智能决策支持系统(idss)广泛应用于各种计算机科学应用的智能决策。实现这些idss,机器学习算法和不同的编程范式和框架是必需的。机器学习和预测算法在本质上是丰富的,产生变化的结果。因此,从业者和决策者需要智能的科学方法,如实证评价和使用multilabel学习机器学习方法,统计和信息理论,具有里程碑意义,和复杂性的方法,使他们能够选择最合适的学习和预测算法。

真实的决策支持系统需要考虑和分析多个标准特性,进而影响最终的决策。标准本质上往往是相互矛盾的:例如,在车的情况下选择、成本等因素,舒适,安全,燃油经济性都要考虑进去。因此,决策者需要科学的方法,如滤波器、说唱歌手,和嵌入方法,进行如此复杂的评估。研究人员关心的设计和开发IDSS寻求证明创新的科学技术,工具和模型改进目标决策的质量和准确性。这种技术和工具的一些例子包括多属性决策(MADM),多属性效用理论(MAUT),前十名中,灵敏度分析、粗糙集勘探系统(rs),自适应粗糙集,和自适应推理方法。

这个特殊的问题因此旨在寻求高质量的原始研究和评论文章,小说,关注科学前沿技术和方法设计、开发和实施中的难点。研究相结合的研究采用机器学习算法和多准则决策(指标)软件和考虑如何提高决策的质量和准确性由这些系统生成一系列多样化的应用程序尤其鼓励。

潜在的主题包括但不限于以下:

• 使用数据挖掘和机器学习技术和算法开发idss在广泛的领域,如商业、教育和医疗保健
• 比较分析、调查和实施不同的idss和指标方法(例如,协同决策、知识决策,(AHP), (ANP),指标值,rs,)在各种应用领域的计算机科学
• 使用聚合操作,优化多目标/标准,模糊指标、权重和排名标准,排名,排序和实施在实际应用领域
• 利用数据挖掘和数据分析的指标
• 使用知识,数据驱动、驱动和混合决策和指标
• 设计和开发新型智能决策社会网络分析方法,web挖掘,众包
• 智能决策系统进行大数据分析
• Multicriteria-based用户身份管理
• Multicriteria-based访问控制、数据管理、融合和上下文感知