概率圖模型原理與應用, 2/e Probabilistic Graphical Models: Principles and Applications

目    錄

 

 

 

 

 

第Ⅰ部分  基本原理

第1章  導論 3

1.1  不確定性 3

1.2  簡要回顧 4

1.3  基本概率模型 5

1.4  概率圖模型 8

1.5  表示、推理與學習 9

1.6  應用 10

1.7  本書概述 11

1.8  補充閱讀 12

第2章  概率論 13

2.1  引言 13

2.2  基本規則 14

2.3  隨機變量 16

2.4  信息論 20

2.5  補充閱讀 21

2.6  練習 21

第3章  圖論 23

3.1  定義 23

3.2  圖的類型 24

3.3  跡和迴路 25

3.4  圖同構 26

3.5  樹 27

3.6  團 29

3.7  完美序 29

3.8  排序和三角剖分算法 31

3.8.1  最大基數搜索 31

3.8.2  圖的填充 31

3.9  補充閱讀 32

3.10  練習 32

第Ⅱ部分  概率模型

第4章  貝葉斯分類器 37

4.1  引言 37

4.2  貝葉斯分類器簡介 39

4.3  高斯樸素貝葉斯分類器 42

4.4  替代模型：TAN、BAN 43

4.5  半樸素貝葉斯分類器 44

4.6  多維貝葉斯分類器 46

4.6.1  多維貝葉斯網絡

分類器 47

4.6.2  鏈式分類器 48

4.7  層次分類 50

4.7.1  鏈式路徑評估 51

4.7.2  使用貝葉斯網絡進行

層次分類 52

4.8  應用 53

4.8.1  可視皮膚檢測 53

4.8.2  HIV藥物選擇 55

4.9  補充閱讀 56

4.10  練習 57

第5章  隱馬爾可夫模型 59

5.1  引言 59

5.2  馬爾可夫鏈 60

5.2.1  參數估計 62

5.2.2  收斂性 62

5.3  隱馬爾可夫模型簡介 63

5.3.1  評估 65

5.3.2  狀態估計 67

5.3.3  學習 68

5.3.4  高斯隱馬爾可夫模型 70

5.3.5  擴展 70

5.4  應用 72

5.4.1  PageRank 72

5.4.2  手勢識別 73

5.5  補充閱讀 74

5.6  練習 75

第6章  馬爾可夫隨機場 77

6.1  引言 77

6.2  馬爾可夫隨機場簡介 78

6.3  吉布斯隨機場 81

6.4  推理 82

6.5  參數估計 83

6.6  條件隨機場 85

6.7  應用 86

6.7.1  圖像平滑化 86

6.7.2  改進圖像標註 88

6.8  補充閱讀 90

6.9  練習 90

第7章  貝葉斯網絡：表徵與

推理 92

7.1  引言 92

7.2  表徵 93

7.2.1  結構 94

7.2.2  參數 97

7.3  推理 101

7.3.1  單連通網絡：置信

傳播 102

7.3.2  多連接網絡 107

7.3.3  近似推理 115

7.3.4  最大可能解釋 118

7.3.5  連續變量 118

7.4  應用 120

7.4.1  信息驗證 120

7.4.2  可靠性分析 123

7.5  補充閱讀 125

7.6  練習 125

第8章  貝葉斯網絡：學習 127

8.1  引言 127

8.2  參數學習 127

8.2.1  平滑 128

8.2.2  參數不確定性 128

8.2.3  缺失數據 129

8.2.4  離散化 132

8.3  結構學習 133

8.3.1  樹狀學習 134

8.3.2  多重樹學習 136

8.3.3  搜索和評分技術 137

8.3.4  獨立性檢驗技術 141

8.4  結合專家知識和數據 142

8.5  遷移學習 143

8.6  應用 144

8.6.1  墨西哥城的空氣污染

模型 144

8.6.2  使用貝葉斯網絡進行

農業規劃 147

8.7  補充閱讀 148

8.8  練習 148

第9章  動態和時態貝葉斯網絡 151

9.1  引言 151

9.2  動態貝葉斯網絡 151

9.2.1  推理 152

9.2.2  抽樣 153

9.2.3  學習 156

9.2.4  動態貝葉斯網絡

分類器 157

9.3  時間事件網絡 157

9.4  應用 162

9.4.1  DBN：手勢識別 162

9.4.2  TNBN：預測HIV病毒

的突變途徑 164

9.5  補充閱讀 166

9.6  練習 167

第Ⅲ部分  決策模型

第10章  決策圖 171

10.1  引言 171

10.2  決策理論 171

10.3  決策樹 174

10.4  影響圖 176

10.4.1  建模 176

10.4.2  評估 177

10.4.3  擴展 183

10.5  應用 184

10.5.1  肺癌的決策支持

系統 184

10.5.2  決策理論看護人 187

10.6  補充閱讀 189

10.7  練習 190

第11章  馬爾可夫決策過程 191

11.1  引言 191

11.2  建模 191

11.3  評估 194

11.3.1  值迭代 195

11.3.2  策略迭代 195

11.3.3  復雜性分析 196

11.4  分解MDP 196

11.4.1  抽象法 198

11.4.2  分解法 199

11.5  應用 200

11.5.1  發電廠運營 200

11.5.2  機器人任務協調 202

11.6  補充閱讀 205

11.7  練習 205

第12章  部分可觀察的馬爾可夫

  決策過程 207

12.1  引言 207

12.2  表示 208

12.3  解決方案技術 209

12.3.1  值函數 211

12.3.2  解決方案的算法 214

12.4  應用 216

12.4.1  虛擬康復中的

自適應 216

12.4.2  用於機器人任務規劃

的分層POMDP 218

12.5  補充閱讀 221

12.6  練習 221

第Ⅳ部分  關系概率圖模型、因果圖模型和深度模型

第13章  關系概率圖模型 225

13.1  引言 225

13.2  邏輯 226

13.2.1  命題邏輯 226

13.2.2  一階謂詞邏輯 227

13.3  概率關系模型 229

13.3.1  推理 230

13.3.2  學習 231

13.4  馬爾可夫邏輯網絡 231

13.4.1  推理 232

13.4.2  學習 233

13.5  應用 233

13.5.1  學生建模 233

13.5.2  視覺語法 235

13.6  補充閱讀 238

13.7  練習 238

第14章  因果圖模型 240

14.1  引言 240

14.2  因果貝葉斯網絡 241

14.3  因果推理 244

14.3.1  預測 245

14.3.2  反事實 246

14.4  前門和後門準則 247

14.4.1  後門準則 247

14.4.2  前門準則 248

14.5  應用 248

14.5.1  描述不公平模式 249

 

14.5.2  用因果模型加速

強化學習 250

14.6  補充閱讀 253

14.7  練習 253

第15章  因果發現 256

15.1  引言 256

15.2  圖的類型 258

15.2.1  因果充分性下的

馬爾可夫等價類 258

15.2.2  具有未測量變量的

馬爾可夫等價類 259

15.3  因果發現算法 261

15.3.1  基於分數的因果

發現 261

15.3.2  基於約束的因果

發現 262

15.3.3  線性模型因果發現 266

15.4  應用 268

15.4.1  學習ADHD的因果

模型 268

15.4.2  基於fNIRS的大腦

有效連接解碼 269

15.5  補充閱讀 270

15.6  練習 271

第16章  深度學習和圖模型 272

16.1  引言 272

16.2  神經網絡和深度學習

   回顧 273

16.2.1  簡史 273

16.2.2  深度神經網絡 275

16.3  圖模型和神經網絡 277

16.3.1  樸素貝葉斯分類器與

感知器比較 277

16.3.2  貝葉斯網絡與多層

神經網絡比較 278

16.4  混合模式 279

16.4.1  測試貝葉斯網絡 279

16.4.2  整合圖和深度模型 281

16.5  應用 282

16.5.1  人體姿態追蹤 282

16.5.2  用於糾錯的神經強化

信念傳播法 284

16.6  補充閱讀 287

16.7  練習 287

附錄A  一個用於推理和學習的

Python庫(可從本書配套

網站下載)

詞匯表 (可從本書配套網站下載)

縮略語 (可從本書配套網站下載)

符號 (可從本書配套網站下載)

參考文獻 (可從本書配套網站下載)