关系型知识发现

M.E.Muller

“知识”是一个含义极其丰富的词。对于“知识”的理解可以有很多层次，从技术到科学，从逻辑到哲学都有对于这个词的解读。从实践意义上说，“知识”可以看作人们的一种分类能力，即区别事物不同之处的能力。这种理解在计算科学中具有重要的指导意义。在以数据分析为背景的计算科学中，“知识”被看作能够对数据自动区别的规则。本书以关系型知识发现为背景，以数据的可区分性及相应的以区分为目的的计算方法为主线，对知识发现进行了比较系统的介绍。简单来说，在本书中所谓“知识”的发现即如何自动提取对数据进行分类的规则。

全书分为9章：1.引论，介绍了进行关系型知识挖掘的动机和相关的一些研究方法；2.介绍了什么是关系型知识，它的属性和结构；3.从数理统计的角度介绍了从数据到提出假设的过程中涉及到的一些基本概念，如表示、采样、假设、学习、过拟合等；4.介绍了聚类中的常用方法；5.介绍了信息增益的相关概念，以及如何利用信息增益进行评估；6.介绍了粗糙集理论及其在关系型知识发现中的应用；7.介绍了归纳逻辑学习理论；8.介绍了机器学习和集成学习方法；9.介绍了知识表示及其逻辑结构。

本书从分类规则的自动提取角度来看待机器学习问题，并介绍了如何基于规则挖掘解决关系型数据挖掘的问题，比较全面地介绍了其中涉及到的一些经典理论和方法，非常适合相关的科研人员和研究生阅读。

张志斌，副研究员

endprint