CC BY
113
ИСПОЛЬЗОВАНИЕ МЕТОДОВ И АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ В СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ Савенков П.А. Email: Savenkov655@scientifictext.ru
Савенков Павел Анатольевич - аспирант, кафедра вычислительной техники, Тульский государственный университет, г. Тула
Аннотация: в этой статье рассматриваются методы и алгоритмы машинного обучения, а также осуществляется выбор наиболее подходящего для применения в системе поддержки принятия управленческих решений посредствам анализа поведенческих биометрических характеристик персонала предприятия метода машинного обучения. Предлагается использование нейросетевого метода как базового для распознавания поведенческих биометрических характеристик пользователя и осуществления его дальнейшей идентификации с принятием управленческих решений. Приводится базовая структура нейронной сети и пул входных параметров.
Ключевые слова: Big Data, Data science, большие данные, программное обеспечение, информационная система машинное обучение, структурированные и неструктурированные данные, динамическая модель, нейронная сеть.
USE OF METHODS AND ALGORITHMS OF MACHINE TRAINING IN SUPPORT SYSTEMS FOR ADOPTION OF MANAGEMENT DECISIONS Savenkov P.A.
Savenkov Pavel Anatolevich - Postgraduate, DEPARTMENT OF COMPUTING, TULA STATE UNIVERSITY, TULA
Abstract: this article discusses the methods and algorithms of machine learning, as well as the selection of the most appropriate method of machine learning for use in the management decision support system by analyzing the behavioral biometric characteristics of the enterprise personnel. It is proposed to use the neural network method as a baseline for recognizing the behavioral biometric characteristics of the user and implementing his further identification with the adoption of management decisions. The basic structure of the neural network and a pool of input parameters are given.
Keywords: Big Data, Data science, big data, software, machine learning information system, structured and non-structured data, dynamic model, neural network.
УДК 004.891.2
На сегодняшний день, достаточно большое количество крупных компании уже начинают применять технологии машинного обучения, искусственный интеллект и большие данные. Программные системы, основанные на методах машинного обучения, не просто следуют заданному алгоритму, они способны учитывать множество различных сторонних факторов во время работы, делать выводы, использовать результаты прошлых вычислений и различные сторонние ресурсы. Во время работы данные методы используют большие массивы неструктурированных разрозненных данных. Системы использующие методы машинного обучения обладают свойствами адаптивности, интерактивности, самообучаемости.
Задачи, решаемые при помощи методов Data Mining
Методы и алгоритмы машинного обучения позволяют решить задачи различной направленности. Среди таких методов можно выделить следующие:
• задача классификации;
• задача регрессии;
• задача ассоциации;
• задача кластеризации;
• последовательные шаблоны;
• анализ отклонений.
Перечисленные задачи, делятся по назначению на предсказательные и описательные. Описательные помогают повысить качество понимания анализируемых данных. Решение предсказательных задач разделяется на два этапа. На первом этапе строится модель по полученному набору данных с имеющимся результатом. На втором этапе модель реализует предсказание результатов по полученным данным.
Способы машинного обучения
Задачи, решаемые при помощи методов и алгоритмов машинного обучения, разделяются на 2 класса:
• обучение с учителем;
• обучение без учителя.
В случае обучения с учителем, задача анализа данных, решается следующим образом. В первую очередь с помощью выбранного метода Data Mining строится классификатор (модель анализируемых данных), после чего подвергается обучению. Проверяется качество его работы и, в случае если оно неудовлетворительно, происходит последующее дополнительное обучение классификатора. Данные действия повторяются пока не будет достигнуто требуемое качество или не станет понятно, что выбранный алгоритм работает корректно с данными. К данному типу относят задачи регрессии и классификации.
Обучение без учителя объединяет, к примеру, такие задачи, как нахождение закономерностей в покупках, совершаемых покупателями некого магазина. Если закономерности есть, то модель должна ее отобразить. Достоинством такого подхода является возможность решения задач без знаний об анализируемых данных.
Описание программного и информационного обеспечения
Для системы поддержки и принятия управленческих решений основанной на анализе поведенческих биометрических характеристик персонала предприятия целесообразно использовать искусственные нейронные сети для анализа больших данных.
Машинное обучение применяется в различных сферах и предназначено для решения задач различного рода, например, таких как:
• управление бизнес процессами;
• оптимизация процессов управления;
• оптимизация высоконагруженных систем;
• подготовка персонализированных рекомендаций;
• поддержка принятия решений.
В системах поддержки принятия управленческих решений, машинное обучение позволяет обнаруживать различные закономерности, предсказывать возможные дальнейшее поведение сотрудников, предлагать определенные решения руководству и улучшать производительность труда на предприятии. Кроме того, машинное обучение так же может применяться для выявления мошенничества, автоматизации анализа и ликвидации угроз, а также для выработки рекомендаций.
Методы и алгоритмы обработки информации в системе поддержки принятия управленческих решений посредством анализа поведенческих биометрических характеристик персонала предприятия, для анализа и формирования решения, должны использовать такие входные данные как:
• история перемещений сотрудника (GPS);
• набираемый текст;
• получаемый текст;
• история браузеров;
• история звонков;
• фотографии по событиям;
• запись звука обстановки рядом;
• запись звонков;
• архив информации об устройстве.
Работа системы поддержки принятия управленческих решений посредством анализа поведенческих биометрических характеристик персонала предприятия, основывается на обучении искусственной нейронной сети учителем и получении от нее дальнейшего ответа. На рисунке представлена схема нейронной сети, где
• xb xn - входные параметры;
• Input - входной слой;
• Hidden - скрытый слой;
• Output - выход.
Input Hidden Output
Рис. 1. Схема нейронной сети
Благодаря применению методов и алгоритмов, основанных на машинном обучении, в системах поддержки принятия решений, можно добиться высокого качества анализа данных, найти в них сложные зависимости, что в конечном итоге позволит принимать взвешенные управленческие решения и сократить операционные затраты, увеличить выручку, повысить конкурентоспособность.
В результате рассмотрены вопросы, касающиеся анализа данных с применением методов и алгоритмов машинного обучения. Приведены различные классификации и обзоры методов и представлены базовые факторы.
Список литературы /References
1. Баресягин А.А. Технологии анализа данных: Data Mining, Vi sual Mining, Text Mining, OLAP / Баресягин А.А., Куприянов М.С., Степаненко В.В., Холод И.И. 2-е изд., перераб. и доп. СПб.: БХВ Петербург, 2007. 3 84 с.
2. Волков А.А. Конспект лекций по Системам искусственного интеллекта М.: МГСУ, 200 . 72 с.
3. Воронцов К.В. Лекции по метрическим алгоритмам классификации, 2008.
4. Гмурман В.Е. Теория вероятностей и математическая статистика. 9-е изд., стер. М.: Высшая школа, 2003 . 479 с.
5. ГореликА.Л., Скрипкин В.А. Методы распознавания. М.: Высшая школа, 1984. 80 с.
6. Чубукова И.А. Курс лекций по Data Mining, 2009.
