第一章 传统的决策支持系统 1
第一节 决策支持系统的概念 2
一、决策支持系统的定义和特征 3
二、决策支持系统的功能 5
三、决策支持系统的分类 7
第二节 决策支持系统的系统结构 8
一、决策支持系统的基本组成 9
二、决策支持系统的体系结构 28
三、决策支持系统的三个技术层次 36
第三节 传统决策支持系统存在的问题 38
一、数据管理问题 38
二、模型分析问题 40
第二章 知识发现:决策支持的新思路 42
第一节 知识发现的概念 43
一、知识发现的定义和基本概念 43
二、知识发现的处理过程 45
三、知识发现与数据挖掘 51
第二节 知识发现的数据基础 51
一、数据的组织存储方式 52
二、数据的类型 52
第三节 知识发现的目标 53
一、广义知识 55
二、分类和预测 55
三、聚类知识 57
四、关联规则 58
五、偏差分析 59
第四节 知识发现的方法 59
一、数据库访问技术 60
二、统计方法 61
三、机器学习 63
四、智能计算 65
第五节 决策支持与知识发现 66
第三章 数据仓库原理 68
第一节 数据仓库的基本概念 68
一、数据仓库的定义 68
二、数据仓库的特征 69
第二节 数据仓库的体系结构 72
一、数据仓库中的数据组织 72
二、数据仓库中的体系结构 75
第三节 数据仓库中的数据存储与组织形式 77
一、数据的组织方式 77
二、数据的存储方式 79
三、元数据 81
第四节 数据仓库的粒度和数据分割 88
第四章 数据仓库的数据模型 92
第一节 数据仓库建模基本原则 92
第二节 数据仓库中的基本概念 94
一、维 94
二、数据立方体 95
三、视图 96
第三节 高层模型 98
一、E-R图 98
二、信息包图 99
第四节 中层模型 103
一、事实表和维表 103
二、三种中层模型 106
第五节 低层模型 108
第五章 数据仓库数据集成和维护 113
第一节 数据集成概述 113
一、数据集成的概念 113
二、数据集成的步骤 114
三、影响数据集成的关键因素 115
四、数据集成的作用 116
第二节 数据抽取 117
一、数据抽取的任务 117
二、数据抽取时应考虑的问题 119
第三节 数据转换 120
一、数据转换的任务 120
二、如何实施转换 122
三、数据转换时应考虑的问题 122
第四节 数据清理 123
第五节 数据装载 126
一、数据装载的任务 126
二、数据装载应考虑的问题 128
第六节 数据集成工具 129
第七节 数据维护策略 132
第六章 OLAP技术 135
第一节 OLAP的技术概念 135
一、OLAP的定义和准则 135
二、OLAP的特性 138
三、OLAP和OLTP的区别 139
第二节 OLAP多维分析 140
第三节 OLAP的实现方式 145
一、基于多维数据库的OLAP 145
二、基于关系数据库的OLAP 149
三、混合型的OLAP 151
第七章 智能计算 153
第一节 人工神经网络 153
一、人工神经元及感知机模型 155
二、前馈神经网络 158
三、径向基函数神经网络 164
四、自组织特征映射神经网络 173
五、神经网络集成 179
第二节 遗传算法 185
一、遗传算法的一般框架 186
二、遗传算法的实现技术 189
第八章 统计方法 194
第一节 关联分析 194
一、基本概念 194
二、关联规则挖掘算法 196
三、关联规则价值衡量方法 202
第二节 聚类分析 203
一、聚类原理 204
二、经典聚类算法 209
三、概念聚类 212
第三节 支持向量机 215
一、支持向量机的基本思想 215
二、模式分类的支持向量机 221
三、非线性回归支持向量机 223
第四节 粗糙集 224
一、粗糙集基本概念 225
二、粗糙集的知识约简 229
三、粗糙集的分类算法 232
第九章 机器学习 235
第一节 决策树 235
一、决策树学习 238
二、选择最佳分类属性 238
三、控制决策树规模 245
第二节 规则归纳 250
一、序列覆盖算法(sequential covering) 250
二、AQ学习 255
三、学习谓词逻辑形式规则 259
四、反转归并 264
第三节 基于案例的学习 267
一、最近邻方法 268
二、基于案例的推理 269
第四节 贝叶斯学习 273
一、贝叶斯学习理论 273
二、贝叶斯网络 276
三、贝叶斯网络学习 278
四、贝叶斯分类器 286
参考文献 291