第1.1节 随机事件及其运算 第1.2节 概率的定义及性质 第1.3节 条件概率与乘法公式 第1.4节 全概率公式和贝叶斯公式 第1.5节 独立性及其应用

1、事件的关系运算 2、概率的运算 3、事件的独立性 4、条件概率 5、全概率公式及贝叶斯公式

§11.1 计算积分的Monte Carlo方法 §11.2 Markov链Monte Carlo方法简介 §11.3 Metropolis-Hastings算法 §11.4 Gibbs抽样 §11.5 贝叶斯MCMC估计方法

Chapter 1 预备知识 Chapter 2 随机过程的基本概念和基本类型 Chapter 3 泊松过程 Chapter 4 更新过程 Chapter 5 马氏链 Chapter 6 鞅 Chapter 7 布朗运动 Chapter 8 随机积分 Chapter 9 随机过程在金融中的应用 Chapter 10 随机过程在保险中的应用 10.1 基本概念 10.2 经典破产理论介绍 Chapter 11 MCMC 方法 11.1 计算积分的蒙特卡洛方法 11.2 MCMC 方法简介 11.3 Metropolis-Hastings 算法 11.4 Gibbs 抽样 11.5 贝叶斯 MCMC 估计方法

1 概率密度估计 2 最大似然估计 例 1 均值和方差的无偏与有偏估计 什么是高斯分布 ML 的全局最优？ 二元函数局部最优条件 例 2 3 最大后验概率估计 例 3 4 贝叶斯估计 例 4 5 期望最大化 EM EM 在高斯混合模型中的应用

1 数学之美 系列一 — 统计语言模型 系列二 — 谈谈中文分词 系列三 — 隐含马尔可夫模型在语言处理中的应用 系列四 — 怎样度量信息? 系列五 — 简单之美：布尔代数和搜索引擎的索引 系列六 — 图论和网络爬虫 (Web Crawlers) 系列七 — 信息论在信息处理中的应用 系列八 — 贾里尼克的故事和现代语言处理 系列九 — 如何确定网页和查询的相关性 系列十 — 有限状态机和地址识别 系列十一 — Google 阿卡 47 的制造者阿米特.辛格博士 系列十二 — 余弦定理和新闻的分类 系列十三 — 信息指纹及其应用 系列十四 — 谈谈数学模型的重要性 系列十五 — 繁与简 自然语言处理的几位精英 系列十六(上)—不要把所有的鸡蛋放在一个篮子里-谈谈最大熵模型 系列十六(下)— 不要把所有的鸡蛋放在一个篮子里-最大熵模型. 系列十七 — 闪光的不一定是金子 -- 谈谈搜索引擎作弊问题 (Search Engine Anti-SPAM) 系列十八 — 矩阵运算和文本处理中的分类问题 系列十九 — 马尔可夫链的扩展 贝叶斯网络 (Bayesian Networks) 系列二十 — 自然语言处理的教父 -- 马库斯 系列二十一 — 布隆过滤器（Bloom Filter） 系列二十二 — 由电视剧《暗算》所想到的-谈谈密码学的数学原理 系列二十三 — 输入一个汉字需要敲多少个键-谈谈香农第一定律 系列二十四 — 从全球导航到输入法-谈谈动态规划 2 浪潮之巅 2.1 第一章 — 帝国的余辉（AT&T) 2.5 第二章 — 蓝色巨人（IBM） 2.11 第三章 — “水果”公司的复兴 （乔布斯和苹果公司） 2.15 第四章 — 计算机工业的生态链 2.18 第五章 — 奔腾的芯（英特尔—Intel） 2.23 第六章 — 互联网的金门大桥（思科） 2.27 第七章 — 硅谷的见证人（惠普公司） 2.32 第八章 — 没落的贵族—摩托罗拉 2.38 第九章 — 硅谷的另一面 2.43 第十章 — 短暂的春秋——与机会失之交臂的公司 2.49 第十一章 — 幕后的英雄—风险投资（Venture Capital） 2.55 第十二章 — 信息产业的规律性

第一章 统计分析软件 SPSS 和 R 概述.（3） 第二章 多元正态总体均值向量和协差阵的假设检验.（11） 2.1 实验一 多因素方差分析.（11） 2.2 实验二 协方差分析.（20） 第三章 聚类分析.（26） 3.1 实验一 系统聚类分析.（26） 3.2 实验二 K-均值型聚类法.（31） 第四章 判别分析.（35） 4.1 实验一、实验二 费歇判别法和贝叶斯判别法.（35） 4.3 实验三 逐步判别法.（42） 第五章 主成分分析.（50） 第六章 因子分析.（54） 第七章 对应分析.（60） 第八章 典型相关分析.（68） 第九章 简介定性资料的统计分析.（71） 参考文献 .（76）

模糊隶属度无统一算法,定义存在分歧.根据模糊概念\内涵明确,外延不明确\的特点,定义隶属度为不同外延对内涵的从属程度.在信息系统中,概念的外延用对象表示,内涵由属性表示,由此提出了求解隶属度的新算法:由原始统计数据组成初始信息系统,用粗糙集理论求得其商集并构建集值信息系统;该集值信息系统对应的条件概率空间中的条件概率即为隶属度.广义上信息系统可分为信息系统(无决策属性)和目标信息系统(有决策属性)两类.隶属度也可分为两类:第一类外延对象为内涵属性本身值,如年龄对青年人的隶属度(信息系统);第二类外延对象为不同于内涵属性的另一属性值,如边坡工程安全系数对稳定状态的隶属度(目标信息系统).计算以上两个实例,前者与已有结论作对比验证,后者与函数选择、经典统计方法及贝叶斯公理作对比验证,可知结果可靠,算法可行

为进一步提高多关系朴素贝叶斯方法的分类准确率,分析了已有的剪枝方法,并扩展互信息标准到多关系情况下.基于元组号传播方法和面向元组的统计计数方法,给出了基于扩展互信息标准进行属性选择的方法和步骤,并建立了一种基于扩展互信息的多关系朴素贝叶斯分类器.标准数据集上的实验显示,基于扩展互信息标准进行属性选择,可以在不增加算法时间复杂度的前提下,找到与分类属性最相关的属性,并在仅有极少属性参与分类时,得到较高的分类准确率.Mutagenesis数据集上的实验则显示,这种属性选择可以使多关系问题退化为单关系问题,大大降低了分类代价