第1章 生物基础 1
1.1遗传学 1
1.1.1核酸结构 2
1.1.2基因 3
1.1.3 RNA 3
1.1.4转录 4
1.1.5蛋白质 6
1.1.6翻译 6
1.1.7转录调控 9
1.2基因组学 11
1.2.1微阵列技术 12
1.3蛋白质组学 14
第2章 基因网络的确定性模型 16
2.1图模型 16
2.2布尔网络 20
2.2.1细胞分化和细胞的功能状态 22
2.2.2网络特性及动态行为 24
2.2.3网络推理 33
2.3布尔网络的推广 36
2.3.1异步 36
2.3.2多值网络 39
2.4微分方程模型 40
2.4.1有转录和翻译过程的微分方程模型 43
2.4.2连续微分方程模型的离散化 45
第3章基因网络的随机模型 55
3.1贝叶斯网络 55
3.2概率布尔网络 59
3.2.1定义 61
3.2.2推理 69
3.2.3 PBN的动力学 70
3.2.4暂态随机PBN的稳态分析 80
3.2.5 PBN与贝叶斯网络的关系 84
3.2.6基于种子基因的子网络的生长 88
3.3干预 92
3.3.1基因干预 92
3.3.2结构干预 99
3.3.3外部控制 103
第4章 分类 116
4.1贝叶斯分类器 116
4.2分类规则 117
4.2.1一致分类器设计 117
4.2.2分类规则实例 120
4.3有约束的分类器 122
4.3.1分散系数 124
4.3.2 VC维数 126
4.4线性分类 127
4.4.1 Rosenblatt感知器 129
4.4.2线性及二次判别分析 129
4.4.3基于最小二乘误差的线性判别式 131
4.4.4支持向量机 133
4.4.5线性判别式的设计误差的表示 135
4.4.6基于样本QDA判别式的分布 136
4.5神经网络分类器 137
4.6分类树 139
4.6.1分类与回归树 140
4.6.2基于数据划分的强一致规则 141
4.7误差估计 142
4.7.1重代入法 142
4.7.2交叉验证 143
4.7.3自举法 145
4.7.4支撑 146
4.7.5误差估计器性能 148
4.7.6特征集排序 149
4.8误差校正 151
4.9鲁棒分类器 153
4.9.1最优鲁棒分类器 154
4.9.2鲁棒分类器的性能比较 155
第5章 正则化 163
5.1数据正则化 163
5.1.1正则化判别分析 163
5.1.2噪声注入 165
5.2复杂度正则化 167
5.2.1误差正则化 168
5.2.2结构风险最小化 169
5.2.3经验复杂度 171
5.3特征选择 171
5.3.1峰值现象 172
5.3.2特征选择算法 174
5.3.3误差估计对特征选择的影响 176
5.3.4冗余 177
5.3.5并行增量特征选择 179
5.3.6贝叶斯变量选择 181
5.4特征提取 183
第6章 聚类 189
6.1聚类算法的实例 190
6.1.1欧氏距离聚类 190
6.1.2自组织映射 191
6.1.3分层聚类 192
6.1.4基于模型的聚类算子 193
6.2聚类算子 194
6.2.1算法结构 194
6.2.2标记算子 195
6.2.3贝叶斯聚类器 197
6.2.4聚类算子的分布测试 198
6.3聚类的验证 199
6.3.1外部验证 199
6.3.2内部验证 200
6.3.3不稳定指数 201
6.3.4贝叶斯因子 202
6.4聚类算子学习 202
6.4.1经验误差聚类算子 203
6.4.2最近邻聚类规则 204
索引 212