《贝叶斯网引论》是第一本系统论述贝叶斯网的基本理论、算法及其应用的中文专著。内容包括概率论及贝叶斯网基本概念、贝叶斯网推理、贝叶斯网学习，以及贝叶斯网在中医中的应用四大部分。《贝叶斯网引论》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。《贝叶斯网引论》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。贝叶斯网是将概率、统计应用于复杂系统的不确定性推理和数据分析的一种有效工具，它起源于20世纪80年代中期对人工智能中的不确定性问题的研究，近年来在国际上的影响不断扩大。

　　3.主观概率与贝叶斯网
　　贝叶斯网早期主要应用于专家系统。在专家系统应用中，贝叶斯网的结构和参数是通过咨询专家而获得的，因此需要用类似于概率轮的方法进行概率评估，主观概率占有重要地位。
　　随着时间的推移，贝叶斯网越来越多地被用于分析数据，也就是要基于数据建立贝叶斯网模型。这有两种情形：一是已知网络结构，对网络参数进行估计，称为参数学习；二是不知道网络结构，要通过分析数据，同时获得网络结构和网络参数，称为结构学习。参数学习有两种方法——最大似然估计和贝叶斯估计。最大似然估计完全基于数据，不需要先验概率。贝叶斯估计则假定在考虑数据以前，网络参数服从某个先验分布。这是先验的主观概率，它的影响随着数据量的增大而减小。结构学习情形假设在考虑数据以前，不同结构的可能性相等，这也是先验的主观概率，它的影响也随着数据量的增大而减小。所以，当有足够多的数据时，主观概率对数据分析的影响不大。
　　尽管概率的主观解释在贝叶斯网的实际应用中并不扮演非常重要的角色，但是在概念上，它对贝叶斯网却是至关重要的。贝叶斯网所依赖的一个核心概念是条件独立，而概率的主观解释为直观理解条件概率和条件独立提供了一个自然的角度。

第一部分 贝叶斯网基础
第1章 概率论基础
1.1 随机事件与随机变量
1.2 概率的解释
1.2.1 古典解释
1.2.2 频率解释
1.2.3 主观解释
1.2.4 特性解释与逻辑解释
1.3 多元概率分布
1.3.1 联合概率分布
1.3.2 边缘概率分布
1.3.3 条件概率分布
1.3.4 边缘独立与条件独立
1.3.5 贝叶斯定理
1.4 概率论与人工智能
1.5 信息论基础
1.5.1 Jensen不等式
1.5.2 熵
1.5.3 联合熵、条件熵和互信息
1.5.4 相对熵
1.5.5 互信息与变量独立
第2章 贝叶斯网
2.1 不确定性推理与联合概率分布
2.2 条件独立与联合分布的分解
2.3 贝叶斯网的概念
2.4 贝叶斯网的构造
2.4.1 确定网络结构
2.4.2 因果关系与贝叶斯网
2.4.3 确定网络参数
2.5 贝叶斯网的应用
2.5.1 医疗诊断
2.5.2 工业应用
2.5.3 金融分析
2.5.4 计算机系统
2.5.5 军事应用
2.5.6 生态学
2.5.7 农牧业
2.6 贝叶斯网对其它领域的影响
2.6.1 生物信息学
2.6.2 编码学
2.6.3 机器学习
2.6.4 时序数据和动态模型
2.7 文献介绍
第3章 图分隔与变量独立
3.1 直观分析
3.1.1 基本情况
3.1.2 一般情况
3.2 有向分隔与条件独立
3.2.1 几个引理
3.2.2 马尔可夫性
3.3 有向分隔与无向分隔
3.4 有向无圈图与联合概率分布
3.5 文献介绍

第二部分 贝叶斯网推理
第4章 贝叶斯网与概率推理
4.1 推理问题
4.1.1 后验概率问题
4.1.2 最大后验假设问题
4.1.3 最大可能解释问题
4.2 变量消元算法
4.2.1 概率分布的分解与推理复杂度
4.2.2 消元运算
4.2.3 算法描述
4.2.4 一个例子
4.3 复杂度分析
4.3.1 复杂性的度量
4.3.2 复杂度的计算
4.4 消元顺序
4.4.1 最大势搜索
4.4.2 最小缺边搜索
4.5 推理问题简化
4.6 MAP假设问题
4.6.1 两个运算
4.6.2 分解与计算复杂度
4.6.3 变量消元MAP算法
4.7 文献介绍
第5章 团树传播算法
5.1 团树
5.2 一个变量后验概率的计算
5.3 团树传播的正确性
5.4 团树传播与计算共享
5.5 每个变量的后验概率的计算
5.6 团树的构造
5.6.1 图消元与团树
5.6.2 图消元构造团树算法的正确性
5.6.3 极小团树
5.6.4 t-团与g-团
5.7 文献介绍
第6章 近似推理
6.1 随机抽样算法
6.1.1 重要性抽样法
6.1.2 MCMC抽样
6.2 变分法
6.2.1 朴素平均场法
6.2.2 循环传播算法
6.3 其它近似推理算法
6.4 文献介绍

第三部分 贝叶斯网学习
第7章 参数学习
7.1 贝叶斯网与数据分析
7.2 单参数最大似然估计
7.3 单参数贝叶斯估计
7.4 单变量网络参数估计
7.5 一般网络最大似然估计
7.5.1 最大似然估计的计算
7.5.2 最大似然估计的性质
7.6 一般网络贝叶斯估计
7.7 缺值数据最大似然估计
7.7.1 EM算法的基本思想
7.7.2 EM算法的基本理论
7.7.3 EM算法
7.7.4 EM算法的收敛性
7.8 缺值数据贝叶斯估计
7.9 文献介绍
第8章 结构学习
8.1 似然函数与模型选择
8.2 贝叶斯模型选择
8.3 大样本模型选择
8.4 其它模型选择标准
8.5 模型优化
8.5.1 评分函数的分解
8.5.2 K2算法
8.5.3 爬山法
8.6 缺值数据结构学习
8.6.1 SEM算法的基本思想
……

第四部分 贝叶斯网应用