Documente Academic
Documente Profesional
Documente Cultură
1
Cuprins:
2
Clustering .............................................................................................................................................................................. 17
Descrierea .............................................................................................................................................................................. 17
Arborii de decizie .................................................................................................................................................................. 18
Metoda K-Nearest Neighbor ................................................................................................................................................. 19
Lanțuri Markov...................................................................................................................................................................... 20
Clasificarea Bayesiana........................................................................................................................................................... 21
Întrebări pentru autoevaluare ................................................................................................................................................. 24
Unitatea de învățare 5................................................................................................................................................................. 25
Prelucrarea analitica online ........................................................................................................................................................ 25
Prelucrarea analitica online ................................................................................................................................................... 25
Caracteristicile unui sistem multidimensional ....................................................................................................................... 25
Clasificarea și compararea instrumentelor OLAP ................................................................................................................. 25
Operații realizate asupra modelului multidimensional .......................................................................................................... 26
Studiu de caz ......................................................................................................................................................................... 26
Întrebări pentru autoevaluare ................................................................................................................................................. 29
Unitatea de învățare 6................................................................................................................................................................. 30
Analiza și proiectarea Sistemelor informatice pentru asistarea deciziei .................................................................................... 30
Modelarea datelor .................................................................................................................................................................. 30
Procesul de normalizare .................................................................................................................................................... 30
Modelarea semantica ........................................................................................................................................................ 30
Modelarea orientata-obiect ............................................................................................................................................... 32
Concepte de bază ale modelarii prelucrărilor ........................................................................................................................ 33
Procesul ............................................................................................................................................................................ 33
Operația ............................................................................................................................................................................ 33
Tipul de operație ............................................................................................................................................................... 33
Regula de emisie............................................................................................................................................................... 34
Evenimentul...................................................................................................................................................................... 34
Sincronizarea .................................................................................................................................................................... 34
Dinamica modelului conceptual al prelucrărilor............................................................................................................... 34
Întrebări pentru autoevaluare ................................................................................................................................................. 35
Unitatea de învățare 7................................................................................................................................................................. 36
Dezvoltarea și testarea Sistemelor Informatice pentru Asistarea Deciziei ................................................................................. 36
Universal Modeling Language .............................................................................................................................................. 36
Diagrama cazurilor de utilizare ........................................................................................................................................ 36
Metode de Testare ................................................................................................................................................................. 39
Întrebări de autoevaluare ....................................................................................................................................................... 40
Teste de evaluare ........................................................................................................................................................................ 40
Bibliografie................................................................................................................................................................................. 40
3
Unitatea de învățare 1
Date, informații, cunoștințe
Datele sunt fapte brute, neprelucrate despre evenimente care nu au semnificație în sistem și nu sunt
organizate. Datele pot fi totuși organizate într-o manieră în care pot fi utile sau pot primi semnificație
pentru sistem. Când datele se organizează astfel încât să aibă semnificație pentru sistem ele devin
informație. Rafinarea datelor și informațiilor de-a lungul timpului formează un ansamblu numit
cunoștințe.
Direcții de abordare
• în general: semne care circulă pe diferite canale între elementele lumii reale, cu forme specifice de
receptare la nivelul materiei vii;
• în particular: când receptorul este omul, în cadrul procesului de cunoaștere
Caracteristici definitorii
• semn cu semnificație, prin existenta unui limbaj cunoscut de către receptor;
• noutate, prin completarea tezaurului de cunoștințe al receptorului;
• utilitate, prin receptarea în timp util, în contextul dorit.
- C este capacitatea canalului în biți pe secundă, o limită superioară teoretică a ratei de transfer
net (rata de informare, uneori indicată I), excluzând codurile de corectare a erorilor;
- B este lățimea de bandă a canalului în hertzi (lățimea benzii în cazul unui semnal de bandă);
- S este puterea semnalului mediu recepționat pe lățimea de bandă măsurată în wați (sau volți
pătrat);
- N este puterea medie a zgomotului și a interferenței pe lățimea de bandă, măsurată în wați
(sau volți pătrat);
4
- S / N este raportul semnal-zgomot (SNR) sau raportul purtător-zgomot (CNR) al semnalului
de comunicație la zgomotul și interferența la receptor exprimat ca un raport de putere liniar.
Data: mod concret de reprezentare a informației pentru un anumit procesor (om, calculator, algoritm,
program etc.)
Clasificarea datelor:
• După natură:
- numerice: naturale, întregi, reale, complexe;
- alfabetice
- alfanumerice
- logice
Piramidă informațională reflectă modul în care datele, informațiile și cunoștințele colaborează într-
un proces permanent, în care datele pot fi folosite pentru a obține informații și cunoștințe, iar
cunoștințele, la rândul lor, pot fi folosite pentru a obține informații și date.
5
Conceptul de tehnologie a informației (TI) se referă la totalitatea componentelor software și hardware
folosite în sistemele informaționale computerizate.
Un sistem este o entitate compusă din pârți organizate și care interacționează pentru o funcționare cât
mai eficientă. Subsistemele sunt pârți componente ale sistemului. De exemplu, Facultatea de Științe
Economice este un subsistem al sistemului Universitatea Hyperion.
Lucrările în domeniul sistemicii au condus la definirea unui model care promovează viziunea
sistemică asupra întreprinderii pe care o consideră formată din următoarele trei subsisteme:
6
Fig. 1.3. Informația și nivelele de management
În figura 1.4 intrările se constituie din date sau informații (care se preiau din documentele
justificative), care sunt procesate obținând-se informații pentru planificare, luarea deciziilor și control.
Documentele contabile se clasifică în funcție de rolul lor și de modul de întocmire în: documente
justificative (de evidentă primară), registrele contabile (evidentă contabilă) și situațiile financiare
(documente de sinteză și raportare).
7
Unitatea de învățare 2
Sistemul Informațional, Sistem informatic
Sistemul informațional comunică cu mediul său extern prin fluxuri informaționale (de exemplu
rapoartele pentru acționari), iar în interiorul său, subsistemele comunică între ele prin alte fluxuri
informaționale.
Sistemele informaționale prelucrează datele și/sau informațiile (sortare, organizare, calcule specifice)
obținând informații care sunt structurate în funcție de cerințele utilizatorilor informației.
Sistemul informatic reprezintă o parte a sistemului informațional care permite realizarea operațiilor
de culegere, transmitere, stocare, prelucrare a datelor și difuzare a informațiilor astfel obținute prin
utilizarea mijloacelor tehnologiei informației (TI) și a personalului specializat în prelucrarea automată
a datelor.
8
Fig. 2.1 Subsisteme informaționale organizate în funcție de activitățile din cadrul unei unități
economice
După aria de cuprindere, subsistemele informatice acoperă arii distincte, definite pe criterii
funcționale în cadrul organizației:
o Subsistemul contabilității
o Subsistemul producției
o Subsistemul cercetării
o Subsistemul comercial
o Subsistemul resurselor umane
9
Întrebări pentru autoevaluare
1. Definiți sistemul informațional și arătați care este relația lui cu celelalte componente ale sistemului
economic.
2. Definiți sistemul informatic și precizați locul lui în cadrul sistemului economic.
3. Ce este structura sistemului informatic?
4. Descrieți componentele structurale ale sistemului informatic și arătați care este relația dintre ele.
10
Unitatea de învățare 3
Sistemul informatic pentru asistarea deciziei
- Procesul decizional;
- Componentele SIAD;
- Depozitele de date;
- Caracteristicile depozitelor de date.
Procesul decizional, după H.Simon, presupune parcurgerea mai multor etape distincte:
- decizia permite decidentului sa aleagă o acțiune din mai multe posibile in funcție de modelul
decizional ales si de criteriul de selecție stabilit;
Conform [Stanciu, 2002], sistemele informatice pot fi grupate în funcție de natura activităților
susținute astfel:
[Ivancenco,] definește SIAD ca fiind „destinat asistării decidenților în rezolvarea unor probleme, prin
îmbinarea judecații umane cu procesarea automata a informațiilor, în scopul ameliorării calității
procesului decizional.” În opinia aceluiași autor, aceste sa diferențiază de alte sisteme informatice
după modul de utilizare, soluțiile oferite, performante, utilizatori și modelele folosite.
Componentele SIAD sunt următoarele:
1. Depozitul de date;
2. Baza de modele statistice și matematice;
3. Instrumente de raportare și data-mining;
1. Extragerea este procesul de captare a datelor din bazele de date operaționale și din alte surse;
poate interfera cu operațiile critice ale sistemului prin folosirea intensiva a metodelor de intrare/ieșire;
2. Curățarea vizează completarea valorilor lipsa, corectarea erorilor la introducerea datelor,
schimbarea formatului în care sunt salvate datele;
3. Transformarea și unificarea presupun divizarea și/sau combinarea înregistrărilor sursa,
„sincronizarea timpului”, samd.;
11
4. Încărcarea presupune realizarea mai multor etape:
a. Mutarea datelor;
b. Verificarea integrității;
c. Construirea indexurilor;
o Sincrona → declanșatoare(triggers)
o Asincrona → administrarea copiilor
Magaziile de date operaționale reprezintă colecții de date orientate către subiect, integrate,
actualizabile, curente sau aproape curente.
Depozitele de date reprezintă un sistem de baze de date specializat, orientat spre subiect, integrat,
nevolatil, dependent de timp pentru susținerea deciziilor manageriale.
Piețele de date reprezintă depozite de date specializate, orientate pe subiect, integrate, volatile și
dependente de timp.
Proiectarea logica a depozitelor de date pune accent pe corectitudinea relaționala astfel încât:
Proiectarea fizica a depozitelor de date vizează mai ales eficienta stocării și performanta:
12
▪ Redundanta controlata: vederi materializate și/sau coloane calculate
13
algebrica având M argumente (unde M este o constanta) care caracterizează
calculul.
• Stea, de exemplu:
• Fulg-de-nea, de exemplu:
14
Fig.3.2 Schema dimensionala fulg-de-nea, după http://datawarehouse4u.info/Data-warehouse-schema-
architecture-snowflake-schema.html
15
Unitatea de învățare 4
Data Mining
Data mining este analiza automata a datelor, în general a bazelor de date de dimensiuni mari, cu
scopul de a descoperi tendințe, șabloane, tipare netriviale, necunoscute anterior, uneori neașteptate, în
date și care ar putea oferi informații utile.
Tehnicile data mining fac preziceri despre viitoarele comportamente și trend-uri, permițând
afacerilor sa ia decizii bazate pe cunoștințe. Ele pot răspunde unor întrebări ca de exemplu: "Care sunt
clienții firmei care vor răspunde, aproape cu siguranța, noii promoții și de ce?" sau "Unde ar trebui
localizata noua sucursala a băncii?“
Domeniile de activitate în care se pot aplica tehnicile data mining sunt următoarele:
- în știința: astronomie, medicina, biologie;
- în domeniul afacerilor (comercial): managementul relației cu clienții (CRM –customer relationship
management), comerțul on-line, telefonie, sport și entertainment,
marketing, investiții;
- internet: motoare de căutare, text și agenți web.
1. Clasificare
2. Estimare
3. Prognoza
4. Clustering
5. Descrierea
Clasificarea consta în construirea unui model care sa poată fi aplicat unor date neclasificate.
Obiectele caracterizate sunt reprezentate de înregistrările unei baze de date sau fișier, iar clasificarea
înseamnă a adaugă o noua coloana (un nou atribut) și a determina pentru fiecare înregistrare care este
clasa căreia ii aparține.
16
Fig.4.1. Procesul clasificarii
Tehnicile data mining folosite pentru clasificare sunt arborii de decizie și tehnicile de tipul cel mai
apropriat vecin.
Estimarea lucrează cu rezultate cu valori continue, tehnicile data mining folosite pentru estimare sunt
regresia și rețele neurale.
Prognoza analizează înregistrările în raport cu o comportare viitoare ori sunt estimate în raport cu o
valoare viitoare, de exemplu prezicerea venitului unei persoane bazând-se pe istoricul activității
personale.
Clustering este operația de segmentare a unei mulțimi eterogene intr-un număr de subgrupuri mai
omogene numite clustere, înregistrările fiind grupate după similarități.
Descrierea tendințelor din baza de date pentru o mai buna înțelegere a proceselor care au dus la
producerea datelor din baza de date utilizează arborii de decizie.
17
Fig.4.2 Arbore de decizie, după https://businessjargons.com/decision-tree-analysis.html
1. instanțială clasele de atribute (de exemplu cifra de afaceri, salariu, profit net, etc), apelând
constructorul Attribute pentru fiecare din ele;
2. se populează intern setul de date cu înregistrările aferente;
3. este creată o instanță la arborele de decizie ID3; în cadrul constructorului se inițializează cu
zero variabila mEntropySet;
4. sunt apelate alternativ metodele allSamplesPositives/allSamplesNegatives care returnează true
dacă toate rezultatele sunt pozitive/negative;
5. dacă nu sunt toate cazurile pozitive/negative se apelează metoda getMostCommonValue care
returnează valoarea cea mai des întâlnită;
6. sunt numărate cazurile pozitive cu metoda countTotalPositives;
7. se calculează entropia după formula -p+log2p+ - p-log2p-;
8. se apelează metoda getBestAttribute pentru a se determina nodul rădăcină după criteriul
maxGain de câștig de informație;
9. se încarcă arborele de decizie cu valorile obținute;
În cadrul metodei principale (Main) sunt definite clasele de atribute și categoriile definite în interiorul
acestora. Implementarea criteriilor de selecție care permit clasificarea IMM-urilor în
microîntreprinderi, întreprinderi mici sau mijlocii, în cod C#, este prezentată mai jos:
18
După stabilirea tipului de IMM pe baza acestor informații, urmează corelarea cu alte date economice
ale companiilor (precum rentabilitatea economică și financiară), testându-se în ce măsură o firmă este
viabilă din punct de vedere economic. Astfel prin acest arbore de decizie se poate stabili care sunt
firmele viabile din punct de vedere economic și care nu sunt viabile.
Metoda K-Nearest Neighbor presupune calcularea distanțelor unei instanțe noi fată de instanțele din
setul de antrenare. Se vor preciza distantele fată de fiecare instanță din set, ponderile influențelor
acestor instanțe (invers proporționale cu pătratul distanțelor) și importanta instanțelor în cazul în care
atributele au ponderi diferite.
Având în vedere că fiecare instanță aparține unei clase, se prezintă suma valorilor ponderate ca
măsură a apartenenței instanței noi la una din cele două clase [Leon, 2009].
Implementarea metodei k_NearestNeighbor() presupune următoarele etape, după generarea listelor de
coordonate:
1. calcularea distanțelor dintre puncte, folosind teorema lui Pitagora și algoritmul – primul cu
toate celelalte, următorul cu restul punctelor, ş.a.m.d.:
2. sortarea ascendentă a listei cu distanțele din care s-au eliminat cele calculate redundant după
modelul – de la A la B și de la B la A:
19
length = len(testInstance)-1
for x in range(len(trainingSet)):
dist = euclideanDistance(testInstance, trainingSet[x], length)
distances.append((trainingSet[x], dist))
distances.sort(key=operator.itemgetter(1))
neighbors = []
for x in range(k):
neighbors.append(distances[x][0])
return neighbors
def getResponse(neighbors):
classVotes = {}
for x in range(len(neighbors)):
response = neighbors[x][-1]
if response in classVotes:
classVotes[response] += 1
else:
classVotes[response] = 1
sortedVotes = sorted(classVotes.items(), key=operator.itemgetter(1), reverse=True)
return sortedVotes[0][0]
Lanțuri Markov
Se spune că variabilele aleatoare (𝑋𝑛)𝑛∈𝑁formează un lanț Markov dacă pentru orice 𝑛 ∈ 𝑁,
probabilitatea de a ajunge din starea 𝑥𝑛−1 într-una din stările dintr-o mulțime 𝐴𝑛 ∈ 𝑆 nu depinde de
traiectoria evoluției până la 𝑥𝑛−1 , adică:
lim 𝑝(𝑛) = 𝜋
𝑛→∞
Studiu de caz
Se afirma ca in tara vrăjitorului din Oz vremea in fiecare zi poate fi descrisa de 3 stări: ploaie,
0.5 0.25 0.25
soare si ninsoare, matricea P a probabilităților de tranziție fiind 𝑃 = ( 0.5 0 0.5 ) si repartitia
0.25 0.25 0.5
initiala p a stărilor fiind 𝑝 = (1/3 1/3 1/3), dupa o zi frumoasa urmează sigur una urata.
20
Fig.4.4. Lanț Markov implementat in Excel
Clasificarea Bayesiana
Conform [Joita, 2014], fie o baza de date D={e1, e2, …, en} si o mulțime de clase C={c1, c2, …, cm}, a
clasifica înseamnă a găsi o funcție f:D->C astfel încât fiecărui exemplu din baza de date sa ii
corespunda o clasa: f(ei)=cj.
X = x1 , x2 ,..., xn
si o mulțime de ipoteze
H = h1 , h2 ,..., hm
presupunând ca o singura ipoteza poate sa apară in același timp atunci probabilitatea ca o ipoteza h
sa fie adevărata dat fiind un eveniment observabil x este:
P(x / h)P(h)
P(h / x) =
P(x)
unde:
21
P(h/x) → probabilitate aposteriori,
Studiu de caz
Pentru acordarea unui credit pentru cumpărarea unui produs se cere clienților sa furnizeze informațiile
legate de venitul lunar si indicele de creditare urmând ca instituția care acorda creditul sa decidă daca
un client dat poate beneficia de acest credit.
Interval_venit discretizat
Se calculează:
Se calculează:
22
Calculam probabilitățile:
H h1 h2 h3
Interval_venit
H h1 h2 h3
Credit
P({int_venit=4, Credit=Exc}/h1}=(2/6)*(3/6)*(6/10)
P({int_venit=4, Credit=Exc}/h2}=0
P({int_venit=4, Credit=Exc}/h3}=0
23
Întrebări pentru autoevaluare
1. Precizați operațiile de data mining.
2. Cum se măsoară entropia în cazul algoritmului ID3
3. Ce înseamnă și cum se măsoară distanta euclidiana?
24
Unitatea de învățare 5
Prelucrarea analitica online
Caracteristicile unui sistem multidimensional - sunt clasificate în doua categorii: logice, fizice:
Caracteristicile logice sunt independente de platforma hardware utilizata, de sistemul de operare, de
numărul de utilizatori și de metodele de stocare fizica. Dimensiunile, ierarhiile, formulele, legăturile
sunt exemple de atribute logice.
Caracteristicile logice se clasifica în doua subcategorii:
- de baza (fundamentale): structura datelor, operațiile, reprezentările.
- specifice (de aplicație): orientate pe cunoștințe, orientate pe proces.
Caracteristicile fizice sunt independente de modelul multidimensional definit sau analizat și includ
modul cum se stochează și încarcă datele și ce platforme software și hardware se folosesc. Ele se
clasifica în doua categorii:
- interne: modul de stocare/acces, modul de calcul.
- externe: tipul de arhitectura, platforma utilizata.
25
Tabel 5.1. Analiza comparativa a instrumentelor OLAP
Instrumentele din grupele 1, 2 și 3 sunt instrumente ROLAP (relațional OLAP), cele din grupele 4 și 5
instrumente MOLAP (multidimensional OLAP), cele din grupa 6 instrumente desktop OLAP
(DOLAP) iar cele din grupele 2 și 4 instrumente OLAP hibride (HOLAP)
Studiu de caz
Se dau entitățile:
Cerințe:
Rezolvare:
SELECT componente.numec, furnizori.numef, fapte.cant
FROM public.furnizori, public.fapte, public.componente
WHERE furnizori.fid = fapte.fid AND fapte.cid = componente.cid;
26
Fig.5.3. Rezultat proiecție pe coloanele numec, numef și cant
Rezolvare:
SELECT `F#`,`C#`,SUM(cant) FROM Fapte GROUP BY `F#`,`C#`
27
Fig.5.5. Rostogolire pe dimensiunile Furnizori și Componente
Rezolvare 2:
SELECT SUM(fapte.cant), fapte.cid, fapte.fid FROM public.fapte GROUP BY
GROUPING SETS ((fid),(cid),())
Rezolvare 1:
SELECT SUM(fapte.cant), fapte.cid, fapte.fid FROM public.fapte GROUP BY CUBE
(fid,cid)
Rezolvare 2:
SELECT SUM(fapte.cant), fapte.cid, fapte.fid FROM public.fapte GROUP BY
GROUPING SETS ((fid,cid),(fid),(cid),())
28
Fig. 5.7. Hypercub asociat dimensiunilor Furnizori și Componente
29
Unitatea de învățare 6
Analiza și proiectarea Sistemelor informatice pentru asistarea deciziei
- Modelarea datelor;
- Modelarea prelucrărilor.
Modelarea datelor
Metodele de proiectare au ca scop obținerea unor colecții de date ce respecta atât cerințele
informaționale ale utilizatorului cat și restricțiile impuse de modelul relațional.
Modelarea semantica
De ce? A crescut nivelul de înțelegere a importantei regulilor de business în activitatea comerciala. Ea
reprezintă activitatea generala care consta în încercarea de a reprezenta semnificația.
30
Modelul Entitate-Asociere permite modelarea realității prin intermediul unor concepte abstracte:
entități, asocieri, atribute și reprezintă o tehnica de realizare a diagramelor:
- Subtipurile se constituie sub forma ierarhiilor de entități, implementate sub forma compunerii sau
specializării(moștenire)
31
Fig.6.3. Exemplu de ierarhie de tipuri
Modelarea orientata-obiect
Concepte:
Obiect – entitate cu identitate proprie caracterizata prin stare și comportament. Obiectele
comunica intre ele prin intermediul mesajelor
Abstractizare – obiecte cu aceeași stare și comportament sunt grupate în clase
Încapsulare – capacitatea obiectelor de a conține atât date cat și operații, numai în parte
vizibile
Moștenire – toate atributele și metodele vizibile unei clase sunt preluate automate de o clasa
derivate
Polimorfism – posibilitatea unui obiect de a răspunde diferit la primirea aceluiași mesaj.
- Partajarea datelor
- Utilizarea structurilor de date complexe
Clasa Tabel(Relație)
Obiect Tuplu(Înregistrare)
32
Atribut Câmp
Etapele proiectării
1. Identificarea obiectelor și claselor;
2. Identificarea asocierilor;
3. Identificarea atributelor, restricțiilor din interiorul unei clase și a metodelor specifice fiecărei clase;
4. Validarea modelului obiect.
Reguli de conversie
- O clasa este reprezentata printr-o tabela;
- O asociere se reprezintă prin includerea cheii primare din clasa corespondenta în clasa de referința;
- O clasa asociere conține atributele cheie din clasele asociate;
- Specializări ale unei clase de referința vor conține cheia primara a clasei de baza.
33
Regula de emisie
• reprezintă o propoziție logică care dacă se dovedește adevărată va determina producerea unui anumit
eveniment;
• este expresia condițiilor referitoare la contextul în care se va derula operația.
Evenimentul reprezintă o circumstanță (un semnal) adusă la cunoștința sistemului la care acesta
trebuie să răspundă. Grafic tipul de eveniment se reprezintă printr-o elipsă.
34
Fig.6.6. Modelul conceptual al prelucrărilor
35
Unitatea de învățare 7
Dezvoltarea și testarea Sistemelor Informatice pentru Asistarea Deciziei
- Diagrame UML;
- Metode de testare.
Alte diagrame:
• diagramele de stare completează descrierea obiectelor prin:
• descrierea tuturor stărilor posibile pe care le pot avea obiectele unei clase;
• evidențierea evenimentelor care determină schimbarea stărilor.
Nota: Diagramele de stare se întocmesc pentru clasele care au un număr definit de stări.
36
Fig.7.2. Diagrama de stare
37
• diagramele de secvență;
• diagramele de colaborare
38
Evaluarea sistemului informatic pentru asistarea deciziei presupune următoarele:
1. performanțele și limitările sistemului:
a. îndeplinirea obiectivelor, funcțiilor, sarcinilor de bază și de exercitare a conducerii;
b. oportunitatea, completitudinea și suficientă informațiilor destinate conducerii;
c. timpul de răspuns al sistemului – intervalul de timp din momentul transmiterii unei cereri
din partea conducerii până la momentul primirii răspunsului trebuie să fie scurt;
d. calitatea și precizia informațiilor obținute;
e. calitatea și siguranța fluxurilor informaționale;
f. posibilitățile de control;
g. timpii optimi privind reacția la apariția unor erori și corecția acestora;
h. gradul de integrare a sistemului informațional în corelație directă cu gradul de automatizare
a prelucrărilor;
2. gradul de pregătire a unității economice pentru implementarea sistemului informatic nou:
a. existenta cunoștințelor și disciplinei tehnologice;
b. posibilitățile de instruire și autoinstruire în ceea ce privește utilizarea computerelor și a
produselor informatice etc.
Metode de Testare
Functional testing - Testare de tip black box canalizata pe verificarea cerințelor funcționale ale
aplicației; acest tip de testare trebuie făcut de testeri.
Black box testing - Nu se bazează pe cunoașterea interna a design-ului sau a codului . Testele sunt
bazate pe cerințe și funcționalitate
White box testing - Se bazează pe cunoașterea logicii interne a codului aplicației. Testele sunt bazate
pe acoperirea sintaxei de cod, ramuri, cai, condiții.
39
Întrebări de autoevaluare
1. Enumerați principalele diagrame UML;
2. Care sunt principalele metode de testare?
40
Unitatea de învățare 8
Sisteme Fuzzy pentru Asistarea Deciziei
Mulțimile fuzzy sunt clase de obiecte cu granițe imprecis determinate, in care apartenenta la o clasa este
graduală între 0 (neapartenență totala) si 1 (apartenenta totala).
Raționamentul aproximativ consta din metode care facilitează efectuarea unui raționament utilizând
intrări imprecise (valori aproximative) pentru a obține ieșiri semnificative.
Fig.8.1. Mulțimile fuzzy sunt formate din valori aproximative definite pentru variabila lingvistică
temperatura.
Deoarece logica fuzzy prelucrează informații aproximative (cantitative) într-o maniera sistematica, este
foarte potrivita pentru controlul sistemelor neliniare si modelarea sistemelor complexe.
Relațiile intrare – ieșire sunt descrise prin reguli condiționale de tip if/else, de ex. Dacă temperatura este
scăzută atunci pornește sistemul de încălzire.
Studiu de caz
Se dau următoarele seturi de funcții de apartenenta pentru doua variabile x: servirea si y: mâncarea:
42
Sa se determine valoarea bacșișului pentru valorile crisp asociate servirii si mâncării de 1.75, respectiv
3.25:
Se calculează valoarea funcțiilor de apartenența pentru cele doua variabile, folosind modelul trapezoidal,
respectiv triunghiular:
(1)
(2)
Se obțin valorile:
Tabel 8.1.Valoarea funcțiilor de apartenenta pentru x=1.75
43
μs(x): 0.625
μb(x): 0.25
μe(x): -0.125
μb(y): 0.25
μd(y): 0.625
(3)
Se obține X* = 2.5
Întrebări de autoevaluare
1. De ce folosim logica Fuzzy?
2. Ce presupune dezvoltarea unui sistem Fuzzy?
Teste de evaluare
44
1. Ce desemnează acronimul UML?
2. Enumerați principalele metodologii de dezvoltare;
3. Ce caracteristici trebuie sa îndeplinească depozitele de date?
4. Care sunt operațiile de tip OLAP?
5. Care sunt diagramele UML utilizate în modelarea prelucrărilor?
6. Descrieți un algoritm de data mining la alegere;
7. Enumerați fazele funcționarii unui sistem;
8. Care sunt componentele unui sistem informatic pentru asistarea deciziilor?
9. Care sunt factorii alegerii unui nou sistem informatic pentru asistarea deciziilor?
10. Sunt considerate bune practici în dezvoltarea sistemelor informatice următoarele.
Bibliografie
1. I.Lungu, Gh.Sabau, M.Velicanu, M.Muntean – Sisteme informatice – Analiza, proiectare și
implementare, Ed. Economica, București, 2003
2. V. Stanciu – Proiectarea sistemelor informatice, Ed. Dual Tech, Bucureștii, 2002
3. R. Vasilescu – Sisteme informatice de contabilitate, Ed. Eurostampa, Timișoara, 2008
4. D. Joita – Tehnici de Data mining, Curs pentru învățământul la distanta, Ed. Univ.Titu
Maiorescu, București, 2014
5. C.V. Ivancenco – Note de curs,
http://www.cig.ase.ro/prof/ivancenco/resurse/cig_siad%20cursul%203.php
6. G. Oltean – Sisteme Fuzzy, http://www.bel.utcluj.ro/dce/didactic/sf/
45