智能數(shù)據(jù)分析

前言

進入信息時代，面臨知識爆炸和信息泛濫，人們力圖從海量數(shù)據(jù)中挖掘出有用的信息，獲取所需的知識，這就需要利用人工智能的方法對數(shù)據(jù)進行分析。本書的主題是智能化和數(shù)據(jù)分析。面對這個含義寬泛的主題，我們不可能，也不想去涉獵所有的相關領域。本書旨在利用模糊集、粗糙集、遺傳算法和機器學習等不確定人工智能方法去討論數(shù)據(jù)間的依賴關系、概率因果關系、數(shù)據(jù)分類與聚類，并用于決策、對策及融合分析。本書在試圖闡述相關領域的最基本、最重大的成果時，也介紹這些領域的最新進展，以及作者在這些方面的工作。本書以數(shù)據(jù)分析為主線，將數(shù)據(jù)間的關系與決策應用聯(lián)系起來，這就涉及理論分析與實際實現(xiàn)兩方面的內(nèi)容。本書對大多數(shù)理論問題給出了證明，對部分沒有證明的重要結論提供了直觀的論據(jù)和實例，以及相關的引用文獻。本書對問題的實現(xiàn)幾乎都給出了具體的算法，但不陷入問題的細節(jié)，因為枝節(jié)會使解決問題的思路模糊。雖然由算法和示例過渡到實現(xiàn)并不總是十分容易的，但并沒有實質性困難。本書從不同角度就以下幾個方面的內(nèi)容展開了討論。第一章介紹不確定信息處理的理論與方法，主要涉及模糊集、粗糙集、概率論、信息熵及遺傳算法，所介紹的理論是以后章節(jié)的基礎。本章只對本書要用到的知識做扼要介紹，不進一步地展開討論。第二章介紹關系數(shù)據(jù)理論。數(shù)據(jù)依賴是定義在數(shù)據(jù)庫上的語義約束，它反映了屬性集間的客觀語義聯(lián)系。本章介紹了函數(shù)依賴、多值依賴、連接依賴以及非圈連接依賴，強調依賴理論的和諧性；專門討論了數(shù)據(jù)依賴間的蘊涵關系，給出了蘊涵問題的判定方法；進一步將數(shù)據(jù)依賴擴展到模糊環(huán)境，建立了精確值、模糊值統(tǒng)一的數(shù)據(jù)依賴系統(tǒng)。第三章討論分類與聚類。聚類是將數(shù)據(jù)對象劃分成若干個類，使同一類對象具有較高的相似度，而與其他類中的對象有較大差異。分類的目的是將指定的對象分配到合適的類別中。本章介紹了相似性度量和各種聚類方法；討論了分類模型和不同的分類方法。第四章討論事件間的概率因果關系。貝葉斯網(wǎng)是概率因果關系的表示和推理的有效工具。本章介紹了貝葉斯網(wǎng)的基本概念，進而討論了貝葉斯網(wǎng)的多種構造方法和推理算法。利用數(shù)據(jù)依賴構造貝葉斯網(wǎng)，以及網(wǎng)的結點聚集是作者的工作成果。第五章討論基于影響圖的決策分析。影響圖是基于貝葉斯網(wǎng)的一種決策模型，可以利用貝葉斯推斷計算決策行為的期望效用。本章首先介紹基本統(tǒng)計決策原理和影響圖的概念；其次討論了影響圖決策的遺傳算法以及影響圖結構、效用參數(shù)的機器學習算法，最后討論了關于對手決策模型估計的修正方法。第六章討論博弈問題。在多決策系統(tǒng)影響圖中，討論各個系統(tǒng)相互制約的策略選擇時，就要用到博弈論。博弈論是關于策略相互作用的理論。

內(nèi)容概要

　　《智能數(shù)據(jù)分析》以數(shù)據(jù)分析為主線，旨在利用模糊集、粗糙集、遺傳算法和機器學習等不確定人工智能方法分析數(shù)據(jù)間的依賴關系、概率因果關系、數(shù)據(jù)分類與聚類，并用于決策、對策及融合分析。《智能數(shù)據(jù)分析》的主要特點：在闡述相關領域最基本、最重大的成果時，也介紹這些領域的最新進展，以及作者在這方面的工作；對大多數(shù)理論問題給出了證明、直觀論據(jù)和實例，對問題的實現(xiàn)給出了具體的算法。　　《智能數(shù)據(jù)分析》可作為知識發(fā)現(xiàn)、智能信息處理、決策分析等領域的研究、開發(fā)人員的參考書，也可作為計算機、信息系統(tǒng)等專業(yè)研究生的教材。

書籍目錄

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(lián)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(shù)1.3.3 模糊集與普通集1.3.4 模糊關系1.3.5 模糊數(shù)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(shù)據(jù)依賴2.1 數(shù)據(jù)依賴2.1.1 函數(shù)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(shù)據(jù)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(shù)依賴蘊涵的檢驗2.2.4 追逐表之間的關系2.3 模糊數(shù)據(jù)依賴2.3.1 模糊關系數(shù)據(jù)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(shù)依賴與多值依賴2.3.5 模糊連接依賴2.3.6 模糊數(shù)據(jù)依賴蘊涵2.3.7 模糊度約束2.3.8 模糊函數(shù)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(shù)據(jù)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(wǎng)4.1 馬爾可夫網(wǎng)與貝葉斯網(wǎng)4.1.1 依賴模型與圖的關系4.1.2 馬爾可夫網(wǎng)4.1.3 貝葉斯網(wǎng)4.2 構造貝葉斯網(wǎng)4.2.1 參數(shù)學習4.2.2 貝葉斯網(wǎng)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(wǎng)的構造算法4.2.4 由數(shù)據(jù)依賴構造貝葉斯網(wǎng)4.3 貝葉斯網(wǎng)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(wǎng)的聚集4.4.1 鏈圖模型4.4.2 貝葉斯網(wǎng)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(tǒng)計決策的基本概念5.1.1 普通統(tǒng)計決策5.1.2 模糊統(tǒng)計決策5.1.3 效用函數(shù)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(shù)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(shù)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(xié)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(shù)據(jù)融合概述7.2 身份與證據(jù)融合7.2.1 古典統(tǒng)計方法7.2.2 貝葉斯統(tǒng)計方法7.2.3 Dempster-Shafer證據(jù)理論7.2.4 證據(jù)疊加7.3 推理融合7.3.1 條件事件代數(shù)概述7.3.2 基于GNw條件事件代數(shù)的貝葉斯網(wǎng)邏輯表達式計算7.3.3 基于乘積空間條件事件代數(shù)的貝葉斯網(wǎng)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(wǎng)合并方法7.4.2 基于擴展關系數(shù)據(jù)理論的貝葉斯網(wǎng)合并方法7.4.3 貝葉斯網(wǎng)的參數(shù)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

章節(jié)摘錄

插圖：在一定條件下必然出現(xiàn)（或不出現(xiàn)）某種結果的現(xiàn)象稱為確定性現(xiàn)象。例如：向上拋擲的重物必然自由下落。另一類是在相同條件下可能得到多種不同結果的現(xiàn)象。例如拋擲一枚硬幣，落下后可能正面朝上，也可能反面朝上。這類現(xiàn)象雖然在個別試驗中，其結果呈現(xiàn)出不確定性，但經(jīng)多次重復試驗，其結果呈現(xiàn)出某種客觀規(guī)律性。例如多次拋擲同一硬幣，正面朝上的次數(shù)大致占拋擲總次數(shù)的一半。我們把在個別試驗中呈現(xiàn)不確定性，而在大量重復試驗中又具有統(tǒng)計規(guī)則性的現(xiàn)象稱為隨機現(xiàn)象。對隨機現(xiàn)象進行觀察叫做隨機試驗，隨機試驗具有如下特征：1）在同樣的條件下，這種試驗可以重復進行；2）試驗的結果不止一個，每次試驗只能出現(xiàn)其中的一個結果，并且事先不能斷定必然要出現(xiàn)哪一個結果；3）能夠明確指出這種試驗可能出現(xiàn)的一切結果。概率論研究的就是隨機試驗，并簡稱為試驗。定義1.1.1試驗中每個可能出現(xiàn)的結果都叫做樣本點，全體樣本點構成的集合叫做樣本空間。

編輯推薦

《智能數(shù)據(jù)分析》是由科學出版社出版的。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    智能數(shù)據(jù)分析 PDF格式下載

---