包邮概率图模型原理与应用(第2版)

第Ⅰ部分 基本原理 第1章 导论 3 1.1 不确定性 3 1.2 简要回顾 4 1.3 基本概率模型 5 1.4 概率图模型 8 1.5 表示、推理与学习 9 1.6 应用 10 1.7 本书概述 11 1.8 补充阅读 12 第2章 概率论 13 2.1 引言 13 2.2 基本规则 14 2.3 随机变量 16 2.4 信息论 20 2.5 补充阅读 21 2.6 练习 21 第3章 图论 23 3.1 定义 23 3.2 图的类型 24 3.3 迹和回路 25 3.4 图同构 26 3.5 树 27 3.6 团 29 3.7 完美序 29 3.8 排序和三角剖分算法 31 3.8.1 *大基数搜索 31 3.8.2 图的填充 31 3.9 补充阅读 32 3.10 练习 32 第Ⅱ部分 概率模型 第4章 贝叶斯分类器 37 4.1 引言 37 4.2 贝叶斯分类器简介 39 4.3 高斯朴素贝叶斯分类器 42 4.4 替代模型：TAN、BAN 43 4.5 半朴素贝叶斯分类器 44 4.6 多维贝叶斯分类器 46 4.6.1 多维贝叶斯网络 分类器 47 4.6.2 链式分类器 48 4.7 层次分类 50 4.7.1 链式路径评估 51 4.7.2 使用贝叶斯网络进行 层次分类 52 4.8 应用 53 4.8.1 可视皮肤检测 53 4.8.2 HIV药物选择 55 4.9 补充阅读 56 4.10 练习 57 第5章 隐马尔可夫模型 59 5.1 引言 59 5.2 马尔可夫链 60 5.2.1 参数估计 62 5.2.2 收敛性 62 5.3 隐马尔可夫模型简介 63 5.3.1 评估 65 5.3.2 状态估计 67 5.3.3 学习 68 5.3.4 高斯隐马尔可夫模型 70 5.3.5 扩展 70 5.4 应用 72 5.4.1 PageRank 72 5.4.2 手势识别 73 5.5 补充阅读 74 5.6 练习 75 第6章 马尔可夫随机场 77 6.1 引言 77 6.2 马尔可夫随机场简介 78 6.3 吉布斯随机场 81 6.4 推理 82 6.5 参数估计 83 6.6 条件随机场 85 6.7 应用 86 6.7.1 图像平滑化 86 6.7.2 改进图像标注 88 6.8 补充阅读 90 6.9 练习 90 第7章 贝叶斯网络：表征与 推理 92 7.1 引言 92 7.2 表征 93 7.2.1 结构 94 7.2.2 参数 97 7.3 推理 101 7.3.1 单连通网络：置信 传播 102 7.3.2 多连接网络 107 7.3.3 近似推理 115 7.3.4 *大可能解释 118 7.3.5 连续变量 118 7.4 应用 120 7.4.1 信息验证 120 7.4.2 可靠性分析 123 7.5 补充阅读 125 7.6 练习 125 第8章 贝叶斯网络：学习 127 8.1 引言 127 8.2 参数学习 127 8.2.1 平滑 128 8.2.2 参数不确定性 128 8.2.3 缺失数据 129 8.2.4 离散化 132 8.3 结构学习 133 8.3.1 树状学习 134 8.3.2 多重树学习 136 8.3.3 搜索和评分技术 137 8.3.4 独立性检验技术 141 8.4 结合专家知识和数据 142 8.5 迁移学习 143 8.6 应用 144 8.6.1 墨西哥城的空气污染 模型 144 8.6.2 使用贝叶斯网络进行 农业规划 147 8.7 补充阅读 148 8.8 练习 148 第9章 动态和时态贝叶斯网络 151 9.1 引言 151 9.2 动态贝叶斯网络 151 9.2.1 推理 152 9.2.2 抽样 153 9.2.3 学习 156 9.2.4 动态贝叶斯网络 分类器 157 9.3 时间事件网络 157 9.4 应用 162 9.4.1 DBN：手势识别 162 9.4.2 TNBN：预测HIV病毒 的突变途径 164 9.5 补充阅读 166 9.6 练习 167 第Ⅲ部分 决策模型 第10章 决策图 171 10.1 引言 171 10.2 决策理论 171 10.3 决策树 174 10.4 影响图 176 10.4.1 建模 176 10.4.2 评估 177 10.4.3 扩展 183 10.5 应用 184 10.5.1 肺癌的决策支持 系统 184 10.5.2 决策理论看护人 187 10.6 补充阅读 189 10.7 练习 190 第11章 马尔可夫决策过程 191 11.1 引言 191 11.2 建模 191 11.3 评估 194 11.3.1 值迭代 195 11.3.2 策略迭代 195 11.3.3 复杂性分析 196 11.4 分解MDP 196 11.4.1 抽象法 198 11.4.2 分解法 199 11.5 应用 200 11.5.1 发电厂运营 200 11.5.2 机器人任务协调 202 11.6 补充阅读 205 11.7 练习 205 第12章 部分可观察的马尔可夫 决策过程 207 12.1 引言 207 12.2 表示 208 12.3 解决方案技术 209 12.3.1 值函数 211 12.3.2 解决方案的算法 214 12.4 应用 216 12.4.1 虚拟康复中的 自适应 216 12.4.2 用于机器人任务规划 的分层POMDP 218 12.5 补充阅读 221 12.6 练习 221 第Ⅳ部分 关系概率图模型、因果图模型和深度模型 第13章 关系概率图模型 225 13.1 引言 225 13.2 逻辑 226 13.2.1 命题逻辑 226 13.2.2 一阶谓词逻辑 227 13.3 概率关系模型 229 13.3.1 推理 230 13.3.2 学习 231 13.4 马尔可夫逻辑网络 231 13.4.1 推理 232 13.4.2 学习 233 13.5 应用 233 13.5.1 学生建模 233 13.5.2 视觉语法 235 13.6 补充阅读 238 13.7 练习 238 第14章 因果图模型 240 14.1 引言 240 14.2 因果贝叶斯网络 241 14.3 因果推理 244 14.3.1 预测 245 14.3.2 反事实 246 14.4 前门和后门准则 247 14.4.1 后门准则 247 14.4.2 前门准则 248 14.5 应用 248 14.5.1 描述不公平模式 249 14.5.2 用因果模型加速 强化学习 250 14.6 补充阅读 253 14.7 练习 253 第15章 因果发现 256 15.1 引言 256 15.2 图的类型 258 15.2.1 因果充分性下的 马尔可夫等价类 258 15.2.2 具有未测量变量的 马尔可夫等价类 259 15.3 因果发现算法 261 15.3.1 基于分数的因果 发现 261 15.3.2 基于约束的因果 发现 262 15.3.3 线性模型因果发现 266 15.4 应用 268 15.4.1 学习ADHD的因果 模型 268 15.4.2 基于fNIRS的大脑 有效连接解码 269 15.5 补充阅读 270 15.6 练习 271 第16章 深度学习和图模型 272 16.1 引言 272 16.2 神经网络和深度学习 回顾 273 16.2.1 简史 273 16.2.2 深度神经网络 275 16.3 图模型和神经网络 277 16.3.1 朴素贝叶斯分类器与 感知器比较 277 16.3.2 贝叶斯网络与多层 神经网络比较 278 16.4 混合模式 279 16.4.1 测试贝叶斯网络 279 16.4.2 整合图和深度模型 281 16.5 应用 282 16.5.1 人体姿态追踪 282 16.5.2 用于纠错的神经强化 信念传播法 284 16.6 补充阅读 287 16.7 练习 287 附录A 一个用于推理和学习的 Python库(可从本书配套 网站下载) 词汇表 (可从本书配套网站下载) 缩略语 (可从本书配套网站下载) 符号 (可从本书配套网站下载) 参考文献 (可从本书配套网站下载)