《智能数据分析》以数据分析为主线，旨在利用模糊集、粗糙集、遗传算法和机器学习等不确定人工智能方法分析数据间的依赖关系、概率因果关系、数据分类与聚类，并用于决策、对策及融合分析。《智能数据分析》的主要特点：在阐述相关领域最基本、最重大的成果时，也介绍这些领域的最新进展，以及作者在这方面的工作；对大多数理论问题给出了证明、直观论据和实例，对问题的实现给出了具体的算法。
　　《智能数据分析》可作为知识发现、智能信息处理、决策分析等领域的研究、开发人员的参考书，也可作为计算机、信息系统等专业研究生的教材。

　　在一定条件下必然出现（或不出现）某种结果的现象称为确定性现象。例如：向上抛掷的重物必然自由下落。另一类是在相同条件下可能得到多种不同结果的现象。例如抛掷一枚硬币，落下后可能正面朝上，也可能反面朝上。这类现象虽然在个别试验中，其结果呈现出不确定性，但经多次重复试验，其结果呈现出某种客观规律性。例如多次抛掷同一硬币，正面朝上的次数大致占抛掷总次数的一半。我们把在个别试验中呈现不确定性，而在大量重复试验中又具有统计规则性的现象称为随机现象。
　　对随机现象进行观察叫做随机试验，随机试验具有如下特征：
　　1）在同样的条件下，这种试验可以重复进行；
　　2）试验的结果不止一个，每次试验只能出现其中的一个结果，并且事先不能断定必然要出现哪一个结果；
　　3）能够明确指出这种试验可能出现的一切结果。
　　概率论研究的就是随机试验，并简称为试验。
　　定义
　　1.1.1试验中每个可能出现的结果都叫做样本点，全体样本点构成的集合叫做样本空间。

第一章 不确定性理论与方法
1.1 概率基础
1.2 信息熵
1.2.1 信息熵的概念
1.2.2 联合熵与条件熵
1.2.3 离散互信息
1.3 模糊集
1.3.1 模糊集合
1.3.2 隶属函数
1.3.3 模糊集与普通集
1.3.4 模糊关系
1.3.5 模糊数
1.3.6 模糊集的距离
1.3.7 模糊聚类
1.4 粗糙集
1.4.1 属性约简
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 基于相似关系的粗糙近似
1.5 遗传算法
1.5.1 遗传算法的生物遗传学基础
1.5.2 遗传算法的基本概念
1.5.3 遗传算法的基本流程
1.5.4 遗传算法应用实例
1.5.5 遗传算法的模式理论及收敛理论
1.5.6 遗传算法的特点及应用领域
参考文献注释
参考文献

第二章 数据依赖
2.1 数据依赖
2.1.1 函数依赖
2.1.2 多值依赖
2.1.3 连接依赖
2.1.4 非圈连接依赖
2.2 数据依赖间的蕴涵关系
2.2.1 模式等价
2.2.2 连接依赖蕴涵的检验
2.2.3 函数依赖蕴涵的检验
2.2.4 追逐表之间的关系
2.3 模糊数据依赖
2.3.1 模糊关系数据模型
2.3.2 模糊值的贴近度
2.3.3 模糊关系操作
2.3.4 模糊函数依赖与多值依赖
2.3.5 模糊连接依赖
2.3.6 模糊数据依赖蕴涵
2.3.7 模糊度约束
2.3.8 模糊函数依赖的应用
参考文献注释
参考文献

第三章 分类和聚类分析
3.1 分类分析
3.1.1 分类的基本概念
3.1.2 分类模型简介
3.1.3 基于决策树的分类
3.1.4 基于距离的分类
3.1.5 贝叶斯分类
3.1.6 其他分类方法概述
3.2 聚类分析
3.2.1 聚类的基本概念
3.2.2 数据类型和相似性度量
3.2.3 基于划分的聚类
3.2.4 层次聚类
3.2.5 基于密度的聚类
3.2.6 模糊聚类
3.2.7 其他聚类方法
参考文献注释
参考文献

第四章 贝叶斯网
4.1 马尔可夫网与贝叶斯网
4.1.1 依赖模型与图的关系
4.1.2 马尔可夫网
4.1.3 贝叶斯网
4.2 构造贝叶斯网
4.2.1 参数学习
4.2.2 贝叶斯网结构学习的打分－搜索方法
4.2.3 基于依赖分析的马尔可夫网的构造算法
4.2.4 由数据依赖构造贝叶斯网
4.3 贝叶斯网的推理
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 贝叶斯网的聚集
4.4.1 链图模型
4.4.2 贝叶斯网的聚集
参考文献注释
参考文献

第五章 基于影响图模型的决策分析
5.1 统计决策的基本概念
5.1.1 普通统计决策
5.1.2 模糊统计决策
5.1.3 效用函数
5.2 影响图
5.3 影响图决策
5.3.1 影响图决策的结点约简方法
5.3.2 影响图决策的遗传算法
5.3.3 影响图决策的增强学习算法
5.4 影响图结构学习与参数学习
5.4.1 影响图结构学习算法
5.4.2 影响图局部结构的修改
5.4.3 效用函数学习
参考文献注释
参考文献

第六章 对策分析
6.1 对策论基础
6.1.1 策略博弈
6.1.2 不完全信息博弈
6.1.3 协作博弈
6.1.4 多阶段博弈
6.2 求解离散空间的e－纳什均衡
6.3 n人博弈的化简
6.3.1 n人博弈中对局者的地位
6.3.2 对局者间的策略依赖度
6.3.3 博弈相关
6.4 多阶段博弈的增强学习算法
参考文献注释
参考文献

第七章 融合分析
7.1 数据融合概述
7.2 身份与证据融合
7.2.1 古典统计方法
7.2.2 贝叶斯统计方法
7.2.3 Dempster-Shafer证据理论
7.2.4 证据叠加
7.3 推理融合
7.3.1 条件事件代数概述
7.3.2 基于GNw条件事件代数的贝叶斯网逻辑表达式计算
7.3.3 基于乘积空间条件事件代数的贝叶斯网的逻辑推理
7.4 模型融合
7.4.1 基于马尔可夫等价的贝叶斯网合并方法
7.4.2 基于扩展关系数据理论的贝叶斯网合并方法
7.4.3 贝叶斯网的参数合并
7.5 决策融合
7.5.1 多目标决策融合
7.5.2 群决策中的方案选择
7.5.3 群决策中决策方案的融合
参考文献注释
参考文献