Автоматизована система формування сценарію аналітичної діяльності

Автор(и)

  • O. G. Dodonov Інститут проблем реєстрації інформації НАН України, Україна
  • O. V. Koval Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна
  • V. R. Senchenko Інститут проблем реєстрації інформації НАН України, Україна
  • V. V. Shpurik Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна

DOI:

https://doi.org/10.35681/1560-9189.2019.1.1.179167

Ключові слова:

аналітична діяльність, машинне навчання, дерева рішень, коефіцієнт Gini, ентропія, орграф, мова Python

Анотація

Проведено дослідження щодо тенденцій інтелектуалізації програмних компонентів у сучасних аналітичних системах. Показано що однією з головних вимог до сучасних аналітичних систем є комфортність самого процесу спілкування з системою за рахунок їхньої інтелектуалізації, тобто здатність системи пропонувати корстувачеві найбільш імовірній крок сценарію, виходячи з аналізу попередніх дій і накопичених знань. Запропоновано підхід до вирішення задачі інтелектуалізації процесу формування сценарію аналітичної діяльності, що заснований на розвитку методів машинного навчання, а саме розвитку навчання деревами класифікації і регресії (Classification and Regression Trees) з використанням комбінації метрик оцінок ефективності запропонованого варіанта — коефіцієнта Gini або розрахунку ентропії корисності інформації. На підставі запропонованого підходу виконано реалізацію алгоритму у вигляді програми мовою Python, яка дозволяє пропонувати ймовірний крок сценарію аналітичної діяльності, навчаючись на діях користувача.

Посилання

Dodonov O.G., Koval O.V., Globa L.S., Boyko Yu.D. Komp"yuterne modelyuvannya informa-tsiyno-analitychnykh system: monohrafiya/Kyyiv: IPRI NAN Ukrayiny, 2017. 239 s.

Novogrudska R.L., Globa L.S., Koval O.V., Senchenko V.R. Ontology for Applications Development. Сhapter 2 Ontology in Information Science. Book edited by Ciza Thomas. Print ISBN 978-953-51-3887-7. Published: March 8, 2018. P. 29–53. http://dx.doi.org/10.5772/intechopen.74042

Novogrudska R., Globa L., Koval O. The Method of User’s Tasks Scenario Formation. The 9th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications 21–23 September, 2017. Bucharest, Romania

Senchenko V.R., Boychenko O.A., Boychenko A.V. Doslidzhennya metodiv ta tekhnolohiy inteh-ratsiyi ontolohichnoyi modeli z relyatsiynymy danymy. Reyestratsiya, zberihannya i obrob. danykh. 2018.

T. 20. S. 91–101.

Malcolm Barrett, An Introduction to Directed Acyclic Graphs. URL: https://cran.r-project.org/ web/packages/ggdag/vignettes/intro-to-dags.html

The Single Source Shortest Path algorithm. URL: https://neo4j.com/docs/graph-algorithms/ current/algorithms/single-source-shortest-path/

Graph Algorithms in Neo4j: Single Source Shortest Path. URL: https://dzone.com/ articles/graph-algorithms-in-neo4j-single-source-shortest-p

Decision Tree Classification in Python. URL: https://www.datacamp.com/community/tutorials/ decision-tree-classification-python

Python 3.6.4. URL: https://www.python.org/downloads/release/python-364//

Python 3.7.3 documentation. URL: https://docs.python.org/3/

Analiz malyh dannyh. URL: https://dyakonov.org/2015/12/15/

Systemnyy analiz. URL: http://victor-safronov.ru/systems-analysis/books/simankov-lucenko/ 17.html

Koval O.V., Zaytseva K.A. Veryfikatsiya komp"yuternoyi modeli systemy informatsiynoho upravlinnya. Visnyk NTUU «KPI». Seriya: Informatyka, upravlinnya ta obchyslyuval'na tekhnika. 2014. No. 61. S. 43–48.

Koval O.V., Bojko Ju.D., Volkova E.A. Osobennosti scenarno-celevogo podhoda k analizu ob"ektov dejstvennoj analitiki.Systemni doslidzhennya ta informatsiyni tekhnolohiyi. 2015.No.1. S. 57–61.

Graphviz — Graph Visualization Software. URL: https://graphviz.gitlab.io/download/

##submission.downloads##

Опубліковано

2019-11-05

Номер

Розділ

Інформаційно-аналітичні системи обробки даних