На каждом этапе подготовки модели для решения задачи предсказания или поиска решения проблемы используются конкретные методы обработки, анализа данных.

· Про­стран­ствен­ный ана­лиз — исполь­зо­ва­ние топо­ло­ги­че­ской, гео­мет­ри­че­ской и гео­гра­фи­че­ской инфор­ма­ции в дан­ных; например, метод Сетевого анализа данных – метод решения оптимизационных задач (например, задача поиска кратчайшего или в ином смысле оптимального пути между точками) с использованием модели геометрической сети; позволяет найти взаимоотношения там, где классическая малополезна.

· Методы опти­ми­за­ции, в том числе гене­ти­че­ские алгоритмы (genetic algorithm) – последние используют для динамической оптимизации решений на основе массивов данных путем случайного перебора, вариации значений параметров с использованием механизмов, аналогичных естественному отбору в природе;

· Нейросетевые методы. Например, машин­ное глубокое обу­че­ние нейронных сетей, чтобы в дальнейшем они могли обнаруживать в массивах данных неочевидные человеку закономерности и делать выводы о том, что происходит с объектом наблюдения (например, по действиям с номером банковской карты определять, что он злоумышленник и предпринимает мошеннические действия, или по разрозненным геоданным со спутниковых снимков или томографических снимкам тканей пациента видеть скрытые от глаз человека процессы, тенденции, делать прогноз, например, о развитии процесса (экологического, патологического, социально-экономического);

· Методы нечеткого логического вывода.

Полезность методов интеллектуального анализа данных различна, например, для прогнозирования [9]:

Сравнительный анализ методов прогнозирования

Ме­то­ды ИАД для ти­по­вых видов интеллектуального ана­ли­за, ис­поль­зу­е­мых ана­ли­ти­ка­ми и ли­ца­ми, при­ни­ма­ю­щи­ми ре­ше­ния в биз­не­се:

· Ран­жи­ро­ва­ние - упо­ря­до­чи­ва­ние фак­то­ров по сте­пе­ни их вли­я­ния на це­ле­вой по­ка­за­тель. С каж­дым фак­то­ром свя­зы­ва­ет­ся ве­со­вой ко­эф­фи­ци­ент, да­ю­щий ко­ли­че­ствен­ную оцен­ку сте­пе­ни влияния на результат решения.

· Сег­мен­та­ция – предварительное раз­де­ле­ние об­ла­сти зна­че­ний фак­то­ра на сег­мен­ты для про­ве­де­ния даль­ней­ше­го нис­хо­дя­ще­го ана­ли­за. На­при­мер, успеш­ные по­ка­за­те­ли по про­да­жам в целом могут скрыть от ис­сле­до­ва­те­ля неуда­чи в неко­то­рых ре­ги­о­нах. Про­ве­де­ние сег­мен­та­ции по гео­гра­фи­че­ским рай­о­нам поз­во­лит вы­явить, что успеш­ные про­да­жи имели место толь­ко в двух ре­ги­о­нах, А и В. По­сле­ду­ю­щий нис­хо­дя­щий ана­лиз может по­ка­зать, что объем про­даж в ре­ги­оне А за­ви­сит от за­трат на ре­кла­му, а в ре­ги­оне В на него вли­я­ют глав­ным об­ра­зом се­зон­ные колебания.

· Про­фи­ли­ро­ва­ние наи­луч­ших достижений - вы­яв­ле­ние ос­нов­ных ха­рак­те­ри­стик наи­бо­лее успеш­ных ре­ги­о­нов, фи­ли­а­лов, кли­ен­тов и т.д. для пла­ни­ро­ва­ния даль­ней­шей де­я­тель­но­сти ком­па­нии. Дан­ный вид ана­ли­за также ис­поль­зу­ет­ся в бан­ках и стра­хо­вых ком­па­ни­ях для оцен­ки риска при вы­да­че кредитов.

· Вы­яв­ле­ние ассоциаций - поиск ас­со­ци­и­ро­ван­ных групп зна­че­ний фак­то­ров, т.е. зна­че­ний, почти все­гда по­яв­ля­ю­щих­ся вме­сте (на­при­мер, про­да­жа ПК в боль­шин­стве слу­ча­ев со­про­вож­да­ет­ся про­да­жей ис­точ­ни­ка бес­пе­ре­бой­но­го пи­та­ния). Этот вид ана­ли­за в первую оче­редь необ­хо­дим при пла­ни­ро­ва­нии про­даж, усо­вер­шен­ство­ва­нии ра­бо­ты скла­дов, про­ве­де­нии ре­клам­ных компаний.

· Вы­яв­ле­ние исключений - поиск эле­мен­тов, вы­па­да­ю­щих из общей кар­ти­ны. По­яв­ле­ние по­доб­ных эле­мен­тов может быть вы­зва­но как ошиб­ка­ми в дан­ных, ко­то­рые сле­ду­ет ис­пра­вить, так и необыч­ны­ми си­ту­а­ци­я­ми в ра­бо­те ком­па­нии, тре­бу­ю­щи­ми немед­лен­но­го вме­ша­тель­ства со сто­ро­ны руководства или оператора (смотря, в программе какого назначения реализован этот метод).

1. Группа традиционных методов решения оптимизационных задач — вариационные методы, методы исследования операций, включающие в себя различные виды математического программирования (линейное, нелинейное, дискретное, целочисленное), динамическое программирование, методы теории систем массового обслуживания. Программные реализации большинства этих методов входят в стандартные пакеты прикладных программ, например Math CAD и MatLab.

2. М етод «ближайшего соседа», который лег в основу таких программных продуктов, как Pattern Recognition Workbench или KATE tools.

3. Другой подход к выбору решения связан с построением последовательного логического вывода — дерева решений, в каждом узле которого эксперт осуществляет простейший логический выбор («да» — «нет»). В зависимости от принятого выбора, поиск решения продвигается по правой или левой ветви дерева и в конце концов приходит к терминальной ветви, отвечающей конкретному окончательному решению. Здесь процесс статистического обучения выведен за пределы программы. На основе деревьев решений разработаны такие программные продукты, как IDIS, С5.0 и SIPINA.

4. Методы визуализации данных и результатов их анализа, позволяющие наглядно отображать полученные выводы для создания у предметных экспертов и/или руководителей проектов единой картины ситуации. К программным продуктам, позволяющим формировать предварительные отчеты и визуализировать результаты, следует отнести системы Mineset и Impromptu (BI). В частности, система Mineset содержит в себе такие инструменты, как ландшафтный визуализатор, визуализаторы дисперсии, деревьев, правил и свидетельств.»[10]

Часто используются такие технологии ИАД:

· Статические методы

· Методы разведочного анализа данных;

· нейронные сети, которые позволяют строить достоверные прогнозы, не уточняя конкретный вид тех зависимостей, на которых такой прогноз основан.

Классический разведочный анализ данных применяютдля нахождения связей когда отсутствуют (или недостаточны) априорные представления о природе связей предназначена для подтверждения гтипотез о связях между переменными, например, "Имеется положительная корреляция между возрастом человека и его/ее нежеланием рисковать").    Методы разведочного анализа данных включают:

1. основные статистические методы,

2. методы многомерного анализа, предназначенные для отыскания закономерностей в многомерных данных, более сложные и специально разработанные;

3. графические методы.

Пример отображения результатов многомерного разведочного анализа

Методы многомерного разведочного анализа для поиска закономерностей в многомерных данных: кластерный анализ, факторный анализ, анализ дискриминантных функций, многомерное шкалирование, логлинейный анализ, канонические корреляции, пошаговая линейная и нелинейная регрессия, анализ соответствий, анализ временных рядов, деревья классификации.

· Дискриминантный анализ используется для принятия решения о том, какие переменные отличают (дискриминируют) две или более возникающие совокупности (группы). Например, какие переменные относят выпускника средней школы к одной из трех категорий: (1) поступающий в колледж, (2) поступающий в профессиональную школу или (3) отказывающийся от дальнейшего образования. Для этой цели исследователь может собрать данные о различных переменных, связанных с учащимися школы. Затем можно использовать дискриминантный анализдля определения того, какие переменные дают наилучшее предсказание выбора учащимися дальнейшего пути.

· Кластерный анализ - различные алгоритмов классификации. Например, биологи ставят цель разбить животных на различные виды, чтобы содержательно описать различия между ними.

· Факторный анализ ставит целью сокращениечисла переменных и классификацию переменных - используется или как метод сокращения данных или как метод классификации.

· Дисперсионный анализ ставит целью исследование значимости различия между средними.

· Множественная регрессия ставит целью анализ связи между несколькими независимыми переменными

Классические стат. и графические методы анализа данных доступны в программных пакетах Statistica, SyStat, программах электронных таблиц, например, доступном и широко используемом табличном процессоре MS Excel.