Počítačová podpora rozhodovania

1. Počítačová podpora rozhodovania Cvičenie 5 z predmetu RaZ Časť ROZHODOVANIE

2. Počítače a rozhodovanie • Autonómne – plne automatické rozhodovanie • Neautonómne– semi-automatické rozhodovanie

3. Autonómne rozhodovanie • Identifikovať typ rozhodovacieho problému • Klasifikácia • Predikcia • ... • Vybrať metódu pre výpočet váhovania • Validácia vhodnosti váhovania • Generovanie rozhodovacieho modelu (učenie) • Testovanie rozhodovacieho modelu • Používanie rozhodovacieho modelu

4. 1. Identifikovať typ rozhodovacieho problémuKLASIFIKÁCIA

5. 1. Identifikovať typ rozhodovacieho problémuPREDIKCIA • Nie na základe predpokladov a domnienok • Na základe predošlých dát, štatisticky separovateľných zložiek (trend, periodicitu, náhodnosť ) • Iných predikčných modelov

6. 1. Identifikovať typ rozhodovacieho problémuZHLUKOVANIE

7. 2. Metóda pre výpočet váhovania • Spôsob určovania preferencie • Väčšinou je viazaná na rozhodovací problém • Typické pre všetky metódy rozhodovania

8. 3. Validácia váhovania • Tzv. validačná časť bázy dát • Zvyčajne tvorí 10% základného súboru • Najčastejšia metóda – krížová validácia

9. 3. Validácia váhovania • Iné metódy: • Testovanie hypotéz • Kritériovávalidita – miera zhody s určitým kritériom • Obsahová validita – validácia nečíselných charakteristík a váh (použiteľné aj pri validácii fuzzy lingvistických premenných)

10. 3. Rozdiel medzi validitou a spoľahlivosťou

11. 4. Generovanie rozhodovacieho modelurozhodovací strom

12. 4. Generovanie rozhodovacieho modeluneurónový model

13. 4. Generovanie rozhodovacieho modeluzhlukovací model

14. 5. Testovanie modelu • Používa sa testovacia množina, väčšinou 20-40% základného súboru náhodným výberom vzoriek • Podľa percentuálnej úspešnosti sa hodnotí chyba modelu (resp. úspešnosť). • Najpoužívanejšie charakteristiky: • MAE – Meanaverageerror – stredná absolútna chyba • MSE – Meansquareerror – stredná kvadratická chyba • MAPE – Meanabsolutepercentageerror – Stredná absolútna percentuálna chyba

15. 6. Používanie modelu

16. Neautonómne rozhodovanie viď. Prvé cvičenie – algoritmus rozhodovania

17. Prípadová štúdia Návrh metódy profilácie študenta do systému pre podporu rozhodovania V. Gašpar, J. Štofa, A. Lukáčová

18. Podpora rozhodovania pri výbere predmetov

19. Váhovanie • Predmety zvyčajne obsahujú tri kritériá: • Teoretické (T - theoretical) • Praktické (P - practical) • Vedecké (S -scientific) • Rolu expertov majú učitelia resp. garanti predmetov • Možné aplikovať skupinové rozhodovanie na určenie troch kritériálnych váh každého predmetu viacerými expertmi • Tento systém je teda systém pre podporu rozhodovania (DSS).

20. Výpočet váh predmetu do ročného profilu • Váhy určuje expert (vyučujúci) predmetu alebo experti v škále 1-10 s tým, že hodnotí praktickú, teoretickú a vedecko-výskumnú dôležitosť predmetu • kde • n – id predmetu, • k – počet predmetov v akademickom roku, • Wn– váha vybraná pre n-tý predmet v vyučujúcim (expertom). • Rn – percentuálny výsledok študenta na predmete n predelený 100. • Podľa predošlých vzťahov sa finálne koeficienty akademického roka tzv. PTS profil študenta vypočíta samostatne pre všetky zložky nasledovne:

21. Využitie • Usporiadanie predmetov podľa vhodnosti pre konkrétneho študenta • Možnosť vybrať si smer vzdelávania: • Teoretický • Praktický • Vedecko-výskumný • Racionálna profilácia študentov • CHYBY: Subjektivita pridelených váh

22. Príklad riešený touto metódou • Majme dva predmety a ich výsledky z predošlého akademického roka (tab.1). • Pomocou predošlých vzťahov je rating pridaný do výstupného profilu študenta z prvého a n - tého ročníka. Výsledky sú v druhej tabuľke. • Tab.1 • Tab.2 • Na hodnote finálneho ratingu (PQ, TQ, SQ) môžeme pozorovať, že po váhovaní výsledkov študenta budú v nasledujúcom období odporúčané predmety, ktoré majú najväčší vedecko-výskumný podiel, potom praktické a napokon teoretické predmety.

23. Otázky?

24. ĎAKUJEM ZA POZORNOSŤ