Decision Support System (DSS) Curso basado en material de Kathryn Blackmond Laskey - PowerPoint PPT Presentation

Loading...

PPT – Decision Support System (DSS) Curso basado en material de Kathryn Blackmond Laskey PowerPoint presentation | free to download - id: 6f4790-OGZlZ



Loading


The Adobe Flash plugin is needed to view this content

Get the plugin now

View by Category
About This Presentation
Title:

Decision Support System (DSS) Curso basado en material de Kathryn Blackmond Laskey

Description:

Decision Support System (DSS) Curso basado en material de Kathryn Blackmond Laskey Elementos de un DSS: El subsistema modelo (2) Otras t cnicas de modelamiento – PowerPoint PPT presentation

Number of Views:6
Avg rating:3.0/5.0
Slides: 36
Provided by: Nels57
Learn more at: http://users.dcc.uchile.cl
Category:

less

Write a Comment
User Comments (0)
Transcript and Presenter's Notes

Title: Decision Support System (DSS) Curso basado en material de Kathryn Blackmond Laskey


1
Decision Support System(DSS) Curso basado en
material de Kathryn Blackmond Laskey
  • Elementos de un DSS
  • El subsistema modelo (2)
  • Otras técnicas de modelamiento

2
Resumen
  • Otras Tecnologías para modelar sistemas
  • Métodos Heuristicos para resolver problemas de
    optimización
  • Inteligencia Artificial y sistemas expertos
  • Métodos estadísticos
  • Otros métodos
  • Asociando tipos de problemas a tipos de métodos

3
Modelos para apoyar decisiones
  • Los modelos pueden apoyar las decisiones de
    varias maneras
  • Asistir en la formulación del problema
  • Encontrar la solución óptima (o cercana a la
    óptima, según el problema)
  • Asistir en la composición de soluciones a
    subproblemas
  • Representar información relevante para la
    decisión de una forma que a los tomadores de
    decisión les quede clara las implicaciones
  • Sacar conclusiones de los datos (datos
    -gtinformación -gt conocimiento)
  • Predecir los resultados de las soluciones
    propuestas
  • Evaluar las soluciones propuestas
  • Diferentes técnicas de modelamiento son útiles
    para diferentes tipos de apoyo

4
Ejemplo de Heurísticas
  • Greedy hill climber
  • Empezar con una solución candidata
  • Cambiar en la dirección que mejora más la
    solución
  • Nunca ir para atrás
  • Descomposición Divide and conquer
  • Partir el problema en subproblemas más simples
  • Resolver los problemas por separado
  • Recomponer las soluciones
  • Búsqueda heurística
  • El espacio de búsqueda se puede construir como un
    árbol
  • Políticas para expandir el árbol depth-first
    breadth first, best-first
  • Aproximar y ajustar
  • Usar métodos de aproximación rápidos/baratos/dispo
    nibles
  • Ajustar la solución
  • Usar técnicas de LP en problemas enteros y
    ajustar la solución a valores enteros.

5
Heu. de analogía con la naturaleza
  • La naturaleza es un optimizador eficiente
  • Aplicación de métodos basados en analogía a los
    sistemas naturales
  • Cocimiento simulado
  • Modificar la solución actual al azar y evaluar la
    función objetivo
  • Aceptar la nueva solución si es mejor que lo
    anterior. De lo contrario, aceptar con
    probabilidad dependiendo de la temperatura del
    sistema
  • Disminuir poco a poco la temperatura (que sea más
    difícil de aceptar peores soluciones)
  • Los algoritmos evolutivos
  • Mantener una "población" de soluciones
  • Reproducir las soluciones con crías dependiendo
    de la función objetivo (supervivencia del más
    apto)
  • Aplicar los operadores de la evolución para
    cambiar las soluciones de generación en
    generación (por ejemplo, cruce, mutación)

6
Sistemas basados en el conocimiento
  • La premisa básica la solución inteligente de
    problemas requiere una aplicación flexible de los
    conocimientos
  • La función clave la representación por separado
    del conocimiento con la aplicación para resolver
    problemas
  • Ventajas
  • La aplicación oportunista de los conocimientos
  • Flexibilidad para tratar las diferentes
    estrategias de solución
  • Facilita la modularidad, facilidad de
    mantenimiento, la capacidad de explicar el
    razonamiento a los usuarios

7
Elementos de un sistema genérico basado en el
conocimiento
  • Base de conocimiento
  • Hace generalizaciones sobre el dominio
  • R1 si GPA de ltxgt es inferior a 5,0 entonces ltxgt
    no es elegible para el programa de MS/BS
    combinado "
  • La memoria a largo plazo
  • Datos sobre el mundo
  • F1 el GPA de G12345678 es de 4.75"
  • Motor de Inferencia
  • Usa R1 y la F1 y los pasos lógicos para concluir
    "G12345678 no es elegible para el programa
    combinado de BS/MS
  • La memoria de trabajo
  • Guarda los resultados de los cálculos
  • Recibe entradas del mundo exterior
  • Datos son leídos y escritos en LTM y KB
  • Estrategia de control
  • Establece prioridades
  • Decide en qué orden hacer las tareas

8
Representación del conocimiento del dominio
  • El conocimiento es diferente de la información
  • Estructuras de conocimiento reflejan la
    estructura del dominio
  • Razonadores acceden y manipulan estas estructuras
  • La representación es un sustituto de las
    entidades
  • Problemas difíciles en una representación pueden
    ser fáciles en otra
  • Ejemplo aritmética en números romanos y árabes
  • Una base de conocimientos contiene las
    estructuras que representan
  • Tipos de entidades que pueden existir en el mundo
  • Atributos de cada tipo de entidad
  • Relaciones que las entidades tienen entre sí
  • Procesos en que participan las entidades
  • Instancias individuales de las entidades con
    tipos, relac., atrib., y comp.
  • Una representación formal de un conocimiento
    acerca de un dominio es también llamada ontología
  • Ontologías representan semánticas que facilitan
    el re-uso, compartir e interoperabilidad
    semántica
  • Razonadores usan el conocimiento guardado e
    información entrante para generar nuevo
    conocimiento

9
Ejemplo de Estructuras de Conocimiento
  • Reglas
  • Conocimiento del tipo IF-THEN
  • Permite al sistema derivar consecuencias del
    conocimiento
  • Sistema basado en reglas
  • Representa el conocimiento como reglas y razones
    aplicando reglas
  • Una de las primeras y más populares tecnologías
    de la Inteligencia Artificial
  • Clases de Objetos e Instancias
  • Representan tipos de entidades y atributos
    específicos del tipo
  • Sub-sistemas pueden heredar la estructura y
    propiedades de los tipos padres
  • Instancias representan entidades específicas de
    un tipo
  • Redes Semánticas
  • Organizan el conocimiento como relaciones entre
    entidades
  • Nodos representan entidades, arcos representan
    relaciones, los arcos están etiquetados con el
    tipo de relación

10
Estadística
  • La estadística es el uso de datos para extraer
    inferencias acerca de fenómenos poco conocidos
  • Muchos métodos de representación del
    conocimiento, el análisis de decisiones, y de IA
    usan distribuciones de probabilidad de
    representar resultados inciertos
  • Las distribuciones son especificadas usando una
    combinación de teoría, conocimientos
    especializados y observaciones
  • La Estadística proporciona métodos para derivar
    inferencias bien justificadas a partir de los
    datos
  • La estadística incluye también la creación de
    resúmenes de observaciones que serán útiles para
    los DM
  • Muestras gráfica
  • Resúmenes numéricos

11
Métodos Estadísticos
  • Análisis exploratorio de datos
  • Herramientas gráficas para la visualización de
    datos
  • Métodos de transformación de datos
  • Métodos de detección de valores atípicos
  • Métodos exploratorios robustos para la
    identificación de las tendencias y los patrones
  • Agrupación (clustering)
  • Construcción de modelos estadísticos y evaluación
  • Estimación de parámetros
  • Prueba de las hipótesis y el modelo de evaluación
  • Selección del modelo
  • Reconocimiento de patrones estadísticos
  • Métodos de diseño de muestreo
  • El diseño experimental
  • Diseño de la encuesta
  • El diseño de los estudios observacionales

12
Tipos de modelos estadísticos
  • Regresión
  • Estimación de una ecuación que relaciona una
    variable dependiente con una o más variables
    independientes - Ejemplo examinar la relación
    entre el ingreso (monetario) de las familias de
    los estudiantes y su ingreso a la universidad
  • Análisis de la varianza
  • Evaluar si el valor promedio de una respuesta es
    diferente para distintos grupos de individuos
  • Ejemplo evaluar si los pacientes que toman un
    medicamento no se mejoran mas rápido que los
    pacientes que tomaron un placebo
  • Modelos de series temporales
  • Examinar las tendencias y/o ciclos de datos a
    largo plazo
  • Ejemplo predecir el precio de una acción

13
Regresión lineal en Excel
  • Los datos sobre el alquitrán, la nicotina, el
    peso y el CO en 25 marcas de cigarrillos
    descargados de http//www.mste.uiuc.edu/regression
    /cig.html
  • Componentes independientes de valor (evitar
    consideraciones dobles)

14
Redes neuronales
  • Filosofía conexionista
  • Comportamiento complejo proviene de las
    interacciones entre las simples las unidades de
    cómputo
  • Analogía natural simular el comportamiento
    inteligente, utilizando el proceso del modelo del
    cerebro humano
  • Una red neuronal consiste en
  • Un amplio conjunto de unidades de cómputo simples
    o nodos
  • Vínculos o conexiones entre los nodos
  • El aprendizaje se produce mediante el ajuste de
    los fuerzas de las conexiones
  • Aprendizaje supervisado Regresión
  • Aprendizaje no supervisado clustering

15
Una red feedforward simple
Podemos pensar en una red neuronal feedforward
como una modelo de regresión no lineal y f
(y x, w) en que y denota el nodo (s) de
salida, w denota el vector de peso x denota el
nodo de entrada . Aprender los pesos corresponde
a la estimación de los parámetros del modelo de
regresión
Una buena discusion de las relaciones entre redes
neuronales y métodos estadísticos se puede
encontrar en http//www.faqs.org/faqs/ai-faq/neur
al-nets/part1/section-15.html
16
Machine Learning
  • Machine Learning (Aprendizaje automático) es la
    disciplina dedicada al desarrollo de métodos que
    permiten a los computadores "aprender" (mejorar
    el rendimiento sobre la base de los resultados de
    los resultados anteriores)
  • Machine Learning se basa en la inteligencia
    artificial, métodos de la informática, y las
    estadísticas
  • Extracto de las regularidades de las muestras de
    datos
  • Construcción de estructuras de conocimiento (por
    lo general normas) que caracterizan las
    regularidades
  • Evaluar el desempeño contra de las muestras no
    vistas antes

17
Data Mining
  • La revolución informática ha creado los vastos
    archivos de datos
  • La minería de datos es una colección de métodos
    de las estadísticas, ciencias de la computación,
    la ingeniería y la inteligencia artificial para
    identificar patrones interesantes
  • Hay gran solapamiento con Machine Learning
  • En la Machine Learning se hace hincapié en el uso
    de datos para mejorar el rendimiento en una tarea
    bien definida de acuerdo con alguna medida de
    desempeño (inducción)
  • En la minería de datos se hace hincapié en la
    identificación de patrones interesantes en los
    grandes volúmenes de datos (descubrimiento)
  • Tanto el aprendizaje automático y minería de
    datos requieren un gran uso de métodos
    estadísticos
  • El término minería de datos a largo plazo se
    utiliza a veces peyorativamente, en el sentido de
    la pesca de patrones de espurios para preparar
    explicaciones post-hoc

18
Knowledge Discovery Data Mining
Fuente Data Mining to Knowledge Discovery in
Databases (PDF), Usama Fayyad, Gregory
Piatetsky-Shapiro, and Padhraic Smyth, AI
Magazine 17(3) Fall 1996, 37-54
http//www.kddnuggets.com
19
Métodos de la Economía
  • Modelos microeconómicos
  • Analizan los sistemas económicos en los que las
    empresas y agentes se modelan como maximizadores
    de utilidad
  • Estático análisis de equilibrio
  • Dinámico analizar el comportamiento en el tiempo
  • Teoría de Juegos
  • Varios jugadores cada uno las acciones posibles y
    funciones objetivos
  • La economía es un juego de muchas personas
  • Los modelos macroeconómicos (econometría)
  • Una estimación estadística de las relaciones
    entre las variables económicas
  • Costo / beneficio
  • Beneficios de la opción política propuesta se
    cuantifican en términos monetarios y son
    evaluados en relación con los costos

20
Análisis costo-beneficio vs. Utilidad
multiatributo
  • Conceptualmente ambos abordan el mismo problema
  • Ambos traducen costos y beneficios a una misma
    unidad
  • ACB traduce todo a unidades monetarias
  • UMA traduce todo a unidades de utilidad
  • Problemas de ACB
  • Tendencia a ignorar atributos no medibles
  • Mide costos sociales como disposición a pagar
  • Objetivo
  • ACB maximiza la razón costo/beneficio (bueno para
    asignar recursos limitados a múltiples proyectos)
  • elige la opción con la utilidad esperada más alta
    (bueno para la selección de la mejor opción
    única)

21
Métodos de la ciencias de la administración
  • Planificación de proyectos y la programación de
    los métodos - Cartas de Milestone - Los
    diagramas de Gantt - Método del Camino Crítico
    (CPM)
  • Métodos de seguimiento de los proyectos -
    Análisis del valor acumulado

22
Métodos de contabilidad y finanzas
  • En realidad, no son una categoría separada de
    modelado de métodos
  • Usa métodos de la optimización, estadística,
    economía, y otras disciplinas
  • Ejemplos de tipos de modelo común
  • Análisis de rendimiento de la inversión
  • Identificar el período de tiempo para pagar la
    inversión
  • Análisis del punto de equilibrio
  • Identificar los ingresos necesarios para cubrir
    los costos de un producto
  • Predicción de suministro, la demanda, las tasas
    de interés, etc.
  • Estimación de Costos
  • Ejemplo COCOMO es un modelo para estimar el
    costo de software proyectos
  • Ver http//www.softstarsystems.com/overview.htm
    para una descripción

23
Algo de Filosofía
  • El resultado más valioso de un buen modelo es el
    insight que provee del problema
  • aceptación ciega de la "respuesta de la
    computadora" es casi siempre un error
  • A veces un examen más detallado del resultado
    poco intuitivo revela aspectos no modelados del
    problema
  • A menudo se puede ganar mucho en insight con
    un análisis menos que completo

24
Análisis de sensibilidad
  • Implica variar los parámetros del modelo para ver
    cómo cambia la respuesta
  • Es una componente muy importante en modelos
    exploratorios
  • Ayuda a que el modelo no sea considerado como
    correcto
  • Ayuda a explorar implicancias de supuestos
    alternativos
  • Es difícil modelar la interacción humano
    computador para un buen análisis de sensibilidad
  • En muchos modelos tenemos que hacer supuestos que
    no podemos probar

25
Evaluación del Modelo
  • Verificación evaluar si el modelo implementado
    es correcto y produce los resultados para los
    que fue diseñado
  • Validación evaluar si el modelo reproduce el
    fenómeno que se está modelando
  • Por qué la verificación y la evaluación en sí
    son insuficientes para la evaluación del modelo?

26
Algunos enfoques de evaluación de modelos
  • Compara resultados del modelo con la realidad
  • Calidad de los resultados
  • Cuantos casos cubre
  • Cubre todas las condiciones relevantes
  • Podemos instrumentalizar todas las variables?
  • Fidelidad de las condiciones de testeo con la
    realidad
  • Comparar resultados del modelo con juicio de
    expertos

27
Evaluación de modelos para DSS
  • En un entorno de apoyo a la decisión estamos
    preocupados de la calidad de la combinación
    Modelo Decision Maker
  • Tenemos que evaluar si el apoyo ala toma de
    decisiones funciona mejor que
  • El DM solamente
  • Modelo único
  • Parámetros incluyen
  • Calidad de resultados
  • Tiempo para la solución
  • Conocimiento de la solución por las partes
    interesadas
  • Compra por la organización

28
Selección del método
  • Problema tipo 1 apoyo a la decisión general de
    problemas mal estructurados
  • No hay incertidumbre, objetivos múltiples -gt MAU
  • Hay incertidumbre , objetivo simple -gt diagrama
    de influencias
  • Hay incertidumbre, objetivos múltiples -gt MAU
    combinado con diagrama de influencia
  • Sistemas expertos para sugerir los valores por
    defecto para parámetros (reduce la carga de
    obtención)
  • Resolver diagrama de influencia
  • Modelo MAU
  • Métodos de análisis de sensibilidad
  • Brainstorming de ideas o mapas cognitivos para
    definir el problema
  • Sistema Expertos basado en reglas para sugerir
    enfoques de solución y ayudar en la construcción
    de modelo

29
Selección del método
  • Problema tipo 2 Problema de optimización con
    restricciones y función objetivo complejos
  • Uso simplificado modelo de programación
    matemática que no toma en cuenta todos los
    aspectos del problema
  • Utilizar búsqueda heurística para modificar los
    resultados del modelo
  • Utilizar estimación estadística de parámetros y/o
    sistema expertos y/o de ingreso de valores de
    parámetros por el usuario (restricciones, función
    objetivo)

30
Selección del método
  • Problema tipo 3 diseño de un plan o mejora de un
    sistema complejo
  • Construir el modelo causal del sistema existente
  • Utilizar los métodos estadísticos para estimar
    los parámetros del modelo
  • Uso de simulación para predecir la evolución del
    sistema
  • Utilice los experimentos diseñados para probar la
    causa y el efecto de los supuestos
  • Utilizar el análisis de sensibilidad para
    investigar cómo afectan distintos valores a los
    resultados

31
Selección del método
  • Problema tipo 4 Identificación de los patrones
    en grandes base de datos de datos de alta
    dimensión
  • Redes neuronales (aprendizaje no supervisado)
  • Análisis de clusters
  • Análisis exploratorio de datos en gráficos
  • Problema tipo 5 Clasificar nuevas observaciones
    en categorías, donde se definen las categorías
    de acuerdo con una amplia muestra de ejemplares
  • Análisis discriminante
  • Red neuronal
  • Algoritmo genético
  • Recocido simulado
  • Red de aprendizaje bayesiano

32
Selección del método
  • Problema tipo 6 Clasificar observaciones en
    categorías cuando no hay una base de datos
    pre-definida de ejemplares
  • Sistemas expertos
  • Redes bayesyanas
  • Redes neuronales (entrenada por ejemplos
    generadas por humanos
  • Problema tipo 5 seleccionar opciones de grandes
    bases de datos clasificadas en muchas dimensiones
  • Utilidad de múltiples atributos
  • proyecciones
  • Políticas de captura

33
Selección del método
  • Problema Tipo 8 Seleccionar la mejor opción de
    un espacio de opciones implícitamente dada por
    unamedida del rendimiento - Programación
    matemática - Búsqueda heurística - Algoritmo
    genético - Recocido simulado
  • Problema Tipo 9 Predicción de valores futuros
    de alguna variable o variables - Métodos de
    series de tiempo - Métodos macroeconómicos -
    Métodos de simulación

34
Administración del Modelo
  • DBMS permiten al usuario almacenar y recuperar
    los datos independiente de la representación
    física en el computador
  • MBMS permite al usuario a invocar y ejecutar
    modelos independiente de la implementación
    particular de los modelos
  • Paradigma de los modelos como datos está ganando
    terreno
  • Parámetros y supuestos representados
    explícitamente en lugar de estar escondidos los
    códigos del computador
  • Facilita la aplicación flexible y la
    reutilización
  • A diferencia de DBMS, no han surgido MBMS
    estandarizados
  • Hay muchos tipos diferentes de modelos, cada uno
    con estructuras, usos y métodos especializadas,
  • Construcción y aplicación de modelos requiere
    conocimientos especializados

35
Actividades apoyadas por los MBMS
  • Acceder y recuperar los modelos de
  • Ejercitar los modelos
  • Especificar los parámetros del modelo
  • Relacionar los modelos
  • Control de ejecución de los modelos
  • Manipulación de modelos
  • Cambiar los supuestos y/o valores de los
    parámetros
  • Guardar modelos y sus resultados
  • Mantener los modelos, Crear nuevos modelos
About PowerShow.com