智能數據分析

第一章 不確定性理論與方法
1.1 概率基礎
1.2 信息熵
1.2.1 信息熵的概念
1.2.2 聯合熵與條件熵
1.2.3 離散互信息
1.3 模糊集
1.3.1 模糊集合
1.3.2 隸屬函數
1.3.3 模糊集與普通集
1.3.4 模糊關系
1.3.5 模糊數
1.3.6 模糊集的距離
1.3.7 模糊聚類
1.4 粗糙集
1.4.1 屬性約簡
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 基于相似關系的粗糙近似
1.5 遺傳算法
1.5.1 遺傳算法的生物遺傳學基礎
1.5.2 遺傳算法的基本概念
1.5.3 遺傳算法的基本流程
1.5.4 遺傳算法應用實例
1.5.5 遺傳算法的模式理論及收斂理論
1.5.6 遺傳算法的特點及應用領域
參考文獻注釋
參考文獻
第二章 數據依賴
2.1 數據依賴
2.1.1 函數依賴
2.1.2 多值依賴
2.1.3 連接依賴
2.1.4 非圈連接依賴
2.2 數據依賴間的蘊涵關系
2.2.1 模式等價
2.2.2 連接依賴蘊涵的檢驗
2.2.3 函數依賴蘊涵的檢驗
2.2.4 追逐表之間的關系
2.3 模糊數據依賴
2.3.1 模糊關系數據模型
2.3.2 模糊值的貼近度
2.3.3 模糊關系操作
2.3.4 模糊函數依賴與多值依賴
2.3.5 模糊連接依賴
2.3.6 模糊數據依賴蘊涵
2.3.7 模糊度約束
2.3.8 模糊函數依賴的應用
參考文獻注釋
參考文獻
第三章 分類和聚類分析
3.1 分類分析
3.1.1 分類的基本概念
3.1.2 分類模型簡介
3.1.3 基于決策樹的分類
3.1.4 基于距離的分類
3.1.5 貝葉斯分類
3.1.6 其他分類方法概述
3.2 聚類分析
3.2.1 聚類的基本概念
3.2.2 數據類型和相似性度量
3.2.3 基于劃分的聚類
3.2.4 層次聚類
3.2.5 基于密度的聚類
3.2.6 模糊聚類
3.2.7 其他聚類方法
參考文獻注釋
參考文獻
第四章 貝葉斯網
4.1 馬爾可夫網與貝葉斯網
4.1.1 依賴模型與圖的關系
4.1.2 馬爾可夫網
4.1.3 貝葉斯網
4.2 構造貝葉斯網
4.2.1 參數學習
4.2.2 貝葉斯網結構學習的打分－搜索方法
4.2.3 基于依賴分析的馬爾可夫網的構造算法
4.2.4 由數據依賴構造貝葉斯網
4.3 貝葉斯網的推理
4.3.1 推理概述
4.3.2 Cutsetconditioning推理方法
4.3.3 Clustering推理方法
4.4 貝葉斯網的聚集
4.4.1 鏈圖模型
4.4.2 貝葉斯網的聚集
參考文獻注釋
參考文獻
第五章 基于影響圖模型的決策分析
5.1 統計決策的基本概念
5.1.1 普通統計決策
5.1.2 模糊統計決策
5.1.3 效用函數
5.2 影響圖
5.3 影響圖決策
5.3.1 影響圖決策的結點約簡方法
5.3.2 影響圖決策的遺傳算法
5.3.3 影響圖決策的增強學習算法
5.4 影響圖結構學習與參數學習
5.4.1 影響圖結構學習算法
5.4.2 影響圖局部結構的修改
5.4.3 效用函數學習
參考文獻注釋
參考文獻
第六章 對策分析
6.1 對策論基礎
6.1.1 策略博弈
6.1.2 不完全信息博弈
6.1.3 協作博弈
6.1.4 多階段博弈
6.2 求解離散空間的e－納什均衡
6.3 n人博弈的化簡
6.3.1 n人博弈中對局者的地位
6.3.2 對局者間的策略依賴度
6.3.3 博弈相關
6.4 多階段博弈的增強學習算法
參考文獻注釋
參考文獻
第七章 融合分析
7.1 數據融合概述
7.2 身份與證據融合
7.2.1 古典統計方法
7.2.2 貝葉斯統計方法
7.2.3 Dempster-Shafer證據理論
7.2.4 證據疊加
7.3 推理融合
7.3.1 條件事件代數概述
7.3.2 基于GNw條件事件代數的貝葉斯網邏輯表達式計算
7.3.3 基于乘積空間條件事件代數的貝葉斯網的邏輯推理
7.4 模型融合
7.4.1 基于馬爾可夫等價的貝葉斯網合并方法
7.4.2 基于擴展關系數據理論的貝葉斯網合并方法
7.4.3 貝葉斯網的參數合并
7.5 決策融合
7.5.1 多目標決策融合
7.5.2 群決策中的方案選擇
7.5.3 群決策中決策方案的融合
參考文獻注釋
參考文獻