知识是数据和信息集合的整体-read.docVIP

《专家系统与知识工程》复习要点 知识工程是人工智能技术与专家系统发展相结合的产物，它是数据工程的高级阶段。知识工程是设计和实现知识库系统及知识库应用系统的理论、方法和技术，是研究知识获取、知识表示、知识管理和知识运用的一门学科。 数据库技术是构成数据工程的中心和基础，数据库工程也就是数据工程。 通常数据工程的设计与实现包括三个基本环节：概念数据模型的分析与设计、逻辑数据模型分析与设计、物理数据模型的设计。 知识是数据和信息集合的整体。只有当信息被系统地、有目的地积累起来时，才能转变成知识。 知识是由信息描述的，信息则是用数据来表达的； 知识工程是设计和实现知识库系统及知识库应用系统的理论、方法和技术，是研究知识获取、知识表示、知识管理和知识运用的一门学科。 知识工程处理的对象是知识，知识种类及知识的表示方式： 1.）第一类：关于事实和现象的知识。（Know_what） 第二类：自然原理和领域规律性知识。（Know_why） 第三类：关于技能和能力的知识。（Know_how） 第四类：关于谁的知识。（Know_who） 2.）产生式、函数式、逻辑式、对象式、语义网络、框架结构、状态过程等多种形式。 数据信息知识三者的关系：数据是指客观事物的属性、数量、位置及其相互关系的符号描述。信息是数据在特定场合下的具体含义，信息是对数据的解释。知识是一个或多个信息关联在一起形成的有价值的信息结构，是对客观规律的认识，是高层次的信息。也就是说，知识是数据和信息集合的整体。由此可见，数据是记录信息的符号，信息是对数据的解释，知识是信息的概括和抽象；数据经过解释处理形成了信息，信息又经过加工过程形成了知识；知识是由信息描述的，信息则是用数据来表达的；从数据到信息的转换是一个数据处理过程，从信息到知识的转换是一个认知的过程。这就是数据、信息和知识之间的相互依存的辨证关系。 知识工程是一个远比数据工程复杂的多的领域，也是一个比数据工程更富于挑战性的领域，表现在：1、知识种类比较多2、知识的表示方式比较多3、要有一个较好的知识表示方式和知识管理机制 在知识工程中，最为困难的问题是知识获取，一般来说，获取知识的方法有两种情况： 1、由知识工程师从领域专家那里获取知识，即：人工获取。 2、从数据库数据中发现知识（KDD），即数据挖掘。 决策支持系统（DSS—decision support system） （DW—Data Warehouse ） 知识工程、数据工程、软件工程三者在应用系统形成过程中的本质区别。 需求分析阶段：（what-to-do） 数据工程：把E-R图作为分析阶段的结果。 知识工程：还要分析问题之间的关联关系，从而定义问题的求解规则。 软件工程：进一步进行功能分解，产生功能的层次结构。 设计阶段（how-to-do） 数据工程：要解决的问题是从概念结构的关联中寻找极小化的逻辑结构。 知识工程：要解决的问题是从概念结构的关于关联的关联中寻找极小化的逻辑结构。 软件工程：要解决的问题是功能的划分以及功能模块之间的接口。 实现阶段： 数据工程：按照要求对数据库中的数据进行适当的调整。 知识工程：除了针对具体问题做一些适当的调整外，几乎不做什么事情。 软件工程：则意味着编程、写代码、调试、维护等一系列工作的开始。 知识库系统中的知识可分数据级、知识库级、推理机级三级来描述。 由数据库发展数据仓库主要的原因：数据太多，知识完全；异构环境数据的转换和共享；利用数据进行事务处理转变为利用数据进行决策支持。 数据仓库是一个“面向主题的”、“完整的”、“非易失的”、“不同时间的”、“用于支持决策管理”的数据集合。 数据仓库 是为决策支持服务的； 数据库系统 是为事务处理服务的。 非易失性指的是数据仓库是只读的，数据一旦经集成进入数据仓库后，数据一般不能被回写，也就是说数据是稳定的，具有稳定性 数据仓库中的数据时限为： 1~5 5-10年 10~15 15~20 数据仓库和数据库存在着根本不同：1、数据存储方式的不同 2、数据存储量的不同 3、存储的结构不同 数据库的存储格式一般是二维平面式的，数据仓库由于涉及到时间，主题等因素是一个多维的超立方体结构形式，大多采用量型模型。 数据仓库的数据量是数据库数据量的100倍，数据量大的原因在于： （1）数据库中的数据是按决策主题重新组织并集成起来的数据； （2）保留了大量的历史数据，用于预测分析； （3）对当前数据进行了轻度或高度综合后形成 了综合数据。 数据仓库中的数据 =当前数据 + 历史数据 + 综合数据 数据载入是一个比较复杂的过程，操作数据向数据仓库的移动通常分为提取、转换、