概率圖模型原理與應用（第2版）

第Ⅰ部分 基本原理
第1章 導論
1.1 不確定性
1.2 簡要回顧
1.3 基本概率模型
1.4 概率圖模型
1.5 表示、推理與學習
1.6 應用
1.7 本書概述
1.8 補充閱讀
第2章 概率論
2.1 引言
2.2 基本規則
2.3 隨機變數
2.4 資訊理論
2.5 補充閱讀
2.6 練習
第3章 圖論
3.1 定義
3.2 圖的類型
3.3 跡和回路
3.4 圖同構
3.5 樹
3.6 團
3.7 序
3.8 排序和三角剖分演算法
3.8.1 基數搜索
3.8.2 圖的填充
3.9 補充閱讀
3.10 練習

第Ⅱ部分 概率模型
第4章 貝葉斯分類器
4.1 引言
4.2 貝葉斯分類器簡介
4.3 高斯樸素貝葉斯分類器
4.4 替代模型：TAN、BAN
4.5 半樸素貝葉斯分類器
4.6 多維貝葉斯分類器
4.6.1 多維貝葉斯網路分類器
4.6.2 鏈式分類器
4.7 層次分類
4.7.1 鏈式路徑評估
4.7.2 使用貝葉斯網路進行層次分類

第Ⅲ部分 決策模型
第Ⅳ部分 關係概率圖模型、因果圖模型和深度模型
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）
詞彙表（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）