知识发现的图模型方法
| <中文摘要> | 第1-5页 |
| <关键词> | 第5-6页 |
| <英文摘要> | 第6-7页 |
| <英文关键词> | 第7-12页 |
| 第一章 绪论 | 第12-23页 |
| ·数据发掘与知识发现 | 第12-18页 |
| ·图模型与KDD | 第18-20页 |
| ·研究目标和内容 | 第20-21页 |
| ·论文结构 | 第21-23页 |
| 第二章 图模型综述 | 第23-43页 |
| ·图模型 | 第23-28页 |
| ·图模型的推理算法 | 第28-30页 |
| ·有向图模型的学习算法 | 第30-39页 |
| ·图模型与计算智能方法 | 第39-41页 |
| ·小 结 | 第41-43页 |
| 第三章 数值属性的离散化 | 第43-56页 |
| ·相关离散化算法 | 第44-46页 |
| ·基于混合概率模型的无监督离散化算法 | 第46-51页 |
| ·基于信息论的有监督离散化算法 | 第51-53页 |
| ·实验结果及分析 | 第53-55页 |
| ·小 结 | 第55-56页 |
| 第四章 有向图模型的结构学习 | 第56-85页 |
| ·基本概念 | 第57-60页 |
| ·联合概率密度函数的逼近 | 第60-67页 |
| ·结构学习的演化算法 | 第67-77页 |
| ·实验结果及分析 | 第77-84页 |
| ·小 结 | 第84-85页 |
| 第五章 有向图模型的参数学习 | 第85-96页 |
| ·基本概念 | 第85-86页 |
| ·基于人工神经网络的局部参数表示 | 第86-88页 |
| ·基于演化算法的人工神经网络训练 | 第88-92页 |
| ·参数学习的质量评估 | 第92-94页 |
| ·小 结 | 第94-96页 |
| 第六章 有向图模型的模型解释 | 第96-104页 |
| ·有向图模型的解释 | 第96-97页 |
| ·概率依赖关系的解释 | 第97-101页 |
| ·条件独立关系的解释 | 第101-103页 |
| ·小 结 | 第103-104页 |
| 第七章 概率依赖关系发现工具Dr.Miner | 第104-111页 |
| ·Dr.Miner的系统结构 | 第104-105页 |
| ·Dr.Miner的功能模块 | 第105-109页 |
| ·小 结 | 第109-111页 |
| 第八章 结束语 | 第111-114页 |
| <引文> | 第114-119页 |
| 附录A 图形索引 | 第119-120页 |
| 附录B 表格索引 | 第120-121页 |
| 附录C 英文术语索引 | 第121-122页 |
| 附录D 攻读博士期间发表及录用的论文 | 第122-124页 |
| 致 谢 | 第124-125页 |
