大数据时代的贝叶斯估计方法研究
发布时间:2023-10-30 17:20
随着信息和科学技术的飞速发展以及海量数据的产生,传统的手工处理和分析数据的统计方法已不能满足现实的需求.特别是在大数据时代的今天,数据的数量巨大、结构复杂,传统的处理方法已不能高效的作用于这些数据.在大数据时代的今天,拥有数据并合理有效地处理数据,对于一个企业、政府,甚至是整个国家来说都是至关重要的,所以对处理海量数据的研究越来越受到重视.经过几十年的研究,大数据分析已发展成为最重要的数据处理和分析理论,而且已经有了十分广泛的应用.本文主要介绍了在大数据大发展的时代背景下有关贝叶斯估计的方法研究,主要内容有:大数据的起源、大数据的特点以及大数据的类型,数据挖掘的发展史以及它的功能,数据挖掘的特点以及数据挖掘与机器学习、数据仓库、统计学以及智能决策等领域之间的关系;贝叶斯分类和朴素贝叶斯分类的概念以及应用;有关决策论和统计决策论的定义、定理;线性判别函数和二次判别函数的相关概念及理论;贝叶斯网络的基本概念、贝叶斯网络的构建,以及K2爬山算法和SEM算法,并且对K2爬山算法做出了改进,提出了自己的想法.
【文章页数】:52 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
1 绪论
1.1 选题依据
1.2 研究背景
1.3 研究意义
1.4 本文章节安排
2 预备知识
2.1 大数据概述
2.2 贝叶斯分类与朴素贝叶斯分类
3 决策论与统计决策论
3.1 决策与风险
3.2 统计决策
4 线性判别函数和二次判别函数
5 贝叶斯网络
5.1 基本概念
5.2 K2算法
总结与展望
参考文献
致谢
硕士阶段的主要成果
本文编号:3858861
【文章页数】:52 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
1 绪论
1.1 选题依据
1.2 研究背景
1.3 研究意义
1.4 本文章节安排
2 预备知识
2.1 大数据概述
2.2 贝叶斯分类与朴素贝叶斯分类
3 决策论与统计决策论
3.1 决策与风险
3.2 统计决策
4 线性判别函数和二次判别函数
5 贝叶斯网络
5.1 基本概念
5.2 K2算法
总结与展望
参考文献
致谢
硕士阶段的主要成果
本文编号:3858861
本文链接:https://www.wllwen.com/kejilunwen/yysx/3858861.html