智能数据分析

第一章不确定性理论与方法

1．1概率基础

1．2信息熵

1．2．1信息熵的概念

1．2．2联合熵与条件熵

1．2．3离散互信息

1．3模糊集

1．3．1模糊集合

1．3．2隶属函数

1．3．3模糊集与普通集

1．3．4模糊关系

1．3．5模糊数

1．3．6模糊集的距离

1．3．7模糊聚类

1．4粗糙集

1．4．1属性约简

1．4．2粗糙集基本概念

1．4．3粗糙模糊集

1．4．4概率粗糙集

1．4．5基于相似关系的粗糙近似

1．5遗传算法

1．5．1遗传算法的生物遗传学基础

1．5．2遗传算法的基本概念

1．5．3遗传算法的基本流程

1．5．4遗传算法应用实例

1．5．5遗传算法的模式理论及收敛理论

1．5．6遗传算法的特点及应用领域

参考文献注释

参考文献

第二章数据依赖

2．1数据依赖

2．1．1函数依赖

2．1．2多值依赖

2．1．3连接依赖

2．1．4非圈连接依赖

2．2数据依赖间的蕴涵关系

2．2．1模式等价

2．2．2连接依赖蕴涵的检验

2．2．3函数依赖蕴涵的检验

2．2．4追逐表之间的关系

2．3模糊数据依赖

2．3．1模糊关系数据模型

2．3．2模糊值的贴近度

2．3．3模糊关系操作

2．3．4模糊函数依赖与多值依赖

2．3．5模糊连接依赖

2．3．6模糊数据依赖蕴涵

2．3．7模糊度约束

2．3．8模糊函数依赖的应用

参考文献注释

参考文献

第三章分类和聚类分析

3．1分类分析

3．1．1分类的基本概念

3．1．2分类模型简介

3．1．3基于决策树的分类

3．1．4基于距离的分类

3．1．5贝叶斯分类

3．1．6其他分类方法概述

3．2聚类分析

3．2．1聚类的基本概念

3．2．2数据类型和相似性度量

3．2．3基于划分的聚类

3．2．4层次聚类

3．2．5基于密度的聚类

3．2．6模糊聚类

3．2．7其他聚类方法

参考文献注释

参考文献

第四章贝叶斯网

4．1马尔可夫网与贝叶斯网

4．1．1依赖模型与图的关系

4．1．2马尔可夫网

4．1．3贝叶斯网

4．2构造贝叶斯网

4．2．1参数学习

4．2．2贝叶斯网结构学习的打分－搜索方法

4．2．3基于依赖分析的马尔可夫网的构造算法

4．2．4由数据依赖构造贝叶斯网

4．3贝叶斯网的推理

4．3．1推理概述

4．3．2Cutsetconditioning推理方法

4．3．3Clustering推理方法

4．4贝叶斯网的聚集

4．4．1链图模型

4．4．2贝叶斯网的聚集

参考文献注释

参考文献

第五章基于影响图模型的决策分析

5．1统计决策的基本概念

5．1．1普通统计决策

5．1．2模糊统计决策

5．1．3效用函数

5．2影响图

5．3影响图决策

5．3．1影响图决策的结点约简方法

5．3．2影响图决策的遗传算法

5．3．3影响图决策的增强学习算法

5．4影响图结构学习与参数学习

5．4．1影响图结构学习算法

5．4．2影响图局部结构的修改

5．4．3效用函数学习

参考文献注释

参考文献

第六章对策分析

6．1对策论基础

6．1．1策略博弈

6．1．2不完全信息博弈

6．1．3协作博弈

6．1．4多阶段博弈

6．2求解离散空间的e－纳什均衡

6．3n人博弈的化简

6．3．1n人博弈中对局者的地位

6．3．2对局者间的策略依赖度

6．3．3博弈相关

6．4多阶段博弈的增强学习算法

参考文献注释

参考文献

第七章融合分析

7．1数据融合概述

7．2身份与证据融合

7．2．1古典统计方法

7．2．2贝叶斯统计方法

7．2．3Dempster-Shafer证据理论

7．2．4证据叠加

7．3推理融合

7．3．1条件事件代数概述

7．3．2基于GNw条件事件代数的贝叶斯网逻辑表达式计算

7．3．3基于乘积空间条件事件代数的贝叶斯网的逻辑推理

7．4模型融合

7．4．1基于马尔可夫等价的贝叶斯网合并方法

7．4．2基于扩展关系数据理论的贝叶斯网合并方法

7．4．3贝叶斯网的参数合并

7．5决策融合

7．5．1多目标决策融合

7．5．2群决策中的方案选择

7．5．3群决策中决策方案的融合

参考文献注释

参考文献

　　本书以数据分析为主线，将数据间的关系与决策应用联系起来，这就涉及理论分析与实际实现两方面的内容。本书对大多数理论问题给出了证明，对部分没有证明的重要结论提供了直观的论据和实例，以及相关的引用文献。本书对问题的实现几乎都给出了具体的算法，但不陷入问题的细节。　　本书以数据分析为主线，旨在利用模糊集、粗糙集、遗传算法和机器学习等不确定人工智能方法分析数据间的依赖关系、概率因果关系、数据分类与聚类，并用于决策、对策及融合分析。　　本书的主要特点：在阐述相关领域最基本、最重大的成果时，也介绍这些领域的最新进展，以及作者在这方面的工作；对大多数理论问题给出了证明、直观论据和实例，对问题的实现给出了具体的算法。　　本书可作为知识发现、智能信息处理、决策分析等领域的研究、开发人员的参考书，也可作为计算机、信息系统等专业研究生的教材。