图书介绍
机器学习与智能决策支持系统PDF|Epub|txt|kindle电子书版本网盘下载
![机器学习与智能决策支持系统](https://www.shukui.net/cover/34/30824432.jpg)
- 杨善林,倪志伟著 著
- 出版社: 北京:科学出版社
- ISBN:7030128141
- 出版时间:2004
- 标注页数:384页
- 文件大小:22MB
- 文件页数:397页
- 主题词:机器学习;智能决策-决策支持系统
PDF下载
下载说明
机器学习与智能决策支持系统PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台)。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用!后期资源热门了。安装了迅雷也可以迅雷进行下载!
(文件页数 要大于 标注页数,上中下等多册电子书除外)
注意:本站所有压缩包均有解压码: 点击下载压缩包解压工具
图书目录
目录1
前言1
第1章 绪论1
1.1 机器学习发展史1
1.1.1 引言1
1.1.2 热烈时期2
1.1.3 冷静时期3
1.1.4 复兴时期3
1.1.5 蓬勃发展时期4
1.2 机器学习研究基础6
1.2.1 机器学习的一个实例6
1.2.2 机器学习的基本模型7
1.2.3 机器学习的主要策略9
1.2.4 机器学习的算法基础14
1.3 计算学习理论17
1.3.1 可能近似正确学习模型(PAC)18
1.3.2 有限假设空间的样本复杂度20
1.3.3 与PAC模型有关的几种模型21
1.3.4 假设空间复杂度的一个重要度量标准——VC-维24
1.4 智能决策支持系统25
1.4.1 智能决策支持系统发展过程25
1.4.2 IDSS的系统功能与体系结构27
1.4.3 IDSS的主要研究内容29
1.4.4 智能决策支持系统的发展趋势31
1.5 机器学习与智能决策支持系统33
1.5.1 基于知识的IDSS发展中存在的问题33
1.5.2 对智能的探讨35
1.5.3 基于机器学习的IDSS框架36
1.5.4 机器学习在智能决策支持系统中的应用38
参考文献40
第2章 归纳学习41
2.1 概述41
2.2 归纳学习42
2.2.1 规则学习42
2.2.2 决策树学习43
2.2.3 科学发现44
2.2.4 特征子集选择问题45
2.3 归纳学习的逻辑基础45
2.3.1 归纳逻辑与归纳推理45
2.3.2 归纳推理规则47
2.3.3 归纳学习中的知识表示50
2.3.4 归纳偏置52
2.4 决策树归纳学习54
2.4.1 例子54
2.4.2 CLS学习算法55
2.4.3 ID系列学习算法56
2.4.4 C4.5学习算法64
2.5 关于决策树的深入讨论65
2.5.1 决策树的评价标准65
2.5.2 由决策树提取分类规则67
2.5.3 测试属性的选择68
2.5.4 树剪枝70
2.5.5 测试属性空间的修改75
参考文献77
3.1 引言79
第3章 范例推理79
3.2 CBR研究的历史和现状80
3.3 CBR中范例的表示方法及检索技术82
3.4 CBR的修正技术86
3.5 CBR系统的维护89
3.5.1 引言89
3.5.2 相关工作90
3.5.3 CBR系统中范例库维护的定义及其构架93
3.6 基于数据挖掘技术的范例推理系统94
3.6.1 引言94
3.6.2 范例推理中基于数据库的数据挖掘技术95
3.6.3 范例库上知识发现的主要步骤与目标96
3.6.4 范例库上知识发现的主要方法与技术97
3.6.5 基于知识发现技术的CBR系统框架结构99
3.7 基于神经网络的CBR系统101
3.7.1 范例推理与神经网络101
3.7.2 用IAC网络来构造CBR系统102
3.8 CBR方法与其他方法的集成105
3.8.1 相关研究106
3.8.2 归纳技术与范例推理的结合107
3.8.3 范例推理与专家系统的结合108
3.9 CBR的进一步研究方向110
参考文献112
第4章 粗糙集117
4.1 概述117
4.1.1 粗糙集理论发展简史117
4.1.2 粗糙集理论基本思想118
4.1.3 粗糙集与其他不确定方法的比较120
4.1.4 粗糙集理论研究现状121
4.2 基本概念123
4.2.1 知识与分类123
4.2.2 不可分辨关系125
4.3 粗糙集的基本理论126
4.3.1 上近似集和下近似集126
4.3.2 粗糙集中概念的物理意义126
4.3.3 近似集的性质和近似精度128
4.3.4 粗糙集的集合关系130
4.4 知识的约简132
4.4.1 知识的约简和核132
4.4.2 知识的相对约简和相对核133
4.4.3 知识的依赖性度量135
4.5.1 数据表知识表达系统136
4.5 决策表达逻辑136
4.5.2 决策表137
4.5.3 决策逻辑139
4.5.4 决策表的约简140
4.5.5 属性约简的差别矩阵方法143
4.5.6 差别矩阵方法的约简145
4.6 粗糙集的具体实现和应用146
4.6.1 离散归一化146
4.6.2 引入领域知识的数据约简147
4.6.3 医疗数据分析148
4.6.4 模式识别150
4.7 相似粗糙集及其应用153
4.7.1 相似粗糙集理论153
4.7.2 相似粗糙集的应用:气象系统权值发现154
参考文献158
5.1 遗传算法的主要特征160
第5章 遗传算法160
5.1.1 标准遗传算法161
5.1.2 遗传算法的优缺点164
5.2 遗传算法的基本原理165
5.2.1 模式定理(schema theorem)165
5.2.2 积木块假设167
5.2.3 欺骗问题168
5.2.4 隐并行性171
5.3 遗传算法的关键问题及方法171
5.3.1 编码171
5.3.2 适应度函数172
5.3.3 遗传操作175
5.3.4 未成熟收敛问题179
5.4.1 遗传算法与知识发现182
5.4 遗传算法的应用182
5.4.2 遗传算法在神经网络中的应用185
5.4.3 佳点集遗传算法与货郎担问题187
5.5 遗传算法的改进192
5.5.1 统计遗传算法192
5.5.2 并行遗传算法195
参考文献197
第6章 决策支持系统200
6.1 概述200
6.1.1 DSS的产生200
6.1.2 决策支持系统的基本概念202
6.1.3 DSS与MIS的关系204
6.1.4 DSS在发展中面临的问题205
6.1.5 DSS的发展趋势207
6.2.1 引言210
6.2 DSS的基本体系结构210
6.2.2 人机交互子系统214
6.2.3 数据库系统218
6.2.4 模型库系统221
6.2.5 方法库系统228
6.3 DSS的开发与设计230
6.3.1 DSS的开发过程230
6.3.2 决策支持系统的开发方法233
6.3.3 决策支持系统的设计234
6.4 智能决策支持系统235
6.4.1 IDSS的三种体系结构及其比较236
6.4.2 IDSS的模型库系统238
6.4.3 IDSS的知识库系统240
6.4.4 IDSS的研究现状和存在的问题244
6.4.5 IDSS的研究方向248
参考文献251
第7章 基于机器学习的智能决策支持系统254
7.1 基于机器学习的IDSS254
7.1.1 概述254
7.1.2 基于机器学习的IDSS的体系结构255
7.1.3 基于机器学习的IDSS知识库和知识表示系统258
7.2 基于神经网络学习的智能决策支持261
7.2.1 神经网络的学习算法261
7.2.2 基于神经网络的IDSS的总体框架266
7.2.3 基于神经网络的IDSS自动模型选择267
7.2.4 基于神经网络和专家系统的IDSS268
7.3 基于范例推理的智能决策支持系统270
7.3.1 引言270
7.3.2 基于范例推理的决策支持系统271
7.3.3 基于数据挖掘和范例推理的IDSS274
7.3.4 基于范例的集成推理模型的IDSS275
7.3.5 基于范例推理的决策支持系统的应用实例276
7.3.6 总结与展望277
7.4 遗传算法与智能决策支持系统278
7.4.1 遗传算法在IDSS中的应用278
7.4.2 基于遗传算法的决策支持系统模型设计281
7.4.3 一个基于遗传算法的建模实例285
7.4.4 展望与总结287
7.5 基于归纳学习的IDSS287
7.5.1 基于归纳学习的IDSS的技术287
7.5.2 应用实例293
7.6.1 引言294
7.6 基于粗糙集的智能决策支持系统294
7.6.2 基于粗糙集数据分析的智能决策支持系统296
7.6.3 小结300
7.7 其他的机器学习技术在IDSS中的应用301
7.7.1 基于强化学习的IDSS301
7.7.2 基于Bayes网络的IDSS307
7.7.3 统计机器学习及其在IDSS中的应用311
参考文献315
第8章 智能决策支持系统相关新技术的发展320
8.1 数据仓库320
8.1.1 数据仓库产生的背景320
8.1.2 数据仓库的概念320
8.1.3 数据仓库的特征321
8.1.4 数据仓库与传统数据库比较322
8.1.5 数据仓库系统322
8.1.6 数据仓库系统的结构325
8.1.7 元数据326
8.1.8 数据仓库的设计326
8.1.9 OLAP327
8.2 数据挖掘330
8.2.1 知识发现和数据挖掘概述330
8.2.2 数据挖掘的功能331
8.2.3 数据挖掘常用技术332
8.3 结合数据仓库、OLAP和数据挖掘的IDSS335
8.3.1 结合数据仓库、OLAP和数据挖掘的IDSS的体系结构335
8.3.2 商业智能IDSS338
8.4 基于Agent的智能决策支持系统342
8.4.1 Agent概述343
8.4.2 Agent的类型344
8.4.3 基于Agent的决策支持系统设计方法347
8.4.4 基于Agent的决策支持系统框架结构348
8.4.5 基于多Agent的分布式群体决策支持系统349
8.4.6 基于Agent技术的模型表示及其管理方法350
8.4.7 IDSS中Agent的机器学习和知识发现351
8.5 基于地理信息系统的IDSS353
8.5.1 基于地理信息系统的IDSS概念的提出353
8.5.2 基于地理信息系统的IDSS的关键技术354
8.5.3 基于地理信息系统的IDSS的结构框架364
8.6 IDSS中的新理论与新技术366
8.6.1 熵理论及其应用366
8.6.2 证据理论371
8.6.3 不确定性推理方法在模型管理系统中的应用373
8.6.4 定性推理及其在IDSS中的应用374
参考文献380