貝葉斯網(wǎng)引論

第一部分 貝葉斯網(wǎng)基礎(chǔ)
第1章 概率論基礎(chǔ)
1.1 隨機事件與隨機變量
1.2 概率的解釋
1.3 多元概率分布
1.4 概率論與人工智能
1.5 信息論基礎(chǔ)
第2章 貝葉斯網(wǎng)
2.1 不確定性推理與聯(lián)合概率分布
2.2 條件獨立與聯(lián)合分布的分解
2.3 貝葉斯網(wǎng)的概念
2.4 貝葉斯網(wǎng)的構(gòu)造
2.5 貝葉斯網(wǎng)的應(yīng)用
2.6 貝葉斯網(wǎng)對其它領(lǐng)域的影響
2.7 文獻介紹
第3章 圖分隔與變量獨立
3.1 直觀分析
3.2 有向分隔與條件獨立
3.3 有向分隔與無向分隔
3.4 有向無圈圖與聯(lián)合概率分布
3.5 文獻介紹
第二部分 貝葉斯網(wǎng)推理
第4章 貝葉斯網(wǎng)與概率推理
4.1 推理問題
4.2 變量消元算法
4.3 復雜度分析
4.4 消元順序
4.5 推理問題簡化
4.6 MAP假設(shè)問題
4.7 文獻介紹
第5章 團樹傳播算法
5.1 團樹
5.2 一個變量后驗概率的計算
5.3 團樹傳播的正確性
5.4 團樹傳播與計算共享
5.5 每個變量的后驗概率的計算
5.6 團樹的構(gòu)造
5.7 文獻介紹
第6章 近似推理
6.1 隨機抽樣算法
6.2 變分法
6.3 其它近似推理算法
6.4 文獻介紹
第三部分 貝葉斯網(wǎng)學習
第7章 參數(shù)學習
7.1 貝葉斯網(wǎng)與數(shù)據(jù)分析
7.2 單參數(shù)最大似然估計
7.3 單參數(shù)貝葉斯估計
7.4 單變量網(wǎng)絡(luò)參數(shù)估計
7.5 一般網(wǎng)絡(luò)最大似然估計
7.6 一般網(wǎng)絡(luò)貝葉斯估計
7.7 缺值數(shù)據(jù)最大似然估計
7.8 缺值數(shù)據(jù)貝葉斯估計
7.9 文獻介紹
第8章 結(jié)構(gòu)學習
8.1 似然函數(shù)與模型選擇
8.2 貝葉斯模型選擇
8.3 大樣本模型選擇
8.4 其它模型選擇標準
8.5 模型優(yōu)化
8.6 缺值數(shù)據(jù)結(jié)構(gòu)學習
8.7 文獻介紹
第9章 隱結(jié)構(gòu)模型學習
9.1 隱變量與隱變量模型
9.2 可分辨性及幾個相關(guān)概念
9.3 隱變量模型選擇
9.4 隱類模型
9.5 多層隱類模型
9.6 多層隱類模型學習算法
9.7 文獻介紹
第四部分 貝葉斯網(wǎng)應(yīng)用
第10章 隱結(jié)構(gòu)模型與中醫(yī)辨證
10.1 中醫(yī)辨證的客觀化、定量化
10.2 腎虛數(shù)據(jù)收集
10.3 數(shù)據(jù)分析原理
10.4 腎虛數(shù)據(jù)分析
10.5 結(jié)果模型定性內(nèi)容的質(zhì)量
10.6 結(jié)果模型定量內(nèi)容的質(zhì)量
10.7 結(jié)果模型與辨證論治
10.8 模型辨證的質(zhì)量
10.9 討論
參考文獻
英漢詞匯對照
索引