第一部分　贝叶斯网络基础第1章　概率论基础

1.1　概率计算公式

1.2　贝叶斯方法

1.3　贝叶斯概率

第2章　贝叶斯网络基础理论

2.1　概率模式中的条件独立性

2.2　图形模式中的d-separation性

2.3　条件独立性与d-separation性之间的联系

2.4　贝叶斯网络基本定理

2.5　贝叶斯网络模型

2.6　变量之间基本依赖关系和结点之间基本结构

第3章　常用的检验方法和评价标准

3.1　变量之间依赖关系检验

3.2　贝叶斯网络结构常用打分标准

3.3　分类准确性评价标准

3.4　贝叶斯网络学习可靠性评价标准

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

4.1　基于打分-搜索的贝叶斯网络结构学习

4.2　基于依赖分析的贝叶斯网络结构学习

第5章　具有丢失数据的贝叶斯网络学习

5.1　基于近似打分-搜索的结构学习

5.2 基于Gibbs sampling和依赖分析的贝叶斯网络结构学习

第6章　具有隐藏变量的贝叶斯网络学习

6.1　不考虑隐藏变量的贝叶斯网络结构和道德图学习

6.2　发现隐藏变量

6.3　确定隐藏变量取值和维数

6.4　确定局部结构

6.5　实验与分析

第7章　具有连续变量的贝叶斯网络学习

7.1　不离散化连续变量的贝叶斯网络学习

7.2　离散化连续变量的贝叶斯网络学习

第8章　具有噪声的贝叶斯网络学习

8.1　噪声平滑方法

8.2　噪声平滑过程

8.3　实验与分析

第9章　小数据集贝叶斯网络学习

9.1　小数据集贝叶斯网络结构学习

9.2　小数据集贝叶斯网络多父结点参数的修复

第10章　贝叶斯网络更新学习

10.1　贝叶斯网络增量学习

10.2　贝叶斯网络适应性学习

第三部分　贝叶斯网络推理第11章　贝叶斯网络基本推理

11.1　统计推断

11.2　贝叶斯网络中的信念更新

11.3　贝叶斯网络中的信念修正

第12章　贝叶斯网络分类推理

12.1　贝叶斯分类器

12.2　朴素贝叶斯分类器

12.3　广义朴素贝叶斯分类器

12.4　TAN分类器

12.5　贝叶斯网络分类器

12.6　基于类约束的贝叶斯网络分类器

12.7　基于贝叶斯网络的特征子集选择

12.8　分类器的训练与泛化

12.9　基于贝叶斯网络的联合预测

第四部分　贝叶斯网络集成第13章　因果贝叶斯网络

13.1　单连通因果网学习

13.2　基于依赖分析的因果贝叶斯网络结构学习

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

13.4　因果贝叶斯网络参数学习

13.5　基于贝叶斯网络的因果知识表示

13.6　因果量化分析

第14章　决策贝叶斯网络

14.1　影响图的构成

14.2　影响图的基本变换和最优决策

14.3　影响图举例

第15章　可能贝叶斯网络

15.1　可能网的概念

15.2　可能网结构学习

第16章　动态贝叶斯网络

16.1　一般动态贝叶斯网络

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

16.3　几种特殊的动态贝叶斯网络

16.4　动态贝叶斯网络分类器

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

17.1　离散数据聚类

17.2 自动混合数据聚类——AutoClass

17.3　基于Gibbs sampling的混合数据聚类

第18章　贝叶斯网络用于预测

18.1　经济周期波动转折点预测

18.2　风险预警

18.3　风险评估

附录　常用贝叶斯网络

参考文献