强大在现代的生态、环境以及地学研究中，变量和变量间的因果关系推断占据了非常重要的地位。在实践中，变量间的因果关系研究往往求助于昂贵的实验，但所得结果又经常与天然环境中的实际因果联系相差甚远。统计学方法是研究天然环境中变量间关系的好方法，但常见的统计学方法往往回答的是变量间的相关关系。相关关系是通往因果关系的第一步，但决不是其最终的目的。贝叶斯网络是一种结合图论与统计学理论提出的新型模型。贝叶斯网络不但能够统合已有的各种统计学方法，如混合回归模型，LASSO,自回归模型，隐马模型等等；而且在很大程度上能够弥补统计学模型不能够进行因果推断的缺憾。自贝叶斯网络模型在上个世纪80年代被正式提出以来，其已经被运用于生态、环境、医学、社会学等各方面的研究，取得了丰硕的成果；但是，贝叶斯网络模型理论较为复杂，体系庞大，形式复杂多样，很难被初学者掌握。本次课程以开源的R语言为平台，通过理论和实践相结合的方法，系统介绍了贝叶斯网络结构学习，参数学习以及因果推断等全过程，使学员对贝叶斯网络有较全面的了解，并能够用于科研和工作实践中。
专题一 R语言实现Bayesian Network分析的基本流程
R语言的数据类型与基本操作
R语言中图论的相关操作
贝叶斯网络的图表示与概率表示
基于bnlearn建立简单的贝叶斯网络
专题二 离散静态贝叶斯网络的构建
离散静态网络的结构学习
离散静态网络的参数估计
离散静态网络的推断
实例分析
专题三 连续分布下的贝叶斯网络
连续贝叶斯网络的结构学习
连续贝叶斯网络的参数估计
高斯贝叶斯网络的推断
实例分析
专题四 混合贝叶斯网络
混合分布情况下的处理
贝叶斯统计在混合网络中的应用
实例分析
专题五 动态贝叶斯网络
时间序列中变量的选择
时间相关性的处理
动态贝叶斯网络
实例分析
专题六 基于Gephi的网络作图初步
专题七 真实世界中的贝叶斯网络
Bootstrap与阈值选择
模型平均方法
非齐次动态贝叶斯网络
实例分析