多组图贝叶斯分类模型导论

第一章 绪论

1．1 基本概念

1．2 贝叶斯分类模型简介

1．2．1 基于概率的分类方法

1．2．2 其他分类方法

1．2．3 经典方法的不足

第二章 贝叶斯理论基础简介

2．1 概率论基础

2．1．1 随机事件与随机变量

2．1．2 概率的解释

2．1．3 多元概率分布

2．1．4 概率论与人工智能

2．1．5 信息论基础

2．2 贝叶斯网络基础

2．2．1 不确定性推理与联合概率分布

2．2．2 条件独立与联合分布的分解

2．2．3 贝叶斯网的概念

2．2．4 贝叶斯网的构造

2．3 随机采样简介

2．3．1 基本采样算法

2．3．2 马尔科夫链蒙特卡洛

第三章 多组图贝叶斯分类框架

3．1 多组图分类模型的基本结构

3．2 组图分类模型的最大参数估计及其缺陷

3．3 组图分类模型的贝叶斯估计

3．4 组图贝叶斯模型的完整性

3．5 简化组图贝叶斯模型

3．6 本章小结

第四章 组图贝叶斯分类模型的假设与性质

4．1 多项式分布和狄利克雷分布的简介

4．1．1 多项式分布

4．1．2 狄利克雷分布

4．2 模型的基础假设

4．3 模型的性质

4．4 不完整数据策略

4．5 本章小结

第五章 组图贝叶斯分类模型的学习与推断

5．1 Metropolis-Hasting采样

5．2 组图模型采样算法

5．2．1 原子操作

5．2．2 采样操作

5．2．3 采样算法

5．3 平衡性分析

5．4 模型推理

5．5 本章小结

第六章 实验分析与应用

6．1 仿真数据集

6．1．1 树状结构

6．1．2 网状结构

6．1．3 无明显结构

6．1．4 异构混合结构

6．2 真实数据集

6．3 应用案例

6．3．1 药靶预测

6．3．2 态势识别中的队形确定

6．4 本章小结

第七章 后记

参考文献