UNIVERSITATEA BABE-BOLYAI DIN CLUJ NAPOCA

Facultatea de tiine Economice i Gestiunea Afacerilor

TEZ DE DOCTORAT

CONTRIBUII LA UTILIZAREA
SISTEMELOR DE ASISTARE A DECIZIILOR
BAZATE PE TEHNOLOGII MACHINE LEARNING
N PROBLEME DE AFACERI

- rezumatul tezei de doctorat -

Conductor tiinific:
Prof. dr. Ioan tefan NICHI

Doctorand:
Cristina Ofelia SOFRAN (cs. STANCIU)

Cluj Napoca
2010
 CUPRINS

LISTA DE FIGURI I LISTA DE TABELE .........................................................................7

INTRODUCERE ....................................................................................................................10

CAPITOLUL I. PROCESUL DECIZIONAL .....................................................................15

1.1. SISTEMUL INFORMAIONAL DECIZIONAL, COMPONENT MANAGERIAL ...................15
1.2. DECIZIA DEFINIRE, CLASIFICARE, CARACTERISTICI .....................................................20
1.3. STABILIREA I DESCOMPUNEREA PROBLEMELOR DECIZIONALE ....................................24
1.4. ADOPTAREA DECIZIILOR .................................................................................................26
1.5. MODELAREA PROCESELOR DECIZIONALE .......................................................................28
1.6. EVALUAREA PROCESELOR DECIZIONALE .......................................................................31
1.7. LIMITE I PERSEPCTIVE ALE SISTEMULUI INFORMAIONAL - DECIZIONAL .....................32
1.8. CONCLUZII I CONTRIBUII PROPRII ...............................................................................34

CAPITOLUL II. INTELIGENA ARTIFICIAL I SISTEMELE INTELIGENTE.

IMPLICAIILE TEHNOLOGIILOR MACHINE LEARNING N ASISTAREA
DECIZIILOR..........................................................................................................................36
2.1. CONCEPTUL DE SISTEM INTELIGENT ...............................................................................36
2.2. TIPURI DE SISTEME INTELIGENTE....................................................................................39
2.3. SISTEME EXPERT. PERSPECTIVELE SISTEMELOR EXPERT SI ALE INTELIGENEI
ARTIFICIALE ...........................................................................................................................42
2.4. CONSIDERAII ASUPRA CONCEPTULUI BUSINESS INTELLIGENCE...................................47
2.4.1. Factori care influeneaz BI ...................................................................................49
2.4.2. Tipuri de aplicaii de BI .........................................................................................50
2.5. CONCEPTUL MACHINE LEARNING ..................................................................................53
2.6. NVAREA REALIZAT DE SUBIECTUL UMAN I NVAREA REALIZAT DE AGENTUL
DE NVARE .........................................................................................................................56
2.7. TEHNOLOGII MACHINE LEARNING .................................................................................58
2.7.1. Arbori de decizie ....................................................................................................58
2.7.2. Tehnologia Reinforcement Learning......................................................................65
2.7.3. nvarea bazat pe exemple...................................................................................70
2.7.4. nvarea deductiv i nvarea inductiv .............................................................72
2.7.5. nvarea supervizat i nvarea nesupervizat....................................................72
2.8. APLICAII ALE MACHINE LEARNING ..............................................................................73
2.9. CONCLUZII I CONTRIBUII PROPRII ...............................................................................77

CAPITOLUL III. ELEMENTE DE PROIECTARE A SISTEMELOR DE ASISTARE A

DECIZIILOR..........................................................................................................................78
3.1. SISTEME INFORMATICE DE ASISTARE A DECIZIILOR .......................................................78
3.1.1. Consideraii teoretice cu privire la sistemele informatice de asistare a deciziilor ..78
3.1.2. Clasificri ale sistemelor informatice de asistare a deciziilor ................................82
3.1.3. Componentele sistemului informatic de asistare a deciziilor .................................86
3.1.4. Dezvoltarea sistemelor informatice de asistare a deciziilor ...................................90
3.2. SOLUII DE DEPOZITARE I EXPLOATARE A DATELOR N CADRUL SISTEMELOR DE
ASISTARE A DECIZIILOR .........................................................................................................91

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

CAPITOLUL IV. STRATEGIA DE DEZVOLTARE I IMPLEMENTARE A UNUI

SISTEM DE ASISTARE A DECIZIILOR ........................................................................126
4.1. ABORDAREA OBIECTUAL N DEZVOLTAREA SISTEMELOR DE ASISTARE A DECIZIILOR
.............................................................................................................................................126
4.2. LIMBAJE DE PROGRAMARE PENTRU DEZVOLTAREA SISTEMELOR DE ASISTARE A
DECIZIILOR...........................................................................................................................128
4.3. SELECTAREA UNEI STRATEGII DE IMPLEMENTARE .......................................................131
4.4. JUSTIFICAREA SOLUIEI DE REPREZENTARE A DATELOR PRIN INTERMEDIUL
FORMATULUI XML ..............................................................................................................134
4.4.1. Consideraii asupra setului de date utilizat ...........................................................134
4.4.2. Formatul XML pentru reprezentarea datelor........................................................136
4.4.3. Analogia dintre formatul XML propus i fiierele arff din sistemul WEKA .......139
4.5. STRUCTURA FIIERELOR XML N CADRUL SISTEMULUI PROPUS..................................142
4.6. CONCLUZII I CONTRIBUII PROPRII .............................................................................144

CAPITOLUL V. SOLUII DE DEZVOLTARE, IMPLEMENTARE I INTEGRARE

A ALGORITMILOR DE DECIZIE N CADRUL SISTEMELOR DE ASISTARE A
DECIZIILOR........................................................................................................................146
5.1. METODE DE MANEVRARE A FIIERELOR XML ...............................................................146
5.1.1. ncrcarea i salvarea fiierelor XML ..................................................................146
5.1.2. Operaii de intrare/ieire cu fiierul XML ............................................................147
5.2. STRUCTURAREA BIBLIOTECILOR DE CLASE DIN CADRUL SISTEMULUI .........................151
5.2.1. Reprezentarea entitilor XML n cadrul bibliotecii de clase ...............................151
5.2.2. Modelul top-down n biblioteca de clase .............................................................152
5.2.3. Descrierea claselor implementate .........................................................................155
5.2.4. Crearea definiiilor de atribute. ablonul Factory ................................................159
5.3. IMPLEMENTAREA ALGORITMILOR DE NVARE ..........................................................163
5.3.1. Definirea claselor abstracte pentru algoritmi .......................................................164
5.3.2. Algoritmi pentru arbori de decizie .......................................................................167
5.3.3. Algoritmi pentru nvarea bazat pe exemple. K- Nearest Neighbour ...............174
5.4. INTERFAA GRAFIC A SISTEMULUI .............................................................................180
5.5. CONCLUZII I CONTRIBUII PROPRII .............................................................................183

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

CONCLUZII I PROPUNERI ...........................................................................................202

REFERINE BIBLIOGRAFICE .......................................................................................208
ANEXE ..................................................................................................................................216
ANEXA 1. CLASE DIN ML.LIB.DATA.....................................................................................216
ANEXA 2. CLASE DIN ML.LIB.ALGORITHM ..........................................................................227

3
 INTRODUCERE

Succesul oricrei organizaii depinde n mare msur de deciziile celor aflai la

diferitele nivele de conducere, iar n condiiile economico-sociale actuale luarea
deciziilor potrivite a devenit o sarcin dificil. Dac iniial procesul decizional era
considerat n teoria managementului o activitate exclusiv uman, n urma creterii
cantitii de date i a dificultii gestionrii i procesrii acestora, procesul decizional se
desfoar cu sprijinul tehnologiilor informatice i de comunicaie. Acest fapt a condus
la abordri interdisciplinare n studiul deciziilor, la informatizarea deciziei i la apariia
sistemelor informatice de asistare a deciziilor.
Sistemele de asistare a deciziilor au rol de sprijin al managerului n abordarea de
ctre acesta a mediului complex i a situaiei cu privire la care urmeaz s fie adoptat o
decizie. Un pas important n acceptarea acestor sisteme, care a dus implicit la
dezvoltarea acestora n timp, a fost nelegerea i acceptarea ideii c aceste instrumente
nu urmresc nlocuirea decidentului, ci sprijinul i asistarea acestuia.
n condiiile dezvoltrii societii cunoaterii i a organizaiilor bazate pe
cunoatere, a sporit i complexitatea problemelor manageriale, iar sistemele informatice
de asistare a deciziilor au nceput s fie realizate utiliznd soluii ce au la baz
tehnologii ale inteligenei artificiale. Scopul abordrii tehnologiilor inteligente n
realizarea sistemelor de asistare a deciziilor a fost utilizarea raionamentului uman att
pentru a conduce la soluii pentru probleme decizionale complexe, ct i pentru a
determina un plus de cunoatere n cadrul organizaiei, sporind calitatea procesului
managerial.
Lucrarea de fa urmrete s realizeze o investigaie asupra mediului decizional
i a sistemelor informatice de asistare a deciziilor, a sistemelor inteligente i
tehnologiilor Machine Learning, i de asemenea asupra modalitilor de utilizare ale
acestor tehnologii pentru a mbunti procesul decizional. Studiul teoretic a determinat
realizarea unui software decizional avnd la baz o bibliotec de clase reprezint o
fundaie solid pentru construirea unor algoritmi de decizie compleci. Astfel a fost
cldit un mediu expandabil i reutilizabil, cu caracter practic, ce permite utilizarea
algoritmilor cu scop n asistarea decidenilor n rezolvarea unor probleme decizionale de
mare complexitate.

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

Figura i. Structura tezei

6
 CAPITOLUL I. PROCESUL DECIZIONAL

n cadrul Capitolului I. sunt descrise elementele procesului decizional, artnd

relaia dintre sistemul informaional i cel decizional, care n urma modificrilor
complexe pe care societatea le-a suferit datorit faptului c informaia a devenit resursa
esenial a organizaiei, au evoluat i ele n mod firesc. n scopul descrierii complete a
sistemului decizional, se ncepe cu detalierea noiunii de decizie, artnd caracteristicile
i clasificarea deciziilor dup o serie de criterii, definirea decidentului i a situaiei
decizionale. Este stabilit structura procesului decizional, aceasta fiind format, n
viziunea noastr, din patru etape: pregtirea deciziei, alegerea soluiei optime i luarea
deciziei, implementarea deciziei i controlul aplicrii, evaluarea rezultatelor deciziei.
Alegerea soluiei optime i adoptarea deciziei fiind etapa cea mai important a
procesului decizional, artm principalele tehnici i metode de cutare a deciziei
optime, i descriem procedeul de modelare a proceselor decizionale. Pentru ca procesul
decizional s i dovedeasc finalitatea, rezultatele acestuia se supun evalurii,
stabilindu-se astfel calitatea ntregului proces.
Sfritul secolului XX a stat sub semnul tranziiei, de la societatea industrial, n
cadrul creia principala resurs a unei ntreprinderi se identifica prin capital, la
societatea post industrial, cunoscut i sub denumirea de societate informaional, n
cadrul creia resursa cea mai de pre a devenit informaia, iar producia de baz este cea
intelectual [Nichi03]. Aceast societate informaional n care vieuim este adnc
influenat de dezvoltarea tehnologiilor informaionale i de comunicaie, care
determin o modificare substanial a procesului de informare, proces axat n jurul
noiunii de informaie, i care determin definirea structural i funcional a sistemului
informaional.
Asemenea oricrei alte activiti ntreprinse de un subiect uman, managementul
implic o serie de decizii, care se vor clasifica n funcie de diverse criterii. Decizia
poate fi definit ca o consecin a unor activiti contiente de alegere a unei direcii de
aciune i a angajrii n aceasta, ceea ce implic i alocarea de resurse pentru atingerea
scopului vizat. Luarea unei decizii este justificat prin urmtoarele elemente: decidentul,
situaia i problema de decizie, procesul decizional.
Procesul decizional ia natere dintr-o serie de activiti decizionale. Acest proces
are la baz contientizarea unei situaii decizionale i culegerea datelor, apoi continu cu

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.).

Definirea problemei ce face obiectul deciziei

Etapa I Separarea problemei de sarcina curent

Pregtirea deciziei
Determinarea gradului de noutate a problemei

Precizarea n timp i spaiu i definirea

problemei

Etapa II Analiza i elaborarea variantelor posibile

Alegerea soluiei
optime i luarea
deciziei Alegerea variantei optime i luarea deciziei
STRUCTURA
PROCESULUI
DECIZIONAL Transmiterea deciziei
Etapa III
Implementarea
Transformarea deciziei n aciune
deciziei i controlul
aplicrii
Controlul modului de realizare a deciziei

Etapa IV Stabilirea gradului de eficien al aciunii

Evaluarea
rezultatelor deciziei Evaluarea deciziei

Figura 1. Structura procesului decizional

Activitatea de modelare a procesului decizional se va realiza innd cont de

fiecare etap din structura procesului decizional (Figura 1.). Astfel, pentru fiecare
activitate decizional se vor construi unul sau mai multe modele, lund n considerare
modalitile de desfurare ale acestor activiti. Trebuie menionat c procesul de
modelare tinde s fie limitat, imperfect, deoarece n ciuda elaborrii cu maxim atenie a
modelului, acesta nu va reflecta ntocmai obiectul modelat, prin urmare poate afecta i
calitatea perspectivei asupra procesului decizional.

8
 CAPITOLUL II. INTELIGENA ARTIFICIAL I SISTEMELE
INTELIGENTE. IMPLICAIILE TEHNOLOGIILOR MACHINE
LEARNING N ASISTAREA DECIZIILOR

Capitolul II prezint la nceput concepte legate de inteligena artificial,

insistnd pe conceptul de sistem inteligent, implicaiile i utilizarea acestor sisteme
inteligente n domeniul economic. Sunt prezentate tipurile de sisteme inteligente
sistemele neuronale artificiale, sisteme inteligente bazate pe algoritmi genetici, sisteme
fuzzy, sisteme expert, sisteme hibride insistnd apoi pe o prezentare detaliat a
sistemelor expert. n contextul discuiei asupra sistemelor inteligente i a utilizrii
acestora la scar tot mai larg n domeniul economic se ajunge la conceptul Business
Intelligence, ale crui aplicaii sunt prezentate. Introducerea conceptului Machine
Learning arat c exist un efort continuu pentru realizarea sistemelor informatice care
i mbuntesc performanele prin experiena dobndit, aa-numita activitate de
nvare a acestora realizat de ctre un agent de nvare fiind similar c nvarea
realizat de subiectul uman. n prezentarea tehnologiilor Machine Learning se insist pe
arborii de decizie, tehnologia Reinforcement Learning, nvarea bazat pe exemple,
nvarea deductiv i nvarea inductiv, nvarea supervizat i nvarea
nesupervizat, acestea permind nelegerea corect a acestui concept.
Unele sisteme bazate pe tehnologii Machine Learning tind s elimine necesitatea
intuiiei umane n cadrul analizei datelor, n timp ce altele adopt o abordare
colaborativ ntre om i main. Intuiia uman nu poate fi complet eliminat din
moment ce proiectantul sistemului trebuie s specifice modul de reprezentare al datelor
i ce mecanism va fi utilizat pentru cutarea lor. Machine Learning se aseamn cu o
tentativ de automatizare a prilor unei metode tiinifice.
Machine Learning face referire la modificrile din cadrul sistemelor ce execut
diferite sarcini care au legtur cu domeniul inteligenei artificiale, sarcini ce implic
recunoatere, diagnostic, planificare, controlul roboilor, previziune, care nu pot fi
definite complet dect prin intermediul exemplelor, specificnd datele de intrare i
rezultatele ateptate. Este de dorit ca rezultatele s poat fi deduse n ipoteza n care
exist o serie de date de intrare, dar fr a avea o funcie intrare-ieire bine definit, ci
doar prin aproximarea relaiilor implicite. De multe ori ns, corelaiile i legturile se

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

Pe parcursul Capitolului III sunt discutate implicaiile sistemelor de asistare a

deciziilor n domeniul managerial. n acest sens, iniial se prezint n detaliu sistemele
informatice de asistare a deciziilor, definiii ale acestora, clasificri, componente i
direcii de dezvoltare, apoi se discut soluii de depozitare a datelor, insistnd pe
problema depozitelor de date i a tehnologiilor OLAP, respectiv pe conceptul Data
Mining. n urma abordrii acestor noiuni, se va contura o structur a unui sistem
informatic de asistare a deciziilor n cadrul unei organizaii puternic informatizat. n
cadrul aceluiai capitol sunt prezentate etape de proiectare a sistemelor software n
conformitate cu standardele ingineriei software, arhitecturile sistemelor de asistare a
deciziilor, arhitecturile sistemelor distribuite i sunt aduse n discuie sistemele de
asistare a deciziilor de grup.
Activitatea managerial din cadrul organizaiilor a suferit modificri
semnificative odat cu dezvoltarea societii informaionale, iar noile tehnologii
informaionale au influenat pozitiv cel mai important domeniu al acestei activiti, i
anume adoptarea deciziilor. Sarcinile decizionale devin din ce n ce mai greu de
ndeplinit fr ca decidentul uman s fie asistat de instrumente informatice, cunoscute
sub denumirea de sisteme informatice de asistare a deciziilor (SIAD) sau sisteme suport
de decizie (SSD).
n mod similar cu dificultatea gsirii unei definiii pentru sistemele de asistare a
deciziilor, nici asupra componentelor unui sistem de asistare a decizie nu s-a czut de
acord n rndul autorilor cu preocupri n acest domeniu. Astfel, conform lui Sprague i
Carlson, componentele sistemului informatic de asistare a deciziilor sunt:
componenta de gestiune a datelor;
componenta de gestiune a modelelor;
componenta de gestiune a dialogului cu utilizatorului;
arhitectura sistemului de asistare a deciziilor.
n accepiunea noastr, componentele unui sistem informatic de asistare a
deciziilor sunt asemntoare celor identificate de Sprague n 1982 (Figura 2.), anume:
- interfaa cu utilizatorul;
- subsistemele bazate pe cunoatere;

12
 - modulul de gestiune a datelor;
- modulul de gestiune a modelelor.

Baze de date Baza de cunotine Modele externe

interne/externe a organizaiei

Modul de gestiune Modul de gestiune

a datelor a modelelor

Subsisteme bazate
pe cunoatere

Interfaa cu utilizatorul/
Modul de gestiune a dialogului

DECIDENT

Figura 2. Componentele unui sistem de asistare a deciziilor

(adaptare dup: Lungu, 2003)

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

Baza de date Sistem

multdimensional OLAP

Metadate

Figura 3. Componentele unui sistem de asistare a deciziilor ntr-o organizaie

puternic informatizat

Tehnologiile Data Mining integrate n sistemele de asistare a deciziilor

determin existena unui instrument de asistare a deciziilor bazat nc pe interaciunea
om-main (om-sistem de calcul), iar aceste dou entiti luate mpreun reprezint un
spectru de tehnologii informatice analitice care realizeaz o platform pentru o
combinaie optim ntre o analiz dictat de date, dar condus de om [Ganguly05].
DW este o component important a unui sistem de asistare a deciziilor bazat pe
date, iar legturile acestuia cu alte componente sunt prezentate n Figura 3.

14
 CAPITOLUL IV. STRATEGIA DE DEZVOLTARE I
IMPLEMENTARE A UNUI SISTEM DE ASISTARE A
DECIZIILOR

Capitolul IV demareaz cu abordri legate de dezvoltarea efectiv a sistemelor

de asistare a deciziilor i legate de limbajele de programare pentru dezvoltarea acestora.
Se subliniaz avantajele abordrii obiectuale n dezvoltarea sistemelor de asistare a
deciziilor, justificnd mai apoi selectarea limbajului C# i a mediului integrat Microsoft
Visual Studio 2005 pentru implementarea efectiv a sistemului ce se afl la baza
prezentei lucrri. Alegerea soluiei de reprezentare a datelor prin intermediul formatului
XML se motiveaz prin compararea acestuia cu alte formate utilizate n cadrul altor
sisteme similare, dar sunt evideniate avantajele majore care arat c aceast soluie este
una n mod clar superioar. Structura stabilit pentru fiierele XML este construit pe
baza unei scheme XML, esenial pentru validarea sistemului i implicit pentru
verificarea datelor din cadrul fiierului, rezultnd astfel o modalitate de reprezentare
simpl i cu un grad de siguran sporit.
Sistemul propus i descris n continuare se vrea de fapt un framework al
unui sistem de asistare a deciziilor ce va permite implementarea unor algoritmi de
actualitate n scopul asistrii decidenilor n rezolvarea unor probleme decizionale
complexe. n acest sens, sistemul este realizat ndeplinind n msur ct mai mare
principiile Design Patterns [Gamma 95], prin urmare codul poate fi considerat
reutilizabil.
Sistemul a fost dezvoltat cu ajutorul mediului integrat de dezvoltare (IDE -
Integrated Development Environment) Microsoft Visual Studio 2005, utiliznd .NET
framework 2.0, codul fiind scris n limbajul de programare C#.
Soluia Visual Studio este mprit n dou proiecte, unul reprezentnd
programul executabil, ce conine interfaa grafic cu utilizatorul (GUI Graphical User
Interface), iar cellalt o bibliotec de clase, ce conine logica de gestionare a relaiilor,
atributelor i instanelor precum i un numr de algoritmi de decizie implementai spre
exemplificare. Aceast structur a soluiei a fost realizat cu scopul de a separa partea
de logic (nucleu) de partea de interfa, structur care de altfel este o recomandare
general n procesul de proiectare a aplicaiilor informatice.

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

Figura 4. Ansamblurile de clase din cadrul bibliotecii de clase

Ansamblul alctuit de modelele de date reprezentate n format XML mpreun

cu schemele XSD aferente i cu aplicaii dezvoltate n limbaje de programare care ofer
biblioteci de funcii pentru prelucrarea acestor modele de date (.NET, Java packages,
Qt), reprezint o soluie puternic i eficient, dar mai ales elegant din punct de vedere
al programrii orientate pe obiecte.
Ideea de a lucra cu fiiere XML a venit din cauza numeroaselor avantaje ale
acestui format, dintre care menionm:
- uurarea procesului de structurare a datelor;
- citirea fiierelor nu ntmpin dificulti, fiind din acest punct de vedere un
format asemntor formatului text;
- independena de platform fr a necesita licen.
Stocarea datelor necesare unui SIAD n format XML poate mbrca mai multe
forme, iar varianta propus n lucrarea prezent a fost inspirat de proiectul WEKA,
dezvoltat n scopuri de cercetare de ctre o echip de la Waikato University din Noua
Zeeland. Reprezentarea datelor n WEKA se realizeaz cu ajutorul formatului ARFF

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

Figura 5. Structura documentului XML

17
 CAPITOLUL V. SOLUII DE DEZVOLTARE, IMPLEMENTARE
I INTEGRARE A ALGORITMILOR DE DECIZIE N CADRUL
SISTEMELOR DE ASISTARE A DECIZIILOR

n cadrul Capitolului V sunt descrise iniial metodele de manevrare a fiierelor

XML, asigurndu-se optimizarea operaiilor de ncrcare i salvare a fiierelor, i a celor
de intrare/ieire cu fiierele XML. Soluia de implementare a sistemului este prezentat
la nivel de detaliu, cu reprezentarea entitilor XML i a modelului top-down n cadrul
bibliotecii de clase, biblioteca de clase fiind astfel realizat nct s ofere sistemului
caracterul expandabil i reutilizabil. Este realizat prezentarea claselor abstracte pentru
algoritmi, iar pentru a demonstra corectitudinea funcionalitii acestora sunt
implementai algoritmul pentru arbori de decizie (ID3) i algoritmul pentru nvarea
bazat pe exemple (K-Nearest Neighbour). La finalul acestui capitol am propus, cu titlu
exemplificativ, o variant de interfa grafic, cu scopul de a demonstra funcionarea
sistemului.
Urmnd doctrina dezvoltrii unui software orientat pe obiecte i cea a
abloanelor de dezvoltare, am considerat ca fiind potrivit crearea a cte o clas pentru
aproape toate tipurile de elemente XML aflate n cadrul unui document de relaii.
Alternativa ar fi fost ca ntreaga procesare a elementelor XML s se execute doar n
cadrul clasei RelationDocument i probabil folosirea pe toat ntinderea bibliotecii de
clase doar a claselor .NET corespunztoare entitilor XML (XmlElement, XmlAttribute,
XmlNode etc.). Aceast abordare ar fi fost n primul rnd greoi de utilizat din exteriorul
bibliotecii de clase, caracteriznd ntreaga bibliotec drept slab reutilizabil, i n al
doilea rnd metodele de ncrcare (Load) i salvare (Save) ar fi devenit aglomerate i
neinteligibile.
Dup modul n care au fost structurate documentele XML reinem c elementul
rdcin a oricrui document XML reprezentnd o relaie este Relation. Astfel, n cadrul
bibliotecii de clase va exista o clas omonim, care va implementa interfaa IXmlEntity.
n Figura 6. este reprezentat n detaliu diagrama de clase aferent claselor
principale din cadrul bibliotecii de clase.
Implementarea algoritmilor n cadrul bibliotecii de clase constituie n mod firesc
un pas major n procesul de dezvoltare software. Biblioteca de algoritmi i propune s
ofere baza unui suport tehnic solid de dezvoltare pentru aproape orice algoritm de

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

n scopul exemplificrii algoritmilor de nvare, este prezentat implementarea

algoritmului ID3 i a algoritmului KNN. Biblioteca de algoritmi a fost astfel construit
nct adugarea noilor algoritmi nu va implica probleme, dat fiind c am reuit
realizarea unui framework intuitiv, n cadrul cruia suprancrcarea metodelor este
prezent peste tot pentru a simplifica procesul.

20
 CAPITOLUL VI. VERIFICAREA, VALIDAREA I
TESTAREA SISTEMULUI DE ASISTARE A DECIZIILOR

Avnd n vedere c n realizarea oricrui sistem software verificarea, validarea i

testarea acestuia este un pas foarte important i deloc de ignorat, n ultimul capitol,
Capitolul VI, demonstrm cu ajutorul aplicaiei NUnit c sistemul funcioneaz conform
ateptrilor, prin urmare am detaliat modalitatea de testare a aplicaiei. Se va realiza o
bibliotec de clase de testare, generic i expandabil, avnd proprietatea de
polimorfism, la fel ca biblioteca de clase a sistemului asupra cruia este efectuat
testarea.
Verificarea i validarea au rolul de a asigura faptul c sistemul este potrivit
pentru ndeplinirea scopului propus. n nici un caz, realizarea acestor activiti nu vor
determina ca sistemul s fie perfect, complet lipsit de erori, ci presupun ca sistemul
rezultat s fie suficient de bun pentru sarcinile propuse.
Indiferent de metoda de testare utilizat, aceasta se va dovedi eficient doar n
condiiile n care au fost evideniate ct mai multe erori i posibilele propagri ale
acestora, care pot duna semnificativ calitii sistemului. Cu ajutorul metricilor testrii
se pot urmri progresele software-ului pe msur ce testarea i corectarea evolueaz.
Testarea unei aplicaii sau biblioteci de clase .NET se realizeaz cu ajutorul
aplicaiei NUnit, care la rndul ei ofer o bibliotec ntreag de clase i funcii specifice
testrii i validrii. Testarea se face automat, intern, printr-un mecanism de aruncare i
prindere a excepiilor n cazurile invalide.
Cea mai potrivit i recomandat practic este cea a definirii unei clase de test
pentru fiecare clas-int testat, i respectiv, a definirii unei metode de testare pentru
fiecare proprietate public din clasa-int. n cazul de fa, de exemplu, vom avea clasa
TestID3 care va testa clasa ID3, i n cadrul clasei TestID3 vom avea printre altele
metoda TestCountValues care va testa metoda CountValues din clasa ID3.
Biblioteca de funcii oferit de NUnit funcioneaz pe baza asocierii unor
atribute .NET cu clasele i metodele de testare, pentru a identifica operaiunile pe care
acestea le vor desfura n momentul rulrii suitei de teste.

21
 CONCLUZII I PROPUNERI

Lucrarea de fa evideniaz complexitatea procesului decizional n societatea

contemporan i dovedete utilitatea sistemelor informatice de asistare a deciziilor, n
condiiile n care modalitatea decizional evolueaz. Mai mult, am artat c nici
sistemele informatice clasice nu mai rspund cu succes la cerinele decidenilor, prin
urmare am propus o soluie bazat pe tehnologii de mare actualitate, mai precis,
tehnologiile Machine Learning.
Informaia reprezint baza oricrei decizii manageriale de calitate. Posibilitatea
de a desfura un proces decizional de calitate este direct proporional cu cantitatea
informaiilor de care se dispune i de calitatea acestora. Un impact semnificativ n acest
sens l au mijloacele informatice, deoarece acestea permit stocarea i gestionarea
informaiilor, respectiv faciliteaz transmiterea i punerea n practic a deciziilor n timp
util.
Procesul decizional trebuie perceput ca un proces complex, care n condiii
ideale se desfoar pe parcursul mai multor etape i faze. n acest sens se demareaz cu
pregtirea deciziei, dup care se va alege soluia optim i se va lua decizia efectiv,
apoi se implementeaz decizia i se va controla modul de realizare al acesteia. Ultima
etap, deseori trecut cu vederea, presupune evaluarea rezultatelor deciziei, cu scopul de
a se ncerca o mbuntire a eficacitii deciziilor viitoare. Etapele procesului
decizional sunt de puine ori ns respectate n aceast form n situaiile practice, n
realitate ele nefiind clar definite i delimitate. Modelarea procesului decizional se
realizeaz n concordan cu fiecare etap din structura procesului decizional, adic
pentru fiecare activitate decizional se poate construi un model, sau mai multe, dac
este cazul.
Ideea c sistemele inteligente pot ndeplini sarcini considerate pn recent
exclusiv umane a atras interesul cercettorilor din toate domeniile, aplicaiile din
domeniul inteligenei artificiale devenind numeroase i materializndu-se prin
tehnologii noi. Una dintre aceste tehnologii, generat de dezvoltarea domeniului
inteligenei artificiale i de interesul spre sisteme capabile s nvee n mod similar cu
individul uman, este reprezentat de tehnologia Machine Learning.
Sistemele bazate pe tehnologii Machine Learning nu elimin neaprat intuiia
uman, ci de obicei este preferat o abordare colaborativ ntre om i main, motiv

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

1. Airinei, D., Depozite de date, Editura Polirom, Iai, 2002

2. Airinei, D., Sisteme de asistare a deciziilor -note de curs, Universitatea A. I.
Cuza Iai, Facultatea de Economie i Administrarea Afacerilor, 2006
3. Alter, S., Decision Support Systems, Addison Wesley, 1980
4. Andone I., Mockler R., Dologite D., ugui Al., Dezvoltarea sistemelor
inteligente n economie, Editura Economic, Bucureti, 2001
5. Awad, E. M., Building Expert Systems: Principles, Procedures, and Applications,
West Publishing, Minneapolis/St. Paul, 1996
6. Bishop, C., Pattern Recognition and Machine Learning, Springer Publishing,
2006
7. Boldur-Lescu, Logica decizional i conducerea sistemelor, Ed. Academiei
Romne, Bucureti, 1992
8. Cojocariu, A., A. Munteanu, Sofran (Stanciu), Cristina-Ofelia, Machine Learning
techniques for enhancing decision support systems within organizations, 29th
International Convention MIPRO, Conference on Business Intelligence Systems
(BIS), Opatija, Croatia, May 22 -26, 2006
9. Cojocariu, A., A. Munteanu, Sofran (Stanciu), Cristina-Ofelia, On Machine
Learning Technologies for Knowledge Discovery, The 8th International
Conference on Informatics in Economy Information & Knowledge Age,
Ed.Economic, ISBN 973-8360-04-8, 2007
10. Dietterich, T. G., Machine Learning In Nature Encyclopedia of Cognitive
Science, London. Macmillan, 2003
11. Filip F.Gh., Decizie asistat de calculator: decizii, decideni metode de baz i
instrumente informatice asociate, Editura Tehnic, Bucureti, 2005
12. Gamma, E., Helm, R., Johnson, R., Vlissides, J., Design Patterns Elements of
Reusable Object Oriented Software, Addison Wesley, 1995
13. Ganguly, A. R., Gupta A., Data Mining Technologies and decision Support
Systems for Business and Scientific Applications, Encyclopedia of Data
Warehousing and Mining, Blackwell Publishing, 2005
14. Graz, P., Watson, H., Decision Support in the Data Warehouse, Prentice Hall,
Upper Saddle River Publishing, 1998
15. Hand, D., Mannila, H., Smyth, P., Principles of Data Mining, MIT Press, 2001
16. Hall, M., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., Witten, I., The
WEKA Data Mining Software: An Update, SIGKDD Explorations, Volume 11,
Issue 1, 2009
17. Holsapple, C., Whinston, A., Decision Support Systems: A Knowledge Based
Approach, St. Paul, West Publishing, 1996
18. Inmon, W.H., Building the Data Warehouse, 3rd Edition, Wiley Computer
Publishing, USA, 2002

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