Методы и средства анализа данных в системах поддержки принятия решений тема диссертации и автореферата по ВАК РФ 05.25.05, кандидат технических наук Ананьев, Николай Сергеевич

• Ананьев, Николай Сергеевич
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Ананьев, Николай Сергеевич

Введение.

Глава 1. Методы и средства обработки информации и данных, используемые для создания систем поддержки принятия решений.

1.1. Классификация информационных систем, СППР, их состав и решаемые задачи.

1.2. Типовые задачи интеллектуального анализа данных.

1.3. Методы обработки многомерных данных, используемые при «интеллектуальном» анализе в интересах поддержки принятия решения.

1.4. Проблемные вопросы обработки и анализа многомерных данных в задачах ИАД.

1.4.1. Прогнозирование характеристик объектов.

1.4.2. Распознавание объектов и ситуаций и обработка информации.

1.5. Анализ существующих подходов к обработке информации и обоснованию выбора альтернатив.

1.5.1. Определение приоритетных рядов.

1.5.2. Обработка и анализ многомерных данных.

1.6 Выводы.

Глава 2. Совершенствование методического обеспечения обработки информации с целью учета неопределенности в исходных данных.

2.1. Основное содержание методического обеспечения.

2.2. Методы снятия неопределенности при обработке многомерных данных в задачах поддержки принятия решений.

2.3. Анализ существующих методов получения обобщенных показателей.

2.4. Метод построения обобщенных показателей сложных систем, базирующийся на использовании принципа максимума энтропии.

2.5 Выводы.

Глава 3. Разработка модели типовой информационной системы и приложений интеллектуального анализа данных для поддержки принятия решений.

3.1. Состав и структура информационной системы.

3.2. Режимы работы информационной системы и используемые средства обработки информации.

3.3. Модель предмета обучения на примере языка программирования Паскаль.

3.3.1 Состав и структура средств автоматизации обучения языкам программирования.

3.3.2. Модель задачи оценивания знаний.

3.3.3 Оценивание знаний в рамках подсистемы автоматизации процесса обучения.

3.4. Выводы.

Глава 4. Применение энтропийного подхода для решения задач интеллектуального анализа.

4.1. Разработка метода автоматизированного оценивания знаний студентов в процессе обучения.

4.1.1. Метод оценивания знаний студентов в процессе обучения.

4.2. Разработка метода обработки информации в задаче оценивания риска для систем поддержки принятия решения в страховом деле.

4.2.1. Постановка задачи.

4.2.2. Условия решения задачи.

4.2.3 Метод решения задачи.

4.2.4. Методика проведения эксперимента и подготовка исходных данных.

4.2.5. Программная реализация метода и порядок расчетов обобщенного показателя (оценки) страхового риска.

4.2.6. Результаты расчетов и их анализ.

4.3. Выводы.

Введение диссертации (часть автореферата) на тему «Методы и средства анализа данных в системах поддержки принятия решений»

Назначением информационных систем (ИС), независимо от области их применения (в производстве, бизнесе, медицине, образовании, страховании, других областях народного хозяйства) является обеспечение должностных лиц (или лиц принимающих решение - JII IP)1 информацией, необходимой для принятия решений в области его деятельности. Стратегическим направлением развития ИС является их интеллектуализация, заключающаяся в построении формализованных процедур обработки, интерпретации и представления информации в виде некоторых показателей (знания), позволяющих их использование непосредственно для принятия управленческого решения в целевой области, т.е. выбора одного из альтернативных вариантов действий J11 IP. В этом случае о подобных ИС говорят как об интеллектуальных информационных системах [2].

Независимо областей применения ИС они выполняют следующие типовые функции: сбора данных; их обработки, в том числе, направленной на получение сводных показателей; представления данных, результатов обработки и их интерпретации для непосредственного использования ЛПР при принятии решения.

Среди перечисленных функций наиболее сложной для автоматизации с точки зрения построения формальных процедур преобразования данных в информацию, позволяющую ее использование для принятия решения, является построение сводных показателей, характеризующих состояние, эффективность или качество функционирования объекта управления, и их интерпретация.

В общем случае информация, необходимая для поддержки принятия решения может иметь следующий вид: а) первичных данных, количественно характеризующих состояние объекта (процесса) управления;

1 Лицом, принимающим решение, будем называть субъекта, который должен на основании полученной информации осуществить выбор одного из альтернативных вариантов действий (собственных или находящегося под его началом коллектива). б) результатов обработки первичных данных, выполняемой по алгоритмам, принятым в конкретной системе исходя из ее функционального назначения, в) обобщенных показателей функционирования объекта за определенный период времени (прогнозов развития отраслей, демографической ситуации, прогнозов объемов финансирования различных отраслей народного хозяйства, образования, таможенных ставках и т.п.), т.е. данных о факторах долгосрочного действия в области существования объекта управления.

Если объект управления представляет собой сложную систему, описываемую большим числом характеристик, имеющих различную природу и широкий диапазон значений, когда не очевиден характер связей характеристик объекта между собой и внешними факторами, преобразование данных в сводные показатели качества его функционирования и их интерпретация усложняется и приобретает характер проблемной задачи. Т.е., она не может быть выражена в терминах конкретного класса прикладных задач, для которого имеется соответствующий математический аппарат. В этом случае возникает необходимость выявить и описать факторы, влияющие на состояние объекта, выбрать или разработать методы обработки информации, ориентированные на учет неопределенности, методы представления и интерпретации информации в таком виде, чтобы решение было принято.

В общем виде информационную задачу, которую необходимо выполнять при поддержке принятия решений в указанных условиях, можно сформулировать, как преобразование данных типа а), б) и в) в некоторые сводные показатели свойств объекта управления, которые не поддаются непосредственному измерению. Эти показатели могут интерпретироваться как некоторое качество объекта управления в целом или определенных его свойств (сторон): его эффективность, потенциал (потенциалы) достижения целей, вклад в эффективность или выигрыш от определенной деятельности, в которой участвует система и т.п. и характеризуют качественные и прагматические аспекты ее функционирования.

Условия, в которых приходится решать указанную информационную задачу, характеризуются неопределенностью, которая обусловлена одновременным действием целого ряда факторов:

- неполнотой описания объекта или процесса;

- существенной многомерностью;

- недостаточностью информации или ее отсутствием о характере связей между характеристиками объекта (процесса), а также между его характеристиками и внешними факторами;

- использованием моделей и методов обработки данных, применимость которых для решения конкретных целевых задач управления не обоснованы;

- задержками в получении необходимых данных, связанными с нерациональной организацией их управления (процессами сбора, подготовки и обработки), приводящими в конечном итоге к несвоевременным управленческим решениям.

Для решения задач поддержки принятия решений в этих условиях чрезвычайно актуальными являются выработка подходов, которые принципиально ориентированы на работу в так называемой неопределенной или «нечеткой» среде, а также разработка методов и средств их реализации в информационных системах.

На основании вышеизложенного можно заключить, что разработка (выбор) методов обработки информации и архитектуры информационных систем, предназначенных для поддержки принятия решений в условиях неопределенности, является актуальной и практически значимой задачей.

Степень разработанности задач.

Исследования по разработке методов и средств информационного обеспечения в интересах поддержки принятия решений в условиях неопределенности требуют системного подхода, использования последних достижений в области математических методов обработки и анализа многомерных данных, теории систем и системного анализа, новых информационных технологий.

Вопросам разработки методов классификации и анализа многомерных данных, алгоритмов обработки информации в информационных системах, архитектуры информационных систем и систем управления базами данных посвящено большое количество работ.

Методы анализа многомерных данных, применяемые для исследования структуры и характера взаимосвязей между анализируемыми количественными данными о характеристиках и параметрах функционирования объектов и систем, их классификации, снижения размерности исходного описания с целью лаконичного объяснения природы анализируемых многомерных данных и наглядного представления, в задачах анализа сложных систем (технических, социально-экономических, общественных и др.) и управления ими рассматриваются в трудах Миркина Б. Г., Айвазяна С. А., Малиновского JI. Г., Ивченко Б.П., Мартыщенко J1.A., Монастырского M.JL, Саати Т. Системный аспект при обработке информации, циркулирующей в сложных системах, рассматривается в трудах Денисова А.А., Волковой В.Н., Прангишвили И.В., Пащенко Ф.Ф., Бусыгина Б.П.

В работах Вильсона А.Дж., Трухаева Р. И., Куренкова Н.И., Лебедева Б.Д. рассматриваются методы учета неопределенности при решении информационных задач: построении обобщенных характеристик систем, обработки массивов с пропущенными данными, прогнозировании их развития и т.д.

Вопросам построения автоматизированных информационных систем в производстве, маркетинге, финансах посвящены работы Абдикеева Н.М., Салимова В.Г., Яковенко И.И., Денисова А.А., Одинцова Б.Е., Романова А.Н., Попова И.И., Кульбы В.В.

Проблемам создания информационных систем, ориентированных на поддержку принятия решений в области стратегического управления, таких как интеллектуальные и экспертные системы, методологическим основам их построения посвящены работы Гаврилова А.В., Ларичева О.И., Фатхутдинова Р.А., Трахтенгерца Э.А., Т.Саати, Буркова В.Н., Райфы Х.и др.

Несмотря на большое количество работ, посвященных как общим, так и частным проблемам информационного обеспечения систем поддержки принятия решений, практически нет работ, в которых освещаются вопросы и проблемы формализации задач преобразования данных, описывающих сложные системы или процессы их функционирования, в сводные показатели их целевого назначения. Важность решения этих задач заключается в том, что они и составляют существо большинства процедур интеллектуальной обработки.

Исходя из степени разработанности перечисленных задач для данного диссертационного исследования, выдвинуты следующие цель и задачи.

Целью исследования является разработка методов, обоснование состава средств обработки данных и архитектуры информационных систем, обеспечивающих поддержку принятия решений в условиях неопределенности в различных предметных областях.

Задачи исследования

1. Анализ состояния в области архитектуры информационных систем поддержки принятия решений (СППР) и используемых в них методов обработки и анализа данных.

2. Обоснование основных требований к методам и способам учета неопределенности при решении задач обработки и анализа многомерных данных в интересах поддержки принятия решений.

3. Разработка модели типовой информационной системы для комплексной автоматизации административной, учебной и научно-методической деятельности учебного заведения.

4. Определение места и роли систем (приложений) автоматизации обучения и разработка модели подсистемы автоматизации обучения языкам программирования.

5. Разработка метода, алгоритма и программного обеспечения приложения интеллектуального анализа данных для информационной системы страховой компании, предназначенного для прогнозирования страховых рисков.

6. Оценка эффективности разработанного метода прогнозирования страховых рисков.

Объектом исследования являются информационные системы поддержки принятия решений в области информационного обеспечения основных видов деятельности учебного заведения, а также страхования имущества граждан (автотранспорта).

Предметом исследования являются методы, алгоритмическое обеспечение приложений обработки и анализа многомерных данных и архитектура распределенных баз данных, обеспечивающие сбор, обработку и преобразование информации в вид, необходимый для принятия решений.

Теоретические основания исследования

Для построения сводных показателей качества объектов управления в информационных системах поддержки принятия решений использовались энтропийные методы анализа многомерных разнородных данных.

При обосновании построения информационных систем использовались разделы теории систем и системного анализа, при выборе вариантов и разработке структуры базы данных системы использовались разделы теории реляционных баз данных.

Эмпирическую базу диссертации составили результаты исследований по разработке модели процесса обучения языкам программирования, выполненных автором в 2000-2003 гг. на кафедре информационных технологий в сфере сервиса Московского государственного университета сервиса, и фактические данные о страхователях и их имуществе, представляющие собой содержание базы данных, а также ее приложение интеллектуального анализа данных, которые разрабатывались с участием автора для страховой компании.

Результаты диссертации внедрены в деятельность Института информационных технологий Московского государственного университета сервиса, а также в деятельность ООО «Страховая компания «Оранта», что подтверждается актами о внедрении и реализации (приложение 4).

Научная новизна исследования.

1. Впервые предложено и обосновано использование нового энтропийного метода обработки многомерной информации для создания приложений интеллектуального анализа данных в условиях неопределенности для информационных систем поддержки принятия решений.

2. Впервые разработана модель типовой информационной системы учебного заведения на основе концепции распределенных баз данных и приложений информационного обеспечения административной, учебной и научно-методической деятельности.

3. Разработан новый метод оценивания и прогнозирования рисков перехода объектов в возможные состояния для приложений интеллектуального анализа данных, заключающийся в преобразовании характеристик объекта в факторы риска и построении на них обобщенных показателей риска с помощью энтропийного метода.

Практическая значимость исследования.

1. Разработана модель типовой информационной системы комплексной автоматизации административной, учебной и научно-методической деятельности в учебном заведении, схема хранилища данных для этой системы, разработана и программно реализована учетная система.

2. Разработан алгоритм генерации заданий подсистемы обучения языкам программирования, а также метод, алгоритм и программное обеспечение приложения оценивания уровня знаний и навыков по результатам обучения на основе энтропийного метода построения обобщенных характеристик.

3. Разработаны алгоритмы и программное обеспечение приложения оценивания и прогнозирования рисков для информационной системы поддержки принятия решений в области страхования.

На защиту выносятся следующие положения:

1. Принцип построения приложений интеллектуального анализа данных для систем под держки принятия решений.

2. Метод построения гарантированных оценок риска в информационных системах на основе преобразования характеристик объекта управления в факторы риска и использования энтропийного метода построения обобщенных характеристик систем.

3. Модель типовой информационной системы динамического сопровождения процесса обучения.

Заключение диссертации по теме «Информационные системы и процессы, правовые аспекты информатики», Ананьев, Николай Сергеевич

4.3. Выводы

1. Типовой информационной задачей, решаемой в интересах принятия решений, является построение обобщенных показателей уровня знаний по текущим оценкам за выполнение заданий. Результаты расчетов по получению обобщенного показателя уровня знаний разработанным методом и их сравнение с обобщенными оценками как средними арифметическими, показали, что последние завышают уровень знаний студентов от 0.15% до 16%, в зависимости от вариаций текущих оценок в массиве.

2. Первоочередной типовой информационной задачей, которую приходится решать в системах поддержки принятия решений при выборе альтернативных вариантов действий типа инвестирования различных проектов, возмещения возможного ущерба, убытков и других возможных потерь, является оценивание по априорным данным рисков, сопутствующих деятельности в той или иной области. В страховании, такой задачей является оценивание страховых рисков.

3. Информационная задача прогнозирования страховых рисков сводится к построению обобщенных характеристик факторов риска, которыми характеризуются страхователи. Построение оценок риска энтропийным методом обеспечивает их гарантированность точки зрения равной значимости вкладов всех факторов риска в его обобщенный показатель. Метод оценивания рисков заключается в факторизации исходных данных (преобразовании характеристик страхователей в факторы риска), построении на них обобщенных показателей с использованием энтропийного подхода к анализу многомерных данных и разбиения выборки оценок на два класса по критерию среднего уровня риска, обусловленного симметрией кривой упорядоченных значений оценок, - низкого уровня риска и высокого.

Заключение

В результате решения задач настоящего исследования, направленного на разработку методов, обоснование состава средств обработки данных и архитектуры информационных систем поддержки принятия решений в условиях неопределенности в различных предметных областях были получены следующие выводы и результаты.

Определено место систем поддержки принятия решений в технологическом процессе автоматизированных информационных систем, определен состав их средств, включающий хранилища оперативных данных, приложения оперативной обработки и подготовки данных, приложения интеллектуального анализа данных. Показано, что одним из основных элементов СППР являются средства (приложения) интеллектуального анализа, обеспечивающие преобразование оперативных данных в вид, необходимый для поддержки принятия решений.

По результатам анализа информационных задач поддержки принятия решения, показано, что их приходится решать в условиях неопределенности, обусловленной: существенной многомерностью данных, разнородностью, противоречивостью и неполнотой данных, отсутствием информации об адекватности применяемых математических моделей преобразования и обработки данных их физической природе. Показано также, что основным недостатком вероятностного подхода к решению информационных задач поддержки принятия решения является необоснованное распространение аксиоматики теории вероятностей на изучаемые процессы. Сформулированы требования к методу построения обобщенных показателей объектов управления, выражающих прагматические аспекты их функционирования, которые во многих случаях являются информационной основой принятия решения.

Рассмотрен энтропийный метод построения обобщенных характеристик систем, имеющих формальное описание в виде двумерного массива, основанный на использовании принципа максимума энтропии, и обоснована целесообразность его применения для снятия неопределенности при обработке многомерных разнородных, противоречивых и неполных данных. Показано, что данный метод в указанных условиях обеспечивает: получение гарантированных оценок обобщенного показателя системы; устойчивость к «возмущающим» факторам; возможность использования исходных данных, которые не являются независимыми и не требуют нормировки; аддитивность вкладов каждой характеристики объекта в значение его обобщенного показателя; реализуемость в виде простых алгоритмов, не требующих специальной настройки и сопровождения в ходе проведения расчетов.

На основании результатов анализа и обоснования методов и средств обработки информации разработана модель типовой информационной системы, предназначенной для комплексной автоматизации основных видов деятельности учебного заведения, включающая: СУБД, построенную в соответствии с концепцией хранилищ данных; приложения предварительной ' аналитической обработки и интеллектуального анализа данных; приложения разграничения доступа и обучения, включая дистанционное. Разработана модель подсистемы обучения на примере языка программирования высокого уровня, которая позволяет автоматизировать подготовку вариантов контрольных вопросов и заданий, а также текущее оценивания результатов их выполнения в рамках единого цикла.

Разработанное приложение (программное обеспечение) оценивания знаний реализует энтропийный метод построения обобщенных характеристик по многомерному массиву текущих оценок обучаемых. Результаты оценки обобщенного показателя уровня знаний разработанным методом и их сравнение с обобщенными оценками как средними арифметическими, показали, что последние завышают уровень знаний студентов от 0.15% до 16% в зависимости от вариативности текущих оценок в массиве.

Для прогнозирования рисков, сопутствующих деятельности в различных областях (в инвестировании, страховании и т.п.), предложено использовать энтропийный подход. Разработан новый метод оценивания и прогнозирования

136 рисков в страховом деле, который заключается в преобразовании характеристик страхователя и его имущества в факторы риска, построении на них обобщенных показателей с использованием энтропийного подхода, разбиении выборки оценок на два класса по критерию среднего уровня риска, которые определяют группы высокого и низкого риска. Получаемые таким образом оценки рисков являются гарантированными с точки зрения равной значимости учета в них всех факторов риска. Проверка работоспособности разработанного метода показала, что он обеспечивает достоверность прогноза ненаступления страхового случая не хуже 80% при максимальном разбросе значений оценок риска не более 4.4%.

Список литературы диссертационного исследования кандидат технических наук Ананьев, Николай Сергеевич, 2005 год

1. Абдикеев Н.М. Автоматизированные информационные системы в производстве, маркетинге и финансах. Том 2. Учебное пособие. РЭА им. Плеханова. М.: 2003.

2. Абдикеев Н.М. — Интеллектуальные информационные системы. Учебное пособие. — М:. РЭА им. Плеханова, 2003.

3. Аверкин А.Н., Батыршин И.З., Блишун А.Ф. и др. Нечеткие множества в моделях управления и искусственного интеллекта. М.: Наука, Гл. ред. физ. мат. лит. 1986.

4. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей М.: Финансы и статистика, 1985.

5. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.

6. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989.

7. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. Учебник для вузов. М.: ЮНИТИ, 1998.

8. Ананьев Н.С. Разработка модели автоматизированной обучающей системы по языкам программирования. Магистерская дисс. М.: РУДН. 2001.

9. Ананьев С.Н., Вараксин А.Н., Куренков Н.И. О построении показателей эффективности функционирования алгоритмов автоматического распознавания. Информационные технологии, № 1, 2001.

10. Белкин А.Р., Левин М.Ш. Принятие решений: комбинаторные модели аппроксимации информации. -М.: Наука, 1990.

11. Вентцель Е.С. Исследование операций. М.: Сов. радио, 1972.

12. Вильсон А.Дж. Энтропийные методы моделирования сложных систем. М.: Наука, 1978.

13. Волкова В.Н., Воронков В.А. и др. Теория систем и методы системного анализа в управлении и связи. М.: Радио и связь, 1983.

14. Гаврилов А.В. Системы искусственного интеллекта: Учеб. пособие: в 2-х ч. Новосибирск: Изд-во НГТУ, 2001. - Ч. 1.

15. Гайдамакин Н. А. Автоматизированные информационные системы, базы и банки данных. Вводный курс : Учебное пособие М: Гелиос, 2002.

16. Геловани В. А. и др. Интеллектуальные системы поддержки принятия решений. -М.: Эдиториал УРСС, 2001 г.

17. Гришенков Е. Планирование и консолидация данных многомерной базы. Открытые Системы, №04, 2001.

18. Дейт Ч. Ведение в системы баз данных. — М.: Диалектика, 1998.

19. Денисов А.А. Современные проблемы системного анализа: информационные основы. Учеб. пособие. СПб.: СПбГПУ , 2003.

20. Джексон П. Введение в экспертные системы. Пер. с англ.- Вильяме,2001.

21. Дюк В.А. Компьютерная психодиагностика. СПб.: Братство, 1994. Ерков А.А. Оптимальное решающее правило с оценкой достоверности. Препринт ИПМ АН СССР № 0134, Москва, 1984.

22. Заботнев М.С. Система анализа образовательной статистики на основе интеграции OLAP и GIS технологий, www.olap.ru

23. Искусственный интеллект: Модели и методы: Справочник/Под ред. Д. А. Поспелова. В 3-х кн. — М.: Радио и связь. 1990. Кн. 2.

24. Кадощук И.Т., Липчинский Е.А. Обзор технологий хранилищ данных, www.olap.ru

25. Карлин С. Математические методы в теории игр, программировании и экономике. М.: Мир, 1964.

26. Катулев А.Н., Северцев Н.А., Исследование операций: принципы принятия решений и обеспечение безопасности. — М.: Физико-математическая литература, 2000.

27. Кендалл М. Методы ранговой корреляции. М.: Статистика, 1974.

28. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах. Открытые системы, №4,1997.

29. Клейнер Г.Б., Смоляк С.А. Эконометрические зависимости: принципы и методы построения. — М.: Наука, 2000.

30. Коровкин С. Д. и др. Решение проблемы комплексного оперативного анализа информации хранилищ данных. СУБД, № 5-6, 1997.

31. Крупский А.Ю., Феоктистов Н.А. Исследование систем управления предприятий сервиса. Материалы межвуз. НТК "Современные средства управления бытовой техникой". М., 2004.

32. Кульба В.В. и др. Методы формирования сценариев развития социально-экономических систем. -М.: СИНТЕГ, 2004.

33. Куренков Н.И., Лебедев Б.Д. Применение энтропийного дискриминантного анализа в задачах кластеризации многомерных данных. Механика композиционных материалов и конструкций. — М.: РАН, 1999.

34. Куренков Н.И., Лебедев Б.Д. Применение энтропийных свойств матриц для кластеризации композитов по их свойствам. Механика композиционных материалов и конструкций. ТЗ, № 4, 1997.

35. Куренков Н.И., Лебедев Б.Д. Энтропийные методы определения обобщенных характеристик систем. Доклады академии наук. М.: РАН. Том 365, №3. 1999.

36. Куренков Н.И., Лебедев Б.Д., Использование обобщенных показателей систем для восстановления данных. Механика композиционных материалов и конструкций. — М.: РАН, Т 4, № 2, 1998.

37. Куренков Н.И., Лебедев Б.Д., Использование энтропийных методов и обобщенных средних при обосновании характеристик материалов. Механика композиционных материалов и конструкций. — М.: РАН, Т 4, № 3, 1998.

38. Ларичев О.И. Теория и методы принятия решений: Учебник. — М.: Логос, 2000.

39. Лисянский К. Архитектурные решения и моделирование данных для хранилищ и витрин данных, www.olap.ru

40. Лорьер Ж.-Л. Системы искусственного интеллекта. Пер. с франц. -М.: Мир, 1991.

41. Львов В. Создание систем поддержки принятия решений на основе хранилищ данных. СУБД, № 3, 1997.

42. Магнус Я.Р., Нейдекер X. Матричное дифференциальное исчисление с приложениями к статистике и эконометрике. Пер. с англ./Под ред. С.А. Айвазяна. М.: ФИЗМАТЛИТ, 2002.

43. Маклаков С.В. BPwin и ERwin. CASE-средства разработки информационных систем. -М.: Диалог Мифи, 1999.

44. Малиновский Л.Г. Анализ статистических связей: Модельно-конструктивный подход. Ин-т проблем передачи информ. М.: Наука, 2002.

45. Марпл С.Л. Цифровой и спектральный анализ и его приложения. -М.: Мир, 1990.

46. Мартыщенко Л.А., Панов В.В., Филюстин А.Е. Методы военно-научных исследований в задачах разработки и испытания вооружений. 4.2, л., МО СССР, 1985.

47. Марченко А.И. Object Pascal 2.0. К.: ЮНИОР, 1998.

48. Мелик-Гайказян И.В. Информационные процессы и реальность. -М.: Наука, 1998.

49. Методики (I) расчета тарифных ставок по массовым рисковым видам страхования, утвержденной Распоряжением Федеральной службы РФ оп надзору за страховой деятельностью, № 02-03-36 от 28.07.93

50. Методы анализа данных. Пер. с фр. Под редакцией Айвазяна С.А. и Бухштабера В.М. -М.: Финансы и статистика, 1985.

51. Методы добычи данных. Электронный учебник StatSoft. StatSoft Inc.

52. Миркин Б.Г. Анализ качественных признаков и структур. М.: Статистика, 1980.

53. Моисеев Н. Н. Математические задачи системного анализа. М.: Наука, 1981.

54. Моренин А.В. Концепция проведения разработок системы интеллектуальной поддержки принятия решения "Эврика+", www.olap.ru

55. Мушик Э., Мюллер П. Методы принятия технических решений. Пер. с нем. М.: Мир, 1990.

56. Обработка экспериментальных данных с использованием компьютера. Под редакцией С. Минами. Пер. с япон. Под ред. E.JI. Косарева, — М.: Радио и связь, 1999.

57. Осипов Г.С. Приобретение знаний интеллектуальными системами — М.: РУДН, 1994.

58. Панченков А.Н. Энтропия. Н.Новгород: Издательство общества "Интелсервис", 1999.

59. Питц-Моултис Н., Кирк Ч. XML: Пер. с англ. СПб.: БХВ-Петербург, 2001.

60. Попов И.И. Автоматизированные информационные системы (по областям применения). : Учебное пособие/Под общей редакцией К.И. Курбакова М.: Изд-во Рос. экон акад., 1998.

61. Попов Э. В. Экспертные системы. М.: Наука, 1987.

62. Прангишвили И.В., Пащенко Ф.Ф., Бусыгин Б.П. Системные законы и закономерности в электродинамике, природе и обществе. М.: Наука, 2001.

63. Пржиялковский В.В. Сложный анализ данных большого объема: новые перспективы компьютеризации. СУБД, № 04, 1996 г.

64. Пройдаков Э. Что такое Data Mining? PCWeek, № 26, 1999.

65. Пытьев Ю.П. Возможность. Элементы теории и применения. — М.: Эдиториал УРСС, 2000.

66. Ревунков Г.И., Самохвалов Э.Н., ЧистовВ.В. Базы и банки данных и знаний. М.: Высшая школа, 1992.

67. Романенко А.Г., Максимович Г.Ю., Самойлюк О.Р. и др. Информационные системы: Учебное пособие/Под общей редакцией К.И. Курбакова. М.: Изд-во Рос. экон. акад., 1999.

68. Саати Т. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1985.

69. Сахаров А.А. Концепция построения и реализации информационных систем, ориентированных на анализ данных. СУБД № 4, 1996.

70. Слотер Э.Х. Архитектуры OLAP. www.iso.ru

71. Стратонович Р.Л. Теория информации. М.: Сов. радио, 1975.

72. Сурков Е.А. Методологические аспекты процессов автоматизации управленческой деятельности (Управление в трех измерениях). Enterprise partner, №24(41), 2001.

73. Трухаев Р.И. Модели принятия решений в условиях неопределенности. -М.: Наука, 1981.

74. Тулупьев А. Л. Алгебраические байесовские сети. Логико-вероятностный подход к моделированию баз знаний с неопределенностью. -СПб.: СПИИРАН, 2000.

75. Туо Дж. Каждому пользователю свое представление данных. -ComputerWeek, № 38, 1996.

76. Ульман Д. Основы систем баз данных. М,: Финансы и статистика,1983.

77. Федечкин С. Хранилище данных: вопросы и ответы. PCWeek, № 31,2003.

78. Федоров А., Елманова Н. Введение в OLAP: часть 1. Основы OLAP, КомпьютерПресс № 4, 2001.

79. Феоктистов Н.А. и др. Оптоэлектронные элементы информационныхсистем. М.: МГУС, 2002.

80. Хендерсон К. Delphi 3: Руководство разработчика. Пер. с англ.- К:. Диалектика, 1997.

81. Цыпкин Я.З. Информационная теория идентификации. М:, Наука Физматлит, 1995.

82. Черноморов Г.А. Теория принятия решений: Учебное пособие / Юж.-Рос. гос. техн. ун-т. Новочеркасск: Ред. Журн. «Изв. Вузов. Электромеханика», 2002.

83. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений. Открытые системы № 01, 1998.

84. Шилейко А.В., Кочнев В.Ф., Химушкин Ф.Ф. Введение в информационную теорию систем. М.: Радио и связь, 1985.

85. Щавелев JI.B. Оперативная аналитическая обработка данных:концепции и технологии, www.olap.ru

86. Щавелев JI.B. Способы аналитической обработки данных для поддержки принятия решений. СУБД, № 4-5, 1998.

87. Codd E.F., Codd S.B., Salley С.Т., Providing OLAP (on-line analytical processing) to user-analysts: An IT mandate. Technical report, 1993.

88. Alalouf C. Hybrid OLAP. St. Laurent, Canada: Speedware Corporation Inc., 1997.

89. Bradley P., Fayyad U., Reina C. Scaling Clustering Algorithms to Large Databases, Proc. 4th Int'l Conf. Knowledge Discovery and Data Mining, AAAI Press, Menlo Park, Calif. 1998.

90. Erhard Ram, Hong Hai Do. Очистка данных: проблемы и актуальные подходы, www.iso.ru.

91. Ganti V., Gehrke J., Ramakrisnan R. Mining Very Large Databases. IEEE Computer, 1999.

92. OLAP for the Masses. Business Objects S.A., www.businessobjects.com.1996.

93. Oracle Express Release 6.2 Database Administration Guide.

94. Oracle Express Release 6.2 Express Language Programming Guide.

95. Parsaye K. Surveying Decision Support: New Realms of Analysis. Database Programming and Design. № 4, 1996.

96. Модель данных типовой ИС учебного заведения

97. С целью более точной и детальной оценки знаний студентов введена еще одна сущность — ТЕМА (TOPIC), являющая составной частью курса.

98. Схема аналитического хранилища приведена на рис. ГТ1.1.1. Professor1. Student1. Topic1. Course1. Course Topic

99. Рис. 2.1. Схема аналитического хранилища

100. Концептуальная схема оперативного хранилища типовой ИС учебного заведения