Извлечение знаний из больших массивов данных
Автор: Лзин Илья Александрович, Маркелов Дмитрий Евгеньевич
Журнал: Известия Самарского научного центра Российской академии наук @izvestiya-ssc
Рубрика: Интеллектуальные информационные системы
Статья в выпуске: 4-2 т.16, 2014 года.
Бесплатный доступ
Знание - совокупность информации и правил вывода о мире, свойствах объектов, закономерностях процессов и явлений, а также правилах использования их для принятия решений. Главное отличие знаний от данных состоит в их структурности и активности, появление в базе новых фактов или установление новых связей может стать источником изменений в принятии решений.В процессе своей работы как научно-исследовательские отделы, так и коммерческие компании накапливают большой массив фактов, показателей, измерений. Часто эксперт не может охватить весь объем информации. Рассматриваемый подход позволяет провести анализ текущей ситуации, установить взаимосвязи между показателями и сформировать правило влияния факторов друг на друга. Предлагается удобный для практики метод извлечения знаний из больших массивов данных. Метод представляет собой порядок расчетов, позволяющих решить задачу перехода от данных к знаниям. Разработанный метод предназначен для повышения эффективности ведения проектов НИР и ОКР в аэрокосмических приложениях.
Извлечение знаний, большие массивы данных, нечеткая логика
Короткий адрес: https://sciup.org/148203205
IDR: 148203205
Список литературы Извлечение знаний из больших массивов данных
- Мурашко, А.Г., Шевченко И.В. Извлечение знаний из баз данных при помощи нейронной сети и нечеткого интерпретатора//Сб. научных трудов/Кременчугский университет экономики, информационных технологий и управления. 2008. Вып. 5. С. 41-44.
- Леоненков, А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб.: БХВ-Петербург, 2009. 736 с.
- Болдырев М.В. Решение задач с применением нечеткой логики//Энергосбережение, автоматизация в промышленности, интеллектуальные здания и АСУТП. 2010. Вып. 5. С. 5-7.
- Заде Л.А. Понятие лингвистическое переменной и его применение к принятию приближенный решений [пер с англ. под ред. Аверкина А.Н.]. М.: Горячая линия -ТелекоФИЗМАТЛИТ, 2009. 252 с.
- Кофман А. Введение в теорию нечетких множеств [пер с франц.]. М.: Радио и связь, 2007. 432 с.
- Нейронные сети, генетические алгоритмы и нечеткие системы/Д. Рутковская, М. Пилинский, Л. Рутковский. М.: Горячая линия -Телеком, 2006. 452 с.
- Нечеткие модели и сети/В.В. Борисов, В.В. Круглов, А.С. Федулов. М.: Горячая линия -Телеком, 2007. 484 с.
- Мандель И.Д. Кластерный анализ. М.: Финансы и статистика, 2010. 176 с.
- Кириллов, А.В. Социально-экономическая статистика: учебное пособие для вузов. Самара.: МИР, 2011.72 с.
- Математические принципы нечеткой логики/В.Новак, И.Перфильева, И.Мочкорж [пер с англ.; под ред. Аверкина А.Н.]. М.: Горячая линия -ТелекоФИЗМАТЛИТ, 2006. 252 с.
- Батыршин, И.З. Основные операции нечеткой логики и их обобщение. Казань: Отечество, 2008. 100 с.
