基于贝叶斯网络数据挖掘算法的研究
| 引言 | 第1-11页 |
| 1 概述 | 第9-10页 |
| 2 本文所做的主要工作 | 第10-11页 |
| 第一章 知识发现与数据挖掘 | 第11-15页 |
| ·知识发现与数据挖掘 | 第11-12页 |
| ·数据挖掘的内容和任务 | 第12-13页 |
| ·数据挖掘方法和技术 | 第13-15页 |
| 第二章 数据挖掘与贝叶斯网络 | 第15-21页 |
| ·贝叶斯方法的基本观点 | 第15-16页 |
| ·贝叶斯方法与其他方法的比较 | 第16-18页 |
| ·贝叶斯网络在数据挖掘的应用 | 第18-21页 |
| ·贝叶斯网络的概念 | 第18-19页 |
| ·贝叶斯网络与数据挖掘 | 第19-21页 |
| 第三章 贝叶斯网络的推理 | 第21-42页 |
| ·贝叶斯网络结构 | 第21-24页 |
| ·贝叶斯网络的组成 | 第21-22页 |
| ·D-Separation判定准则 | 第22-23页 |
| ·单连通和多连通贝叶斯网络 | 第23-24页 |
| ·贝叶斯网络的推理简介 | 第24页 |
| ·贝叶斯网络推理算法介绍 | 第24-42页 |
| ·贝叶斯网络的推理算法 | 第25-27页 |
| ·联合树算法 | 第27-40页 |
| ·贝叶斯网络推理算法的计算复杂度 | 第40-42页 |
| 第四章 贝叶斯网络的学习 | 第42-61页 |
| ·贝叶斯网络学习的基础理论 | 第42-43页 |
| ·贝叶斯网络的结构学习 | 第43-57页 |
| ·利用信息论学习贝叶斯网络 | 第44-45页 |
| ·基于打分一搜索的贝叶斯网络结构学习的典型算法 | 第45-46页 |
| ·基于信息论的依赖分析方法的典型算法 | 第46页 |
| ·给定节点次序的贝叶斯网络学习算法 | 第46-50页 |
| ·未定节点次序的贝叶斯网络学习算法 | 第50-54页 |
| ·基于预测能力的贝叶斯网络结构学习 | 第54-57页 |
| ·贝叶斯网络的参数学习 | 第57-61页 |
| ·贝叶斯算法 | 第57-58页 |
| ·最大似然估计算法 | 第58-59页 |
| ·不完整数据集的贝叶斯网络参数学习 | 第59-61页 |
| 第五章 结论与展望 | 第61-63页 |
| ·主要研究结论 | 第61页 |
| ·对数据挖掘技术的研究展望 | 第61-63页 |
| 附录贝叶斯网络学习的程序 | 第63-66页 |
| 参考文献 | 第66-70页 |
| 作者简介 | 第70-71页 |
| 在读期间发表的学术论文 | 第71-72页 |
| 致谢 | 第72-73页 |
| 附: 发表文章 | 第73-81页 |
