贝叶斯学习理论中若干问题的研究
| 第一章 绪论 | 第8-21页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 贝叶斯网络发展概述 | 第10-14页 |
| 1.3 贝叶斯网络的表示、学习和推理 | 第14-17页 |
| 1.4 贝叶斯网络学习所面临的挑战 | 第17-19页 |
| 1.5 论文研究内容和组织结构 | 第19-21页 |
| 第二章 广义朴素贝叶斯分类器 | 第21-40页 |
| 2.1 信息论的相关概念 | 第21-23页 |
| 2.1.1 离散熵及离散互信息 | 第21-23页 |
| 2.1.2 连续变量下的互信息及其局限性 | 第23页 |
| 2.2 贝叶斯网络与贝叶斯网络分类器 | 第23-34页 |
| 2.2.1 朴素贝叶斯网络分类器 | 第26-28页 |
| 2.2.2 树增广朴素贝叶斯网络分类器 | 第28-30页 |
| 2.2.3 无约束贝叶斯网络分类器 | 第30-34页 |
| 2.3 广义朴素贝叶斯分类器 | 第34-36页 |
| 2.4 实验及分析 | 第36-39页 |
| 2.5 本章小结 | 第39-40页 |
| 第三章 贝叶斯混合型机器学习 | 第40-70页 |
| 3.1 分类器集成 | 第40-41页 |
| 3.2 增量型混合决策树 | 第41-50页 |
| 3.2.1 决策树基本理论 | 第41-43页 |
| 3.2.2 增量学习 | 第43-44页 |
| 3.2.3 构造性归纳 | 第44-48页 |
| 3.2.4 实验及分析 | 第48-50页 |
| 3.3 贝叶斯主动提升算法 | 第50-61页 |
| 3.3.1 主动学习的一般原理与方法 | 第50-53页 |
| 3.3.2 提升(Boosting)策略 | 第53-55页 |
| 3.3.3 主动提升策略 | 第55-58页 |
| 3.3.4 实验及分析 | 第58-61页 |
| 3.4 后离散化混合决策树 | 第61-68页 |
| 3.4.1 贝叶斯测度 | 第61-62页 |
| 3.4.2 连续决策变量离散化 | 第62-64页 |
| 3.4.3 构造性归纳 | 第64-66页 |
| 3.4.4 实验及分析 | 第66-68页 |
| 3.5 本章小结 | 第68-70页 |
| 第四章 基于输入空间的旋转变换进行参数学习 | 第70-86页 |
| 4.1 贝叶斯估计 | 第70-73页 |
| 4.2 贝叶斯参数学习 | 第73-80页 |
| 4.2.1 离散变量的概率估计 | 第73-75页 |
| 4.2.2 连续变量的概率密度估计 | 第75-80页 |
| 4.3 子空间的统计正交展开 | 第80-83页 |
| 4.4 实验及分析 | 第83-85页 |
| 4.5 本章小结 | 第85-86页 |
| 第五章 贝叶斯回归树构造 | 第86-96页 |
| 5.1 回归分析与相关分析 | 第86-88页 |
| 5.2 线性回归分析 | 第88-89页 |
| 5.3 非线性回归分析 | 第89-90页 |
| 5.4 回归的正交旋转设计 | 第90-92页 |
| 5.5 贝叶斯回归树模型 | 第92-95页 |
| 5.5.1 贝叶斯回归树构造 | 第93-94页 |
| 5.5.2 增量学习 | 第94-95页 |
| 5.5.3 实验及分析 | 第95页 |
| 5.6 本章小结 | 第95-96页 |
| 第六章 总结与展望 | 第96-99页 |
| 6.1 本文的主要贡献 | 第96-97页 |
| 6.2 进一步研究的方向 | 第97-99页 |
| 参考文献 | 第99-109页 |
| 攻读博士学位期间的学术成果 | 第109-110页 |
| 致谢 | 第110-111页 |
| 摘要 | 第111-114页 |
| Abstract | 第114页 |
