Методические указания для студентов Москва 2005 удк 681. 3 (стр. 6 из 8)

Средства создания сводных таблиц Microsoft Excel хранят в памяти агрегатные данные, вычисленные на основе данных из реляционных СУБД или полученные от OLAP-серверов. Манипулируя сводной таблицей, пользователь может управлять отображением этих данных.

Посредством Microsoft Excel 2000 можно корректно отображать данные из OLAP-кубов, созданных с помощью Microsoft SQL Server 7.0 OLAP Services. Что касается OLAP-кубов, созданных с помощью Microsoft SQL Server 2000 Analysis Services, по большей части посредством Microsoft Excel 2000, то они также отображаются корректно, однако имеются и некоторые ограничения.

Создание сводной таблицы с данными OLAP-кубов

Запустим Microsoft Excel и из меню Data выберем PivotTable and PivotChart Report. После этого управление будет передано мастеру PivotTable and PivotChart Wizard. В первой диалоговой панели этого мастера укажем, что для построения сводной таблицы выбирается внешний источник данных, для чего выберем опцию External data source. Затем укажем, что это за источник, нажав кнопку Get Data в следующей диалоговой панели, что приведет к запуску приложения Microsoft Query. Далее выберем закладку OLAP Cubes и, если в операционной системе еще нет описания соответствующего источника данных, создадим его (рис. 7).

Рис. 7. Описание источника данных

В процессе создания источника данных укажем его имя, выберем OLE DB-провайдер (в нашем случае – Microsoft OLE DB Provider for OLAP Services 8.0, поскольку мы используем Microsoft SQL Server 2000 Analysis Services) и нажмем на кнопку Connect (рис. 8).

Рис. 8. Выбор типа данных (provider) и выбора источника данных

В диалоговой панели Multidimensional Connection укажем имя компьютера (если это локальный компьютер, можно использовать имя localhost), на котором расположен OLAP-сервер, а также данные для аутентификации пользователя, которые понадобятся только в том случае, если для связи с OLAP-сервером мы используем Интернет и HTTP-протокол.

В открывшемся окне Multidimencional Connection (Многомерное соединение) выберем имя многомерной базы данных, в которой хранится OLAP-куб и выберем куб, который мы будем отображать в сводной таблице. После нажатия кнопки OK мы получим пустую сводную таблицу.

Для дальнейших манипуляций нам потребуется панель инструментов PivotTable, в которой необходимо определить, какие из мер мы хотим отобразить в сводной таблице. Для этого достаточно перенести мышью кнопку (в случае Excel 2002 – соответствующий элемент из списка) с наименованием нужной меры в область данных (Data Area). Затем требуется определить, какие из полей будут участвовать в формировании строк, столбцов и страниц (иногда последние называются фильтрами). В общем случае сводная таблица является трехмерной, и можно считать, что третье измерение расположено перпендикулярно экрану, а мы наблюдаем сечения, параллельные плоскости экрана и определяемые тем, какая “страница” выбрана для отображения. Осуществить фильтрацию можно путем перетаскивания мышью соответствующих кнопок с панели инструментов PivotTable (в случае Excel 2002 – соответствующих элементов с панели PivotTable Field List) на области строк, столбцов и страниц сводной таблицы – Row Area, Column Area и Page Area. В сводной таблице Excel отобразится содержимое OLAP-куба. Теперь этим отображением можно манипулировать.

Если нас интересуют более подробные данные, связанные с одним из членов одного из отображаемых измерений, можно дважды щелкнуть по ячейке с этим значением и отобразить члены следующего уровня данного измерения (эта операция называется drill-down). Если же нас интересуют более подробные данные, нежели представленные в данный момент в сводной таблице, следует выбрать ячейку с именем соответствующего измерения и нажать на панели инструментов PivotTable кнопку Show Detail. При необходимости можно вручную определить, какие члены измерения должны быть отображены в сводной таблице; для этого можно нажать кнопку вывода соответствующего выпадающего списка в правой части ячейки с именем измерения.

С помощью одного из доступных в Excel шаблонов оформления можно изменить оформление сводной таблицы. Кроме того, можно выбрать на панели инструментов PivotTables пункты меню PivotTable | Table Options или PivotTable | Field Settings и изменить другие параметры отображения данных в сводной таблице.

При необходимости в Excel можно построить сводную диаграмму, синхронизированную со сводной таблицей. Для этого достаточно нажать соответствующую кнопку на панели инструментов PivotTables и, если нужно, отредактировать внешний вид диаграммы

Применяя Excel в качестве OLAP-клиента, следует помнить, что объем данных, отображаемых в сводной таблице, ограничен – ведь все эти данные хранятся в оперативной памяти клиентского компьютера.

Microsoft Excel позволяет создавать локальные OLAP-кубы, представляющие собой подмножества данных серверных OLAP-кубов. Локальные кубы хранятся в файлах с расширением *.cub. Для корректного создания локального куба на основе серверного куба, содержащего несбалансированные измерения, рекомендуется применять Microsoft Excel 2002. Чтобы создать локальный OLAP-куб на основе серверного куба, следует на панели инструментов PivotTables выбрать пункт меню PivotTable | Offline OLAP в Excel 2002 (в Excel 2000 ему соответствовал пункт меню PivotTable | Client-Server Settings) и нажать кнопку Create offline data file (в Excel 2000 — Create Local Cube). Далее следует выбрать измерения и их уровни, а также меры, которые будут присутствовать в локальном кубе. Помимо выбора измерений, их уровней и мер можно внести и другие ограничения в набор данных, который будет содержаться в локальном кубе, выбрав набор членов изменений, участвующих в его формировании.

Теперь осталось только сохранить локальный куб в файле с расширением *.cub. Отметим, что этот файл является отчуждаемым: его можно просматривать на любом компьютере, оснащенном как Microsoft Excel 2002, так и Microsoft Excel 2000, независимо от наличия на нем Microsoft SQL Server Analysis Services или их клиентской части.

7. Основы построения и использования интеллектуальных информационных систем

Многие поколения людей мечтали о создании “думающей машины”. Особые надежды возлагались на ЭВМ, проходили бурные дискуссии на тему “Может ли машина мыслить?”. Решались и практические задачи: в 50-е г.г. ХХ века были начаты работы по машинному переводу с одного языка на другой, было создано устройство для распознавания образов – персепетрон, позднее были разработаны программы для игры в шахматы. Теоретический задел, созданный на первом этапе, привел в 80-е гг. к важным практическим результатам – создание экспертных и интеллектуальных расчетно-логических и информационно-поисковых систем, общение с компьютером на естественном языке, решение не вполне структурированных задач. В настоящее время под искусственным интеллектом понимают область исследований, в которой изучаются системы, строящие результирующий вывод для задач с неизвестным алгоритмом решения на основе неформализованной исходной информации.

Классификация интеллектуальных информационных систем

Интеллектуальные информационные системы можно разделить на две группы:

· Системы общего назначения: экспертные, нейросистемы, интеллектуальные пакеты прикладных программ (ИППП);

· Системы эвристического поиска, обычно специализированные: роботехнические, распознавания образов, игровые, общения: обработки текстов, речевого общения, машинного перевода.

Наиболее широкое распространение получили системы искусственного интеллекта, основанные на знаниях – ИППП и экспертные системы. В отличие от данных знания предполагают описание связей между данными и алгоритмы обработки данных. Предполагается, что исходные знания способны порождать новые знания в соответствии с запросами пользователя к системе. Основным математическим аппаратом, лежащим в основе систем этого типа, является аппарат математической логики.

В самоорганизующихся системах, практической реализацией которых являются нейросистемы, реализуется попытка осуществить моделирование интеллектуальной деятельности человека или животных не на логическом, а на физиологическом уровне работы головного мозга – нейронной сети. Дж. фон Нейман доказал теорему, что при воздействии на такую сеть некоторых раздражителей она начинает вырабатывать адекватную реакцию, т.е. способна к самообучению путем самоорганизации. Эксперименты показали, что нейрокомпьютер способен решать задачи гораздо быстрее традиционного компьютера. Несмотря на теоретическую перспективность этого направления, практических результатов этот путь пока не дал, что связано с технической нереализуемостью на современном уровне достаточного числа взаимосвязанных нейронов в искусственно создаваемой сети.

При разработке интеллектуальных роботехнических систем основная задача состоит в решении теоретических и практических вопросов организации целесообразного поведения подвижных роботов, снабженных сенсорными и эффекторными (исполнительными) механизмами. Эти системы не только воспринимают информацию из окружающего мира и вырабатывают на ее основе определенные оценочные выводы, но и, сообразуясь с этими выводами, вносят изменения в окружающий (анализируемый ими) мир.

Основа проблемы распознавания образов (машинное зрение и не только) заключается в придании системе способности решения задач преобразования огромного количества сенсорных данных (например, присутствующих в телевизионном изображении) к относительно краткому и осмысленному описанию наблюдаемой проблемной ситуации Содержанием такого описания, как правило, является тот минимальный (самый характерный) набор данных, которые отличают ситуацию от стандартной или альтернативной.