Inteligentne metody odkrywania wiedzy z baz danych

• Autorzy: Nycz M.

Warianty tytułu

EN

Intelligent methods of knowledge discovery from databases

• Języki publikacji: PL

Abstrakty

EN

Knowledge is more than information; it is the structure so it means specific correlations, statistics rules or other dependencies that can be shown in mathematics language or any other natural ones. It is not easy to achieve them because very often we do not even suspect that they exist. They can have a real value that calculated in eve in milions zlotys e.g. when they depict some important market behaviors for a particular sector. Each organization usually collects on its discs which, depending on a given approach, be have either historical value or can be used within an interesting analysis, e.g. market analysis. According to P.G. Shapiro, the pioneer of knowledge discovery from databases, the process of knowledge discovery from databases is not a trivial one of obtaining new, useful for user new knowledge which has been hidden among data and it bas not be known, conscious, seen by the user. The article has been devoted to intelligent methods of knowledge discovery from databases. It consists of five parts. Brief introduction presents the subject of this paper: definition and stages of knowledge discovery from databases as well as its location within a decision making process. Next part presents the classification of knowledge discovery methods. In the third part the characteristics of intelligent methods has been presented .It has been done in the following shape: intelligent methods coming from mathematics and statistics, from biological sciences and then from linguistics. Part four covers the results of experiment carried out to compare the efficiency of some intelligent methods in the classification task realization. Short summary ends the paper.

Słowa kluczowe

PL

bazy danych; sieci neuronowe

EN

databases; neural networks

• Wydawca: Polskie Towarzystwo Zarządzania Produkcją
• Czasopismo: Zarządzanie Przedsiębiorstwem
• Rocznik: 2010
• Tom: Vol. 13, nr 1
• Strony: 70--81
• Opis fizyczny: Bibliogr. 25 poz.

Twórcy

autor

Nycz M.

• Katedra Systemów Sztucznej Inteligencji Instytut Informatyki Ekonomicznej Wydział Zarządzania, Informatyki i Finansów Uniwersytet Ekonomiczny we Wrocławiu,

Bibliografia

• [1] Baborski A.: Odkrywanie wiedzy dla systemów informacyjnych zarządzania, Business Information Systems BIS.98, International Conference, Poznań 1998.
• [2] Barnu. B., Knosala R.: Zastosowanie metody Case Based Reasoning do szacowania kosztów wytwarzania w fazie projektowania, [w:] Komputerowo Zintegrowane Zarządzanie, red. R. Knosala, tom I, Oficyna Wydawnicza Polskiego Towarzystwa Zarządzania Produkcją, Opole 2008.
• [3] Beynon-Davis P.: Systemy baz danych, WNT, Warszawa 1998.
• [4] Doherty P., Gustafsson J.: Delayed Effects of Actions= Direct Effects + Causal Rules [online]. Linköping Electronic Articles in Computer and Information Science, Vol. 3, nr 1, 1998. Dostępny w Internecie: http:// www.ep.liu.se/ea/cis/1998/001/
• [5] Elmasri R., Navathe S. B.: Fundamentals of Database Systems, Addison-Wesley, 2000.
• [6] Fayyad M. U.: Editorial in: Data Mining and Knowledge Discovery, .International Journal., vol. 1, issue 1, 1997.
• [7] Fisher D. H., Schlimmer J. C.: Models of Incremental Learning. A Coupled Research Proposal [online], Vanderbilt University, Technical Report CS-88-05. [Dostęp 10.04.2005]. Dostępny w Internecie: http:// cswww.vuse.vanderbilt.edu/~dfisher/courses/cs362/ incl/proposal/proposal.html
• [8] Galant V., Tyburcy R.: Wprowadzenie do przyrostowego uczenia, [w:] Pozyskiwanie wiedzy. Materiały konferencyjne, red. A. Baborski, Wydawnictwo AE, Wrocław 1997.
• [9] Goldberg D.: Algorytmy genetyczne i ich zastosowania, Wydawnictwo Naukowo-Techniczne, Warszawa 1995.
• [10] Gołuchowski J.: Technologie informatyczne w zarządzaniu wiedzą organizacji, Prace Naukowe Wydawnictwo Akademii Ekonomicznej w Katowicach, Katowice 2005.
• [11] Gwiazda T. D.: Optima_AG. Optymalizator Problemów Zarządzania i Biznesu, Wydawnictwa Naukowe Wydziału Zarządzania Uniwersytetu Warszawskiego, Warszawa 1999.
• [12] Hahn U., Romacker M.: Content management in the SYNDIKATE system . How technical documents are automatically transformed to text knowledge bases, Data & Knowledge Engineering. vol. 35, No. 2, November 2000.
• [13] Hunt E. B., Marin J., Stone P. J.: Experiments in induction, Academic Press, 1966.
• [14] Iwański C., Szkatuła G.: Wybrane metody uczenia maszynowego dla tworzenia reguł klasyfikacji obiektu, PAN IBS, Warszawa 1992.
• [15] Karlsson L., Gustafsson J., Doherty P.: Delayed Effects of Actions. Proc. ECAI-98: 13th European Conference on Artificial Intelligence, Brighton, John Wiley and Sons Ltd., 1998.
• [16] Kempa A.: Modelowanie procesów biznesowych z wykorzystaniem metody case-based reasoning, [w:] Studia i Materiały Polskiego Stowarzyszenia Zarządzania Wiedzą, red. J. Kacprzyk, L. Drelichowski, PSZW, Bydgoszcz 2005.
• [17] Larose D. T.: Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych, PWN, Warszawa 2006.
• [18] Meesad P.: Pattern Classification by an Incremental Learning Fuzzy Neural Network, [online]. Niepublikowana praca dyplomowa, King Mongkut.s Institute of Technology North Bankgok, Bangkok, Tajlandia, 1994 i Faculty of the Graduate College, Oklahoma State University, grudzień 1998. [Dostęp 29.12.1998]. Dostępny w Internecie: http://kmitnb05.kmitnb.ac.th/~pym/ilfn.html
• [19] Nycz M. (red.): Generowanie wiedzy dla przedsiębiorstwa. Metody i techniki, Wyd. AE im O. Langego, Wrocław 2004.
• [20] Nycz M.: Pozyskiwanie wiedzy menedżerskiej. Podejście technologiczne, Wyd. AE im. O. Langego, Wrocław 2008.
• [21] Perner P., Petrou M. (eds): Machine Learning and Data Mining in Pattern Recognition, First International Workshop, MLDM.99. Leipzig, Germany, September 16-18, 1999.
• [22] PKDD.99 Discovery Challenge. A Collaborative Effort in Knowledge Discovery from Databases [online]. Informacje o bazie. Dostępny w Internecie: http://lisp.vse.cz/pkdd99/chall.htm
• [23] Quinlan J.R.: Induction of Decision Trees, .Machine Learning. no 1, 1986.
• [24] Shapiro P.G.: Software: Tools for Data Mining and Knowledge Discovery, [Dostęp 20.03.1998]. Dostępny w Internecie: http://info.gte.com/~kdd
• [25] Vijayakumar S., Schaal S.: Fast and Efficient Incremental Learning for High-dimensional Movement Systems, [w:] Proceedings International Conference on Robotics and Automation (ICRA2000), San Francisco, California, vol. 2, 2000.