新書推薦：
《
工业机器人安装与调试 第2版
》
售價：HK$
86.9
《
财源滚滚：20堂财富破局课
》
售價：HK$
76.8
《
然后没有你的九月来临了
》
售價：HK$
47.1
《
图画书中的学科阅读（魔法象·阅读学园）
》
售價：HK$
65.8
《
木本植物类中药汇编
》
售價：HK$
140.8
《
异次元社交
》
售價：HK$
74.8
《
抉择时刻：那些原本可以改变世界的演讲
》
售價：HK$
65.8
《
海外中国研究·元代江南政治社会史研究
》
售價：HK$
118.8
|
| 內容簡介： |
|
《数据驱动的智能决策支持系统》涵盖了大数据、人工智能及决策支持系统等相关技术方法，由四篇构成，分别为引导篇、数据篇、智能篇和决策篇。引导篇涵盖了与智能决策支持系统相关的概念及其发展历程，包括大数据、人工智能、决策的基本概念及相互关系；数据篇聚焦于数据采集与大数据分析、数据驱动的问题分析与建模、数据驱动的决策等内容；智能篇涵盖了知识表示方法、搜索推理技术、专家系统及其应用等；决策篇包含了智能决策支持系统的结构与分类、智能决策支持系统的开发及技术环境，以及智能决策支持系统实例等内容。
|
| 目錄：
|
|
目录前言引导篇1 绪论 31.1 决策支持系统的基本概念 31.2 决策支持系统的发展历程 121.3 决策支持系统与管理信息系统的关系 141.4 决策支持系统的新进展——IDSS 161.5 智能决策支持系统应用实例 181.5.1 国家电网运检智能化管控辅助决策系统 181.5.2 基于物联网的建筑能耗智能监管系统 191.5.3 数字农业精细化管理智能信息平台——“谷语”系统 22参考文献 262 大数据、人工智能与决策概述 272.1 大数据概述 272.1.1 大数据的概念与特征 272.1.2 大数据的发展历程与应用 282.1.3 大数据的发展趋势 302.2 人工智能概述 312.2.1 人工智能的概念 312.2.2 人工智能的起源与发展历程 342.2.3 人工智能的功能 362.2.4 人工智能的发展趋势 372.3 数据驱动的决策概述 372.3.1 数据驱动的决策特征及应用领域 372.3.2 数据驱动的决策方法 382.4 智能决策方法概述 415 数据驱动的决策 1165.1 数据驱动的决策目标 1165.2 数据驱动的决策过程 1185.2.1 数据驱动决策过程与传统决策过程的区别 1185.2.2 数据驱动决策的主要流程 1205.2.3 数据驱动的决策过程关键要素 1225.3 数据驱动的决策类型 1245.3.1 基于不确定性分析的智能决策 1245.3.2 基于信息融合的智能决策 1255.3.3 基于相关分析的智能决策 126参考文献 127智能篇6 知识表示方法 1336.1 知识表示的概念与知识表示方法概述 1336.2 状态空间表示法 1356.3 谓词逻辑表示法 1396.4 产生式规则表示法 1456.5 框架表示法 1466.6 语义网络 1496.7 知识图谱 1506.8 不确定性知识表示方法 1536.9 人工神经网络表示方法 1556.10 其他知识表示方法 158参考文献 1607 搜索推理技术 1617.1 搜索技术概述 1627.2 图搜索算法 1637.3 盲目搜索算法 1697.3.1 宽度优先搜索算法 1697.3.2 深度优先搜索算法 1727.3.3 有界深度优先搜索算法 1737.4 启发式搜索算法 1767.4.1 贪婪算法 1767.4.2 最佳优先搜索算法 1807.4.3 A*算法 1827.5 基本推理技术 1877.5.1 推理方法 1887.5.2 推理控制策略 1887.5.3 推理技术的应用举例 190参考文献 1958 专家系统及其应用 1968.1 产生式系统 1968.1.1 产生式系统的概念 1968.1.2 产生式系统的基本结构 1968.1.3 产生式系统举例——动物识别专家系统 1978.2 专家系统 2008.2.1 专家系统的概念与特征 2008.2.2 专家系统与传统计算机程序的区别 2028.2.3 专家系统的结构 2028.2.4 专家系统的分类与开发工具（拓展阅读） 2058.3 专家系统实例 2098.3.1 MYCIN传染性血液病诊断专家系统 2098.3.2 养分专家系统 2138.3.3 其他专家系统实例（拓展阅读） 215参考文献 217决策篇9 智能决策支持系统的结构与分类 2219.1 智能决策支持系统的结构概述 2219.2 智能决策支持系统的组件 2229.2.1 数据库子系统 2229.2.2 模型库子系统 2249.2.3 知识库子系统 2259.2.4 人机交互子系统 2269.3 智能决策支持系统的分类 228参考文献 23110 智能决策支持系统的开发及技术环境 23310.1 智能决策支持系统的开发过程 23310.2 智能决策支持系统的开发方法 23610.2.1 基础开发方法——PADI开发方法 23610.2.2 增量迭代——平行开发方法 23810.2.3 进化迭代——阶段性开发方法 23910.2.4 原型系统开发方法 24010.2.5 丢弃式原型系统开发方法 24110.2.6 极限编程与敏捷软件开发方法 24310.3 智能决策支持系统的技术环境 24310.3.1 企业智能决策支持系统的技术环境 24310.3.2 个人智能决策支持系统的技术环境 245参考文献 24711 智能决策支持系统实例 24911.1 企业智能决策支持系统实例 24911.1.1 智能订单管理系统 24911.1.2 智能配送调度系统 25011.1.3 智能库存管理系统 25211.2 个人智能决策支持系统实例 25411.2.1 智能家居助手 25411.2.2 智能办公助手 25511.2.3 智能翻译助手 257参考文献 258
|
| 內容試閱：
|
|
引导篇 决策支持系统已经进入了智能决策支持系统的发展阶段。信息技术的发展以及人类社会科技进步的日新月异，使得智能决策支持系统的体系结构、系统应用等方面也正在发生巨大变化。特别是随着计算机数据分析能力的提升，基于数据驱动的决策方法也在迅猛发展。企业对基于数据驱动的智能决策支持系统的需求也应时而生。数据驱动的智能决策支持系统是基于模型驱动的智能决策支持系统而进一步发展起来的新系统，也是当代企业孜孜追求、致力于实现的管理决策支持系统。本书从面向管理问题的决策支持理论方法、决策支持系统架构等角度出发，聚焦于决策支持系统的基础理论、模型驱动的决策支持系统的架构、数据驱动的智能决策支持系统的架构及其相关的理论方法。全书分为引导篇、数据篇、智能篇和决策篇。 引导篇将从决策支持系统的基本概念、发展历程、与管理信息系统的关系，以及大数据概述、人工智能概述、数据驱动的决策概述、智能决策方法以及智能决策支持系统的发展趋势等诸多方面呈现智能决策支持系统的发展脉络及与其他系统的关系。 1 绪论 本章围绕着决策支持系统的基本概念、决策支持系统的发展历程、决策支持系统与管理信息系统的关系、决策支持系统的新进展以及智能决策支持系统应用实例等方面展开论述。 1.1决策支持系统的基本概念 决策支持系统，其文字可以分解为“决策”、“支持”及“系统”三个短词。其概念也可以由这三个词的组合来理解：“系统”是核心，指的是用计算机实现的系统，这一系统的目标是实现对“决策”的“支持”。要理解决策支持系统是什么，*先需要理解以下三个问题：决策支持系统中的“决策”是指什么？“系统”是指什么？系统是如何“支持”决策的？ 1．决策支持系统中的“决策”是指什么？ 决策支持系统中的“决策”是指为了达到某一目标，从一系列可选方案中进行抉择的过程。美国著名管理学家赫伯特 西蒙（ Herbert Simon）[1]在著作《管理决策新科学》中提出的“管理即决策”理论，说明了决策在管理科学和实践中的地位。决策是决策者为了完成某项任务、解决某一问题或实现特定的目标，运用各种方法，系统地分析主客观条件和可能性后，根据决策准则，对各种可行的方案进行评比，选择合理方案的过程[1]。例如，午餐吃什么？汉堡？比萨？面条？饺子？这就是日常生活中，所有个体每日面对的一个决策问题，即为了实现填饱肚子这一目标，从汉堡、比萨、面条、饺子等这一系列可选方案中进行抉择。在做选择时，人们通常会考虑以下条件：午餐时长（包含往返以及用餐时间）、食物的口味、食物所在地、午餐费的预算等。而一旦选定方案并实施，其他方案将不再具有价值。综上所述，决策过程需考虑要达到的目标、多个可行方案、约束条件限制，以及机会成本。因此，目标、可行方案、约束条件、机会成本即构成了决策的要素。 决策问题从不同的视角有不同的分类。从决策问题的复杂性角度上，其可以分为结构化决策问题、非结构化决策问题和半结构化决策问题；从决策结果的可靠性角度上，其可以分为确定型决策问题、风险型决策问题、不确定型决策问题；从决策问题在管理事务所处的层级角度上，其可以分为战略层决策问题、战术层决策问题、操作层决策问题；从决策者的数量角度上，其可以分为个体决策问题、群决策问题；从决策目标数量的角度上，其可以分为单目标决策问题、多目标决策问题。上述各种不同视角下的决策问题分类及其详细解释见表1-1。 智能决策支持系统是决策支持系统的高级阶段，力求能够为上述各种类型的决策问题提 供智能化的决策支持。 从决策过程来看，西蒙[2]将一个系统化的决策过程分成了四个主要的阶段，即情报、设计、选择和实施阶段，如图 1-1所示。决策过程始于情报阶段，即通过对客观现实的分析，识别并定义出问题，并进行问题描述。设计阶段将构建起一个代表系统的模型。这一过程是通过假设来简化现实问题，并表达出所有变量之间的关系来完成的，并对模型进行验证，根据决策原则确定标准，以评估可行方案（通常，模型开发过程会确定可行的解决方案）。选择阶段包括选择模型的拟解决方案（不一定能解决模型所代表的问题），以及测试此方案以确定其可行性。一旦所提解决方案看起来合理，我们就准备好进行*后一个阶段——决策方案的实施。成功的实施可以解决实际问题，失败则会返回上述决策过程的早期阶段。实际上，后三个阶段的任何一个阶段都可以返回到较早的阶段中。下面我们详述每个决策阶段的主要功能。 1）情报阶段 情报阶段始于识别与所关注问题相关的组织目标（例如，库存优化、生产计划排程等），以及确定当前的现状是否能够满足这些目标。所关注的问题源于现状不能满足组织目标，这些问题是通过监控现状运行状态发现的。在情报阶段，人们尝试发现这样的问题，并通过数 据的收集对问题进行识别、归纳和分类，最终完成对问题的完整描述。 由于现实世界中的问题通常会因为许多相互关联的因素而变得很复杂，因此，在数据收集和问题预估过程中可能会出现一些困难，包括数据不可用、获取数据的成本昂贵、数据不够准确或精度不够、数据可能不安全、影响结果的重要数据可能是定性的、可能有太多数据（信息过载）等。决策过程克服了上述困难并实现了问题的初步调查后，即可确定问题是否确实存在，及其所在位置以及严重性。 决策的情报阶段以一个正式规范的问题描述作为结束。问题描述包含了问题的分类、问题是否需要分解以及问题的所有权等。 问题分类是对问题的概念化，试图将其放在可定义和已知的问题类别中，从而可以很容易寻找到标准的求解方法。决策问题常被分为两大类：结构化问题和非结构化问题[2]。结构化问题是重复性和常规性的，并且已经针对这些问题开发了标准模型。此类问题的示例包括员工的每周计划、月度现金流的确定以及在恒定需求下为特定项目选择库存水平等。非结构化问题也称为非程序化问题，是新型且非常规的问题。例如，典型的非结构化问题包括并购决策、进行复杂的研发项目、评估电子商务计划以及职业选择等。半结构化问题的界限比较模糊，介于上述两类问题之间。通常，结构化或半结构化的问题在获取其结构后就趋向于被解决。 在问题是否需要分解方面，许多复杂的问题可以分解为多个子问题。解决较简单的子问题可能有助于解决复杂的问题。同样，看似结构化不强的问题有时也具有高度结构化的子问题。当决策问题具有某些结构化的子问题与其他非结构化的问题时，这个问题本身就是半结构化的。问题分解可以促进决策者之间的沟通，也将更有利于问题的求解，例如，问题分解是层次分析法（analytic hierarchy process，AHP）*重要的应用之一[4，5]，它可以帮助决策者将定性和定量因素纳入决策模型中，使得问题求解不再困难。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
