貝葉斯推理與機器學習 Bayesian Reasoning and Machine Learning

David Barber 譯者 徐增林

買這商品的人也買了...

相關主題

商品描述

本書全面介紹貝葉斯推理與機器學習,涉及基本概念、理論推導與直覺解釋,
涵蓋各種實用的機器學習演算法,包括樸素貝葉斯、高斯模型、馬可夫模型、線性動態系統等。
在介紹方法的同時,強調機率層面的理論支持,
可幫助讀者加強對機器學習本質的認識,其適合想要學習機器學習中的機率方法的讀者。
首先介紹機率論和圖的基礎概念,然後以圖模型為切入點,用一個統一的框架來講解從基本推論到高階演算法的知識。
不僅附有BRMLI具箱,而且提供大量MATLAB程式碼實例,
將機率模型與程式設計實踐結合,從而幫助讀者更好地理解模型方法。

目錄大綱

譯者序
前言
符號表
BRML工具箱
第一部分 機率模型中的推斷
第1章 機率推理
1.1 機率知識複習
1.1.1 條件機率
1.1.2 機率表
1.2 機率推理
1.3 先驗、似然與後驗
1.3.1 兩枚骰子:各自的分數是多少
1.4 總結
1.5 代碼
1.5.1 基礎機率代碼
1.5.2 通用工具
1.5.3 範例
1.6 練習題
第2章 圖的基礎概念
2.1 圖
2.2 圖的數值表示
2.2.1 邊表
2.2.2 鄰接矩陣
2.2.3 團矩陣
2.3 總結
2.4 代碼
2.4.1 實用程序
2.5 練習題
第3章 信念網絡
3.1 結構化的優勢
3.1.1 獨立性建模
3.1.2 降低說明的負擔
3.2 不確定性與不可靠的證據
3.2.1 不確定性證據
3.2.2 不可靠證據
3.3 信念網絡
3.3.1 條件獨立性
3.3.2 對撞擊的影響
3.3.3 圖路徑獨立性操作
3.3.4 d-分離
3.3.5 圖與分佈的獨立性與相關性
3.3.6 信念網絡中的馬可夫等價性
3.3.7 信念網絡的有限表達性
3.4 因果關係
3.4.1 辛普森悖論
3.4.2 do算子
3.4.3 影響圖與do算子
3.5 總結
3.6 代碼
3.6.1 簡單的推論演示
3.6.2 條件獨立性演示
3.6.3 實用程序
3.7 練習題
第4章 圖模型
4.1 圖模型簡介
4.2 馬可夫網絡
4.2.1 馬可夫性質
4.2.2 馬可夫隨機場
4.2.3 Hammersley-Clifford理論
4.2.4 使用馬可夫網路的條件獨立性

第二部分 學習機率模型
第三部分 機器學習
第四部分 動態模型
第五部分 近似推斷
附錄 數學基礎
參考文獻