决策算法

封面

版权信息

作者简介

译者序

前言

致谢

第1章 导论

1.1 决策

1.2 应用

1.2.1 飞机防撞控制系统

1.2.2 自动驾驶控制系统

1.2.3 乳腺癌筛查

1.2.4 金融消费与投资组合配置

1.2.5 分布式森林火灾监控系统

1.2.6 火星科学探测

1.3 方法

1.3.1 显式编程

1.3.2 监督式学习

1.3.3 优化

1.3.4 规划

1.3.5 强化学习

1.4 自动化决策过程的历史

1.4.1 经济学

1.4.2 心理学

1.4.3 神经科学

1.4.4 计算机科学

1.4.5 工程

1.4.6 数学

1.4.7 运筹学

1.5 社会影响

1.6 本书组织结构

1.6.1 概率推理

1.6.2 序列问题

1.6.3 模型不确定性

1.6.4 状态不确定性

1.6.5 多智能体系统

第一部分 概率推理

第2章 表示

2.1 信念度和概率

2.2 概率分布

2.2.1 离散概率分布

2.2.2 连续概率分布

2.3 联合分布

2.3.1 离散联合分布

2.3.2 连续联合分配

2.4 条件分布

2.4.1 离散条件模型

2.4.2 条件高斯模型

2.4.3 线性高斯模型

2.4.4 条件线性高斯模型

2.4.5 sigmoid模型

2.4.6 确定性变量

2.5 贝叶斯网络

2.6 条件独立性

2.7 本章小结

2.8 练习题

第3章 推理

3.1 贝叶斯网络中的推理

3.2 朴素贝叶斯模型中的推理

3.3 “和-积”变量消除

3.4 信念传播

3.5 计算复杂度

3.6 直接抽样

3.7 似然加权抽样

3.8 吉布斯抽样

3.9 高斯模型中的推理

3.10 本章小结

3.11 练习题

第4章 参数学习

4.1 最大似然参数学习

4.1.1 类别分布的最大似然估计

4.1.2 高斯分布的最大似然估计

4.1.3 贝叶斯网络的最大似然估计

4.2 贝叶斯参数学习

4.2.1 二元分布的贝叶斯学习

4.2.2 类别分布的贝叶斯学习

4.2.3 贝叶斯网络的贝叶斯学习

4.3 非参数学习

4.4 缺失数据的学习

4.4.1 数据插值

4.4.2 期望最大化

4.5 本章小结

4.6 练习题

第5章 结构学习

5.1 贝叶斯网络评分

5.2 有向图搜索

5.3 马尔可夫等价类

5.4 部分有向图搜索

5.5 本章小结

5.6 练习题

第6章 简单决策

6.1 理性偏好上的约束

6.2 效用函数

6.3 效用诱导

6.4 最大期望效用原则

6.5 决策网络

6.6 信息价值

6.7 非理性

6.8 本章小结

6.9 练习题