1　神经网络模型（NeuralNetwork）
1.1 神经网络模型基础知识
1.2 神经网络模型算法简介
1.3 神经网络模型元素
1.3.1 模型属性
1.3.2 模型子元素
1.3.3 评分应用过程
2　决策树模型（TreeModel）
2.1 决策树模型基础知识
2.1.1 决策树模型简介
2.1.2 逻辑谓词表达式
2.2 决策树模型算法简介
2.2.1 卡方自动交互检验算法（CHAID）
2.2.2 迭代二叉树ID3
2.2.3　分类器C4.5和C5.0
2.2.4 分类与回归树算法CART
2.3 决策树模型元素
2.3.1 模型属性
2.3.2 模型子元素
2.3.3 评分应用过程
3　规则集模型（RuleSetModel）
3.1 规则集模型基础知识
3.2 规则集模型元素
3.2.1 模型属性
3.2.2 模型子元素
3.2.3 评分应用过程
4　序列模型（SequenceModel）
4.1 序列模型基础知识
4.2 序列模型算法简介
4.2.1 GSP算法
4.2.2 SPADE算法
4.2.3 PrefixSpan算法
4.3 序列模型元素
4.3.1 模型属性
4.3.2 模型子元素
4.3.3 评分应用过程
5　评分卡模型（Scorecard）
5.1 评分卡模型基础知识
5.2 评分卡模型算法简介
5.3 评分卡模型元素
5.3.1 模型属性
5.3.2 模型子元素
5.3.3 评分应用过程
6　支持向量机模型（SupportVectorMachineModel）
6.1 支持向量机模型基础知识
6.2 支持向量机模型算法简介
6.3 支持向量机模型元素
6.3.1 模型属性
6.3.2 模型子元素
6.3.3 评分应用过程
7　时间序列模型（TimeSeriesModel）
7.1 时间序列模型基础知识
7.2 时间序列模型算法简介
7.2.1 算法概述
7.2.2 指数平滑算法
7.3 时间序列模型元素
7.3.1 模型属性
7.3.2 模型子元素
7.3.3 评分应用过程
8　聚合模型（MiningModel）
8.1 模型聚合基础知识
8.2 挖掘模型MiningModel
附录
后记

本书详细描述了PMML规范（Ver4.3）所支持的8种模型：神经网络模型、决策树模型、规则集模型、序列模型、评分卡模型、支持向量机模型、时间序列模型和聚合模型。全书不是简单地介绍PMML语法，而是融合各种挖掘模型基础知识和算法知识，告诉开发者如何融会贯通地掌握、使用PMML语言，不仅能够学习到标准的PMML模型表达方式，而且能学习机器学习模型的丰富知识，从而熟练地把PMML语言应用到自己的项目实践中。
本书可供从事数据挖掘（机器学习）、人工智能系统开发的软件开发者和爱好者学习使用，也可以作为高等院校大数据和人工智能等相关专业的教材。