數(shù)據(jù)挖掘與粗糙集方法

第1章 導論
1.1　人工智能與知識發(fā)現(xiàn)
1.1.1　人工智能
1.1.2　知識發(fā)現(xiàn)
1.2　數(shù)據(jù)挖掘的概念
1.3　數(shù)據(jù)倉庫與0LAP
1.3.1　數(shù)據(jù)倉庫綜述
1.3.2 聯(lián)機分析處理（0LAP）
1.3.3 數(shù)據(jù)倉庫與0LAP的關系
1.4　數(shù)據(jù)挖掘研究綜述
1.4.1　背景簡介
1.4.2　數(shù)據(jù)挖掘的研究現(xiàn)狀
1.4.3　數(shù)據(jù)挖掘的基本技術
1.4.4　數(shù)據(jù)挖掘的方法和任務
1.4.5　數(shù)據(jù)挖掘工具的評價標準
1.4.6　數(shù)據(jù)挖掘常用技術
1.4.7 數(shù)據(jù)挖掘技術實施的步驟
l.5　數(shù)據(jù)挖掘算法的組件
1.6　數(shù)據(jù)挖掘的應用與發(fā)展前景
第2章　數(shù)據(jù)挖掘的過程及模式
2.1　數(shù)據(jù)挖掘的過程
2.2　數(shù)據(jù)挖掘的模式
2.2.1　關聯(lián)規(guī)則模式
2.2.2　分類模式
2.2.3　聚類模式
2.2.4　序列模式
第3章　粗糙集數(shù)據(jù)分析數(shù)學基礎及智能決策系統(tǒng)框架
3.1 粗糙集數(shù)據(jù)分析（RsDA）工具概述
3.2 RsDA工具的數(shù)學機理
3.2.1　知識的形式化定義
3.2.2　等價關系（不可分辨關系）
3.2.3　知識的粒度
3.2.4　粗糙集合
3.2.5　知識的簡化和核
3.2.6　知識的相對簡化和相對核
3.2.7　范疇的簡化、相對簡化和核
3.2.8　知識的依賴性
3.3　知識表達系統(tǒng)
3.4　決策系統(tǒng)
3.5　基于數(shù)據(jù)挖掘技術的智能決策系統(tǒng)總體框架
第4章　數(shù)據(jù)預處理
4.1 離散化問題的正規(guī)化描述
4.2　現(xiàn)有連續(xù)屬性離散化方法綜述
4.3　基于數(shù)據(jù)分布特征的離散化方法
4.3.1　基本原理
4.3.2　算法思路及實現(xiàn)
4.3.3　算例
4.4　基于數(shù)據(jù)分區(qū)的離散化方法
　4.4.1　整體離散化處理
　 4.4.2　基于數(shù)據(jù)分區(qū)的整體離散化算法
4.5　不完備信息表的數(shù)據(jù)預處理方法
　4.5.1　相關定義及定理
　 4.5.2　算術描述
第5章 相容性決策系統(tǒng)的數(shù)據(jù)約減方法
5.1　基于代數(shù)與邏輯判斷的數(shù)據(jù)約減
5.1.1　基于數(shù)據(jù)分析的屬性約減方法
5.1.2　基于邏輯判斷的屬性值約減方法
5.2　基于面向屬性泛化及信息熵的數(shù)據(jù)約減
5.2.1 引言
5.2.2　關系DB學習原理
5.2.3　規(guī)則提取方法
5.2.4　算例
第6章 不相容性決策系統(tǒng)的數(shù)據(jù)挖掘模型及規(guī)則提取
6.1 基于決策概念包含的數(shù)據(jù)挖掘
6.1.1　粗集擴展模型基本理論
6.1.2 帶有不相容決策的數(shù)據(jù)挖掘模型理論基礎
6.1.3　算法思想
6.1.4　算例
6.2　基于粗糙重復組的數(shù)據(jù)挖掘
6.2.1　基本理論
6.2.2　粗糙重復組粗糙集的不相容決策
6.2.3　算例
第7章 增量式決策系統(tǒng)的數(shù)據(jù)挖掘研究
7.1　基于相容性決策系統(tǒng)的數(shù)據(jù)約減
7.1.1　基于分辨矩陣的數(shù)據(jù)挖掘
7.1.2 基于改進分辨矩陣的增量式數(shù)據(jù)挖掘模型
7.2　基于不相容性決策系統(tǒng)的數(shù)據(jù)約減
7.2.1 廣義歸納表GDT
……
第8章　有序屬性決策系統(tǒng)的粗糙集數(shù)據(jù)約減
第9章　粗糙集合的擴展模型
第10章　基于Wed與多的數(shù)據(jù)挖掘
第11章　數(shù)據(jù)挖掘的發(fā)展及應用
參考文獻