基于贝叶斯网络的大数据因果关系挖掘
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第一章 引言 | 第10-14页 |
| 第一节 研究背景及意义 | 第10-11页 |
| 第二节 国内外研究综述 | 第11-12页 |
| 一、大数据国内外发展动态 | 第11-12页 |
| 二、贝叶斯网络研究现状 | 第12页 |
| 第三节 研究内容及安排 | 第12-14页 |
| 一、论文的主要工作及创新点 | 第12-13页 |
| 二、论文的结构安排 | 第13-14页 |
| 第二章 大数据概述 | 第14-25页 |
| 第一节 大数据的产生和发展 | 第14-16页 |
| 第二节 大数据的定义 | 第16-17页 |
| 第三节 大数据环境下的数据挖掘算法 | 第17-21页 |
| 一、特征选择 | 第17-18页 |
| 二、大数据分类 | 第18-20页 |
| 三、大数据聚类 | 第20-21页 |
| 第四节 大数据处理流程 | 第21-23页 |
| 一、数据收集 | 第22页 |
| 二、数据预处理 | 第22页 |
| 三、数据挖掘与分析 | 第22-23页 |
| 四、数据解释 | 第23页 |
| 第五节 大数据的应用 | 第23-24页 |
| 第六节 小结 | 第24-25页 |
| 第三章 贝叶斯网络基本概念 | 第25-38页 |
| 第一节 贝叶斯网络模型 | 第25-26页 |
| 第二节 参数学习 | 第26-29页 |
| 一、极大似然估计 | 第27-28页 |
| 二、贝叶斯估计 | 第28-29页 |
| 第三节 结构学习 | 第29-34页 |
| 一、基于评分的方法 | 第29-33页 |
| （一）基于贝叶斯统计的评分算法 | 第30-31页 |
| （二）基于信息论的评分算法 | 第31-32页 |
| （三）搜索策略 | 第32-33页 |
| 二、基于条件独立检验方法 | 第33-34页 |
| 第四节 贝叶斯网络推理 | 第34-36页 |
| 一、变量消元算法 | 第34-35页 |
| 二、联接树算法 | 第35-36页 |
| 三、随机抽样算法 | 第36页 |
| 四、变分近似算法 | 第36页 |
| 第五节 小结 | 第36-38页 |
| 第四章 时间序列数据获取与预处理 | 第38-45页 |
| 第一节 期货时间序列数据的来源 | 第38-40页 |
| 第二节 编程语言及相关包介绍 | 第40-41页 |
| 一、Python简介 | 第40页 |
| 二、Pandas和NumPy包简介 | 第40-41页 |
| 第三节 原始数据的降维、缺失值处理及离散化 | 第41-44页 |
| 一、数据降维 | 第41页 |
| 二、数据缺失值填充 | 第41-42页 |
| 三、数据离散化 | 第42-43页 |
| 四、贝叶斯网络数据集的构建 | 第43-44页 |
| 第四节 小结 | 第44-45页 |
| 第五章 基于贝叶斯网络的因果关系挖掘 | 第45-57页 |
| 第一节MDL打分算法 | 第46-47页 |
| 第二节 构建贝叶斯网络模型 | 第47-53页 |
| 一、一阶贝叶斯网络模型 | 第48-51页 |
| 二、二阶贝叶斯网络模型 | 第51-53页 |
| 第三节 贝叶斯网络模型实验结果及解释 | 第53-56页 |
| 一、单时间序列 | 第53-54页 |
| 二、多时间序列 | 第54-56页 |
| 第四节 小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 第一节 总结 | 第57页 |
| 第二节 展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 在学期间研究成果和已发表的论文 | 第63页 |
