文理学院06年决策数学习机设计与实现 开题报告及资料综述.docVIP

开 题 报 告 （2006 届） （决策树学习机设计与实现） 学生姓名 学 号 院 系 专 业 指导教师 填写日期 一、本课题国内外状况，说明选题依据和意义 人工智能经历了四十余年的研究已步入不惑之年。人们都认为它没有实现它当初的承诺。然而,人工智能技术的应用已深入人心,十分广泛。近两年来,人类除了在传统的自动推理,机器学习,自然语言处理,Action 理论等方面作了大量的研究外,还开辟了两个新的领域“游戏”和信息检查。受Internet 技术迅猛发展的影响,信息的获取与精化已成为当代计算机科学与技术研究中迫切需要研究的课题,将AI 技术应用于这一领域的研究是人工智能走向应用的契机与突破口。智能信息检索技术近年来已作为AI 的一个独立的研究分支。决策树学习方法是人工智能中的重要理论。 决策树学习是机器学习中应用最广的归纳推理算法之一, 是一种逼近离散值函数的方法, 对含有噪声的数据有很好的健壮性, 且与一般的概念学习算法如F IND2S、候选消除(Candidate Elimination) 算法相比, 能够学习析取表达式。主要的决策树算法有基本的ID3 算法及其扩展C4.5 算法。如目前的零售业商业数据挖掘、毕业生就业信息数据挖掘等研究工作, 需要用到决策树学习算法等进行数据挖掘, 并在探索如何设计和实现高质量、通用性好的数据挖掘系统和学习系统。 二、研究的基本内容，你解决的主要问题（阐述的主要观点） ID3 算法是最基本的决策树学习算法, 有很广的应用。现主要讨论基于ID3 算法的学习系统, 并进行设计和实现。根据对ID3 算法描述的分析可以确定以下几种主要的结构: 学习框架、样本集、属性集、属性取值、区间集、学习树、学习树节点。 (1) 学习框架的设计：首先考虑框架类成员属性的设计, 这些属性包括样本集, 属性集, 各属性的取值区间集。这些属性集经常进行增加、插入操作,作为学习的框架，应该还有计算样本集的信息熵、属性的信息增益等方法等。 (2) 决策树节点的设计：树节点是树的基本构成单位, 应有标识自己、双亲节点、本节点的决策属性等静态数据及访问这些数据的方法。 (3) 决策树的设计：决策树是应用学习框架对象和ID3 算法进行学习的部件, 有学习框架、组成树的节点对象集、学习所得的规则集等属性以及实行归纳学习的ID3 算法等方法。 三、课题研究工作进度计划 1．200年12月1日至2004年12月10日，指导教师给学生下达任务书； 2．200年12月11日至2004年12月31日，查阅资料，完成英文翻译； 3．200年1月1日至2005年1月13日，完成资料综述的初稿； 4．200年1月14日至2005年2月21日，完成资料综述的修改稿，完成开题报告的初稿； 5．200年2月22日至2005年5月15日，完成论文的初稿； 6．200年5月16日至2005年5月31日，毕业论文的修改与论文答辩的准备； 7．200年6月4日至2005年6月8日，毕业论文答辩； 8．200年6月9日至2005年6月11日，毕业论文业务总结及相关表格的填写[1] LU GER G F.人工智能———复杂问题求解的结构和策略[M] . 史忠植,张银奎,赵志山昆 等译. 北京:机械工业出版社,中信出版社,2004. [2] 谭　旭,王丽珍,卓　明. 利用决策权发掘分类规则的算法研究[J ] . 云南大学学报(自然科学版) ,2000 ,22(6) :415 —419. [3] 中国人民大学统计学系数据挖掘中心. 数据挖掘中的决策树技术及其应用[J ] . 统计与信息论坛,2002 ,02 :4 —10. [4] 张东摩,李红兵. 人工智能研究动态与发展趋势. 计算机科学,1998 ,25 :5～8 [5] 严蔚敏,吴伟民. 数据结构(第2 版) [M] . 北京:清华大学出版社,1992. [6] 徐立本.机器学习引论[M] . 长春: 吉林大学出版社,1996. [7] 刘小虎.决策树的优化算法[EB/ OL ] . http :/ / www. ipower. com. cn/ ipower/ lib/ rjxb/ 981015. htm. [8] 郑扣根. 人工智能[M] . 北京:机械工业出版社,2000. [9] 尹朝庆，尹皓.人工智能与专家系统[M],北京：中国水利水电出版社，2001，276-281 [10] Ryszard S.Michalski,Ivan Bratko,Micrslav Kubat.机器学习与数据挖掘:方法和应用[M],北京：电子工业出版社，2003.10，65-118 五、指导教师审核意见