概率图模型学习理论及其应用
作者：赵悦 著
出版时间：2012年版
内容简介
作为概率论和图论相结合的产物，概率图模型理论为解决智能信息处理领域中的不确定性、复杂性问题提供了直观而自然的方法。近年来它逐步成为计算机视觉、语音识别、数据发掘与知识发现等领域中一个十分重要的研究方向，在国际上的影响不断扩大。《概率图模型学习理论及其应用》是系统论述概率图模型的基本理论、学习算法及其应用的中文专著，内容包括概率图模型基本概念；完整数据集的概率图模型的学习理论；不完整数据集的概率图模型学习理论；无向概率图模型学习；新型学习方法；概率图模型在计算机视觉、个人信用风险评估及语言识别领域中的应用等部分。《概率图模型学习理论及其应用》从实例出发，由浅入深，直观与严谨相结合，并提供了详尽的参考文献。《概率图模型学习理论及其应用》的读者对象是相关专业的高年级本科生、研究生和科研人员。
目录
第1章概率图模型基础知识
1.1 概述
1.2 图论的相关基本概念
1.3 概率论的相关基本概念
1.3.1 随机变量与概率函数
1.3.2 古典概率与主观概率
1.3.3 联合概率分布
1.3.4 边缘概率分布
1.3.5 条件概率分布
1.3.6 边缘独立与条件独立
1.3.7 贝叶斯定理
1.4 信息论的相关基本概念
1.4.1 Jensen不等式
1.4.2 熵
1.4.3 联合熵、条件熵和互信息
1.4.4 相对熵
1.5 生成模型与判别模型
第2章 概率图模型的基本原理
2.1 概述
2.2 有向概率图模型
2.2.1 隐马尔可夫模型
2.2.2 贝叶斯网络
2.2.3 动态贝叶斯网络
2.3 无向概率图模型
2.3.1 马尔可夫随机场
2.3.2 条件随机场
2.4 概率图模型学习与推理
2.4.1 模型的学习
2.4.2 模型的推理
2.4.3 计算复杂度分析
第3章 完整数据集下有向概率图模型的学习
3.1 概述
3.2 结构学习
3.2.1 基于评分 搜索的结构学习
3.2.2 基于条件独立性测试的结构学习算法
3.3 参数学习
3.3.1 极大似然参数估计
3.3.2 贝叶斯参数估计
第4章 不完整数据集下的有向概率图模型的学习
4.1 概述
4.2 参数估计
4.2.1EM算法
4.2.2 Gibbs抽样方法
4.3 结构学习
4.3.1 结构EM方法
4.3.2 打分 搜索方法
第5章 无向概率图模型学习
5.1 概述
5.2 马尔可夫随机场
5.2.1 邻域系统和团
5.2.2 HC定理
5.2.3 Pairwise MRF模型
5.2.4 MRFs的参数学习
5.3 条件随机场
5.3.1 问题分析
5.3.2 模型训练中的动态规划
5.3.3 参数估计的训练算法
5.3.4 参数估计的训练过程
第6章 概率图模型的新型学习方法
6.1 概述
6.2 主动学习方法
6.2.1 主动学习原理
6.2.2 基于主动学习的贝叶斯网络分类器学习算法
6.2.3 基于半监督主动学习的动态贝叶斯网络学习方法
6.2.4 基于主动学习的贝叶斯网络结构学习
6.3 增量学习
6.3.1 基本原理
6.3.2 贝叶斯网络参数的增量学习方法
6.3.3 贝叶斯网络结构的增量学习方法
第7章 概率图模型理论在计算机视觉中的应用
第8章 贝叶斯网络在电信个人信用风险分析中的应用
第9章 概率图模型理论在语音识别中的应用
附录A 概率图模型常用开发工具
附录B 贝叶斯网工具箱BNT的研究与学习
参考文献
