《数据挖掘》期末总结
——专家系统
有关专家系统：
定义：
是一个（或一组）能在某特定领域内，以人类专家水平去求解该领域中困难问题的计算机智能程序系统。

构成：
完整的专家系统包括人机接口、推理机、知识库、数据库、知识获取器和解释机构六部分，如下图：
用户领域专家知识工程师
其核心在于推理机与知识库和综合数据库的交互作用，使得问题得以解决。

工作过程：
1）根据用户的问题对知识库进行搜索，寻找有关的知识；（匹配）2）根据有关的知识和系统的控制策略形成解决问题的途径，从而构成一个假设方案集合；
3）对假设方案集合进行排序，并挑选其中在某些准则下为最优的假设方案；（冲突解决）
4）根据挑选的假设方案去求解具体问题；（执行）
5）如果该方案不能真正解决问题，则回溯到假设方案序列中的下一个假设方案，重复求解问题；
6）循环执行上述过程，直到问题已经解决或所有可能的求解方案都不能解决问题而宣告“无解”为止。

企业、政府机构用的专家系统都是有严密的逻辑、也涉及大量的数据分析、并且是经过领域专家、工程师的经验校验，详细用户需求分析后的结果。

而实际上，在我们的日常生活中，也不经意的在思维过程中用到了专家系统，譬如在游戏“你来描述我来猜”的过程中，我们就可以抽取出一个专家系统——、
动物识别专家
在推理过程中，会同时推出几个结论。

如：有毛发、会吃肉、有斑点——首先推出金钱豹有黑色条纹——再推出老虎有蹄——再推出斑马
有关学科总结
一学期结束，静下心复习总结时，才发现，这一学期无数次与数据挖掘打交道。

还记得《应用统计学》第一次作业：谈谈统计学与数据挖掘的关系。

还记得《管理信息系统》中CRM（客户关系管理系统），客户细分时提到的数据挖掘；决策支持系统以及BI中用到的数据挖掘。

还记得《信息系统分析与设计》做需求分析时要用到数据挖掘。

还记得跟老师做项目，查找信息可视化及知识图谱原理时，再一次提到数据挖掘。

就像课堂上说的：“互联网的时代，我们缺的不再是数据本身，而是海量数据包含的、隐含的信息，而这一信息的获取，除了我们敏锐的观察力从数据本身看到以外，还有太多有价值的信息需要我们运用相当的工具去深入挖掘——数据挖掘，理所应当成为了时代的必须，也是我们取胜的必须”。

《数据挖掘》课程本身更多的是给我们一种思想，一种看待、解决问题的新途径。

通过课程的学习，我们不再简简单单的追求数据，我们会更多的去思考数据。

《应用统计学》也在讲数据处理，但应用统计学更多的是对已知数据分布的描述和趋势的预测，抑或是结论的检验。

而《数据挖掘》所讲的数据是更倾向于如何把表面无关的数据建立联系，并从中获取有用信息。

《应用统计学》是现状的描述和预测的检验，而《数据挖
掘》则是现状的改进和未来的创新。

随着科技的发展，高新技术的更多应用，数据挖掘也必将越来越收到欢迎。

但从我个人这个学期所接触到的，无论是从项目还是从学科学习中，就不断的在检验这一说法——信息可视化应该说是一个热门的话题，至少目前在国内还没有成形、完善的相关研究，而在这一领域，其基本原理是引用和共被引理论，而其所采用的算法都是数据挖掘中的最小生成树、决策树、K-means等。

有关ERP、CRM、KM、DSS、BI等一系列信息系统可以说是所有企业信息系统未来发展的趋势，而所有这些系统的分析设计前期的需求分析、后期的运行基础都需要数据挖掘的支持——基于数据仓库的数据集市对数据的无论是报表还是钻取、切片等分析。

总之，数据挖掘是信息社会筛选、提取并创造信息必不可少的思维、操作工具。