贝叶斯网络学习方法和算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 目录 | 第6-8页 |
| 引言 | 第8-10页 |
| 第1 章贝叶斯网络概述 | 第10-19页 |
| 1.1 贝叶斯网络理论的起源与发展 | 第10-11页 |
| 1.2 贝叶斯网络 | 第11-14页 |
| 1.2.1 贝叶斯网络的描述 | 第11-12页 |
| 1.2.2 贝叶斯网络的构造实例 | 第12-13页 |
| 1.2.3 贝叶斯网络的类型 | 第13-14页 |
| 1.2.4 贝叶斯网络的优点 | 第14页 |
| 1.3 贝叶斯网络的应用 | 第14-16页 |
| 1.3.1 贝叶斯网络用于分类和回归分析 | 第14-15页 |
| 1.3.2 用于不确定知识表达和推理 | 第15页 |
| 1.3.3 在因果数据挖掘上的应用及展望 | 第15-16页 |
| 1.3.4 用于聚类模式发现 | 第16页 |
| 1.4 贝叶斯网络学习的前提假设问题 | 第16-17页 |
| 1.4.1 数据完整性假设 | 第16页 |
| 1.4.2 无选择偏好假设 | 第16-17页 |
| 1.4.3 变量离散化假设 | 第17页 |
| 1.5 国内外研究现状 | 第17-19页 |
| 第2 章贝叶斯网络学习 | 第19-26页 |
| 2.1 贝叶斯网络学习概述 | 第19-20页 |
| 2.2 贝叶斯网络学习的基础理论 | 第20-23页 |
| 2.2.1 MDL 标准 | 第20页 |
| 2.2.2 信息理论 | 第20-21页 |
| 2.2.3 d-separation 标准 | 第21-22页 |
| 2.2.4 贝叶斯网络信息管道模型 | 第22页 |
| 2.2.5 最小切割集 | 第22-23页 |
| 2.3 基于打分-搜索的贝叶斯网络结构学习 | 第23-24页 |
| 2.3.1 打分函数 | 第23-24页 |
| 2.3.2 搜索方法 | 第24页 |
| 2.4 基于信息论的依赖分析方法 | 第24-26页 |
| 第3 章基于预测能力的离散贝叶斯网络结构学习 | 第26-34页 |
| 3.1 变量之间的预测能力 | 第26-27页 |
| 3.2 基于预测能力的离散贝叶斯网络结构学习方法 | 第27-29页 |
| 3.2.1 确定初始贝叶斯网络结构 | 第27-28页 |
| 3.2.2 调整初始贝叶斯网络结构 | 第28页 |
| 3.2.3 环路检验 | 第28-29页 |
| 3.3 算法描述 | 第29-30页 |
| 3.4 实验 | 第30-34页 |
| 3.4.1 贝叶斯网络随机模拟 | 第30-31页 |
| 3.4.2 结构学习实验 | 第31-32页 |
| 3.4.3 真网检测 | 第32-34页 |
| 第4 章贝叶斯网络分类器 | 第34-43页 |
| 4.1 分类器概述 | 第34页 |
| 4.2 贝叶斯分类 | 第34-35页 |
| 4.3 朴素贝叶斯分类器 | 第35-36页 |
| 4.4 TAN 树扩展的朴素贝叶斯分类器 | 第36-37页 |
| 4.5 贝叶斯网络分类器 | 第37-39页 |
| 4.5.1 基于MDL 准则的贝叶斯网络分类器 | 第38-39页 |
| 4.6 基于预测能力的贝叶斯网络分类器 | 第39-43页 |
| 4.6.1 分类器的结构学习 | 第39-40页 |
| 4.6.2 三种分类器的联合表示及结构模型 | 第40-41页 |
| 4.6.3 实验 | 第41-43页 |
| 结论 | 第43-44页 |
| 参考文献 | 第44-47页 |
| 附录 | 第47-48页 |
| 后记 | 第48-49页 |
| 在学期间公开发表论文及著作情况 | 第49页 |
