消费群体或个体的兴趣、消费习惯、消费倾向和消费需求，进而推断出相应消费群体或个体下一步的消费行为，然后以此为基础，对所识别出来的消费群体进行特定内容的定向营销。 这与传统的不区分消费者对象特征的大规模营销手段相比，大大节省了营销成本，提高了营销效果，从而为企业带来更多的利润。 1.3 智能技术与方法概述 4．机器学习技术 从计算机科学的角度来看，机器学习可以分为工程的观点和科学的观点。工程的观点认为机器学习是人类学习的计算机实现；科学的观点认为机器学习是人类学习的计算机模拟。 这两种观点的区别主要在于：实现是指完成相同的功能，模拟是指把握相同的原理。由于目前人类对自身的思维规律和学习奥秘仍然知之甚少，所以要达到人类学习的计算机模拟还不太现实。 目前，人工智能界的主流观点倾向于工程的观点。计算机科学家们主要关注不同系统实现机器学习的过程以及性能改进的效果。 1.3 智能技术与方法概述 机器学习的目标及研究工作主要包括： ①面向任务的研究：研究和分析改进一组预定任务的执行性能的学习系统； ②认知模拟：研究人类学习过程并进行计算机模拟，由此建造高性能的计算机系统； ③理论性分析：从理论上探索各种可能的学习方法和独立于应用领域的算法，加强机器学习的理论背景研究，规范机器学习的技术、方法和理论。 1.3 智能技术与方法概述 机器学习的研究已不仅是人工智能领域的重要问题，它已经成为计算机科学的核心问题，并提出几个迫切需要解决的问题： ①计算的个性化，即对个人需求适应的计算。它涉及许多复杂的问题，它必须解决计算机对用户需求的适应计算问题。这种适应性计算是建立在指令空间还是建立在情感空间将产生两类完全不同的计算系统。 ②由于机器学习中的许多算法受启于认知心理学与神经生理学等非精确科学，这些算法或多或少地存在随意性，理论描述较为缺乏。使用更精确的数学方法深入地研究机器学习中的理论问题，已是当务之急。 ③对结构化和非结构化海量数据的理解，即所发展的机器学习算法必须能够解决海量数据的理解问题，这是开展机器学习研究和评价研究结果的重要条件。 1.3 智能技术与方法概述 机器学习是一个有关学习过程中的计算方法的研究，以及如何应用计算机学习解决实际问题的学科领域。 机器学习的概念源于人工智能、模式识别、分类学和认知心理学的理论与方法，通过对数据、观察和以往问题求解经验进行分析，推导出关于求解新问题的知识。 目前，机器学习的诸多研究方向和新成果，如神经网络、案例学习、遗传算法、粗糙集等，都已成功应用于办公自动化系统、管理信息系统、决策支持系统之中，利用机器学习的强大学习功能和知识发现能力，使这些应用系统自我完善，为智能管理系统提供了强大的技术支持。 1.3 智能技术与方法概述 5．知识管理 信息虽然是实践活动的必要条件，却不能直接指导实践活动。知识是信息加工的产物，可用于行动，能够直接指导实践活动。 知识是信息基础上的又一次升华，是抽象化和普遍化的信息。 与信息不同的是，知识只能由人的大脑产生，是人的大脑在复杂的内外部环境下的产物。这些内外部环境包括人的知识储备、实验条件等。 现在的案例推理系统、决策支持系统等只是对人类知识的利用，而知识发现、数据挖掘等却可以获得隐含在数据信息中的知识。 虽然计算机系统不能创造新的知识，却能帮助人们更快、更好地进行知识的创造。 1.3 智能技术与方法概述 知识可以给个人或组织赢得时间、资金等方面的优势，而新知识能给个人或组织带来额外的收获，所以社会各个方面都在鼓励知识创新，知识管理的根本目标也就是知识创新。 对知识管理进行深入的理论和应用研究开始于20世纪90年代，人们从不同的角度揭示知识管理的本质，提出各种知识管理实施策略。 宏观方面的研究包括知识管理原则、知识经济等，微观方面的研究包括知识主管、知识审计等。 对知识管理的研究仍处于初级阶段，知识管理理论体系还不够完善，知识管理的实施也没有一整套的理论和方法指导。 1.3 智能技术与方法概述 知识管理系统作为知识管理的实现手段，它的构建以及功能的实现关系着知识管理的实施效果。 通过建立知识管理基础平台，采用具有协同工作性能的应用