第一部分 贝叶斯网络基础第1章 概率论基础 3
1.1 概率计算公式 3
1.2 贝叶斯方法 5
1.3 贝叶斯概率 6
第2章 贝叶斯网络基础理论 9
2.1 概率模式中的条件独立性 9
2.2 图形模式中的d-separation性 10
2.3 条件独立性与d-separation性之间的联系 11
2.4 贝叶斯网络基本定理 12
2.5 贝叶斯网络模型 12
2.6 变量之间基本依赖关系和结点之间基本结构 14
第3章 常用的检验方法和评价标准 15
3.1 变量之间依赖关系检验 15
3.2 贝叶斯网络结构常用打分标准 18
3.3 分类准确性评价标准 24
3.4 贝叶斯网络学习可靠性评价标准 28
第二部分 贝叶斯网络学习第4章 具有完整数据的贝叶斯网络学习 31
4.1 基于打分-搜索的贝叶斯网络结构学习 31
4.2 基于依赖分析的贝叶斯网络结构学习 36
第5章 具有丢失数据的贝叶斯网络学习 45
5.1 基于近似打分-搜索的结构学习 45
5.2 基于Gibbs sampling和依赖分析的贝叶斯网络结构学习 48
第6章 具有隐藏变量的贝叶斯网络学习 55
6.1 不考虑隐藏变量的贝叶斯网络结构和道德图学习 55
6.2 发现隐藏变量 56
6.3 确定隐藏变量取值和维数 58
6.4 确定局部结构 60
6.5 实验与分析 60
第7章 具有连续变量的贝叶斯网络学习 63
7.1 不离散化连续变量的贝叶斯网络学习 63
7.2 离散化连续变量的贝叶斯网络学习 66
第8章 具有噪声的贝叶斯网络学习 78
8.1 噪声平滑方法 79
8.2 噪声平滑过程 80
8.3 实验与分析 82
第9章 小数据集贝叶斯网络学习 87
9.1 小数据集贝叶斯网络结构学习 88
9.2 小数据集贝叶斯网络多父结点参数的修复 96
第10章 贝叶斯网络更新学习 103
10.1 贝叶斯网络增量学习 103
10.2 贝叶斯网络适应性学习 110
第三部分 贝叶斯网络推理第11章 贝叶斯网络基本推理 117
11.1 统计推断 117
11.2 贝叶斯网络中的信念更新 119
11.3 贝叶斯网络中的信念修正 132
第12章 贝叶斯网络分类推理 136
12.1 贝叶斯分类器 137
12.2 朴素贝叶斯分类器 140
12.3 广义朴素贝叶斯分类器 144
12.4 TAN分类器 146
12.5 贝叶斯网络分类器 153
12.6 基于类约束的贝叶斯网络分类器 156
12.7 基于贝叶斯网络的特征子集选择 158
12.8 分类器的训练与泛化 172
12.9 基于贝叶斯网络的联合预测 174
第四部分 贝叶斯网络集成第13章 因果贝叶斯网络 177
13.1 单连通因果网学习 178
13.2 基于依赖分析的因果贝叶斯网络结构学习 178
13.3 基于结点排序和局部打分-搜索的因果贝叶斯网络结构学习 185
13.4 因果贝叶斯网络参数学习 188
13.5 基于贝叶斯网络的因果知识表示 189
13.6 因果量化分析 189
第14章 决策贝叶斯网络 191
14.1 影响图的构成 191
14.2 影响图的基本变换和最优决策 192
14.3 影响图举例 193
第15章 可能贝叶斯网络 198
15.1 可能网的概念 198
15.2 可能网结构学习 202
第16章 动态贝叶斯网络 204
16.1 一般动态贝叶斯网络 204
16.2 具有平稳性和马尔可夫性假设约束的动态贝叶斯网络 205
16.3 几种特殊的动态贝叶斯网络 210
16.4 动态贝叶斯网络分类器 211
第五部分 贝叶斯网络应用第17章 贝叶斯网络用于聚类分析 217
17.1 离散数据聚类 217
17.2 自动混合数据聚类——AutoClass 222
17.3 基于Gibbs sampling的混合数据聚类 225
第18章 贝叶斯网络用于预测 235
18.1 经济周期波动转折点预测 235
18.2 风险预警 236
18.3 风险评估 244
附录 常用贝叶斯网络 250
参考文献 270