前言
第1章 绪论
1. 1 机器学习发展史
1. 1. 1 引言
1. 1. 2 热烈时期
1. 1. 3 冷静时期
1. 1. 4 复兴时期
1. 1. 5 蓬勃发展时期
1. 2 机器学习研究基础
1. 2. 1 机器学习的一个实例
1. 2. 2 机器学习的基本模型
1. 2. 3 机器学习的主要策略
1. 2. 4 机器学习的算法基础
1. 3 计算学习理论
1. 3. 1 可能近似正确学习模型 PAC
1. 3. 2 有限假设空间的样本复杂度
1. 3. 3 与PAC模型有关的几种模型
1. 3. 4 假设空间复杂度的一个重要度量标准——VC-维
1. 4 智能决策支持系统
1. 4. 1 智能决策支持系统发展过程
1. 4. 2 IDSS的系统功能与体系结构
1. 4. 3 IDSS的主要研究内容
1. 4. 4 智能决策支持系统的发展趋势
1. 5 机器学习与智能决策支持系统
1. 5. 1 基于知识的IDSS发展中存在的问题
1. 5. 2 对智能的探讨
1. 5. 3 基于机器学习的IDSS框架
1. 5. 4 机器学习在智能决策支持系统中的应用
参考文献
第2章 归纳学习
2. 1 概述
2. 2 归纳学习
2. 2. 1 规则学习
2. 2. 2 决策树学习
2. 2. 3 科学发现
2. 2. 4 特征子集选择问题
2. 3 归纳学习的逻辑基础
2. 3. 1 归纳逻辑与归纳推理
2. 3. 2 归纳推理规则
2. 3. 3 归纳学习中的知识表示
2. 3. 4 归纳偏置
2. 4 决策树归纳学习
2. 4. 1 例子
2. 4. 2 CLS学习算法
2. 4. 3 ID系列学习算法
2. 4. 4 C4. 5学习算法
2. 5 关于决策树的深入讨论
2. 5. 1 决策树的评价标准
2. 5. 2 由决策树提取分类规则
2. 5. 3 测试属性的选择
2. 5. 4 树剪枝
2. 5. 5 测试属性空间的修改
参考文献
第3章 范例推理
3. 1 引言
3. 2 CBR研究的历史和现状
3. 3 CBR中范例的表示方法及检索技术
3. 4 CBR的修正技术
3. 5 CBR系统的维护
3. 5. 1 引言
3. 5. 2 相关工作
3. 5. 3 CBR系统中范例库维护的定义及其构架
3. 6 基于数据挖掘技术的范例推理系统
3. 6. 1 引言
3. 6. 2 范例推理中基于数据库的数据挖掘技术
3. 6. 3 范例库上知识发现的主要步骤与目标
3. 6. 4 范例库上知识发现的主要方法与技术
3. 6. 5 基于知识发现技术的CBR系统框架结构
3. 7 基于神经网络的CBR系统
3. 7. 1 范例推理与神经网络
3. 7. 2 用IAC网络来构造CBR系统
3. 8 CBR方法与其他方法的集成
3. 8. 1 相关研究
3. 8. 2 归纳技术与范例推理的结合
3. 8. 3 范例推理与专家系统的结合
3. 9 CBR的进一步研究方向
参考文献
第4章 粗糙集
4. 1 概述
4. 1. 1 粗糙集理论发展简史
4. 1. 2 粗糙集理论基本思想
4. 1. 3 粗糙集与其他不确定方法的比较
4. 1. 4 粗糙集理论研究现状
4. 2 基本概念
4. 2. 1 知识与分类
4. 2. 2 不可分辨关系
4. 3 粗糙集的基本理论
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义
4. 3. 3 近似集的性质和近似精度
4. 3. 4 粗糙集的集合关系
4. 4 知识的约简
4. 4. 1 知识的约简和核
4. 4. 2 知识的相对约简和相对核
4. 4. 3 知识的依赖性度量
4. 5 决策表达逻辑
4. 5. 1 数据表知识表达系统
4. 5. 2 决策表
4. 5. 3 决策逻辑
4. 5. 4 决策表的约简
4. 5. 5 属性约简的差别矩阵方法
4. 5. 6 差别矩阵方法的约简
4. 6 粗糙集的具体实现和应用
4. 6. 1 离散归一化
4. 6. 2 引入领域知识的数据约简
4. 6. 3 医疗数据分析
4. 6. 4 模式识别
4. 7 相似粗糙集及其应用
4. 7. 1 相似粗糙集理论
4. 7. 2 相似粗糙集的应用:气象系统权值发现
参考文献
第5章 遗传算法
5. 1 遗传算法的主要特征
5. 1. 1 标准遗传算法
5. 1. 2 遗传算法的优缺点
5. 2 遗传算法的基本原理
5. 2. 1 模式定理 schema theorem
5. 2. 2 积木块假设
5. 2. 3 欺骗问题
5. 2. 4 隐并行性
5. 3 遗传算法的关键问题及方法
5. 3. 1 编码
5. 3. 2 适应度函数
5. 3. 3 遗传操作
5. 3. 4 未成熟收敛问题
5. 4 遗传算法的应用
5. 4. 1 遗传算法与知识发现
5. 4. 2 遗传算法在神经网络中的应用
5. 4. 3 佳点集遗传算法与货郎担问题
5. 5 遗传算法的改进
5. 5. 1 统计遗传算法
5. 5. 2 并行遗传算法
参考文献
第6章 决策支持系统
6. 1 概述
6. 1. 1 DSS的产生
6. 1. 2 决策支持系统的基本概念
6. 1. 3 DSS与MIS的关系
6. 1. 4 DSS在发展中面临的问题
6. 1. 5 DSS的发展趋势
6. 2 DSS的基本体系结构
6. 2. 1 引言
6. 2. 2 人机交互子系统
6. 2. 3 数据库系统
6. 2. 4 模型库系统
6. 2. 5 方法库系统
6. 3 DSS的开发与设计
6. 3. 1 DSS的开发过程
6. 3. 2 决策支持系统的开发方法
6. 3. 3 决策支持系统的设计
6. 4 智能决策支持系统
6. 4. 1 IDSS的三种体系结构及其比较
6. 4. 2 IDSS的模型库系统
6. 4. 3 IDSS的知识库系统
6. 4. 4 IDSS的研究现状和存在的问题
6. 4. 5 IDSS的研究方向
参考文献
第7章 基于机器学习的智能决策支持系统
7. 1 基于机器学习的IDSS
7. 1. 1 概述
7. 1. 2 基于机器学习的IDSS的体系结构
7. 1. 3 基于机器学习的IDSS知识库和知识表示系统
7, 2 基于神经网络学习的智能决策支持
7. 2. 1 神经网络的学习算法
7. 2. 2 基于神经网络的IDSS的总体框架
7. 2. 3 基于神经网络的IDSS自动模型选择
7. 2. 4 基于神经网络和专家系统的IDSS
7. 3 基于范例推理的智能决策支持系统
7. 3. 1 引言
7. 3. 2 基于范例推理的决策支持系统
7. 3. 3 基于数据挖掘和范例推理的IDSS
7. 3. 4 基于范例的集成推理模型的IDSS
7. 3. 5 基于范例推理的决策支持系统的应用实例
7. 3. 6 总结与展望
7. 4 遗传算法与智能决策支持系统
7. 4. 1 遗传算法在IDSS中的应用
7. 4. 2 基于遗传算法的决策支持系统模型设计
7. 4. 3 一个基于遗传算法的建模实例
7. 4. 4 展望与总结
7. 5 基于归纳学习的IDSS
7. 5. 1 基于归纳学习的IDSS的技术
7. 5. 2 应用实例
7. 6 基于粗糙集的智能决策支持系统
7. 6. 1 引言
7. 6. 2 基于粗糙集数据分析的智能决策支持系统
7. 6. 3 小结
7. 7 其他的机器学习技术在IDSS中的应用
7. 7. 1 基于强化学习的IDSS
7. 7. 2 基于Bayes网络的IDSS
7. 7. 3 统计机器学习及其在IDSS中的应用
参考文献
第8章 智能决策支持系统相关新技术的发展
8. 1 数据仓库
8. 1. 1 数据仓库产生的背景
8. 1. 2 数据仓库的概念
8. 1. 3 数据仓库的特征
8. 1. 4 数据仓库与传统数据库比较
8. 1. 5 数据仓库系统
8. 1. 6 数据仓库系统的结构
8. 1. 7 元数据
8. 1. 8 数据仓库的设计
8. 1. 9 0LAP
8. 2 数据挖掘
8. 2. 1 知识发现和数据挖掘概述
8. 2. 2 数据挖掘的功能
8. 2. 3 数据挖掘常用技术
8. 3 结合数据仓库. OlAP和数据挖掘的IDSS
8. 3. 1 结合数据仓库. OLAP和数据挖掘的IDSS的体系结构
8. 3. 2 商业智能IDSS
8. 4 基于Agent的智能决策支持系统
8. 4. 1 Agent概述
8. 4. 2 Agent的类型
8. 4. 3 基于Agent的决策支持系统设计方法
8. 4. 4 基于Agent的决策支持系统框架结构
8. 4. 5 基于多Agent的分布式群体决策支持系统
8. 4. 6 基于Agent技术的模型表示及其管理方法
8. 4. 7 DSS中Agent的机器学习和知识发现
8. 5 基于地理信息系统的IDSS
8. 5. 1 基于地理信息系统的IDSS概念的提出
8. 5. 2 基于地理信息系统的IDSS的关键技术
8. 5. 3 基于地理信息系统的IDSS的结构框架
8. 6 IDSS中的新理论与新技术
8. 6. 1 熵理论及其应用
8. 6. 2 证据理论
8. 6. 3 不确定性推理方法在模型管理系统中的应用
8. 6. 4 定性推理及其在IDSS中的应用
参考文献