89Массовая компьютеризация и развитие средств и методов хранения информации, которую генерирует человек в процессе своей повседнев-ной и профессиональной деятельности, привели к лавинообразному росту ее объемов. Ежедневно бизнес, медицина, наука, государственные органы, СМИ продуцируют гигантские массивы информа-ции, которая накапливается, хранится, передается по сетям и воспроизводится по всему миру. Ее широкое распространение, массовая доступность и регулярно растущие объемы позволяют называть нашу эпоху информационным веком [1].В этих условиях обработка и анализ ежеднев-но увеличивающихся объемов информации стано-вятся наиболее насущной и актуальной проблемой для всех отраслей общественной жизни. Необхо-димо не просто накапливать данные, но и нахо-дить в них новые тенденции и взаимосвязи, извле-кать из больших наборов информации новые зна-ния и принимать на их основе эффективные реше-ния. При этом процесс анализа уже невозможно проводить вручную, он должен быть максимально автоматизирован и построен на понятных алго-ритмах. Указанные предпосылки привели к зарож-дению перспективной и активно развивающейся области науки, находящейся на стыке нескольких отраслей (компьютерной инженерии, машинного обучения, математической статистики и модели-рования, технологий искусственного интеллекта) -интеллектуального анализа данных (в зарубежной литературе -data mining). Согласно общепринято-му в литературе определению, интеллектуальный анализ данных -это процесс обнаружения новых значимых корреляций, закономерностей и тенден-ций путем исследования больших объемов данных с использованием технологий распознавания обра-зов, а также статистических и математических ме-тодов [2].Возникнув в 1960-х годах с разработки при-митивных баз данных, на современном этапе ин-теллектуальный анализ данных как научное на-правление выработал глубокую методологическую базу и широкий прикладной инструментарий для решения задачи получения новых знаний из набо-ра разрозненной информации. Исследователи, по-святившие свои труды развитию методологии ана-лиза данных (Г. Пятецкий-Шапиро, А.А. Барсегян, У. Фаяд, Д. Хан и другие), разработали широкий набор инструментов, которые позволяют находить различные зависимости в разнообразии информа-ции и могут быть использованы для последующего принятия решений. Для представления получен-ных в ходе интеллектуального анализа данных знаний служат модели. Наиболее распространен-ными являются: правила, деревья решений, кла-стеры и математические функции [3]. Виды моде-лей зависят от методов, которые используются для их построения, а также от задач, которые планиру-ется решать с помощью полученной модели. Клас-сификация моделей представлена в таблице.Решение описательных задач позволяет луч-ше понять анализируемые данные и обнаружить новые закономерности. Предиктивные (предсказа-тельные) задачи решаются в два этапа: на первом этапе на основе уже известных значений парамет-ров строится модель их зависимости, на втором Статья посвящена проблемам интеллектуального анализа данных. Разработан алгоритм моделиро-вания произ...
