"数据仓库是商务智能的基础，数据仓库中的数据是大企业和大单位所需的大数据。数据挖掘是指从数据中获取知识，它是人工智能的核心。 首先，本书系统介绍了数据仓库原理、联机分析处理、数据仓库的决策支持，以及数据挖掘原理和方法，包括决策树、粗糙集、关联规则挖掘、神经网络、遗传算法、公式发现、知识挖掘等。其次，本书对当前兴起的深度学习、强化学习和迁移学习新技术的原理、算法和实例进行了详细的介绍。再次，本书介绍了软件进化和数学进化的知识挖掘，软件是计算机的核心，数学是软件的基础。最后，本书对商务智能、计算智能和人工智能概念进行了比较，并将三者的概念统一为“人工智能”。 本书配有部分问答题、设计题和计算题的参考答案。问答题便利学生解惑，设计题和计算题便利学生上机实验。 本书适合作为高等院校计算机、软件工程专业高年级本科生、研究生的教材，可供对UML比较熟悉并且对软件建模有所了解的开发人员、广大科技工作者和研究人员参考。 "

陈文伟，男，国防科学技术大学博士生导师。出版书有：《数据仓库与数据挖掘教程》、《知识工程与知识管理》、《决策支持系统及其开发》、《决策支持系统教程》等。2015年荣获国防科技大学资深研究生导师称号。

第4版前言 数据仓库（data warehouse， DW）是从数据库发展起来的。数据仓库中的数据是集成了多个相关的数据库的数据，又包含它们的综合数据和多年的历史数据。它的数据量达到了数据库的100倍。数据库是为管理业务服务的，而数据仓库是为决策服务的。数据仓库结合多维数据分析工具（OLAP）和数据挖掘算法，实现了商务智能。即从大量数据中获取现状信息和变化信息，为决策提供有力支持，能够解决商务中随机出现的问题，从而提高企业的利润和竞争力。数据仓库也是大企业和政府部门所需的大数据。 数据挖掘（data mining，DM）算法来自机器学习（machine learning，ML）中涉及数据库的有关算法（如归纳学习算法）。数据挖掘是知识发现（knowledge discovery in database，KDD）过程中一个最重要的步骤。它已经成为数据库的发展新方向，独立形成了一门学科。数据挖掘和机器学习都是人工智能的核心组成部分。 本书简化了决策树方法和粗糙集方法的原理，用同一个例子的计算进行了对比。书中突出了信息论中的互信息的价值，选取最大值的属性用来建决策树。取最小值的属性作为粗糙集中被约简的约简集，从而对两个方法的原理和方法有更深入的了解，为读者给出了一个新的思路。 本书对深度学习的卷积网络、强化学习和迁移学习等机器学习方法的原理、算法和实例进行了详细的介绍。卷积网络中的卷积核，把方块中的数用网络线的权值来代替，样本误差的回传公式就同BP反向传播公式一样，很容易理解。强化学习的过程和我们常说的从错误中吸取教训相似。对于迁移学习，与类比学习和基于案例推理进行了比...