貝葉斯網絡學習、推理與應用（簡體書）

貝葉斯網絡是概率理論與圖形理論的結合，圍繞的一個基本問題是聯合慨率計算。基於貝葉斯網絡可進行聯合概率的條件和邊緣分解，從而有效降低運算復雜性，并解決與聯合概率計算有關的一系列問題。貝葉斯網絡已在許多領域得到了廣泛的應用，是不確定性知識表示和推理的有力工具。
本書按照貝葉斯網絡基礎、學習、推理、集成和應用的框架介紹貝葉斯網絡的相關理論、方法和算法，有助于讀者對貝葉斯網絡理論體系的認識和理解，可供相關專業的高年級本科生、研究生和科研人員學習與參考。

第一部分 貝葉斯網絡基礎
第1章 概率論基礎
1．1 概率計算公式
1．2 貝葉斯方法
1．3 貝葉斯概率
第2章 貝葉斯網絡基礎理論
2．1 概率模式中的條件獨立性
2．2 圖形模式中的d—separation性
2．3 條件獨立性與d-separation性之間的聯系
2．4 貝葉斯網絡基本定理
2．5 貝葉斯網絡模型
2．6 變量之間基本依賴關係和結點之間基本結構
第3章 常用的檢驗方法和評價標準
3．1 變量之間依賴關係檢驗
3．2 貝葉斯網絡結構常用打分標準
3．3 分類準確性評價標準
3．4 貝葉斯網絡學習可靠性評價標準

第二部分 貝葉斯網絡學習
第4章 具有完整數據的貝葉斯網絡學習
4．1 基於打分一搜索的貝葉斯網絡結構學習
4．2 基於依賴分析的貝葉斯網絡結構學習
第5章 具有丟失數據的貝葉斯網絡學習
5．1 基於近似打分一搜索的結構學習
5．2 基於Gibbs sampling和依賴分析的貝葉斯網絡結構學習
第6章 具有隱藏變量的貝葉斯網絡學習
6．1 不考慮隱藏變量的貝葉斯網絡結構和道德圖學習
6．2 發現隱藏變量
6．3 確定隱藏變量取值和維數
6．4 確定局部結構
6．5 實驗與分析
第7章 具有連續變量的貝葉斯網絡學習
7．1 不離散化連續變量的貝葉斯網絡學習
7．2 離散化連續變量的貝葉斯網絡學習
第8章 具有噪聲的貝葉斯網絡學習
8．1 噪聲平滑方法
8．2 噪聲平滑過程
8．3 實驗與分析
第9章 小數據集貝葉斯網絡學習
9．1 小數據集貝葉斯網絡結構學習
9．2 小數據集貝葉斯網絡多父結點參數的修復
第10章 貝葉斯網絡更新學習
10．1 貝葉斯網絡增量學習
10．2 貝葉斯網絡適應性學習

第三部分 貝葉斯網絡推理
第11章 貝葉斯網絡基本推理
11．1 統計推斷
11．2 貝葉斯網絡中的信念更新
11．3 貝葉斯網絡中的信念修正
第12章 貝葉斯網絡分類推理
12．1 貝葉斯分類器
12．2 樸素貝葉斯分類器
12．3 廣義樸素貝葉斯分類器
12．4 TAN分類器
12．5 貝葉斯網絡分類器
12．6 基於類約束的貝葉斯網絡分類器
12．7 基於貝葉斯網絡的特徵子集選擇
12．8 分類器的訓練與泛化
12．9 基於貝葉斯網絡的聯合預測

第四部分 貝葉斯網絡集成
第13章 因果貝葉斯網絡
13．1 單連通因果網學習
13．2 基於依賴分析的因果貝葉斯網絡結構學習
13．3 基於結點排序和局部打分一搜索的因果貝葉斯網絡結構學習
13．4 因果貝葉斯網絡參數學習
13．5 基於貝葉斯網絡的因果知識表示
13．6 因果量化分析
第14章 決策貝葉斯網絡
14．1 影響圖的構成
14．2 影響圖的基本變換和最優決策
14．3 影響圖舉例
第15章 可能貝葉斯網絡
15．1 可能網的概念
15．2 可能網結構學習
第16章 動態貝葉斯網絡
16．1 一般動態貝葉斯網絡
16．2 具有平穩性和馬爾可夫性假設約束的動態貝葉斯網絡
16．3 幾種特殊的動態貝葉斯網絡
16．4 動態貝葉斯網絡分類器

第五部分 貝葉斯網絡應用
第17章 貝葉斯網絡用于聚類分析
17．1 離散數據聚類
17．2 自動混合數據聚類——AutoClass
17．3 基於Gibbs sampling的混合數據聚類
第18章 貝葉斯網絡用于預測
18．1 經濟周期波動轉折點預測
18．2 風險預警
18．3 風險評估
附錄 常用貝葉斯網絡
參考文獻