数据与知识工程导论

.1．4．2 数据依赖
1．4．3 范式
1．4．4 关系规范化
1．4．5 关系规范化在实际中的应用
1．5 数据约束
1．5．1 关系的完整性，
1．5．2 数据库的完整性
1．5．3 表示完整性约束的方法
1．5．4 商品化dbms中的完整性约束
1．6 数据安全
1．6．1 常用数据库安全方法
1．6．2 商业dbms的安全性策略
1．7 数据库管理
1．7．1 dbms的结构。
1．7．2 事务管理
1．7．3 商业dbms产品比较
1．7．4 选择dbms产品时的考虑
1．8 数据库应用--oltp
1．8．1 oltp的体系结构
1．8．2 oltp系统的开发步骤
1．8．3 一个oltp系统设计实例
第2章 数据仓库工程
2．1 数据仓库
2．1．1 为什么需要数据仓库
2．1．2 数据仓库的组成
2．1．3 数据仓库的特性
2．1．4 商业化数据仓库解决方案
2．2 数据载入
2．2．1 从操作数据向数据仓库的移动
2．2．2 数据仓库的粒度和元数据
2．2．3 oracle数据移入工具--sql*loader
2．3 星型模型
2．3．1 构建合理的企业数据模型
2．3．2 星型模型架构
2．3．3 星型模型构建方法
2．4 三层设计
2．4．1 ods
2．4．2 db-ods-dw三层体系结构
2．4．3 db-ods-dw体系结构应用实例
2．5 数据仓库安全
2．5．1 数据仓库安全策略
2．5．2 数据访问安全
2．5．3 数据安全--数据仓库备份与恢复
2．6 数据仓库查询技术
2．6．1 查询工具的选择
2．6．2 优化物理数据仓库来提高查询效率
2．6．3 商业数据仓库解决方案中的查询工具
2．7 数据仓库应用--olap
2．7．1 第一次亲密接触olap
2．7．2 molap与rolap
2．7．3 olap工具
第3章 数据挖掘
3．1 基于证据理论的数据挖掘方法
3．1．1 证据理论在表征默认值上的应用
3．1．2 基于证据理论的多分类器集成方法
3．2 基于神经网络的数据挖掘方法
3．2．1 神经网络简介
3．2．2 使用bp网络进行分类
3．3 基于遗传算法的数据挖掘方法
3．3．1 遗传算法的基本原理
3．3．2 基于遗传算法的广义规则挖掘
3．3．3 基于遗传算法的分类规则挖掘
3．4 基于粗糙集的数据挖掘方法
3．4．1 粗糙集在数据挖掘中的某个应用
3．4．2 基于粗糙集的数据挖掘算法
3．5 其他数据挖掘方法
3．5．1 决策树
3．5．2 模糊集
3．5．3 数理统计
第4章 基于数据(知识)库的知识发现
4．1 kdd基本概念
4．1．1 kdd的起源
4．1．2 kdd的特点
4．1．3 kdd的定义
4．1．4 kdd的发现目标
4．2 kdd的挖掘模式
4．2．1 关联模式
4．2．2 分类模式
4．2．3 聚类模式
4．2．4 回归模式
4．2．5 序列模式
4．3 kdd处理过程模型
4．3．1 多处理阶段过程模型1
4．3．2 多处理阶段过程模型2
4．3．3 多处理阶段过程模型3
4．4kdd中使用的方法
4．4．1 决策树方法
4．4．2 神经网络方法
4．4．3 粗集方法
4．4．4 遗传算法
4．4．5 统计分析方法
4．4．6 覆盖正例排斥反例法
4．4．7 模糊逻辑
4．4．8 概念树方法
4．4．9 公式发现
4．4．10 云模型方法
4．4．11 可视化技术
4．5 kdd应用
4．5．1 kdd在保险风险评估中的应用
4．5．2 kdd在crm系统中的应用
4．5．3 kdd在电信业中的应用
4．5．4 kdd在股票信息处理中的应用
4．5．5 kdd在人事管理中的应用
4．6 kdd中存在的困难与问题
第5章 知识表示
5．1 产生式
5．1．1 产生式的基本形式
5．1．2 产生式系统结构
5．1．3 推理步骤及搜索机制
5．1．4 产生式系统的特点及不足
5．2 语义网
5．2．1 基本概念
5．2．2 使用语义网表示知识
5．2．3 基于语义网的推理
5．2．4 语义网的特点及不足
5．3 框架表示法
5．3．1 框架的定义
5．3．2 框架系统的预定义槽
5．3．3 基于框架的推理
5．3．4 框架系统的特点与不足
5．4 基于对象的知识表示方法
5．4．1 概述
5．4．2 面向对象的概念和特点
5．4．3 事实性知识的面向对象表达
5．4．4 规则和过程性知识的面向对象表达
5．5 逻辑表达
5．5．1 命题逻辑知识表达
5．5．2 一阶谓词逻辑知识表达
5．5．3 非经典逻辑知识表达
5．6 agent
5．6．1 agent概述
5．6．2 agent分类
5．6．3 多agent系统(mas)
5．6．4 智能主体与专家系统
5．7 粗集理论
5．7．1 粗集理论概述
5．7．2 基本概念
5．7．3 基于粗集理论的知识表达系统
5．7．4 决策表约简
5．7．5 与其他软计算方式的联系
第6章 知识推理
6．1 谓词逻辑推理
6．1．1 子句集
6．1．2 替换与合一
6．1．3 归结原理
6．1．4 归结控制策略
6．2 非单调推理
6．2．1 基本概念
6．2．2 非单调推理与不确定推理及经典逻辑
6．2．3 非单调推理的研究方法及问题
6．2．4 非单调推理与关于行动的推理
6．3 非精确推理
6．3．1 主观bayes方法
6．3．2 确定性理论方法
6．3．3 证据理论方法
6．4 案例推理
6．4．1 案例推理的基本概念
6．4．2 案例推理中的关键技术
6．4．3 案例推理的应用
6．5 定性推理
6．5．1 定性推理概述
6．5．2 基于过程的定性推理方法
6．5．3 基于部件模型的定性推理方法
第7章 知识库管理系统基本功能
7．1 知识表达的需求和主要框架
7．1．1 知识表达的需求
7．1．2 谓词逻辑是知识表达的主要框架
7．2 逻辑型知识语言
7．2．1 hom逻辑的语法
7．2．2 sld推导
7．2．3 一个实际的hom逻辑系统--prolog系统
7．2．4 附加的控制机制--cut
7．2．5 否定信息的处理
7．2．6 一个逻辑方式表达的例子
7．3 多种知识表达与推理的实现
7．3．1 prolog的元级扩充
7．3．2 框架表达与推理的实现
7．3．3 对象表达方式的实现
7．4 知识表达模式oos
7．5 知识库系统体系结构
7．6 知识消化系统
7．7 元推理和演绎机制
7．8 知识消化的实现
7．8．1 一个例子
7．8．2 输入流的消化
第8章 库管理系统高级功能
8．1 知识追踪
8．2 推理的解释
8．2．1 求解用户的目标
8．2．2 要求用户回答问题
8．2．3 示意性的专家系统
8．2．4 why解释功能
8．2．5 how解释功能
8．3 不精确推理
8．3．1 不精确推理模型及其性质
8．3．2 不精确推理的实现
8．4 信念系统和非单调推理
8．4．1 信念系统几个典型的例子
8．4．2 一致性阶恢复
8．5 知识调试
8．5．1 循环控制
8．5．2 假结论的诊断
8．5．3 发现丢失解的结论
8．6 知识获取的一种方法--模型推理方法
8．6．1 求精操作
8．6．2 模型推理算法
8．6．3 知识调节与实例
第9章 知识变换与优化
9．1 部分计算一般介绍
9．1．1 基本原理
9．1．2 实现算法
9．1．3 部分计算主要特征
9．1．4 循环问题及其处理
9．2 元级描述向目标级描述变换方法
9．3 逻辑程序的源级优化
9．4 源级向抽象机级变换
9．4．1 源级或0型抽象机(apm-0)向1型抽象机(apm-1)变换
9．4．2 源级或0型抽象机向2型抽象机(apm-2)变换
9．5 prolog元级解释器的合成方法
9．5．1 元级解释器的建立
9．5．2 元级解释器的合成
第10章 知识工程开发方法
10．1 知识工程的开发过程
10．1．1 增量式的开发方法
10．1．2 螺旋形模型
10．2 快速原型法(prototyping)
10．2．1 原型法的一般原理
10．2．2 原型法的基本要求
10．3 概念化知识获取方法
10．4 路径寻找问题逻辑设计
10．4．1 容器灌水问题
10．4．2 农夫划船问题
10．5 递归问题逻辑设计
10．5．1 自然数是递归问题
10．5．2 项递归
10．6 约束求解问题设计
10．7 面向智能主体的开发技术
10．7．1 面向智能主体的软件开发
10．7．2 agento语言
10．7．3 agent-o解释器
10．7．4 基于智能主体的软件工程
第11章 基于知识的系统开发
11．1 ecap规则系统框架
11．1．1 分布式组件技术与三层体系结构的关系
11．1．2 主动规则--eca规则简介
11．1．3 扩展的eca规则
11．1．4 ecap规则语义
11．1．5 ecap规则语法
11．1．6 分层结构模型
11．1．7 基于ecap规则的分层应用程序的运行机制
11．2 经营过程中的对象行为建模
11．2．1 信息系统建模分类及比较
11．2．2 cpn概述
11．2．3 有色petri网(cpn)
11．2．4 递阶有色petri网(hierarchical cpn)
11．2．5 hcpn与面向对象
11．2．6 面向对象的hcpn对企业行为对象建模
11．3 基于ecap和hcpn的图书信息管理系统设计与建模
11．3．1 图书信息管理系统结构
11．3．2 采访子系统的功能简介
11．3．3 采访子系统的递阶分层模型
11．3．4 图书采访的对象模型
11．3．5 图书采访的行为模型
11．3．6 图书采访的hcpn模型
11．3．7 用ecap规则描述采访过程
11．4 系统生成和重构策略及应用
11．4．1 ecap规则的生成
11．4．2 数据端口的定义
11．4．3 重构策略及应用
11．4．4 规则设计性能方面的优化
11．5 面向cbr(case-based reasoning)的数据仓库相关技术
11．5．1 cbr的基本思想
11．5．2 基于事例仓库的高级事例推理系统
(advanced case-based system on case warhouse)
11．6 acbr知识获取算法
11．6．1 规则获取
11，6．2 一个例子
11．6．3 消除冗余属性
11．6．4 消除不一致性
11．6．5 利用元知识
11．7 acbr的问题求解
11．7．1 事例仓库的组织
11．7．2 事例仓库的检索--启发式搜索
11．7．3 事例仓库的管理
11．7．4 性能评价
参考文献