機器學(xué)習(xí)與智能決策支持系統(tǒng)

前言
第1章 緒論
1. 1 機器學(xué)習(xí)發(fā)展史
1. 1. 1 引言
1. 1. 2 熱烈時期
1. 1. 3 冷靜時期
1. 1. 4 復(fù)興時期
1. 1. 5 蓬勃發(fā)展時期
1. 2 機器學(xué)習(xí)研究基礎(chǔ)
1. 2. 1 機器學(xué)習(xí)的一個實例
1. 2. 2 機器學(xué)習(xí)的基本模型
1. 2. 3 機器學(xué)習(xí)的主要策略
1. 2. 4 機器學(xué)習(xí)的算法基礎(chǔ)
1. 3 計算學(xué)習(xí)理論
1. 3. 1 可能近似正確學(xué)習(xí)模型 PAC
1. 3. 2 有限假設(shè)空間的樣本復(fù)雜度
1. 3. 3 與PAC模型有關(guān)的幾種模型
1. 3. 4 假設(shè)空間復(fù)雜度的一個重要度量標準——VC-維
1. 4 智能決策支持系統(tǒng)
1. 4. 1 智能決策支持系統(tǒng)發(fā)展過程
1. 4. 2 IDSS的系統(tǒng)功能與體系結(jié)構(gòu)
1. 4. 3 IDSS的主要研究內(nèi)容
1. 4. 4 智能決策支持系統(tǒng)的發(fā)展趨勢
1. 5 機器學(xué)習(xí)與智能決策支持系統(tǒng)
1. 5. 1 基于知識的IDSS發(fā)展中存在的問題
1. 5. 2 對智能的探討
1. 5. 3 基于機器學(xué)習(xí)的IDSS框架
1. 5. 4 機器學(xué)習(xí)在智能決策支持系統(tǒng)中的應(yīng)用
參考文獻
第2章 歸納學(xué)習(xí)
2. 1 概述
2. 2 歸納學(xué)習(xí)
2. 2. 1 規(guī)則學(xué)習(xí)
2. 2. 2 決策樹學(xué)習(xí)
2. 2. 3 科學(xué)發(fā)現(xiàn)
2. 2. 4 特征子集選擇問題
2. 3 歸納學(xué)習(xí)的邏輯基礎(chǔ)
2. 3. 1 歸納邏輯與歸納推理
2. 3. 2 歸納推理規(guī)則
2. 3. 3 歸納學(xué)習(xí)中的知識表示
2. 3. 4 歸納偏置
2. 4 決策樹歸納學(xué)習(xí)
2. 4. 1 例子
2. 4. 2 CLS學(xué)習(xí)算法
2. 4. 3 ID系列學(xué)習(xí)算法
2. 4. 4 C4. 5學(xué)習(xí)算法
2. 5 關(guān)于決策樹的深入討論
2. 5. 1 決策樹的評價標準
2. 5. 2 由決策樹提取分類規(guī)則
2. 5. 3 測試屬性的選擇
2. 5. 4 樹剪枝
2. 5. 5 測試屬性空間的修改
參考文獻
第3章 范例推理
3. 1 引言
3. 2 CBR研究的歷史和現(xiàn)狀
3. 3 CBR中范例的表示方法及檢索技術(shù)
3. 4 CBR的修正技術(shù)
3. 5 CBR系統(tǒng)的維護
3. 5. 1 引言
3. 5. 2 相關(guān)工作
3. 5. 3 CBR系統(tǒng)中范例庫維護的定義及其構(gòu)架
3. 6 基于數(shù)據(jù)挖掘技術(shù)的范例推理系統(tǒng)
3. 6. 1 引言
3. 6. 2 范例推理中基于數(shù)據(jù)庫的數(shù)據(jù)挖掘技術(shù)
3. 6. 3 范例庫上知識發(fā)現(xiàn)的主要步驟與目標
3. 6. 4 范例庫上知識發(fā)現(xiàn)的主要方法與技術(shù)
3. 6. 5 基于知識發(fā)現(xiàn)技術(shù)的CBR系統(tǒng)框架結(jié)構(gòu)
3. 7 基于神經(jīng)網(wǎng)絡(luò)的CBR系統(tǒng)
3. 7. 1 范例推理與神經(jīng)網(wǎng)絡(luò)
3. 7. 2 用IAC網(wǎng)絡(luò)來構(gòu)造CBR系統(tǒng)
3. 8 CBR方法與其他方法的集成
3. 8. 1 相關(guān)研究
3. 8. 2 歸納技術(shù)與范例推理的結(jié)合
3. 8. 3 范例推理與專家系統(tǒng)的結(jié)合
3. 9 CBR的進一步研究方向
參考文獻
第4章 粗糙集
4. 1 概述
4. 1. 1 粗糙集理論發(fā)展簡史
4. 1. 2 粗糙集理論基本思想
4. 1. 3 粗糙集與其他不確定方法的比較
4. 1. 4 粗糙集理論研究現(xiàn)狀
4. 2 基本概念
4. 2. 1 知識與分類
4. 2. 2 不可分辨關(guān)系
4. 3 粗糙集的基本理論
4. 3. 1 上近似集和下近似集
4. 3. 2 粗糙集中概念的物理意義
4. 3. 3 近似集的性質(zhì)和近似精度
4. 3. 4 粗糙集的集合關(guān)系
4. 4 知識的約簡
4. 4. 1 知識的約簡和核
4. 4. 2 知識的相對約簡和相對核
4. 4. 3 知識的依賴性度量
4. 5 決策表達邏輯
4. 5. 1 數(shù)據(jù)表知識表達系統(tǒng)
4. 5. 2 決策表
4. 5. 3 決策邏輯
4. 5. 4 決策表的約簡
4. 5. 5 屬性約簡的差別矩陣方法
4. 5. 6 差別矩陣方法的約簡
4. 6 粗糙集的具體實現(xiàn)和應(yīng)用
4. 6. 1 離散歸一化
4. 6. 2 引入領(lǐng)域知識的數(shù)據(jù)約簡
4. 6. 3 醫(yī)療數(shù)據(jù)分析
4. 6. 4 模式識別
4. 7 相似粗糙集及其應(yīng)用
4. 7. 1 相似粗糙集理論
4. 7. 2 相似粗糙集的應(yīng)用：氣象系統(tǒng)權(quán)值發(fā)現(xiàn)
參考文獻
第5章 遺傳算法
5. 1 遺傳算法的主要特征
5. 1. 1 標準遺傳算法
5. 1. 2 遺傳算法的優(yōu)缺點
5. 2 遺傳算法的基本原理
5. 2. 1 模式定理 schema theorem
5. 2. 2 積木塊假設(shè)
5. 2. 3 欺騙問題
5. 2. 4 隱并行性
5. 3 遺傳算法的關(guān)鍵問題及方法
5. 3. 1 編碼
5. 3. 2 適應(yīng)度函數(shù)
5. 3. 3 遺傳操作
5. 3. 4 未成熟收斂問題
5. 4 遺傳算法的應(yīng)用
5. 4. 1 遺傳算法與知識發(fā)現(xiàn)
5. 4. 2 遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用
5. 4. 3 佳點集遺傳算法與貨郎擔(dān)問題
5. 5 遺傳算法的改進
5. 5. 1 統(tǒng)計遺傳算法
5. 5. 2 并行遺傳算法
參考文獻
第6章 決策支持系統(tǒng)
6. 1 概述
6. 1. 1 DSS的產(chǎn)生
6. 1. 2 決策支持系統(tǒng)的基本概念
6. 1. 3 DSS與MIS的關(guān)系
6. 1. 4 DSS在發(fā)展中面臨的問題
6. 1. 5 DSS的發(fā)展趨勢
6. 2 DSS的基本體系結(jié)構(gòu)
6. 2. 1 引言
6. 2. 2 人機交互子系統(tǒng)
6. 2. 3 數(shù)據(jù)庫系統(tǒng)
6. 2. 4 模型庫系統(tǒng)
6. 2. 5 方法庫系統(tǒng)
6. 3 DSS的開發(fā)與設(shè)計
6. 3. 1 DSS的開發(fā)過程
6. 3. 2 決策支持系統(tǒng)的開發(fā)方法
6. 3. 3 決策支持系統(tǒng)的設(shè)計
6. 4 智能決策支持系統(tǒng)
6. 4. 1 IDSS的三種體系結(jié)構(gòu)及其比較
6. 4. 2 IDSS的模型庫系統(tǒng)
6. 4. 3 IDSS的知識庫系統(tǒng)
6. 4. 4 IDSS的研究現(xiàn)狀和存在的問題
6. 4. 5 IDSS的研究方向
參考文獻
第7章 基于機器學(xué)習(xí)的智能決策支持系統(tǒng)
7. 1 基于機器學(xué)習(xí)的IDSS
7. 1. 1 概述
7. 1. 2 基于機器學(xué)習(xí)的IDSS的體系結(jié)構(gòu)
7. 1. 3 基于機器學(xué)習(xí)的IDSS知識庫和知識表示系統(tǒng)
7, 2 基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的智能決策支持
7. 2. 1 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
7. 2. 2 基于神經(jīng)網(wǎng)絡(luò)的IDSS的總體框架
7. 2. 3 基于神經(jīng)網(wǎng)絡(luò)的IDSS自動模型選擇
7. 2. 4 基于神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的IDSS
7. 3 基于范例推理的智能決策支持系統(tǒng)
7. 3. 1 引言
7. 3. 2 基于范例推理的決策支持系統(tǒng)
7. 3. 3 基于數(shù)據(jù)挖掘和范例推理的IDSS
7. 3. 4 基于范例的集成推理模型的IDSS
7. 3. 5 基于范例推理的決策支持系統(tǒng)的應(yīng)用實例
7. 3. 6 總結(jié)與展望
7. 4 遺傳算法與智能決策支持系統(tǒng)
7. 4. 1 遺傳算法在IDSS中的應(yīng)用
7. 4. 2 基于遺傳算法的決策支持系統(tǒng)模型設(shè)計
7. 4. 3 一個基于遺傳算法的建模實例
7. 4. 4 展望與總結(jié)
7. 5 基于歸納學(xué)習(xí)的IDSS
7. 5. 1 基于歸納學(xué)習(xí)的IDSS的技術(shù)
7. 5. 2 應(yīng)用實例
7. 6 基于粗糙集的智能決策支持系統(tǒng)
7. 6. 1 引言
7. 6. 2 基于粗糙集數(shù)據(jù)分析的智能決策支持系統(tǒng)
7. 6. 3 小結(jié)
7. 7 其他的機器學(xué)習(xí)技術(shù)在IDSS中的應(yīng)用
7. 7. 1 基于強化學(xué)習(xí)的IDSS
7. 7. 2 基于Bayes網(wǎng)絡(luò)的IDSS
7. 7. 3 統(tǒng)計機器學(xué)習(xí)及其在IDSS中的應(yīng)用
參考文獻
第8章 智能決策支持系統(tǒng)相關(guān)新技術(shù)的發(fā)展
8. 1 數(shù)據(jù)倉庫
8. 1. 1 數(shù)據(jù)倉庫產(chǎn)生的背景
8. 1. 2 數(shù)據(jù)倉庫的概念
8. 1. 3 數(shù)據(jù)倉庫的特征
8. 1. 4 數(shù)據(jù)倉庫與傳統(tǒng)數(shù)據(jù)庫比較
8. 1. 5 數(shù)據(jù)倉庫系統(tǒng)
8. 1. 6 數(shù)據(jù)倉庫系統(tǒng)的結(jié)構(gòu)
8. 1. 7 元數(shù)據(jù)
8. 1. 8 數(shù)據(jù)倉庫的設(shè)計
8. 1. 9 0LAP
8. 2 數(shù)據(jù)挖掘
8. 2. 1 知識發(fā)現(xiàn)和數(shù)據(jù)挖掘概述
8. 2. 2 數(shù)據(jù)挖掘的功能
8. 2. 3 數(shù)據(jù)挖掘常用技術(shù)
8. 3 結(jié)合數(shù)據(jù)倉庫. OlAP和數(shù)據(jù)挖掘的IDSS
8. 3. 1 結(jié)合數(shù)據(jù)倉庫. OLAP和數(shù)據(jù)挖掘的IDSS的體系結(jié)構(gòu)
8. 3. 2 商業(yè)智能IDSS
8. 4 基于Agent的智能決策支持系統(tǒng)
8. 4. 1 Agent概述
8. 4. 2 Agent的類型
8. 4. 3 基于Agent的決策支持系統(tǒng)設(shè)計方法
8. 4. 4 基于Agent的決策支持系統(tǒng)框架結(jié)構(gòu)
8. 4. 5 基于多Agent的分布式群體決策支持系統(tǒng)
8. 4. 6 基于Agent技術(shù)的模型表示及其管理方法
8. 4. 7 DSS中Agent的機器學(xué)習(xí)和知識發(fā)現(xiàn)
8. 5 基于地理信息系統(tǒng)的IDSS
8. 5. 1 基于地理信息系統(tǒng)的IDSS概念的提出
8. 5. 2 基于地理信息系統(tǒng)的IDSS的關(guān)鍵技術(shù)
8. 5. 3 基于地理信息系統(tǒng)的IDSS的結(jié)構(gòu)框架
8. 6 IDSS中的新理論與新技術(shù)
8. 6. 1 熵理論及其應(yīng)用
8. 6. 2 證據(jù)理論
8. 6. 3 不確定性推理方法在模型管理系統(tǒng)中的應(yīng)用
8. 6. 4 定性推理及其在IDSS中的應(yīng)用
參考文獻