Content
9 Lessons • 0 Quizzes • 0 Challenges
图论入门
- 1
课程简介
- 2
基于图的 AI 模型
- 3
什么是图？
- 4
在 Python 中创建图
- 5
练习：小镇中的亲和力
- 6
解决方案：小城镇中的亲和力
- 7
在 Python 中绘制图
- 8
有向图与无向图
- 9
绘图算法
- 10
循环图与无环图
- 11
摘要、核心概念与要点
- 12
测验：图论简介
在 Python 中探索图的特性
- 1
图的特性
- 2
度中心性
- 3
度分布
- 4
模拟图以分析其特性
- 5
最短路径
- 6
练习：在小城镇中寻找最短路径
- 7
解决方案：在小城镇中找到最短路径
- 8
介数中心性
- 9
练习：在社交网络中计算中介中心性
- 10
解决方案：在社交网络中计算中介中心性
- 11
摘要、核心概念与要点
- 12
测验：图的特征
贝叶斯网络中的图模式
- 1
Python 中的共因图
- 2
Python 中的因果链图
- 3
Python 中的通用效应图
- 4
一个简单的模型：从因果关系到贝叶斯网络
- 5
练习：使用模拟数据创建贝叶斯网络
- 6
解决方案：使用模拟数据创建贝叶斯网络
- 7
合成节点
- 8
用于训练贝叶斯网络的超参数
- 9
练习：创建并训练一个贝叶斯网络
- 10
解决方案：创建并训练一个贝叶斯网络
- 11
摘要、核心概念与要点
- 12
测验：贝叶斯网络中的图模式
贝叶斯网络
- 1
条件概率简介
- 2
因果关系—贝叶斯定理
- 3
贝叶斯网络
- 4
将描述性图转换为贝叶斯网络
- 5
使用 Python 创建你的第一个贝叶斯网络
- 6
理解模型的输出
- 7
测验：贝叶斯网络
基于结构的超参数在贝叶斯网络中
- 1
输入节点的数量及其状态
- 2
合成节点数量
- 3
练习：在一个贝叶斯网络中使用两个逻辑门
- 4
解决方案：在单一贝叶斯网络中使用两个逻辑门
- 5
目标节点的状态数量
- 6
微调条件概率分布表
- 7
练习：设置贝叶斯网络的 CPD 值
- 8
解决方案：设置贝叶斯网络的CPD值
- 9
摘要、核心概念与要点
- 10
测验：贝叶斯网络中的结构型超参数
基于数据的贝叶斯网络
- 1
性能指标
- 2
接收者操作特征曲线
- 3
AIC 与 BIC 曲线用于贝叶斯网络
- 4
将数据离散化以输入贝叶斯网络
- 5
参数学习算法
- 6
使用 ROC 曲线评估学习算法
- 7
学习贝叶斯网络结构的算法
- 8
推理算法（用于训练图）
- 9
测验：基于数据的贝叶斯网络
构建一个复杂的贝叶斯网络
- 1
为创建贝叶斯网络预处理数据
- 2
练习：累积惩罚启发式
- 3
解决方案：累积惩罚启发式
- 4
使用 ROC 评估惩罚启发式方法
- 5
摘要、核心概念与要点
- 6
测验：构建一个复杂的贝叶斯网络
评估输出和性能
- 1
从 ROC 曲线评估准确率
- 2
查询贝叶斯网络
- 3
影响分析
- 4
基于贝叶斯网络模型创建情景
- 5
基于BN的决策制定
- 6
测验：评估输出和性能
结论
- 1
结语
- 2
接下来是什么？
Certificate of Completion
Showcase your accomplishment by sharing your certificate of completion.
Course Author:Anonymous User