МАШИННОЕ ОБУЧЕНИЕ

Иногда требуется решить задачу, обратную построению баз данных. Имеются массивы разрозненных дан­ных, и требуется обнаружить в них скрытые закономерности. Типичный пример - уже упомянутая статистика покупок в интернет-магазине. Кто бы мог подумать, что покупатели клюшек для гольфа также часто интересуют ся дорогими игровыми приставками? Оказывается, многие состоятельные бизнесмены любят делать своим вну­кам хорошие подарки...

В таких случаях на помощь прихо­дят методы, известные как машин­ное обучение или извлечение зна­ний из баз данных. Эти методы спо­собны обнаружить в данных глубин­ные зависимости и представить их в форме знаний: правил, сетей, групп объектов и т.д. Далее эти знания мо­гут быть использованы в составе ба­зы знаний или интерпретироваться людьми для получения более под­робной информации.

Рассмотрим основные методы, ис­пользуемые в машинном обучении совместно с базами данных. К сожа­лению, многие интересные современ­ные методы нам не удастся даже упомянуть (к примеру, извлечение структуры web-сайтов и web-сооб-ществ, эволюционное обучение, при­менение методов машинного обуче­ния к анализу текстов, фильтрации спама и др.).

АНАЛИЗ ДАННЫХ И OLAP-ТЕХНОЛОГИИ

Часто обнаружить какие-либо ценные закономерности в получен­ных данных только с помощью средств автоматики сложно или орга­низация (она же – заказчик БД) не имеет в штате сотрудников соответ­ствующей квалификации. В этом слу­чае прибегают к технологиям ручного анализа данных, среди которых наи­более распространена технология OLAP (On-Line Analytical Processing). Суть этой технологии - в рассмотре­нии различных срезов данных с целью выявления закономерностей.

Например, имеется таблица данных о совершенных покупках и о покупате­лях (рис. 3). Можно сгруппировать суммарную стоимость покупок, с од­ной стороны, по возрастной категории, а с другой – по категории покупки. Та­кая группировка позволит выявить тот факт, что покупатели старшего по­коления предпочитают книги, в то вре­мя как люди моложе отдают предпоч­тение компакт-дискам. Группируя дан­ные различным образом и оперируя с различными суммарными показателя­ми (среднее, сумма, процент от общего значение и т.д.), аналитик может выяв­лять различные статистические зако­номерности, которые потом можно бу­дет применять на практике.

Для использования OLAP-технологий существует множество специали­зированных программных средств, од­нако базовые возможности имеются в стандартной офисной программе Microsoft Excel в виде сводных таблиц Pivot Table и графиков Pivot Chart.