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 跡和回路 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 *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 改進圖像標注 88 6.8 補充閱讀 90 6.9 練習 90 第7章 貝葉斯網絡：表征與 推理 92 7.1 引言 92 7.2 表征 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 *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 用于機器人任務規劃 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 前門和后門準則 247 14.4.1 后門準則 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 基于分數的因果 發現 261 15.3.2 基于約束的因果 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 基于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 用于糾錯的神經強化 信念傳播法 284 16.6 補充閱讀 287 16.7 練習 287 附錄A 一個用于推理和學習的 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)