| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 引言 | 第10-12页 |
| 1 绪论 | 第12-22页 |
| ·数据挖掘概述 | 第12-15页 |
| ·数据挖掘的内容及技术 | 第12-14页 |
| ·数据挖掘中的问题与难点 | 第14-15页 |
| ·贝叶斯网络与数据挖掘 | 第15-21页 |
| ·贝叶斯网络的概念 | 第15-16页 |
| ·基于贝叶斯网络的数据挖掘 | 第16-17页 |
| ·贝叶斯网络用于数据挖掘的优点 | 第17页 |
| ·贝叶斯网络在数据挖掘中的应用研究及现状分析 | 第17-21页 |
| ·本章小结 | 第21-22页 |
| 2 贝叶斯网络参数学习 | 第22-36页 |
| ·基于统计学的完整样本集的 Bayesian 网络参数学习 | 第22-25页 |
| ·基于贝叶斯的完整样本集的 Bayesian 网络参数学习 | 第25-31页 |
| ·基于 EM 的缺值样本集的 Bayesian 网络参数学习 | 第31-34页 |
| ·基于 Gibbs 采样的缺值样本集的 Bayesian 网络参数学习 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 3 贝叶斯网络结构学习 | 第36-54页 |
| ·互信息与条件独立性 | 第36-38页 |
| ·互信息的相关属性与独立性关系 | 第38-39页 |
| ·d-separation 标准 | 第39-40页 |
| ·基于MAP-MDL 的集成学习算法 | 第40-44页 |
| ·MAP 和MDL 原理 | 第41页 |
| ·MAP-MDL 集成准则 | 第41-42页 |
| ·结构似然P(D|S)的计算 | 第42-44页 |
| ·结构描述长度L(S)的计算 | 第44页 |
| ·基于MAP-MDL 的网络结构学习算法的实现 | 第44-52页 |
| ·算法的设计流程 | 第44-45页 |
| ·基于互信息测度及条件独立性的最小无向图构建算法 | 第45-48页 |
| ·基于规则的最小无向图边定向算法 | 第48-50页 |
| ·基于MAP-MDL 集成准则确定贝叶斯网络结构S 算法 | 第50-51页 |
| ·基于MAP-MDL 的贝叶斯网络模型评估优化算法 | 第51-52页 |
| ·本章小结 | 第52-54页 |
| 4 基于 Bayesian 网的研究生入学预测模型 | 第54-81页 |
| ·数据样本的选择 | 第54页 |
| ·相关因素及指标的定义 | 第54-58页 |
| ·变量定义及离散化处理 | 第56-58页 |
| ·模型构建 | 第58-66页 |
| ·模型结构S 的构建及实现总图 | 第58-59页 |
| ·学习准备阶段 | 第59-63页 |
| ·基于MAP-MDL 的算法搜索最佳贝叶斯网络模型S | 第63-64页 |
| ·贝叶斯网络模型评估及优化 | 第64-66页 |
| ·贝叶斯模型的参数学习 | 第66-69页 |
| ·实验结果评估 | 第69-80页 |
| ·计算联合概率分布 | 第70-71页 |
| ·计算组合概率 | 第71-72页 |
| ·学生升学率预测 | 第72-73页 |
| ·样本检测 | 第73-75页 |
| ·决策分析 | 第75-79页 |
| ·模型展望 | 第79-80页 |
| ·本章小结 | 第80-81页 |
| 5 结论与展望 | 第81-84页 |
| ·主要研究工作与创新点 | 第81-82页 |
| ·未来展望 | 第82-84页 |
| 参考文献 | 第84-87页 |
| 在学研究成果 | 第87-88页 |
| 致谢 | 第88页 |
