Documente Academic
Documente Profesional
Documente Cultură
TEZ DE DOCTORAT
CONTRIBUII LA UTILIZAREA
SISTEMELOR DE ASISTARE A DECIZIILOR
BAZATE PE TEHNOLOGII MACHINE LEARNING
N PROBLEME DE AFACERI
Conductor tiinific:
Prof. dr. Ioan tefan NICHI
Doctorand:
Cristina Ofelia SOFRAN (cs. STANCIU)
Cluj Napoca
2010
CUPRINS
1
3.2.1. Depozite de date i tehnologii OLAP .....................................................................92
3.2.2. Data Mining tehnologii avansate de procesare a datelor .....................................98
3.3. ETAPE N DEZVOLTAREA SISTEMELOR SOFTWARE .......................................................104
3.4. PROIECTAREA ORIENTAT PE OBIECTE.........................................................................107
3.5. PRINCIPII DE PROIECTAREA INTERFEEI CU UTILIZATORUL .........................................109
3.6. ARHITECTURA SISTEMELOR DE ASISTARE A DECIZIILOR ..............................................113
3.6.1. Arhitectura n reea ...............................................................................................113
3.6.2. Arhitectura centralizat ........................................................................................114
3.6.3. Arhitectura ierarhizat ..........................................................................................114
3.7. ARHITECTURI DE SISTEME DISTRIBUITE .......................................................................116
3.7.1. Arhitectura multiprocesor.....................................................................................117
3.7.2. Arhitectura client-server .......................................................................................117
3.7.3. Arhitectura de obiecte distribuite .........................................................................120
3.8. SISTEME DE ASISTARE A DECIZIILOR DE GRUP..............................................................121
3.9. CONCLUZII I CONTRIBUII PROPRII .............................................................................124
2
CAPITOLUL VI. VERIFICAREA, VALIDAREA I TESTAREA SISTEMULUI DE
ASISTARE A DECIZIILOR ...............................................................................................185
6.1. VERIFICAREA I VALIDAREA SISTEMELOR SOFTWARE..................................................185
6.2. NECESITATEA TESTRII SISTEMULUI DE ASISTARE A DECIZIILOR .................................187
6.3. TESTAREA APLICAIEI .NET.........................................................................................189
6.3.1. Practici de testare .................................................................................................189
6.3.2. Testarea bibliotecii de clase .................................................................................191
6.3.3. Testarea efectiv ...................................................................................................194
6.3.4.Testarea claselor de date decizionale ....................................................................198
6.4. CONCLUZII I CONTRIBUII PROPRII .............................................................................201
3
INTRODUCERE
4
Lucrarea este structurat pe ase capitole (figura i), n prima parte insistnd pe
prezentarea teoretic a noiunilor de baz i a conceptelor utilizate, apoi continund cu
descrierea modalitii de realizare a sistemului propus.
n cadrul societii contemporane, denumit societatea cunoaterii, organizaiile
trebuie s-i adapteze managementul unei gndiri proactive, s accepte ideea de
raionalizare a componentei informaionale i decizionale, cu scopul de a deveni din ce
n ce mai competitive i performante. O infrastructur informatic bine pus la punct,
mpreun cu sistemele informatice de asistare a deciziilor, constituie un sprijin
incontestabil al decidenilor care se confrunt cu o multitudine de probleme n cadrul
unei organizaii.
Lucrarea se dorete a fi o abordare nou n ceea ce privete dezvoltarea
sistemelor de asistare a deciziilor, evideniind noi modaliti de implementare a
algoritmilor de decizie, prin intermediul unui sistem expandabil care a fost implementat
respectnd principii avansate de ingineria programrii. Soluia abordat este un rspuns
la trendurile impuse de nivelul actual al tehnologiilor software i permite implementarea
unor sisteme de asistare a deciziilor utiliznd cele mai noi tehnologii Machine Learning.
5
CAPITOLUL II.
CAPITOLUL I. Inteligena artificial i
Procesul decizional sistemele inteligente.
Implicaiile tehnologiilor
Machine Learning n
asistarea deciziilor
- Business
- decizia
Intelligence
- procesul
- arbori de decizie
decizional
- Reinforcement
- modelare
Learning
- evaluare
- aplicaii ML
- limite
CAPITOLUL III.
Elemente de proiectare a
sistemelor de asistare a
deciziilor
- Data Mining
- depozite de
date
- interfa
- arhitecturi
SIAD CAPITOLUL V.
CAPITOLUL IV. Soluii de dezvoltare,
Strategia de dezvoltare i implementare i integrare
implementare a unui a algoritmilor de decizie
sistem de asistare a n cadrul sistemelor de
deciziilor asistare a deciziilor
- limbaje de - biblioteca de
programare clase
- soluia C# - ID3
- formatul XML - KNN
- scheme XML - interfaa
grafic
CAPITOLUL VI.
Verificarea, validarea i
testarea sistemului de
asistare a deciziilor
- NUnit
- testarea
bibliotecii de
clase
6
CAPITOLUL I. PROCESUL DECIZIONAL
7
cutarea, proiectarea i modelarea alternativelor, alegerea soluiei propice, iar n final se
va adopta decizia i se vor evalua rezultatele respectivei direcii de aciune.
Procesul decizional se desfoar pe parcursul a mai multor etape i faze, iar
structura procesului decizional rezult din numrul i ordinea de succesiune a etapelor.
Procesul decizional se desfoar pe parcursul a patru etape principale, fiecare etap
cuprinznd mai multe faze (Figura 1.).
8
CAPITOLUL II. INTELIGENA ARTIFICIAL I SISTEMELE
INTELIGENTE. IMPLICAIILE TEHNOLOGIILOR MACHINE
LEARNING N ASISTAREA DECIZIILOR
9
afl ascunse n cadrul cantitilor uriae de date, dar prin intermediul tehnologiilor
Machine Learning acestea pot fi extrase.
Deseori sunt proiectate sisteme care nu funcioneaz eficient n mediul n care
sunt utilizate, deoarece anumite caracteristici ale modului de lucru nu au putut fi clar
definite la momentul construirii lor, dar metodele Machine Learning vin n sprijinul
acestora. Informaiile se diversific i genereaz noi fluxuri de cunotine, ceea ce ar
necesita reimplementarea sistemelor de inteligen artificial, dar avnd n vedere c
aceasta nu este o soluie practic, se preconizeaz faptul c tehnologiile Machine
Learning ar face fa cu succes acestor situaii.
Domeniul Machine Learning caut s rspund la ntrebarea cum se pot realiza
sisteme informatice care i mbuntesc performanele prin experien, i care sunt
legile fundamentale care guverneaz toate procesele de nvare?. Pentru a deschide
calea ctre rspunsul la aceast ntrebare, n cele ce urmeaz vom prezenta o a analogie
ntre nvarea realizat uman i cea a unui agent de nvare, i vom descrie cteva
tehnologii uzuale din acest domeniu.
Una dintre tehnologiile Machine Learning de mare importan o reprezint
arborii de decizie. Arborii de decizie sunt o tehnic aplicabil att pentru clasificare ct
i pentru predicie, rezultatul lund forma unei arborescene care prezint o ierarhie de
reguli logice stabilite automat prin explorarea unei baze de exemple. Exemplele au
forma unor nregistrri compuse din mai multe atribute. Regulile se obin ca efect al
subdivizrii din ce n ce mai detaliate a ansamblului exemplelor, n funcie de coninutul
atributelor.
Arborii de decizie se dovedesc a fi instrumente excelente pentru realizarea de
decizii financiare sau legate de numere, n cazurile n care o cantitate mare de
informaie complex trebuie s fie luat n calcul. Acetia ofer o structur eficient prin
care deciziile alternative i implicaiile alegerii acestora pot fi evaluate, i ajut la
formarea unei viziuni corecte, echilibrate a riscurilor i recompenselor care pot rezulta
n urma unei anumite alegeri.
Majoritatea algoritmilor dezvoltai pentru arbori de decizie utilizai cu succes n
probleme de nvare sunt variaiuni ale aceluiai algoritm care implic o cutare
descendent n spaiul de arbori de decizie posibili. Un exemplu n acest sens este
algoritmul ID3, realizat n 1986 de ctre profesorul australian J.R. Quinlan, i
succesorul acestui algoritm, C4.5.
10
Reinforcement Learning se refer la un tip de algoritm Machine Learning. Ideea
algoritmului este foarte simpl: un agent exploreaz un mediu iar n final primete o
recompens sau o penalizare. Astfel, agentul afl dac a procedat corect sau nu, fr a i
se explica motivele.
n Reinforcement Learning, numit i nvarea cu un critic sau nvarea
recompensat, nu se ofer nici un fel de indicii despre ateptri, singurul feedback fiind
c rezultatul va fi categorisit ca fiind corect sau greit. Situaia este similar cu cea a
unui critic ce afirm doar c un anumit lucru e corect sau greit, dar nu precizeaz n ce
sens este greit. Deseori ns recompensa este amnat. Aceste tehnici de nvare a
cror recompens este ntrziat este momentan testat n anumite jocuri, cum ar fi ah
sau table.
Reinforcement Learning se refer la o clas de probleme care prezint un agent
ce exploreaz un mediu, i n acest mediu agentul nregistreaz diverse aciuni. Mediul
este cel care rspunde la aciuni prin recompense sau penalizri.
Algoritmii Reinforcement Learning caut s gseasc un mod de aciune n aa
fel nct s se maximizeze recompensa. Subiectului care trebuie s nvee nu i se spune
n ce direcie trebuie s acioneze, ca n cazul majoritii tehnicilor Machine Learning, ci
acesta trebuie s descopere singur care aciune i va aduce cea mai eficient recompens
prin ncercarea aciunilor.
n cazurile cele mai complexe, aciunile efectuate vor afecta nu doar
recompensele imediate, ci i pe cele viitoare. Prin urmare tehnica Reinforcement
Learning se distinge prin dou caracteristici: cea de ncercare eec i cea de
recompens amnat. Reinforcement Learning nu se va defini prin descrierea
caracteristicilor metodelor de nvare, ci prin caracterizarea problemei de nvare.
Ideea de baz este faptul c trebuie s fie nelese aspectele problemei reale cu ajutorul
unui agent de nvare, care e capabil de a nelege domeniul i capabil de a lua msurile
corespunztoare.
11
CAPITOLUL III. ELEMENTE DE PROIECTARE A SISTEMELOR
DE ASISTARE A DECIZIILOR
12
- modulul de gestiune a datelor;
- modulul de gestiune a modelelor.
Subsisteme bazate
pe cunoatere
Interfaa cu utilizatorul/
Modul de gestiune a dialogului
DECIDENT
La nivelul unei organizaii avem de-a face cu cantiti foarte mari de date, care
provin att din surse interne, ct i din surse externe. Sursele interne sunt reprezentate n
mare parte de sistemul de producie, n timp ce sursele externe de date sunt reprezentate
de parteneri, clieni, mediu, pia etc. Volumul datelor provenite din surse interne este
superior volumului datelor ce provin din surse externe, dar acesta din urm este n
cretere datorit dezvoltrii unor tehnici avansate de colectare a datelor.
Volumul important de date din cadrul ntreprinderii trebuie s fie nmagazinat i
pstrat n siguran, pentru a putea fi exploatat, principalele medii de stocare al acestora
fiind reprezentate de depozitul de date i magazia de date.
Tehnologiile disponibile pentru gestionarea datelor i informaiilor trebuie s
contribuie la o mai bun nelegere a trecutului i la previzionarea viitorului prin
intermediul eficientizrii deciziilor luate, aici intervenind tehnologiile Data Mining.
DW pot fi deosebit de utile diferitelor categorii de decideni, iar principalele
moduri n care se beneficiaz de datele din cadrul DW sunt soluiile de procesare
analitic on-line (OLAP) i tehnicile Data Mining. Tehnologia OLAP se refer la
posibilitatea de agregare a datelor din cadrul unui DW, avnd capacitatea de a obine
din volumul mare de date informaii utile procesului decizional din cadrul unei
13
organizaii. Conform specialitilor, un termen alternativ care ar fi mai reprezentativ
pentru descrierea conceptului OLAP ar fi FASMI (Fast Analysis of Shared
Multidimensional Information Analiza rapid a informaiilor partajate
multidimensionale). Esena oricrui sistem OLAP este cubul OLAP, cunoscut i sub
denumirea de cub multidimensional, format din fapte numerice numite msuri,
categorisite dup dimensiuni. Aceste msuri rezult din articolele tabelelor din cadrul
bazelor de date relaionale. Rezultatele cerinelor utilizatorilor pot fi obinute prin
parcurgerea dinamic a dimensiunilor cubului de date, la diferite niveluri de sintez sau
detaliere.
SIAD
Analiz i rapoarte
specializate
DATE EXTERNE
DEPOZIT INTERFAA
DE DATE Data mining CU
UTLIZATORUL
Metadate
14
CAPITOLUL IV. STRATEGIA DE DEZVOLTARE I
IMPLEMENTARE A UNUI SISTEM DE ASISTARE A
DECIZIILOR
15
Proiectul aferent bibliotecii de clase utilizate n sistemul menionat conine mai
multe ansambluri de clase, i implicit mai muli identificatori (Figura 4.). Ansamblul de
clase de baz se va numi ML.Core; clasele legate de relaii i subcomponentele acestora
se vor afla n ansamblul de clase ML.Core.Relations, iar algoritmii se vor afla n
ansamblul de clase ML.Core.Algorithms.
ansamblul de clase
ML.Core de baz
clase legate de
ML.Core.Relations relaii
clasele aferente
ML.Core.Algorithms algoritmilor
16
(Attribute-Relation File Format), care este un fiier text ce descrie o list de instane ale
unui set de atribute.
Similar cu maniera n care WEKA stocheaz aceste date n fiiere text, n fiierul
XML se vor defini mai nti atributele utilizate, identificate prin nume i tip, apoi datele
propriu-zise, aa-numitele instane, fiecare reprezentnd o enumerare de valori ale
atributelor anterior definite. Lipsa unor atribute din definiia unei instane denot o
valoare necunoscut care va fi tratat diferit de algoritmii de decizie.
Dac este s evideniem mbuntirile fa alte formate utilizate, cum ar fi
formatul simplu de tip text (plain-text) implementat spre exemplu de WEKA, acestea se
concretizeaz n faptul c fiierul XML poate fi validat la ncrcare, folosind o schem
de validare XML i funciile oferite de biblioteca de clase care include i metoda de
parcurgere a documentului XML. De asemenea, se poate realiza i o validare la scrierea
fiierului XML pe disc, pentru a verifica dac fiierul va fi scris corect i va trece de o
validare la ncrcare ulterioar.
Documentul XML gestionat de sistem reprezint o aa-numit relaie, elementul
Relation aflndu-se la rdcina arborelui XML (Figura 5.), acest element nglobnd
dou elemente majore: lista de definiii ale atributelor (Attributes) i lista de instane
(Instances) aferente acestor atribute. Fiecrei relaii i se va atribui un nume, pentru a
facilita identificarea, nume care va fi afiat n bara de titlu a interfeei grafice a
aplicaiei.
DOCUMENTUL XML
RELATION
ATTRIBUTES INSTANCES
name type
17
CAPITOLUL V. SOLUII DE DEZVOLTARE, IMPLEMENTARE
I INTEGRARE A ALGORITMILOR DE DECIZIE N CADRUL
SISTEMELOR DE ASISTARE A DECIZIILOR
18
decizie, i totodat s prezinte utilizatorilor acestei biblioteci posibilitatea de a folosi
clasele de baz definite aici drept punct de plecare pentru implementarea de noi
algoritmi, care se folosesc de un set de date ce poate fi reprezentat n formatul XML
descris n capitolele anterioare (Figura 7.).
Figura 6. Diagrama de clase aferent claselor principale din cadrul bibliotecii de clase
19
Figura 7. Ierarhia de clase de algoritmi
20
CAPITOLUL VI. VERIFICAREA, VALIDAREA I
TESTAREA SISTEMULUI DE ASISTARE A DECIZIILOR
21
CONCLUZII I PROPUNERI
22
pentru care acestea se preteaz a fi utilizate i la realizarea sistemelor de asistare a
deciziilor.
Principalele tehnologii Machine Learning asupra crora am insistat n studiul
teoretic sunt arborii de decizie i Reinforcement Learning, dar am trecut n revist i
altele, cum ar fi nvarea bazat pe exemple, nvarea deductiv i nvarea inductiv,
nvarea supervizat i nvarea nesupervizat.
Sistemele informatice de asistare a deciziilor sunt acele sisteme care vin n
sprijinul decidentului uman n soluionarea problemelor decizionale complexe,
semistructurate i nestructurate. Un aspect important de subliniat este faptul c n
continuare omul deine controlul asupra procesului decizional, iar aceste sisteme doar
ofer alternative de decizie, fundamentate cu ajutorul instrumentelor de modelare i
analiz a datelor.
Avnd n vedere c n cadrul organizaiilor avem, de obicei, de-a face cu un
volum foarte mare de date, care trebuie nmagazinate i pstrate, apoi gestionate i
prelucrate, s-au cutat soluii eficiente pentru optimizarea acestor procese. O soluie n
acest sens este depozitul de date, sistem complex care conine datele operaionale i
istorice ale organizaiei, provenite att din surse interne, ct i externe. n ceea ce
privete prelucrarea volumului uria de date, tehnologia Data Mining rspunde cu
succes acestei provocri. Tehnologiile Data Mining sunt potrivite pentru stabilirea de
abloane n cadrul seturilor de date, chiar date brute, neprocesate, oferind diferite
rezultate ce pot fi utilizate n cadrul sistemelor informatice de asistare a deciziilor.
Principalul obiectiv al lucrrii a fost acela de a pune bazele unei biblioteci de
clase care permite implementarea unor algoritmi de decizie compleci. Astfel a fost
realizat un mediu expandabil i reutilizabil, ce permite crearea algoritmilor de
actualitate ce au ca scop asistarea decidenilor n rezolvarea unor probleme decizionale
de mare complexitate. De asemenea, n prealabil s-a urmrit realizarea unui studiu bine
fundamentat cu privire la mediul decizional, la sistemele informatice de asistare a
deciziilor i la tehnologiile Machine Learning, respectiv la modalitile n care aceste
tehnologii pot interveni n eficientizarea i modernizarea procesului decizional.
n ansamblul ei, soluia prezentat este una puternic i eficient, elegant din
punct de vedere al programrii orientate pe obiecte, fiind format din modele de date
reprezentate n format XML mpreun cu schemele XSD aferente i cu aplicaii
dezvoltate n limbajul de programare C#, care ofer biblioteci de funcii pentru
prelucrarea acestor modele de date.
23
Aplicaia a fost inspirat de proiectul WEKA, sistem utilizat pentru aplicaii
Machine Learning, ce ofer o interfa uniform cu utilizatorul, dar i un numr de
algoritmi diferii, inclusiv cei de inducie a regulilor, nvarea bazat pe exemple
algoritmi de regresie, algoritmi pentru reguli relaionale. WEKA este un sistem ce se
poate aplica foarte bine pentru rezolvarea problemelor de Data Mining. Formatul
fiierului, dei soluia propus folosete formatul XML, conine aceleai informaii care
se regsesc n formatul .arff definit de WEKA.
Ideea de a utiliza fiiere XML a fost determinat de numeroasele avantaje ale
acestui format. Astfel, formatul XML permite ca procesul de structurare a datelor s se
realizeze cu mare uurin, iar citirea acestor fiiere nu impune dificulti, fiind oarecum
similare cu formatul text. De asemenea, fiierele XML se preteaz pentru reprezentarea
structurilor arborescente i, foarte important, validarea datelor din cadrul lor se
realizeaz prin intermediul unor scheme XML. Prin urmare o mbuntire important
fa alte formate utilizate.
Particulariznd pentru cazul realizrii unui framework pentru un sistem integrat
de asistare a deciziilor, considerm c formatul XML este potrivit, dat fiind c poate
reprezenta i trata cu uurin structuri arborescente, este simplu de utilizat i nu impune
multe probleme n cazul alterrii structurilor (este flexibil) dar prezint un dezavantaj,
i anume faptul c nu exceleaz n cazul cantitilor foarte mari de date, nefiind
indexabil.
Adugarea implementrii claselor reprezentnd algoritmi n cadrul bibliotecii de
clase a venit n mod natural ca o parte important a procesului software. Aceast
seciune a bibliotecii de clase a fost conceput avnd n minte caracteristicile principale
ale algoritmilor i ale tipurilor de algoritmi, dar i intenionnd s oferim posibilitatea
extinderii acestor clase pentru orice abstractizare a unei implementri a unui algoritm.
n mod evident, direciile de studiu din cadrul acestei lucrri nu au fost epuizate.
Avem n vizor continuarea cercetrilor n domeniul sistemelor informatice de asistare a
deciziilor bazate pe tehnologii Machine Learning. De la bun nceput am avut n vedere
posibilitatea de dezvoltare viitoare a aplicaiei, cu scopul de a permite implementarea
mai multor algoritmi de decizie i posibilitatea de a utiliza noi tehnologii.
O direcie de dezvoltare viitoare ar fi posibilitatea de comunicare a aplicaiei cu
alte baze de date. n acest sens, avem n vedere posibilitatea de a utiliza baze de date
MySQL n prim faz, iar ulterior orice alte conexiuni, pentru a permite lucrul cu
cantiti foarte mari de date. Portarea poate fi realizat uor, dat fiind c exist deja
24
implementarea claselor, trebuind doar s fie adaptate i conectate la entiti din baze de
date. De asemenea, ca o alt direcie de studiu viitoare, de mare actualitate, ar fi Web
Services, ce presupune crearea de metode web (ASP .NET) care s permit iniializarea
setului de date i executarea de algoritmi asupra acestora.
Concluzia principal ce se desprinde este c lucrarea prezint o abordare nou n
ceea ce privete dezvoltarea sistemelor de asistare a deciziilor, evideniind noi
modaliti de implementare a algoritmilor de decizie, prin intermediul unui sistem
expandabil care a fost implementat respectnd principii avansate de ingineria
programrii.
25
BIBLIOGRAFIE SELECTIV
26
19. Jurca, I., Ingineria programrii note de curs Universitatea Politehnica
Timioara, Facultatea de Automatic i Calculatoare, 2003
20. Langley, P, Elements of Machine Learning, Morgan Kaufmann, San Francisco,
1996
21. Lucey, T., Management Information Systems 7th edition, DP Publications,
London, 1995
22. Lungu, I, colectiv, Sisteme informatice Analiz, proiectare i implementare,
Editura Economic, Bucureti, 2003
23. Militaru, V., Studiu comparat asupra tehnicilor de data mining utilizate n
rezolvarea problemelor de regresie i clasificare, Revista Informatica
Economica, nr. 3(27), 2003
24. Mitchell, T., Machine Learning, McGraw Hill Publishing, 1997
25. Myers, G. J., The Art of Software Testing, Wiley & Sons Publishing, New Jersey,
2004
26. Nicolescu, O. i alii, Sistemul informaional managerial al informaiei, Ed.
Economic, Bucureti, 2001
27. Nilsson, N. J., Introduction to Machine Learning: An Early Draft of a Proposed
Textbook, Stanford University, 1996
28. Nichi, t., Avram-Nichi, Rodica, Data mining, o nou er n informatic,
Revista Byte, Romnia, http://www.byte.ro/byte97-02/18tend.html, Februarie
1997
29. Nichi, t., Racovian, D., colectiv, Iniiere n informatica economic i de
afaceri, Editura Risoprint, Cluj-Napoca, 2003
30. Oancea, Mirela, Sisteme informatice pentru asistarea deciziei financiare, Editura
ASE, Bucureti, 2005
31. Oprea, D., Analiza i proiectarea sistemelor informaionale economice, Editura
Polirom, Iai, 1999
32. Power, D., Decision Support Systems Hyperbook., Cedar Falls, IA:
DSSResources.COM, http://dssresources.com/dssbook/, 2000
33. Power, D., Decision Support Systems: Concepts and Resources for Managers,
Westport, 2002
34. Quinlan, J. R., Induction of Decision Trees, Mach. Learn. 1, 1 (Mar. 1986), 81-
106, 1986
35. Radu, I, Vldeanu, D., Fundamentarea deciziilor complexe prin tehnici de
simulare, Editura Economic, Bucureti, 2002
36. Radu, I., colab, Informatic i management o cale spre performan, Editura
Universitar, Bucureti, 2005
37. Russell, S. J., Norvig, P., Artificial Intelligence: A Modern Approach (2nd ed.),
Upper Saddle River, New Jersey: Prentice Hall, 2003
38. Schneiderman, B., Design the User Interface, Addison Wesley Publisher, 1997
27
39. Sofran (Stanciu), Cristina Ofelia, Importana sistemelor de asistare a deciziei n
cadrul societii informaionale, ANALE Seria tiine Economice (Universitatea
Tibiscus din Timioara), Vol. XII, ISSN 1582 6333, 2006
40. Sofran (Stanciu), Cristina Ofelia, Decision Support Systems Present and
Perspective, Universitatea din Oradea Facultatea de tiine Economice
Integrarea European noi provocri pentru economia Romniei Anale Seria
tiine Economice (Universitatea din Oradea) TOM XIV ISSN 1582 5450,
2007
41. Sofran (Stanciu), Cristina Ofelia, Solutions for the development of Decision
Dupport Systems, ANALE Seria tiine Economice (Universitatea Tibiscus din
Timioara), Vol. XV, ISSN. 1582 6333, 2008
42. Sofran (Stanciu), Cristina Ofelia, Business intelligence for the decision system
improvement, Proceedings of the International Conference Research people and
actual tasks on multidisciplinary sciences, Lozenec, Bulgaria, 2007
43. Sofran (Stanciu), Cristina Ofelia, A. Cojocariu, A. Munteanu, On Decision
Trees Algorithms for Economic Processes Enhancement, microCAD International
Scientific Conference, Miskolc, Hungary, 2008
44. Sofran (Stanciu), Cristina Ofelia, A. Cojocariu, XML Technologies for
Improving Data Management for Decision Algorithms, 20th DAAAM
International Conference, Vienna, 2009
45. Sommerville, I., Software Engineering (6th Edition), Addison Wesley
Publishing, 2000
46. Sprague, R. H., Carlson, E. D., Building effective decision support systems,
Prentice-Hall, 1982
47. Turban E., Aronson J., Decision Support Systems and Intelligent Systems,
Prentice Hall, SUA, 2001
48. Turban, E., McLean, E., Wetherbe, J., Information Technology For Management:
Improving Quality And Productivity, John Wiley Publishing, 1995
49. De Ville, B., Decision Trees for Business Intelligence and Data Mining, SAS
Press Series, 2006
50. Vlahovic, N., Discovering Tacit Knowledge in Business Decision Making,
WSEAS TRANSACTIONS on BUSINESS and ECONOMICS, Issue 3, Volume
5, Pages 72-81, March 2008
51. van der Vlist, E., The W3C's Object-Oriented Descriptions for XML, OReillys
Publishing, 2002
52. Witten, I. H., Frank, E., Data Mining Practical Machine Learning Tools and
Techniques, Second Edition, Norgan Kaufmann Publishing, 2005
53. Witten, I. H, Frank, E., Trigg, L., Hall, M., Holmes, G., Cunningham, S. J.,
Weka: Practical Machine Learning Tools and Techniques with Java
Implementations, Proceedings of the ICONIP/ANZIIS/ANNES'99 Workshop on
Emerging Knowledge Engineering and Connectionist-Based Information Systems
192-196, 1999
54. Zaharie D., Albulescu F., Bojan I., Ivacenco V., Vasilescu C., Sisteme
informatice pentru asistarea deciziei, Editura Dual Tech, 2001
28