第一篇：《商務(wù)智能》讀書報(bào)告

《商務(wù)智能》讀書報(bào)告

讀這本書帶給我許多的“沒想到”：拿到這本書的時(shí)候，我也沒有想到這本書寫的這么好；在讀完全書，忽然靈機(jī)一閃，想到網(wǎng)上搜索一下作者的時(shí)候，我沒想到作者曾經(jīng)做過愛立信的項(xiàng)目經(jīng)理和市場經(jīng)理。一本能夠讓人期待，并且?guī)Ыo人意外驚喜的書，無論如何都應(yīng)該算是一本好書。

《商務(wù)智能》這本書內(nèi)容比較新穎、全面，適合計(jì)算機(jī)應(yīng)用、軟件工程、信息管理、電子商務(wù)和管理科學(xué)等，商務(wù)智能是近年來企業(yè)信息化的熱點(diǎn)，有著廣闊的應(yīng)用前景。《商務(wù)智能》首先介紹了商務(wù)智能的基本概念、商務(wù)智能系統(tǒng)的架構(gòu)以及數(shù)據(jù)倉庫、OLAP、數(shù)據(jù)挖掘等核心技術(shù)。在此基礎(chǔ)上，討論了商務(wù)智能在電子商務(wù)、移動商務(wù)、知識管理、Web挖掘、企業(yè)績效管理和流程管理等領(lǐng)域的應(yīng)用。此外，還分析了商務(wù)智能在國內(nèi)外的發(fā)展趨勢。

書中對于商務(wù)智能“前世今生”的描寫非常形象。但感覺讀完全書，自己才開始真正了解了商務(wù)智能的皮毛。以前的知識，不過盲人摸象而已。

我從書中了解到了很多知識知道了商務(wù)智能（Business Intelligence，簡稱BI）的概念最早是Gartner Group 的Howard Dresner于1996 年提出來的，我國學(xué)者將之翻譯為“商業(yè)智能”

或“商務(wù)智能”，本文選用“商務(wù)智能”作為Business

Intelligence的中文翻譯。近年來，商務(wù)智能技術(shù)日趨成熟，越來越多的企業(yè)決策者意識到需要商務(wù)智能來保持和提升企業(yè)競爭力。

商務(wù)智能是數(shù)據(jù)倉庫、數(shù)據(jù)挖掘、OLAP等技術(shù)的集成，作為當(dāng)前重要的研究前沿之一，商務(wù)智能是學(xué)術(shù)界和企業(yè)界關(guān)注的熱點(diǎn)。商務(wù)智能的應(yīng)用領(lǐng)域非常廣泛，典型的有電信、銀行、保險(xiǎn)、醫(yī)療、零售、政府等，以及所有建立了數(shù)據(jù)倉庫的用戶。從商務(wù)智能應(yīng)用的論文內(nèi)容來看，我國的商務(wù)智能應(yīng)用還處于起步階段，僅在信息化程度偏高的電信、銀行、保險(xiǎn)、醫(yī)療等有少量應(yīng)用。這一方面因?yàn)樯虅?wù)智能是建立在數(shù)據(jù)倉庫基礎(chǔ)上的，我國大部分企業(yè)的信息化程度偏低，缺乏數(shù)據(jù)的積累，而數(shù)據(jù)的積累需要一個較長期的過程。另一方面因?yàn)閷ι虅?wù)智能的認(rèn)知度不高，缺乏商務(wù)智能方面的人才以及對這些人才的有效管理。

商務(wù)智能的應(yīng)用與行業(yè)內(nèi)信息化的基礎(chǔ)狀況密切相關(guān)，實(shí)施商務(wù)智能的企業(yè)中，以電信、金融行業(yè)的使用率較高。

為了對近年來國內(nèi)商務(wù)智能論著情況有一個比較全面的了解，我分別以“商務(wù)智能”和“商業(yè)智能”為檢索題，通過對國家圖書館的多庫目錄檢索系統(tǒng)進(jìn)行題名檢索，得到近年來相關(guān)論著及博碩論文分布情況：國內(nèi)商務(wù)智能專著只有2004年的兩本，譯著在2003年~2005年間只有三本。相對于最早1988年出版、截止2005年已經(jīng)出版23本的西文專著要少得多。國外2001年~2004年間出版的商務(wù)智能專著數(shù)量極多，說明經(jīng)過一段時(shí)間的發(fā)展，國外商務(wù)智能的基礎(chǔ)研究和應(yīng)用研究都比較成熟。而我國從2002年起僅有少量的博士論文，關(guān)于商務(wù)智能的專著也屈指可數(shù)，我國商務(wù)智能僅處于導(dǎo)入期，對商務(wù)智能的系統(tǒng)研究還有大量工作要做。從檢索結(jié)果來看，1996年的兩篇簡訊可以說是國內(nèi)較早關(guān)于商務(wù)智能的文章。中國學(xué)術(shù)期刊全文數(shù)據(jù)庫在1996年~2005年期間，收錄了有關(guān)“商務(wù)智能”和“商業(yè)智能”的論文一共200篇，文章數(shù)量年代分布呈現(xiàn)前幾年緩慢增長，近幾年明顯遞增的特征。因此可以將國內(nèi)商務(wù)智能發(fā)展規(guī)劃為兩個階段：①初始階段（1996年~2001年）：這個階段國內(nèi)商務(wù)智能初露端倪，這段時(shí)間相關(guān)文章很少，有36篇，約占總數(shù)18%，說明商務(wù)智能在當(dāng)時(shí)屬新事務(wù)，沒有得到應(yīng)有的重視，這段時(shí)期的文章多是關(guān)于商務(wù)智能軟件和國外商務(wù)智能研究的簡單介紹和綜述。②明顯增長階段（2002年~2005年）：這階段論文有顯著增長。不少論文討論商務(wù)智能在各行業(yè)和各領(lǐng)域的應(yīng)用，但是關(guān)于商務(wù)智能的較高水平和較深層次的學(xué)術(shù)研究論文還極少，大部分文章仍是簡單的、重復(fù)的功能介紹、綜述和簡訊等。目前我國企業(yè)信息化程度普遍不高、缺乏大量數(shù)據(jù)積累、缺乏應(yīng)用商務(wù)智能的實(shí)踐有關(guān)。

我查閱大量的相關(guān)論文資料，對當(dāng)前商務(wù)智能的研究主題進(jìn)行劃分并加以調(diào)整，將商務(wù)智能的研究內(nèi)容劃分為基礎(chǔ)研究和應(yīng)

用層面兩大類，其中基礎(chǔ)研究包括商務(wù)智能定義、功能（任務(wù)）、技術(shù)、綜述等，關(guān)于商務(wù)智能的一般應(yīng)用研究等無法歸于應(yīng)用層面所分細(xì)類的文章也放在這一部分；應(yīng)用層面分為：①商務(wù)智能軟件方面的簡訊和功能介紹；②商務(wù)智能的行業(yè)應(yīng)用，如金融、電信等；③商務(wù)智能應(yīng)用的范疇，如客戶關(guān)系管理、電子政務(wù)等。按以上主題通過對中國學(xué)術(shù)期刊全文數(shù)據(jù)庫按題名檢索的結(jié)果進(jìn)行分類，統(tǒng)計(jì)表明，國內(nèi)學(xué)者對商務(wù)智能基礎(chǔ)工作研究較少，共75篇，占總數(shù)的37.5%，其中還包括無法歸類于商務(wù)智能軟件和具體應(yīng)用的一般應(yīng)用討論的文章。這里分別以“商務(wù)智能”、“商業(yè)智能”為題名檢索到商務(wù)智能技術(shù)方面的論文極少，但如果以“數(shù)據(jù)挖掘”、“數(shù)據(jù)倉庫”、“OLAP”分別進(jìn)行題名檢索，會得到成百上千篇論文。作為商務(wù)智能的支撐技術(shù)，數(shù)據(jù)挖掘、數(shù)據(jù)倉庫、OLAP的發(fā)展是推動商務(wù)智能發(fā)展的技術(shù)基礎(chǔ)。商務(wù)智能支撐技術(shù)研究的逐漸深入和成熟，為商務(wù)智能的功能、體系結(jié)構(gòu)、應(yīng)用研究等提供了良好的技術(shù)基礎(chǔ)。

總的來說，我國關(guān)于商務(wù)智能基礎(chǔ)研究的論文數(shù)量極少，部分論文的質(zhì)量不高，只是膚淺的介紹式論述，論文內(nèi)容不新穎，重復(fù)性較高，算得上是嚴(yán)格意義上的學(xué)術(shù)論文數(shù)量更是屈指可數(shù)，尤其缺乏高質(zhì)量的、深入的關(guān)于功能、體系結(jié)構(gòu)、方法等方面的論文。當(dāng)然這也與商務(wù)智能本身的特點(diǎn)有關(guān)，確切地講，商務(wù)智能并不是一項(xiàng)新技術(shù)，它將數(shù)據(jù)倉庫（DW）、聯(lián)機(jī)分析處理（OLAP）、數(shù)據(jù)挖掘（DM）等技術(shù)與客戶關(guān)系管理（CRM）、ERP

等系統(tǒng)結(jié)合起來應(yīng)用于商業(yè)活動實(shí)際過程當(dāng)中，實(shí)現(xiàn)了技術(shù)服務(wù)于決策的目的。

商務(wù)智能應(yīng)用研究的文章數(shù)量相對較多，共125篇，占總量的62.5%，這部分文章中41篇（32.8%）是關(guān)于商務(wù)智能軟件的簡訊，其余84篇（67.2%）是關(guān)于商務(wù)智能在各行業(yè)和各領(lǐng)域應(yīng)用的論文和介紹性文章。這部分關(guān)于具體應(yīng)用的文章也存在討論不夠深入、內(nèi)容比較簡單、有重復(fù)的現(xiàn)象。論文數(shù)量2002年開始增長較多，電信、金融等信息化程度高的行業(yè)應(yīng)用商務(wù)智能較多，客戶關(guān)系管理、競爭與決策、信息化和ERP等領(lǐng)域是商務(wù)智能應(yīng)用的熱點(diǎn)。

從現(xiàn)狀看我國商務(wù)智能的研究還處于導(dǎo)入期。作者在商務(wù)智能的理論研究分為宏觀研究和微觀研究兩方面，其中宏觀研究主要是從總體上把握，如商務(wù)智能的必要性、內(nèi)涵和理論綜述等；微觀研究主要包括：商務(wù)智能功能、技術(shù)、體系結(jié)構(gòu)等。

商務(wù)智能在客戶關(guān)系管理（CRM）、信息化與ERP、競爭與決策中的應(yīng)用。統(tǒng)計(jì)分析顯示商務(wù)智能在客戶關(guān)系管理、信息化、競爭與決策等方面的研究論文相對較多。商務(wù)智能建設(shè)的主要目標(biāo)是企業(yè)決策支持。商務(wù)智能通過信息技術(shù)的運(yùn)用在不同層面為戰(zhàn)略決策提供新的支持：提升決策者洞察力；支持信息獲取與分析。

傳統(tǒng)上，商務(wù)智能主要支持中、高級管理人員決策。目前，商務(wù)智能平臺的用戶包括一線的業(yè)務(wù)人員、各級管理者，甚至外部的顧客和商業(yè)伙伴。這是因?yàn)闃I(yè)務(wù)經(jīng)營決策的范圍發(fā)生了擴(kuò)展，包括操作層、戰(zhàn)術(shù)層和戰(zhàn)略層的決策。

總的來說，我覺得這是一本挺好的書，書中描寫了很多數(shù)據(jù)都表明我們國家的商務(wù)智能處于萌發(fā)期有待進(jìn)一步的發(fā)展。尤其是書中很多實(shí)例的描寫，讓人們覺得“商務(wù)智能”并不神秘，離自己很近。比那些上來就說“資源共享”、“彈性擴(kuò)容”什么的強(qiáng)多了。

第二篇：商務(wù)智能課程總結(jié)

商務(wù)智能課程總結(jié)

41023019鄧娟

通過這學(xué)期對商務(wù)智能這門課程的學(xué)習(xí)，我了解到了很多關(guān)于商務(wù)智能的相關(guān)知識。接下來自己便根據(jù)這學(xué)期所學(xué)習(xí)的內(nèi)容簡單做一下總結(jié)，并談一下自己的一點(diǎn)學(xué)習(xí)心得。

商業(yè)智能，英文為Business Intelligence，簡寫為BI。又稱為商業(yè)智慧，指用現(xiàn)代數(shù)據(jù)倉庫技術(shù)、線上分析處理技術(shù)、數(shù)據(jù)挖掘和數(shù)據(jù)展現(xiàn)技術(shù)進(jìn)行數(shù)據(jù)分析以實(shí)現(xiàn)商業(yè)價(jià)值的工具。商業(yè)智能的關(guān)鍵是從許多來自不同的企業(yè)運(yùn)作系統(tǒng)(包括OLTP)的數(shù)據(jù)中提取出有用的數(shù)據(jù)并進(jìn)行清理，以保證數(shù)據(jù)的正確性，然后經(jīng)過ETL過程，合并到一個企業(yè)級的數(shù)據(jù)倉庫里，從而得到企業(yè)數(shù)據(jù)的一個全局視圖，在此基礎(chǔ)上利用合適的查詢和分析工具、數(shù)據(jù)挖掘工具、OLAP工具等對其進(jìn)行分析和處理（這時(shí)信息變?yōu)檩o助決策的知識），最后將知識呈現(xiàn)給管理者，為管理者的決策過程提供支持。

商務(wù)智能按Gartner的定義分為四部分：數(shù)據(jù)挖掘、多維分析、即席查詢以及報(bào)表。從技術(shù)層面上講，商務(wù)智能不是什么新技術(shù)，它只是ETL、數(shù)據(jù)倉庫、OLAP、數(shù)據(jù)挖掘、數(shù)據(jù)展現(xiàn)等技術(shù)的綜合運(yùn)用。我們這學(xué)期的學(xué)習(xí)了數(shù)據(jù)倉庫和報(bào)表的相關(guān)知識。

數(shù)據(jù)倉庫，英文名稱為Data Warehouse，可簡寫為DW或DWH。數(shù)據(jù)倉庫從通俗意義上來說，就是存儲數(shù)據(jù)的倉庫，只不過這個倉庫不是現(xiàn)實(shí)世界中能夠用肉眼看見的存儲物品的倉庫，而是用以存儲數(shù)據(jù)的虛擬倉庫。它是一個面向主題的（Subject Oriented）、集成的（Integrated）、相對穩(wěn)定的（Non-Volatile）、反映歷史變化（Time Variant）的數(shù)據(jù)集合，用于支持管理決策。

廣義的說，基于數(shù)據(jù)倉庫的決策支持系統(tǒng)由三個部件組成：數(shù)據(jù)倉庫技術(shù)，聯(lián)機(jī)分析處理技術(shù)和數(shù)據(jù)挖掘技術(shù)，其中數(shù)據(jù)倉庫技術(shù)是系統(tǒng)的核心。聯(lián)機(jī)分析處理OLAP（On-Line Analytical Processing)是數(shù)據(jù)倉庫系統(tǒng)的主要應(yīng)用，支持復(fù)雜的分析操作，側(cè)重決策支持，并且提供直觀易懂的查詢結(jié)果。數(shù)據(jù)挖掘（Data Mining）,是通過分析每個數(shù)據(jù)，從大量數(shù)據(jù)中尋找其規(guī)律的技術(shù)，諸如神經(jīng)網(wǎng)絡(luò)、規(guī)則歸納等技術(shù)。這學(xué)期的學(xué)習(xí)還包括了很多商務(wù)智能相關(guān)的技術(shù)以及軟件的運(yùn)用，使自己受益良多，讓我的商務(wù)智能相關(guān)技術(shù)知識豐富了不少，也提高了我的軟件操作能力。但是還是存在一些不盡人意的地方，比如上課時(shí)，老師使用的專業(yè)術(shù)語太多，加上所用課件是英文版的，就讓我們很多時(shí)候都跟不上老師的節(jié)奏。我個人認(rèn)為還需要改進(jìn)一下：

1、老師上課應(yīng)該事先給我們課程的提綱，讓我們了解這門課程具體的學(xué)習(xí)安排，好讓我們做到心中有數(shù)，并且做好相應(yīng)的預(yù)習(xí)工作。

2、老師上課應(yīng)該避免使用過多的專業(yè)化術(shù)語，讓我們聽起來更容易一些，不至于因不知所云何物而無法理解。

3、老師應(yīng)該及時(shí)聽取學(xué)生課堂上的回饋，應(yīng)及時(shí)了解學(xué)生是否跟上了課堂進(jìn)度。

4、在進(jìn)行相關(guān)實(shí)驗(yàn)操作前，應(yīng)做好相應(yīng)的準(zhǔn)備工作，避免上課時(shí)無法正常進(jìn)行試驗(yàn)，導(dǎo)致時(shí)間的浪費(fèi)。

這是我學(xué)習(xí)了這門課程以后的一點(diǎn)心得和建議，最后還是十分感謝老師們給我們帶來的精彩的課程，讓我們學(xué)到了很多商務(wù)智能相關(guān)的知識。

第三篇：ren工智能讀書報(bào)告

人工智能讀書報(bào)告機(jī)器學(xué)習(xí)的研究與發(fā)展前景

班級：

姓名：

學(xué)號：

2011/5/2

5機(jī)器學(xué)習(xí)的研究與發(fā)展前景報(bào)告

前言

學(xué)習(xí)能力是智能行為的一個非常重要的特征，但至今對學(xué)習(xí)的機(jī)理尚不清楚。人們曾對機(jī)器學(xué)習(xí)給出各種定義。H.A.Simon認(rèn)為，學(xué)習(xí)是系統(tǒng)所作的適應(yīng)性變化，使得系統(tǒng)在下一次完成同樣或類似的任務(wù)時(shí)更為有效。R.s.Michalski認(rèn)為，學(xué)習(xí)是構(gòu)造或修改對于所經(jīng)歷事物的表示。從事專家系統(tǒng)研制的人們則認(rèn)為學(xué)習(xí)是知識的獲取。這些觀點(diǎn)各有側(cè)重，第一種觀點(diǎn)強(qiáng)調(diào)學(xué)習(xí)的外部行為效果，第二種則強(qiáng)調(diào)學(xué)習(xí)的內(nèi)部過程，而第三種主要是從知識工程的實(shí)用性角度出發(fā)的。

機(jī)器學(xué)習(xí)在人工智能的研究中具有十分重要的地位。一個不具有學(xué)習(xí)能力的智能系統(tǒng)難以稱得上是一個真正的智能系統(tǒng)，但是以往的智能系統(tǒng)都普遍缺少學(xué)習(xí)的能力。例如，它們遇到錯誤時(shí)不能自我校正；不會通過經(jīng)驗(yàn)改善自身的性能；不會自動獲取和發(fā)現(xiàn)所需要的知識。它們的推理僅限于演繹而缺少歸納，因此至多只能夠證明已存在事實(shí)、定理，而不能發(fā)現(xiàn)新的定理、定律和規(guī)則等。隨著人工智能的深入發(fā)展，這些局限性表現(xiàn)得愈加突出。正是在這種情形下，機(jī)器學(xué)習(xí)逐漸成為人工智能研究的核心之一。它的應(yīng)用已遍及人工智能的各個分支，如專家系統(tǒng)、自動推理、自然語言理解、模式識別、計(jì)算機(jī)視覺、智能機(jī)器人等領(lǐng)域。其中尤其典型的是專家系統(tǒng)中的知識獲取瓶頸問題，人們一直在努力試圖采用機(jī)器學(xué)習(xí)的方法加以克服。

機(jī)器學(xué)習(xí)的研究是根據(jù)生理學(xué)、認(rèn)知科學(xué)等對人類學(xué)習(xí)機(jī)理的了解，建立人類學(xué)習(xí)過程的計(jì)算模型或認(rèn)識模型，發(fā)展各種學(xué)習(xí)理論和學(xué)習(xí)方法，研究通用的學(xué)習(xí)算法并進(jìn)行理論上的分析，建立面向任務(wù)的具有特定應(yīng)用的學(xué)習(xí)系統(tǒng)。這些研究目標(biāo)相互影響相互促進(jìn)。

自從1980年在卡內(nèi)基-梅隆大學(xué)召開第一屆機(jī)器學(xué)術(shù)研討會以來，機(jī)器學(xué)習(xí)的研究工作發(fā)展很快，已成為中心課題之一。

筆者主要通過書本和網(wǎng)絡(luò)，對機(jī)器學(xué)習(xí)進(jìn)行了系統(tǒng)的了解和認(rèn)識。本文主要介紹了機(jī)器學(xué)習(xí)的定義、發(fā)展歷史、機(jī)器學(xué)習(xí)的主要策略、機(jī)器學(xué)習(xí)系統(tǒng)的基本領(lǐng)域、機(jī)器學(xué)習(xí)分類和機(jī)器學(xué)習(xí)目前的研究領(lǐng)域，以及筆者自己的感觸。

機(jī)器學(xué)習(xí)的介紹

1.1機(jī)器學(xué)習(xí)的定義：

機(jī)器學(xué)習(xí)(Machine Learning)是研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。它是人工智能的核心，是

使計(jì)算機(jī)具有智能的根本途徑，其應(yīng)用遍及人工智能的各個領(lǐng)域，它主要使用歸納、綜合而不是演譯。

機(jī)器學(xué)習(xí)(Machine Learning)一般被定義為一個系統(tǒng)自我改進(jìn)的過程，但僅僅從這個定義來理解和實(shí)現(xiàn)機(jī)器學(xué)習(xí)是困難的。從最初的基于神經(jīng)元模型以及函數(shù)逼近論的方法研究，到以符號演算為基礎(chǔ)的規(guī)則學(xué)習(xí)和決策樹學(xué)習(xí)的產(chǎn)生，和之后的認(rèn)知心理學(xué)中歸納、解釋、類比等概念的引入，至最新的計(jì)算學(xué)習(xí)理論和統(tǒng)計(jì)學(xué)習(xí)的興起當(dāng)然還包括基于馬爾可夫過程的增強(qiáng)學(xué)習(xí)，機(jī)器學(xué)習(xí)一直都在相關(guān)學(xué)科的實(shí)踐應(yīng)用中起著主導(dǎo)作用。研究人員們借鑒了各個學(xué)科的思想來發(fā)展機(jī)器學(xué)習(xí)，但關(guān)于機(jī)器學(xué)習(xí)問題的實(shí)質(zhì)究竟是什么尚無定論。不同的機(jī)器學(xué)習(xí)方法也各有優(yōu)缺點(diǎn)，只在其適用的領(lǐng)域內(nèi)才有良好的效果。因此，以枚舉的方法描述機(jī)器學(xué)習(xí)中的各個理論和算法可能是最合適的途徑。

1.2機(jī)器學(xué)習(xí)的發(fā)展史

機(jī)器學(xué)習(xí)是人工智能研究較為年輕的分支，它的發(fā)展過程大體上可分為4個時(shí)期。

第一階段是在50年代中葉到60年代中葉，屬于熱烈時(shí)期?！?

第二階段是在60年代中葉至70年代中葉，被稱為機(jī)器學(xué)習(xí)的冷靜時(shí)期。

第三階段是從70年代中葉至80年代中葉，稱為復(fù)興時(shí)期。

機(jī)器學(xué)習(xí)的最新階段始于1986年。

機(jī)器學(xué)習(xí)進(jìn)入新階段的重要表現(xiàn)在下列諸方面：

(1)機(jī)器學(xué)習(xí)已成為新的邊緣學(xué)科并在高校形成一門課程。它綜合應(yīng)用心理學(xué)、生物學(xué)和神經(jīng)生理學(xué)以及數(shù)學(xué)、自動化和計(jì)算機(jī)科學(xué)形成機(jī)器學(xué)習(xí)理論基礎(chǔ)。

(2)結(jié)合各種學(xué)習(xí)方法，取長補(bǔ)短的多種形式的集成學(xué)習(xí)系統(tǒng)研究正在興起。特別是連接學(xué)習(xí)符號學(xué)習(xí)的耦合可以更好地解決連續(xù)性信號處理中知識與技能的獲取與求精問題而受到重視。

(3)機(jī)器學(xué)習(xí)與人工智能各種基礎(chǔ)問題的統(tǒng)一性觀點(diǎn)正在形成。例如學(xué)習(xí)與問題求解結(jié)合進(jìn)行、知識表達(dá)便于學(xué)習(xí)的觀點(diǎn)產(chǎn)生了通用智能系統(tǒng)SOAR的組塊學(xué)習(xí)。類比學(xué)習(xí)與問題求解結(jié)合的基于案例方法已成為經(jīng)驗(yàn)學(xué)習(xí)的重要方向。

(4)各種學(xué)習(xí)方法的應(yīng)用范圍不斷擴(kuò)大，一部分已形成商品。歸納學(xué)習(xí)的知識獲取工具已在診斷分類型專家系統(tǒng)中廣泛使用。連接學(xué)習(xí)在聲圖文識別中占優(yōu)勢。分析學(xué)習(xí)已用于設(shè)計(jì)綜合型專家系統(tǒng)。遺傳算法與強(qiáng)化學(xué)習(xí)在工程控制中有較好的應(yīng)用前景。與符號系統(tǒng)耦合的神經(jīng)網(wǎng)絡(luò)連接學(xué)習(xí)將在企業(yè)的智能管理與智能機(jī)器人運(yùn)動規(guī)劃中發(fā)揮作用。

(5)與機(jī)器學(xué)習(xí)有關(guān)的學(xué)術(shù)活動空前活躍。國際上除每年一次的機(jī)器學(xué)習(xí)研討會外，還

有計(jì)算機(jī)學(xué)習(xí)理論會議以及遺傳算法會議。

1.3機(jī)器學(xué)習(xí)的主要策略：

學(xué)習(xí)是一項(xiàng)復(fù)雜的智能活動，學(xué)習(xí)過程與推理過程是緊密相連的，按照學(xué)習(xí)中使用推理的多少，機(jī)器學(xué)習(xí)所采用的策略大體上可分為4種——機(jī)械學(xué)習(xí)、通過傳授學(xué)習(xí)、類比學(xué)習(xí)和通過事例學(xué)習(xí)。學(xué)習(xí)中所用的推理越多，系統(tǒng)的能力越強(qiáng)。

1.4機(jī)器學(xué)習(xí)的基本系統(tǒng)：

表示學(xué)習(xí)系統(tǒng)的基本結(jié)構(gòu)。環(huán)境向系統(tǒng)的學(xué)習(xí)部分提供某些信息，學(xué)習(xí)部分利用這些信息修改知識庫，以增進(jìn)系統(tǒng)執(zhí)行部分完成任務(wù)的效能，執(zhí)行部分根據(jù)知識庫完成任務(wù)，同時(shí)把獲得的信息反饋給學(xué)習(xí)部分。在具體的應(yīng)用中，環(huán)境，知識庫和執(zhí)行部分決定了具體的工作內(nèi)容，學(xué)習(xí)部分所需要解決的問題完全由上述3部分確定。下面我們分別敘述這3部分對設(shè)計(jì)學(xué)習(xí)系統(tǒng)的影響。

影響學(xué)習(xí)系統(tǒng)設(shè)計(jì)的最重要的因素是環(huán)境向系統(tǒng)提供的信息?；蛘吒唧w地說是信息的質(zhì)量。知識庫里存放的是指導(dǎo)執(zhí)行部分動作的一般原則，但環(huán)境向?qū)W習(xí)系統(tǒng)提供的信息卻是各種各樣的。如果信息的質(zhì)量比較高，與一般原則的差別比較小，則學(xué)習(xí)部分比較容易處理。如果向?qū)W習(xí)系統(tǒng)提供的是雜亂無章的指導(dǎo)執(zhí)行具體動作的具體信息，則學(xué)習(xí)系統(tǒng)需要在獲得足夠數(shù)據(jù)之后，刪除不必要的細(xì)節(jié)，進(jìn)行總結(jié)推廣，形成指導(dǎo)動作的一般原則，放入知識庫，這樣學(xué)習(xí)部分的任務(wù)就比較繁重，設(shè)計(jì)起來也較為困難。

因?yàn)閷W(xué)習(xí)系統(tǒng)獲得的信息往往是不完全的，所以學(xué)習(xí)系統(tǒng)所進(jìn)行的推理并不完全是可靠的，它總結(jié)出來的規(guī)則可能正確，也可能不正確。這要通過執(zhí)行效果加以檢驗(yàn)。正確的規(guī)則能使系統(tǒng)的效能提高，應(yīng)予保留；不正確的規(guī)則應(yīng)予修改或從數(shù)據(jù)庫中刪除。

知識庫是影響學(xué)習(xí)系統(tǒng)設(shè)計(jì)的第二個因素。知識的表示有多種形式，比如特征向量、一階邏輯語句、產(chǎn)生式規(guī)則、語義網(wǎng)絡(luò)和框架等等。這些表示方式各有其特點(diǎn)，在選擇表示方式時(shí)要兼顧以下4個方面：

(1)表達(dá)能力強(qiáng)。(2)易于推理。(3)容易修改知識庫。(4)知識表示易于擴(kuò)展。

對于知識庫最后需要說明的一個問題是學(xué)習(xí)系統(tǒng)不能在全然沒有任何知識的情況下憑空獲取知識，每一個學(xué)習(xí)系統(tǒng)都要求具有某些知識理解環(huán)境提供的信息，分析比較，做出假設(shè)，檢驗(yàn)并修改這些假設(shè)。因此，更確切地說，學(xué)習(xí)系統(tǒng)是對現(xiàn)有知識的擴(kuò)展和改進(jìn)。

執(zhí)行部分是整個學(xué)習(xí)系統(tǒng)的核心，因?yàn)閳?zhí)行部分的動作就是學(xué)習(xí)部分力求改進(jìn)的動作。同執(zhí)行部分有關(guān)的問題有3個：復(fù)雜性、反饋和透明性。

1.5機(jī)器學(xué)習(xí)的分類：

基于學(xué)習(xí)策略的分類

學(xué)習(xí)策略是指學(xué)習(xí)過程中系統(tǒng)所采用的推理策略。一個學(xué)習(xí)系統(tǒng)總是由學(xué)習(xí)和環(huán)境兩部分組成。由環(huán)境（如書本或教師）提供信息，學(xué)習(xí)部分則實(shí)現(xiàn)信息轉(zhuǎn)換，用能夠理解的形式記憶下來，并從中獲取有用的信息。在學(xué)習(xí)過程中，學(xué)生（學(xué)習(xí)部分）使用的推理越少，他對教師（環(huán)境）的依賴就越大，教師的負(fù)擔(dān)也就越重。學(xué)習(xí)策略的分類標(biāo)準(zhǔn)就是根據(jù)學(xué)生實(shí)現(xiàn)信息轉(zhuǎn)換所需的推理多少和難易程度來分類的，依從簡單到復(fù)雜，從少到多的次序分為以下六種基本類型：

１）機(jī)械學(xué)習(xí)(Rote learning)

學(xué)習(xí)者無需任何推理或其它的知識轉(zhuǎn)換，直接吸取環(huán)境所提供的信息。如塞繆爾的跳棋程序，紐厄爾和西蒙的LT系統(tǒng)。這類學(xué)習(xí)系統(tǒng)主要考慮的是如何索引存貯的知識并加以利用。系統(tǒng)的學(xué)習(xí)方法是直接通過事先編好、構(gòu)造好的程序來學(xué)習(xí)，學(xué)習(xí)者不作任何工作，或者是通過直接接收既定的事實(shí)和數(shù)據(jù)進(jìn)行學(xué)習(xí)，對輸入信息不作任何的推理。

２）示教學(xué)習(xí)(Learning from instruction或Learning by being told)

學(xué)生從環(huán)境（教師或其它信息源如教科書等）獲取信息，把知識轉(zhuǎn)換成內(nèi)部可使用的表示形式，并將新的知識和原有知識有機(jī)地結(jié)合為一體。所以要求學(xué)生有一定程度的推理能力，但環(huán)境仍要做大量的工作。教師以某種形式提出和組織知識，以使學(xué)生擁有的知識可以不斷地增加。這種學(xué)習(xí)方法和人類社會的學(xué)校教學(xué)方式相似，學(xué)習(xí)的任務(wù)就是建立一個系統(tǒng)，使它能接受教導(dǎo)和建議，并有效地存貯和應(yīng)用學(xué)到的知識。目前，不少專家系統(tǒng)在建立知識庫時(shí)使用這種方法去實(shí)現(xiàn)知識獲取。示教學(xué)習(xí)的一個典型應(yīng)用例是FOO程序。

3）演繹學(xué)習(xí)(Learning by deduction)

學(xué)生所用的推理形式為演繹推理。推理從公理出發(fā)，經(jīng)過邏輯變換推導(dǎo)出結(jié)論。這種推理是“保真”變換和特化(specialization)的過程，使學(xué)生在推理過程中可以獲取有用的知識。這種學(xué)習(xí)方法包含宏操作(macro-operation)學(xué)習(xí)、知識編輯和組塊(Chunking)技術(shù)。演繹推理的逆過程是歸納推理。

4）類比學(xué)習(xí)(Learning by analogy)

利用二個不同領(lǐng)域（源域、目標(biāo)域）中的知識相似性，可以通過類比，從源域的知識（包括相似的特征和其它性質(zhì)）推導(dǎo)出目標(biāo)域的相應(yīng)知識，從而實(shí)現(xiàn)學(xué)習(xí)。類比學(xué)習(xí)系統(tǒng)可以使一個已有的計(jì)算機(jī)應(yīng)用系統(tǒng)轉(zhuǎn)變?yōu)檫m應(yīng)于新的領(lǐng)域，來完成原先沒有設(shè)計(jì)的相類似的功能。類比學(xué)習(xí)需要比上述三種學(xué)習(xí)方式更多的推理。它一般要求先從知識源（源域）中檢索出可用的知識，再將其轉(zhuǎn)換成新的形式，用到新的狀況（目標(biāo)域）中去。類比學(xué)習(xí)在人類科學(xué)技

術(shù)發(fā)展史上起著重要作用，許多科學(xué)發(fā)現(xiàn)就是通過類比得到的。例如著名的盧瑟福類比就是通過將原子結(jié)構(gòu)（目標(biāo)域）同太陽系（源域）作類比，揭示了原子結(jié)構(gòu)的奧秘。

５）基于解釋的學(xué)習(xí)(Explanation-based learning, EBL)

學(xué)生根據(jù)教師提供的目標(biāo)概念、該概念的一個例子、領(lǐng)域理論及可操作準(zhǔn)則，首先構(gòu)造一個解釋來說明為什該例子滿足目標(biāo)概念，然后將解釋推廣為目標(biāo)概念的一個滿足可操作準(zhǔn)則的充分條件。EBL已被廣泛應(yīng)用于知識庫求精和改善系統(tǒng)的性能。著名的EBL系統(tǒng)有迪喬恩（G.DeJong）的GENESIS, 米切爾（T.Mitchell）的LEXII和LEAP, 以及明頓（S.Minton）等的PRODIGY。

６）歸納學(xué)習(xí)(Learning from induction)

歸納學(xué)習(xí)是由教師或環(huán)境提供某概念的一些實(shí)例或反例，讓學(xué)生通過歸納推理得出該概念的一般描述。這種學(xué)習(xí)的推理工作量遠(yuǎn)多于示教學(xué)習(xí)和演繹學(xué)習(xí)，因?yàn)榄h(huán)境并不提供一般性概念描述（如公理）。從某種程度上說，歸納學(xué)習(xí)的推理量也比類比學(xué)習(xí)大，因?yàn)闆]有一個類似的概念可以作為“源概念”加以取用。歸納學(xué)習(xí)是最基本的，發(fā)展也較為成熟的學(xué)習(xí)方法，在人工智能領(lǐng)域中已經(jīng)得到廣泛的研究和應(yīng)用。

個人感想

學(xué)習(xí)是人類獲取知識的重要途徑和人類智能的重要標(biāo)志，機(jī)器學(xué)習(xí)則是計(jì)算機(jī)獲取知識的重要途徑和人工智能的重要標(biāo)志。在人工智能系統(tǒng)中，知識獲取一直是一個“瓶頸“問題，而解決這一問題的關(guān)鍵又在于如何提高機(jī)器的學(xué)習(xí)能力。因此，機(jī)器學(xué)習(xí)應(yīng)該是人工智能的核心研究課題之一。

但是機(jī)器學(xué)習(xí)現(xiàn)在也面臨著許多問題，主要集中在：多少訓(xùn)練數(shù)據(jù)是充足的?怎樣找到學(xué)習(xí)到假設(shè)的置信度與訓(xùn)練數(shù)據(jù)的數(shù)量及提供給學(xué)習(xí)器的假設(shè)空間特性之間的一般關(guān)系？ 學(xué)習(xí)器擁有的先驗(yàn)知識是怎樣引導(dǎo)從樣本進(jìn)行泛化的過程的?當(dāng)先驗(yàn)知識僅僅是近似正確時(shí)，它們會有幫助嗎? 關(guān)于選擇有效的后續(xù)訓(xùn)練經(jīng)驗(yàn)，什么樣的策略最好?這個策略的選擇會如何影響學(xué)習(xí)問題的復(fù)雜性? 怎樣把學(xué)習(xí)任務(wù)簡化為一個或多個函數(shù)逼近問題?換一種方式，系統(tǒng)該試圖學(xué)習(xí)哪些函數(shù)?這個過程本身能自動化嗎?換言之，現(xiàn)在的機(jī)器學(xué)習(xí)主要是基于規(guī)則的參數(shù)調(diào)整，就是人工設(shè)置好規(guī)則，通過訓(xùn)練學(xué)習(xí)，修正規(guī)則中的一些參數(shù)，使得這些規(guī)則更符合實(shí)際。但是機(jī)器學(xué)習(xí)并不能真正學(xué)習(xí)創(chuàng)造規(guī)則，這是機(jī)器學(xué)習(xí)的瓶頸。

機(jī)器學(xué)習(xí)在很多應(yīng)用領(lǐng)域被證明很有實(shí)用價(jià)值。在未來的決策支持系統(tǒng)中必將有著更廣泛的應(yīng)用。

第四篇：《商務(wù)智能》讀后感

《商務(wù)智能》讀后感

——信息中心高翔

近些年來，“商務(wù)智能”這一詞時(shí)時(shí)出現(xiàn)在我們的視線之中。由于智能商務(wù)將先進(jìn)的信息技術(shù)應(yīng)用到企業(yè)的信息化建設(shè)中，因此，商務(wù)智能廣泛受到世界各行各業(yè)的青睞。隨著計(jì)算機(jī)技術(shù)的發(fā)展，以及企業(yè)的信息過載、市場競爭加劇,企業(yè)與企業(yè)之間的交流與競爭大都是通過數(shù)據(jù)訪問和共享等情況而發(fā)展。商務(wù)智能發(fā)展的時(shí)間雖然不長，但是已經(jīng)成為備受企業(yè)關(guān)注的對象，它的應(yīng)用前景非常廣闊。為了對商務(wù)智能有更加深入和系統(tǒng)的學(xué)習(xí)，我最近拜讀了趙衛(wèi)東老師的《商務(wù)智能》這一本書。

在這一本書中，趙老師主要向讀者介紹了商務(wù)智能系統(tǒng)的架構(gòu)以及商務(wù)智能的核心技術(shù)——數(shù)據(jù)倉庫、數(shù)據(jù)挖掘與OLAP的基本概念、基本方法和技術(shù)，然后在此基礎(chǔ)上，討論了商務(wù)智能在電子商務(wù)、移動商務(wù)、知識管理、Web挖掘、企業(yè)績效管理、流程管理和RFID數(shù)據(jù)管理等領(lǐng)域的應(yīng)用，此外還分析了商務(wù)智能在國內(nèi)外的發(fā)展趨勢。這本書內(nèi)容新穎、全面，案例豐富，是我們這些信息技術(shù)人員學(xué)習(xí)商務(wù)智能的良好參考資料。

商務(wù)智能，英文為Business Intelligence，簡寫為BI，于1996年被Gartner Group的Howard Dresner首次提出，它描述了一系列的概念和方法，通過應(yīng)用于基于事實(shí)的支持系統(tǒng)，來輔助商業(yè)決策的制定。商業(yè)智能的支撐技術(shù)主要由數(shù)據(jù)倉庫（ＤＷ）、在線分析處理（ＯＬＡＰ）以及數(shù)據(jù)挖掘（ＤＭ）三部分組成。所謂數(shù)據(jù)倉庫是指面向

主題的、集成的、穩(wěn)定的、不同時(shí)間的數(shù)據(jù)集合，用以支持經(jīng)營管理中的決策制定過程；在線分析處理是指是一種高度交互式的過程，信息分析專家可以即時(shí)進(jìn)行反復(fù)分析，迅速獲得所需結(jié)果；數(shù)據(jù)挖掘是指是從浩瀚如海的數(shù)據(jù)和文檔中發(fā)現(xiàn)以前未知的、可以理解的信息的過程。商務(wù)智能的過程是指：從不同的數(shù)據(jù)源（交易系統(tǒng)或其他內(nèi)容儲存系統(tǒng)）收集的數(shù)據(jù)中提取有用的數(shù)據(jù)，對數(shù)據(jù)進(jìn)行清理以保證數(shù)據(jù)的質(zhì)量，將數(shù)據(jù)經(jīng)轉(zhuǎn)換、重構(gòu)后存入數(shù)據(jù)倉庫或數(shù)據(jù)集市（這時(shí)數(shù)據(jù)變?yōu)樾畔ⅲ?，然后尋找合適的查詢、報(bào)告和分析工具和數(shù)據(jù)挖掘工具對信息進(jìn)行處理（這時(shí)信息變?yōu)檩o助決策的知識），最后將知識呈現(xiàn)于用戶面前，轉(zhuǎn)變?yōu)闆Q策。

商業(yè)智能通常被理解為將企業(yè)中現(xiàn)有的數(shù)據(jù)轉(zhuǎn)化為知識，幫助企業(yè)做出明智的業(yè)務(wù)經(jīng)營決策的工具。這里所談的數(shù)據(jù)包括來自企業(yè)業(yè)務(wù)系統(tǒng)的訂單、庫存、交易賬目、客戶和供應(yīng)商等來自企業(yè)所處行業(yè)和競爭對手的數(shù)據(jù)以及來自企業(yè)所處的其他外部環(huán)境中的各種數(shù)據(jù)。企業(yè)不管大小，都必須對瞬息萬變的市場情況做出及時(shí)、高效的反應(yīng)，而這些反應(yīng)都必須建立在對全面、準(zhǔn)確和及時(shí)的數(shù)據(jù)基礎(chǔ)上。一般而言，智能型企業(yè)更能夠反應(yīng)迅速、適應(yīng)顧客變化的需要以及采取正確的顧客解決方案。

商務(wù)智能的出現(xiàn)經(jīng)歷了一個漸進(jìn)的、復(fù)雜的演進(jìn)過程，并且仍處于發(fā)展之中?，F(xiàn)如今的商務(wù)智能逐漸從戰(zhàn)略型的BI轉(zhuǎn)型為操作型或者實(shí)施型的BI，更加關(guān)注績效、價(jià)值和數(shù)據(jù)質(zhì)量，著眼于更成熟的數(shù)據(jù)分析和展現(xiàn)技術(shù)。但商務(wù)智能在中國的發(fā)展尚處于起步階段，大部分

企業(yè)對商務(wù)智能仍然缺乏了解，并且在企業(yè)實(shí)際的應(yīng)用過程當(dāng)中，商業(yè)智能的失敗率達(dá)到70%，這又是什么原因呢？對此，我認(rèn)為，商務(wù)智能在國內(nèi)實(shí)施成功率不高主要有以下幾個方面的原因：

1、起步晚。很多人對商業(yè)智能了解不多，意識不強(qiáng)、參與度不高。

商業(yè)智能的提出，據(jù)今已有十幾年的歷史，國外成熟的信息系統(tǒng)以及管理理念比較成熟，而國內(nèi)則不同，由于國內(nèi)信息化起步比較晚，導(dǎo)致了商業(yè)智能的建設(shè)要比國外的商業(yè)智能建設(shè)晚，很多人對于商業(yè)智能并不是很了解，現(xiàn)在一直處于報(bào)表的階段，同時(shí)也無法正確理解商業(yè)智能的價(jià)值，從而導(dǎo)致了商業(yè)智能這種技術(shù)一直不能得到大規(guī)模的普及。

2、技術(shù)不成熟。目前只有報(bào)表、OLAP、儀表盤和統(tǒng)計(jì)分析等用的比較成功，而其他方面的應(yīng)用還處于研發(fā)、摸索階段。例如非結(jié)構(gòu)化數(shù)據(jù)的處理、數(shù)據(jù)質(zhì)量不高的數(shù)據(jù)處理，目前還缺少有效的實(shí)用工具。

3、目前在中高端市場，國外商務(wù)智能解決方案提供商壟斷市場，但其業(yè)務(wù)模型與國內(nèi)企業(yè)不完全適應(yīng)，國內(nèi)的商務(wù)智能解決方案供應(yīng)商無論從產(chǎn)品的完整性和實(shí)施能力上也沒有多大優(yōu)勢。

4、缺乏既懂商業(yè)智能技術(shù)，又熟悉企業(yè)業(yè)務(wù)的人員，在商務(wù)智能市場逐年有很大增長的情況下，無論從數(shù)量上還是質(zhì)量上都無法滿足企業(yè)的需求。

5、商業(yè)智能項(xiàng)目的軟硬件和實(shí)施費(fèi)用很高，風(fēng)險(xiǎn)也比較大。

由于上訴原因的共同作用，才導(dǎo)致了現(xiàn)如今商務(wù)智能在我國的應(yīng)用現(xiàn)狀。但由于商務(wù)智能可以利用現(xiàn)代信息技術(shù)收集、管理、展示和分析那些結(jié)構(gòu)化和非結(jié)構(gòu)化的商務(wù)數(shù)據(jù)和信息的訴求，進(jìn)而實(shí)現(xiàn)商務(wù)決策的精準(zhǔn)性、有效性、快速性和動態(tài)性，所以商務(wù)智能市場潛力巨大?，F(xiàn)在有一些有遠(yuǎn)見的企業(yè)正在努力克服上述問題，并將商務(wù)智能應(yīng)用于本企業(yè)的信息化建設(shè)之中，其中不乏一些成功的案例，例如寶鋼、中國海關(guān)等企業(yè)。

以我們煙草企業(yè)為例，日常經(jīng)營活動中產(chǎn)生大量數(shù)據(jù)，這些數(shù)據(jù)包含有哪類產(chǎn)品更受哪類客戶的喜歡，哪類促銷活動能提升銷售額，什么時(shí)間段應(yīng)該推出什么樣的產(chǎn)品等等信息。所以面對如此海量并且很有商業(yè)價(jià)值的數(shù)據(jù)，我們可以考慮將商務(wù)智能應(yīng)用于我們的企業(yè)信息化建設(shè)之中，運(yùn)用新技術(shù)為領(lǐng)導(dǎo)者的正確決策提供依據(jù)。對此，我有以下設(shè)想：

1、傳統(tǒng)的數(shù)據(jù)分析工具、方法對于我們企業(yè)的海量數(shù)據(jù)來說，是非常耗費(fèi)人力、物力、財(cái)力的。通過應(yīng)用商務(wù)智能，我們可以將新的信息技術(shù)有效地應(yīng)用在商務(wù)分析中，從而優(yōu)化企業(yè)的信息管理系統(tǒng)。商務(wù)智能過程中所運(yùn)用到的信息技術(shù)主要包括先收集各種數(shù)據(jù)，隨后提取有用數(shù)據(jù)，再利用計(jì)算機(jī)技術(shù)對數(shù)據(jù)進(jìn)行嚴(yán)格的篩選，將有質(zhì)量的數(shù)據(jù)提出來并進(jìn)行轉(zhuǎn)換，然后將其存入數(shù)據(jù)倉庫，并對有價(jià)值的信息進(jìn)行處理。最后，將有效的決策呈現(xiàn)在用戶面前。整個一連串過程，必定是需要計(jì)算機(jī)信息管理系統(tǒng)來處理的，這樣就大大節(jié)約了成本。商務(wù)智能的有效應(yīng)用，使企業(yè)信息化具有良好的可靠性、兼容

性、擴(kuò)展性、靈活性、協(xié)調(diào)性和一致性，使企業(yè)的信息數(shù)據(jù)更加的真實(shí)有效。也就是說，將商務(wù)智能運(yùn)用于企業(yè)信息化建設(shè)，利用數(shù)據(jù)倉庫、聯(lián)機(jī)分析處理和數(shù)據(jù)挖掘技術(shù)，對企業(yè)的信息進(jìn)行快速有效的處理，不僅能大大提高辦事效率，而且還能為企業(yè)節(jié)約了成本，這樣就直接為企業(yè)創(chuàng)造了極大的經(jīng)濟(jì)效益。

2、在產(chǎn)品和管理高度同質(zhì)化的背景下，客戶資源成為企業(yè)最重要的資源。我們煙草企業(yè)可以通過客戶關(guān)系管理，并將現(xiàn)在日趨流行的商務(wù)智能的理念引入企業(yè)的CRM戰(zhàn)略之中，以提高企業(yè)的核心競爭力。與商務(wù)智能相結(jié)合的CRM可以從大量的數(shù)據(jù)中整理和提取出信息，進(jìn)而將這些信息轉(zhuǎn)化為可支持決策的知識，從這些知識里我們可以得知哪類客戶、哪個地區(qū)的客戶更偏好哪類商品以及今后的購買趨勢等等，這些知識能告訴我們企業(yè)事情發(fā)生的原因及發(fā)展趨勢，這樣，我們就能及時(shí)、迅速、準(zhǔn)確地制定與客戶的互動行為，以提升客戶的忠誠度、銷售量和利潤率，最終實(shí)現(xiàn)“以客戶為中心”的經(jīng)營模式。

3、供應(yīng)鏈管理對于我們煙草企業(yè)來說，是至關(guān)重要的一個環(huán)節(jié)。在供應(yīng)鏈管理活動中需要并產(chǎn)生了大量的數(shù)據(jù)，我們可以利用商務(wù)智能工具整合并分析這些數(shù)據(jù)，來改進(jìn)供應(yīng)鏈管理過程中的決策，減少浪費(fèi)，提高經(jīng)營效率和客戶滿意度。具體來說，商務(wù)智能系統(tǒng)能夠?yàn)楣?yīng)鏈提供以下基本的效益：改善數(shù)據(jù)的可見度，使庫存水平降低；分析客戶服務(wù)水平，識別供應(yīng)鏈管理中的關(guān)鍵問題；更好地理解客戶需求，提高預(yù)測的準(zhǔn)確性；分析運(yùn)輸績效，利用高效的運(yùn)輸服務(wù)來減少運(yùn)輸成本；改善供應(yīng)鏈關(guān)系，加強(qiáng)與供應(yīng)鏈伙伴的合作，提高供應(yīng)

鏈的競爭力?；谝陨系暮锰?，我們煙草企業(yè)應(yīng)該著力于運(yùn)用商務(wù)智能解決方案從供應(yīng)鏈管理系統(tǒng)中提取數(shù)據(jù)、分析數(shù)據(jù)，為整個供應(yīng)鏈管理提供完整的視圖，為供應(yīng)鏈管理中的決策提供依據(jù)。

總而言之，我們企業(yè)的信息化建設(shè)離不開商務(wù)智能，它是一個充滿希望的新興領(lǐng)域。我們要將其廣泛應(yīng)用到企業(yè)的發(fā)展中去，要讓企業(yè)從各個方面提升自己的綜合實(shí)力，比如加快企業(yè)的體制和技術(shù)方面的創(chuàng)新，完善企業(yè)的管理制度等，惟有這樣，才能有效地增強(qiáng)企業(yè)的競爭力，使企業(yè)長久立于不敗之地。

第五篇：智能故障診斷報(bào)告

智能：是指能隨內(nèi)、外部條件的變化，具有運(yùn)用知識解決問題和確定正確行為的能力。表現(xiàn)形式：觀察、記憶、想像、思考、判斷 智能可分為低級智能和高級智能：

低級智能——感知環(huán)境、做出決策和控制行為

高級智能——不僅具有感知能力，更重要的是具有學(xué)習(xí)、分析、比較和推理能力，能根據(jù)復(fù)雜環(huán)境變化做出正確決策和適應(yīng)環(huán)境變化

智能的基本要素

三個基本要素：推理、學(xué)習(xí)、聯(lián)想

推理——從一個或幾個已知的判斷（前提），邏輯地推斷出一個新判斷（結(jié)論）的思維形式 學(xué)習(xí)——根據(jù)環(huán)境變化，動態(tài)地改變知識結(jié)構(gòu)

聯(lián)想——通過與其它知識的聯(lián)系，能正確地認(rèn)識客觀事物和解決實(shí)際問題

智能應(yīng)具備的條件（能力）

三個基本能力：感知、思維、行為

感知能力——就是能感知外界變化和獲取感性知識的能力

思維能力——就是具有記憶、聯(lián)想、推理、分析、比較、判斷、決策、學(xué)習(xí)等能力

行為能力——就是對外界刺激（輸入信號）做出反應(yīng)（輸出信息）并采取相應(yīng)動作的能力

故障：是指設(shè)備在規(guī)定條件下不能完成其規(guī)定功能的一種狀態(tài)?？煞譃橐韵聨追N情況： 1）設(shè)備在規(guī)定的條件下喪失功能；

2）設(shè)備的某些性能參數(shù)達(dá)不到設(shè)計(jì)要求，超出允許范圍；

3）設(shè)備的某些零部件發(fā)生磨損、斷裂、損壞等，致使設(shè)備不能正常工作； 4）設(shè)備工作失靈，或發(fā)生結(jié)構(gòu)性破壞，導(dǎo)致嚴(yán)重事故甚至災(zāi)難性事故。

故障的性質(zhì)

1）層次性——系統(tǒng)是有層次的，故障的產(chǎn)生對應(yīng)于系統(tǒng)的不同層次表現(xiàn)出層次性。一般可分為系統(tǒng)級、子系統(tǒng)級、部件級、元件級等多個層次；高層故障可由低層故障引起，而低層故障必定引起高層故障。診斷時(shí)可采用層次診斷模型和診斷策略。

2）相關(guān)性——故障一般不會孤立存在，它們之間通常相互依存和相互影響，如系統(tǒng)故障常常由相關(guān)聯(lián)的子系統(tǒng)傳播所致。表現(xiàn)為，一種故障可能對應(yīng)多種征兆，而一種征兆可能對應(yīng)多種故障。這種故障與征兆間的復(fù)雜關(guān)系導(dǎo)致了故障診斷的困難。

3）隨機(jī)性——故障的發(fā)生常常是一個與時(shí)間相關(guān)的隨機(jī)過程，突發(fā)性故障的出現(xiàn)通常都沒有規(guī)律性；再加上某些信息的模糊性和不確定性，就構(gòu)成了故障的隨機(jī)性。4）可預(yù)測性——設(shè)備大部分故障在出現(xiàn)之前通常有一定先兆，只要及時(shí)捕捉這些征兆信息，就可以對故障進(jìn)行預(yù)測和防范。

故障診斷：就是對設(shè)備運(yùn)行狀態(tài)和異常情況做出判斷。具體說來，就是 在設(shè)備沒有發(fā)生故障之前，要對設(shè)備的運(yùn)行狀態(tài)進(jìn)行預(yù)測和預(yù)報(bào)；

在設(shè)備發(fā)生故障之后，要對故障的原因、部位、類型、程度等做出判斷； 并進(jìn)行維修決策。故障診斷的基本思想：

設(shè)被檢測對象全部可能狀態(tài)（正常和故障）組成狀態(tài)空間S，它的可觀測量特征的取值范圍全體構(gòu)成特征空間Y 若系統(tǒng)處于某一狀態(tài)s時(shí)具有確定的特征y，即存在映射

；反之，一定的特征y也對應(yīng)確定的狀態(tài)s，即存在映射

。狀態(tài)與特征空間這一關(guān)系可表述為：

因此，故障診斷的目的就是：根據(jù)可測量的特征向量來判斷系統(tǒng)處于何種狀態(tài)，也就是找出映射關(guān)系 f

故障診斷的實(shí)質(zhì)

對于有限狀態(tài)的系統(tǒng)，令正常狀態(tài)為s0，n種故障對應(yīng)的系統(tǒng)狀態(tài)為s1, s2, …, sn；其中，處于狀態(tài)si時(shí)，對應(yīng)的可測量特征向量為yi =(yi1, yi2, …, yim)；故障診斷就是由特征向量y =(y1, y2, …, yk)，求出它所對應(yīng)的狀態(tài)s的過程

在這種情況下，故障診斷就成為：根據(jù)特征向量對被測系統(tǒng)的狀態(tài)進(jìn)行分類的問題，或者說對特征向量進(jìn)行模式識別的問題

結(jié)論：故障診斷的實(shí)質(zhì)——模式識別（分類）問題

故障診斷的過程有三個主要步驟：

第一步是檢測設(shè)備狀態(tài)的特征信號，即信號測?。?/p>

第二步是從檢測到的特征信號中提取征兆，即征兆提?。?/p>

第三步是根據(jù)征兆和其它診斷信息來識別設(shè)備的狀態(tài)，從而完成故障診斷，即狀態(tài)識別。

——這是整個診斷過程的核心。

故障診斷的任務(wù) 故障檢測：采用合適的觀測方式、在合適部位測取特征信號，即信號測取；采用合適的方法，從特征信號中提取狀態(tài)征兆，即征兆提取

故障識別：采用合適的狀態(tài)識別方法與裝置，依據(jù)征兆而推理識別出設(shè)備的有關(guān)狀態(tài)，即狀態(tài)識別

故障分離與估計(jì)（預(yù)測）：采用合適的狀態(tài)趨勢分析法，依據(jù)征兆與狀態(tài)推理出狀態(tài)的發(fā)展趨勢，即狀態(tài)預(yù)測

故障評價(jià)與決策：采用合適的決策形成方法，依據(jù)有關(guān)的狀態(tài)和趨勢作出調(diào)整、控制、維修等，即干預(yù)決策

什么是智能故障診斷？ 智能故障診斷：是人工智能和故障診斷相結(jié)合的產(chǎn)物，主要體現(xiàn)在診斷過程中領(lǐng)域?qū)＜抑R和人工智能技術(shù)的運(yùn)用。它是一個由人（尤其是領(lǐng)域?qū)＜遥?、能模擬腦功能的硬件及其必要的外部設(shè)備、物理器件以及支持這些硬件的軟件所組成的系統(tǒng)。

從傳統(tǒng)故障診斷到智能故障診斷 故障診斷技術(shù)經(jīng)歷的三個階段：

第一階段對診斷信息只作簡單的數(shù)據(jù)處理

第二階段將信號處理和建模處理應(yīng)用于數(shù)據(jù)處理

以上兩個階段，完全基于檢測數(shù)據(jù)處理，沒有利用領(lǐng)域?qū)＜抑R——傳統(tǒng)故障診斷階段 第三階段以知識處理為核心，信號處理、建模處理與知識處理相融合——智能故障診斷階段

傳統(tǒng)故障診斷的局限性： 未引入人工智能技術(shù)前，直接由領(lǐng)域?qū)＜彝瓿蔂顟B(tài)識別任務(wù)，不能有效利用專家的知識和經(jīng)驗(yàn)；

缺乏推理能力，不具備學(xué)習(xí)機(jī)制；

對診斷結(jié)果缺乏解釋，診斷程序的修改和維護(hù)性差。智能故障診斷的優(yōu)越性：

引入人工智能技術(shù)后，能模擬領(lǐng)域?qū)＜彝瓿蔂顟B(tài)識別任務(wù)（最大差別），人-機(jī)聯(lián)合診斷，達(dá)到甚至超過專家；

發(fā)展出基于知識的診斷推理機(jī)制，能模擬人類的邏輯思維和形象思維的推理過程； 能解釋自己的推理過程，并能解釋結(jié)論是如何獲得的。

智能故障診斷的研究意義：

研究如何及時(shí)發(fā)現(xiàn)故障和預(yù)測故障并保證設(shè)備在工作期間始終安全、高效、可靠地運(yùn)行

——故障診斷技術(shù)為提高設(shè)備運(yùn)行的安全性和可靠性提供了一條有效途徑

故障的隨機(jī)性、模糊性和不確定性，導(dǎo)致一個故障的形成往往是眾多因素造成的結(jié)果，且各因素之間的聯(lián)系又十分復(fù)雜

——傳統(tǒng)故障診斷方法已不能滿足現(xiàn)代設(shè)備的要求，必須采用智能故障診斷方法

智能故障診斷的研究目的 及時(shí)發(fā)現(xiàn)故障，給出故障信息，并確定故障的部位、類型和嚴(yán)重程度，同時(shí)自動地隔離故障； 預(yù)測設(shè)備運(yùn)行狀態(tài)、使用壽命、故障發(fā)生和發(fā)展；

針對故障的不同部位、類型和程度，給出相應(yīng)的控制和處理方案，并進(jìn)行技術(shù)實(shí)現(xiàn)；

自動對故障進(jìn)行削弱、補(bǔ)償、切換、消除和修復(fù)，以保證設(shè)備出現(xiàn)故障時(shí)的性能盡可能地接近原來正常工作時(shí)的性能，或以犧牲部分性能指標(biāo)為代價(jià)來保證設(shè)備繼續(xù)完成其規(guī)定功能； 進(jìn)行維修決策，減少維修費(fèi)用，提高設(shè)備利用率。

智能故障診斷的國內(nèi)外研究概況

20世紀(jì)60年代末開始，已歷經(jīng)三個階段：

美國從1967年開始，NASA、ONR率先在故障機(jī)理研究和故障檢測、診斷和預(yù)測等方面取得實(shí)用性研究成果；此后，在水泵、空壓機(jī)、軸承、潤滑油、內(nèi)燃機(jī)、汽車發(fā)電機(jī)組、大型客機(jī)等方面都取得了許多研究成果

英國和日本相繼在20世紀(jì)70年代初開始故障診斷的研究，并在鍋爐、壓力容器、核發(fā)電站、核反應(yīng)堆、鐵路機(jī)車等方面取得了許多研究成果

國外，設(shè)備維修費(fèi)平均降低15～20%，技術(shù)投入占生產(chǎn)成本的比例，美國7.2%、日本5.6%、德國9.4% 我國從20世紀(jì)80年代初開始這方面研究，在石化、冶金、電力等行業(yè)得到應(yīng)用；90年代后在各行業(yè)快速發(fā)展

目前智能故障診斷的幾個重要研究方向 1）集成化智能故障診斷研究：

現(xiàn)代設(shè)備復(fù)雜性和故障不確定性，單一方法不能滿足要求；集成多種方法進(jìn)行診斷，取長補(bǔ)短，提高診斷智能化水平。2）網(wǎng)絡(luò)化智能故障診斷研究：

現(xiàn)有診斷大都面向單臺或單類設(shè)備，可擴(kuò)充性、靈活性、通用性差，信息不能有效交互和共享；分布式智能診斷能充分發(fā)揮各專家的特點(diǎn)，做到資源共享、協(xié)調(diào)診斷。3）適應(yīng)型智能故障診斷研究：

利用智能結(jié)構(gòu)、智能Agent的特性，構(gòu)建滿足現(xiàn)場需要，并對故障具有自修復(fù)、自補(bǔ)償、自抑制、自消除等適應(yīng)型智能故障診斷，也是一個很有前途的研究方向。