人工智能数据解读_一文读懂什么是智能数据分析

智能数据分析人工神经网络

一、什么是智能数据分析？

智能数据分析是指利用统计学、模式识别、机器学习、数据抽象等数据分析工具，从数据中发现知识的分析方法。智能数据分析的目的是直接或间接提高工作效率，在实际使用中充当智能助手，让工作人员在正确的时间拥有正确的信息，帮助他们在有限的时间内做出正确的决策。

智能数据分析的目的是直接或间接提高工作效率，在实际使用中充当智能助手，让工作人员在正确的时间拥有正确的信息，帮助他们在有限的时间内做出正确的决策。信息系统中积累的大量数据，其原始数据的价值很小，只有通过智能分析的方法提取其中的精华，才能从数据中挖掘出价值，为人类所用。

二、智能数据分析和分类

智能数据分析方法主要有两类：一类是数据抽象；第二个是数据挖掘。

数据抽象：数据抽象结构(Data Abstraction Structure)是对现实世界的一种抽象，从实际的人、事、事件、概念中提取出所关注的共同特征，忽略非本质的细节，用各种概念精确地描述这些特征，构成一定的模型。简而言之，它为用户显示了最重要的特征，同时忽略了类对象之间的差异。三种常用的抽象：分类、聚合和概括。

数据挖掘：一般来说，是指通过算法从大量数据中寻找隐藏信息的过程。数据挖掘通常与计算机科学有关，通过统计学、联机分析处理、信息检索、机器学习、专家系统(依靠过去的经验规则)、模式识别等多种方法来实现上述目标。智能数据分析方法包括分类、估计、预测、相关分组或关联规则、聚类、复杂数据类型挖掘等。

三、智能数据分析的常用方法

智能分析技术在数据处理中具有重要意义，主要包括以下几种常用方法：

决策树：在已知各种情况发生概率的基础上，计算净现值期望值大于或等于零的概率，评价项目风险，判断其可行性的决策分析方法。它是一种直观应用概率分析的图解法，是一种基于信息论对数据进行分类的方法。首先通过一批已知的训练数据建立决策树，然后利用建立的决策树对数据进行预测。建立决策树的过程就是产生数据规则的过程。因此，该方法实现了数据规则的可视化，其输出结果通俗易懂、准确高效。缺点是很难处理复杂的数据。常用的方法有分类回归树法、自动互检法等。

关联规则：它是XY的一种蕴涵形式，其中X和Y分别称为前因或左侧(LHS)和后继(后果或右侧，RHS)。其中关联规则XY有支持和信任。这种方法主要用于事物数据库，通常包含大量的数据。现在用这种方法来缩小搜索空间。

粗糙集：是继概率论、模糊集、证据理论之后的又一种处理不确定性的数学工具。利用粗糙集理论分析数据具有以下优点：不需要提供对知识或数据的主观评价，只需根据观测数据即可删除冗余信息；它非常适合并行计算，并提供结果的直接解释。如下图，x称为r的粗糙集。

模糊数学分析：利用模糊集数学理论进行智能数据分析。现实世界中客观事物之间通常存在一定的不确定性。系统越复杂，准确度越低，也就意味着模糊性越强。在数据分析过程中，运用模糊集方法对实际问题进行模糊评价、模糊决策、模糊预测、模糊模式识别和模糊聚类分析，可以取得更好、更客观的结果。

人工神经网络：利用类似大脑神经突触连接的结构进行信息处理的数学模型。该模型由大量相互连接的节点(或神经元)组成。每个节点代表一个特定的输出函数，称为activationfunction。每两个节点之间的连接代表通过该连接的信号的一个加权值，称为权重，相当于人工神经网络的记忆。网络的输出根据网络的连接方式、权值和激励函数而变化。网络本身通常是某种算法或函数的近似，或者它可能是一种逻辑策略的表达。

混沌分类理论：混沌和分形理论是非线性科学中的两个重要概念，研究非线性系统中确定性和随机性的关系。混沌描述的是非线性动力系统的一种不稳定运动，其轨迹被限制在有限的区域内但从不重复，而分形解释的是那些表面上看起来混沌不可预测，但本质上具有某种内在规律性的物体。因此，它们可以用来解释自然科学和社会科学中的许多常见现象。其理论方法可作为智能认知研究、图形图像处理、自动控制和经济管理等诸多领域的基础。

自然计算分析：这种数据分析方法根据对不同生物层次的模拟和仿真，可以分为三种不同的类型：群体智能算法、免疫算术方法和DNA算法。群体智能主要研究集体行为。免疫算法多种多样，经典的主要是逆向选择和克隆选择。DNA算法主要是随机化搜索方法，可以进行全局优化，在实际应用中一般会获得优化的搜索空间，并在此基础上自动调整搜索方向，整个过程不需要确定的规则。目前，DNA算法被广泛应用于许多行业，并取得了良好的效果。