| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及其意义 | 第9-11页 |
| 1.1.1 贝叶斯网络 | 第9-10页 |
| 1.1.2 贝叶斯网络的应用领域 | 第10-11页 |
| 1.2 研究目的与内容 | 第11-13页 |
| 1.3 论文组织结构 | 第13-15页 |
| 第二章 贝叶斯网络概述 | 第15-24页 |
| 2.1 贝叶斯网络基本概念 | 第15-18页 |
| 2.1.1 概率论基本要点 | 第15-16页 |
| 2.1.2 图论基本知识 | 第16页 |
| 2.1.3 贝叶斯网络定义 | 第16-17页 |
| 2.1.4 相关前提假设 | 第17-18页 |
| 2.2 贝叶斯网络参数学习 | 第18-20页 |
| 2.2.1 最大似然估计 | 第18-19页 |
| 2.2.2 贝叶斯估计法 | 第19-20页 |
| 2.3 贝叶斯网络结构学习 | 第20-22页 |
| 2.3.1 基于打分-搜索的方法 | 第20-21页 |
| 2.3.2 基于约束的方法 | 第21-22页 |
| 2.4 贝叶斯网络推理 | 第22页 |
| 2.5 本章小结 | 第22-24页 |
| 第三章 大数据平台上贝叶斯网络的学习方法 | 第24-47页 |
| 3.0 大数据与贝叶斯网络 | 第24-26页 |
| 3.1 MMHC | 第26-31页 |
| 3.1.1 MMPC算法 | 第26-28页 |
| 3.1.2 MMHC算法 | 第28-30页 |
| 3.1.3 MMHC算法与候选算法 | 第30-31页 |
| 3.2 Mapreduce编程范式 | 第31-33页 |
| 3.3 基于MMHC的贝叶斯网络学习算法 | 第33-38页 |
| 3.3.1 分布式学习总体流程 | 第33-34页 |
| 3.3.2 切分数据集 | 第34-37页 |
| 3.3.3 并行学习子网 | 第37-38页 |
| 3.4 基于Mapreduce的贝叶斯网络集成预测推理方法 | 第38-42页 |
| 3.4.1 Boosting方法 | 第38-39页 |
| 3.4.2 利用多个子网同时进行推理预测任务 | 第39-42页 |
| 3.5 使用Nursery数据集加以验证 | 第42-46页 |
| 3.5.1 数据集 | 第42页 |
| 3.5.2 子网结构 | 第42-44页 |
| 3.5.3 多个子网的预测结果 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 大数据平台上增量式贝叶斯网络学习方法研究 | 第47-57页 |
| 4.1 增量学习介绍 | 第47-48页 |
| 4.2 增量式学习方法 | 第48-51页 |
| 4.2.1 批量学习与可更新的学习方式 | 第48页 |
| 4.2.2 Naive,MAP以及增量式贝叶斯网络学习 | 第48-51页 |
| 4.3 大数据平台上的增量式贝叶斯网络学习算法 | 第51-55页 |
| 4.3.1 算法总体思路 | 第51-52页 |
| 4.3.2 数据更新块 | 第52页 |
| 4.3.3 搜索边界 | 第52-53页 |
| 4.3.4 模型更新 | 第53-55页 |
| 4.4 使用Nursery数据集加以验证 | 第55-56页 |
| 4.4.1 数据集介绍 | 第55页 |
| 4.4.2 子网结构 | 第55页 |
| 4.4.3 多个子网的预测结果 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 贝叶斯网络应用研究 | 第57-70页 |
| 5.1 应用背景 | 第57-59页 |
| 5.2 数据集 | 第59页 |
| 5.3 数据与处理方案 | 第59-63页 |
| 5.3.1 缺失值填补 | 第59-60页 |
| 5.3.2 连续属性离散化 | 第60页 |
| 5.3.3 噪声清洗 | 第60-61页 |
| 5.3.4 特殊数据字段的处理方式 | 第61-63页 |
| 5.4 实验结果及分析 | 第63-69页 |
| 5.4.1 应用方案 | 第63-65页 |
| 5.4.2 实验结果 | 第65-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 论文工作总结与展望 | 第70-73页 |
| 6.1 论文工作内容 | 第70-71页 |
| 6.2 下一步工作展望 | 第71-73页 |
| 参考文献 | 第73-75页 |
| 致谢 | 第75-76页 |
| 攻读学位期间发表的学术论文 | 第76页 |