決策支持與知識發(fā)現(xiàn)

第一章傳統(tǒng)的決策支持系統(tǒng)/1
第一節(jié)決策支持系統(tǒng)的概念/2
一、決策支持系統(tǒng)的定義和特征/3
二、決策支持系統(tǒng)的功能/5
三、決策支持系統(tǒng)的分類/7
第二節(jié)決策支持系統(tǒng)的系統(tǒng)結構/8
一、決策支持系統(tǒng)的基本組成/9
二、決策支持系統(tǒng)的體系結構/28
三、決策支持系統(tǒng)的三個技術層次/36
第三節(jié)傳統(tǒng)決策支持系統(tǒng)存在的問題/38
一、數(shù)據(jù)管理問題/38
二、模型分析問題/40
第二章知識發(fā)現(xiàn)：決策支持的新思路/42
第一節(jié)知識發(fā)現(xiàn)的概念/43
一、知識發(fā)現(xiàn)的定義和基本概念/43
二、知識發(fā)現(xiàn)的處理過程/45
三、知識發(fā)現(xiàn)與數(shù)據(jù)挖掘/51
第二節(jié)知識發(fā)現(xiàn)的數(shù)據(jù)基礎/51
一、數(shù)據(jù)的組織存儲方式/52
二、數(shù)據(jù)的類型/52
第三節(jié)知識發(fā)現(xiàn)的目標/53
一、廣義知識/55
二、分類和預測/55
三、聚類知識/57
四、關聯(lián)規(guī)則/5E
五、偏差分析/51
第四節(jié)知識發(fā)現(xiàn)的方法/5S
一、數(shù)據(jù)庫訪問技術/60
二、統(tǒng)計方法/61
三、機器學習/63
四、智能計算/65
第五節(jié)決策支持與知識發(fā)現(xiàn)/66
第三章 數(shù)據(jù)倉庫原理/68
第一節(jié)數(shù)據(jù)倉庫的基本概念/68
一、數(shù)據(jù)倉庫的定義/68
二、數(shù)據(jù)倉庫的特征/69
第二節(jié)數(shù)據(jù)倉庫的體系結構/72
一、數(shù)據(jù)倉庫中的數(shù)據(jù)組織/72
二、數(shù)據(jù)倉庫中的體系結構/75
第三節(jié)數(shù)據(jù)倉庫中的數(shù)據(jù)存儲與組織形式/77
一、數(shù)據(jù)的組織方式/77
二、數(shù)據(jù)的存儲方式/79
三、元數(shù)據(jù)/8l
第四節(jié)數(shù)據(jù)倉庫的粒度和數(shù)據(jù)分割/88
第四章數(shù)據(jù)倉庫的數(shù)據(jù)模型/92
第一節(jié)數(shù)據(jù)倉庫建?；驹瓌t/92
第二節(jié)數(shù)據(jù)倉庫中的基本概念/94
一、維/94
二、數(shù)據(jù)立方體/95
三、視圖/96
第三節(jié)高層模型/98
一、E—R圖/98
二、信息包圖/99
第四節(jié)中層模型/103
一、事實表和維表/103
二、三種中層模型/106
第五節(jié)低層模型/108
第五章數(shù)據(jù)倉庫數(shù)據(jù)集成和維護/113
第一節(jié)數(shù)據(jù)集成概述/113
一、數(shù)據(jù)集成的概念/113
二、數(shù)據(jù)集成的步驟/114
三、影響數(shù)據(jù)集成的關鍵因素/115
四、數(shù)據(jù)集成的作用/116
第二節(jié)數(shù)據(jù)抽取/117
一、數(shù)據(jù)抽取的任務/117
二、數(shù)據(jù)抽取時應考慮的問題/119
第三節(jié)數(shù)據(jù)轉換/120
一、數(shù)據(jù)轉換的任務/120
二、如何實施轉換/122
三、數(shù)據(jù)轉換時應考慮的問題/122
第四節(jié)數(shù)據(jù)清理/123
第五節(jié)數(shù)據(jù)裝載/126
一、數(shù)據(jù)裝載的任務/126
二、數(shù)據(jù)裝載應考慮的問題/128
第六節(jié)數(shù)據(jù)集成工具/129
第七節(jié)數(shù)據(jù)維護策略/132
第六章0LAP技術/135
第一節(jié)0LAP的技術概念/135
一、0LAP的定義和準則/135
二、0LAP的特性/138
三、0LAP和OLTP的區(qū)別/139
第二節(jié)0LAP多維分析/140
第三節(jié)0LAP的實現(xiàn)方式/145
一、基于多維數(shù)據(jù)庫的0LAP/145
二、基于關系數(shù)據(jù)庫的0LAP/149
三、混合型的0LAP/15l
第七章智能計算/153
第一節(jié)人工神經(jīng)網(wǎng)絡/153
一、人工神經(jīng)元及感知機模型/155
二、前饋神經(jīng)網(wǎng)絡/158
三、徑向基函數(shù)神經(jīng)網(wǎng)絡/164
四、自組織特征映射神經(jīng)網(wǎng)絡/173
五、神經(jīng)網(wǎng)絡集成/179
第二節(jié)遺傳算法/185
一、遺傳算法的一般框架/186
二、遺傳算法的實現(xiàn)技術/189
第八章統(tǒng)計方法/194
第一節(jié)關聯(lián)分析/194
一、基本概念/194
二、關聯(lián)規(guī)則挖掘算法/196
三、關聯(lián)規(guī)則價值衡量方法/202
第二節(jié)聚類分析/203
一、聚類原理/204
二、經(jīng)典聚類算法/209
三、概念聚類/212
第三節(jié)支持向量機/215
一、支持向量機的基本思想/215
二、模式分類的支持向量機/22l
三、非線性回歸支持向量機/223
第四節(jié)粗糙集/224
一、粗糙集基本概念/225
二、粗糙集的知識約簡/229
三、粗糙集的分類算法/232
第九章機器學習/235
第一節(jié)決策樹/235
一、決策樹學習/238
二、選擇最佳分類屬性/238
三、控制決策樹規(guī)模/245
第二節(jié)規(guī)則歸納/250
一、序列覆蓋算法(sequential covering)/250
二、AQ學習/255
三、學習謂詞邏輯形式規(guī)則/259
四、反轉歸并/264
第三節(jié)基于案例的學習/267
一、最近鄰方法/268
二、基于案例的推理/269
第四節(jié)貝葉斯學習/273
一、貝葉斯學習理論/273
二、貝葉斯網(wǎng)絡/276
三、貝葉斯網(wǎng)絡學習/278
四、貝葉斯分類器/286
參考文獻/291