基于信息论和函数依赖的半监督学习

摘要	第1-6页
Abstract	第6-12页
第1章 绪论	第12-21页
·课题研究背景	第12-16页
·研究现状	第16-19页
·研究内容及组织结构	第19-21页
第2章 贝叶斯理论与朴素贝叶斯分类器	第21-29页
·引言	第21页
·概率论基础	第21-25页
·条件概率和乘法定理	第22-23页
·全概率公式与贝叶斯公式	第23-24页
·极大后验假设和极大似然假设	第24页
·事件的独立性	第24-25页
·贝叶斯网络	第25-26页
·朴素贝叶斯分类器	第26-28页
·本章小结	第28-29页
第3章 信息论	第29-37页
·信息的概念和测度方法	第29-31页
·信息论的基本概念	第31-34页
·熵的定义	第31-32页
·联合熵和条件熵	第32-34页
·互信息	第34页
·朴素贝叶斯分类器中的独立信息增益的定义	第34-36页
·本章小结	第36-37页
第4章 基于关联规则推导函数依赖	第37-48页
·关联规则	第37-44页
·关联规则基本概念	第37-39页
·关联规则分类	第39-40页
·关联规则挖掘的步骤	第40页
·经典 Apriori 算法	第40-44页
·函数依赖	第44-46页
·基于关联规则的函数依赖	第46-47页
·本章小结	第47-48页
第5章 基于信息论和函数依赖的半监督学习	第48-59页
·监督学习和无监督学习	第48-50页
·半监督学习	第50-51页
·基于朴素贝叶斯的半监督学习	第51-55页
·试验结果及分析	第55-58页
·本章小结	第58-59页
参考文献	第59-63页
致谢	第63-64页