概率圖模型基於R語言 概率图模型:基于R语言

作者:[法]David Bellot（大衛·貝洛特）譯者:魏博

David Bellot是法國國家信息與自動化研究所（INRIA）計算機科學專業的博士，致力於貝葉斯機器學習。他也是美國加州大學伯克利分校的博士後，為英特爾、Orange電信和巴克萊銀行等公司工作過。他現在財經行業工作，使用機器學習技術開發財經市場的預測算法，同時也是開源項目，如Boost C++庫的貢獻者。

第1章概率推理1 
　　　1.1機器學習3 
　　　1.2使用概率表示不確定性4 
1.2.1信念和不確定性的概率表示5 
1.2.2條件概率6 
1.2.3概率計算和隨機變量7 
1.2.4聯合概率分佈9 
1.2.5貝葉斯規則10 
　　　1.3概率圖模型18 
1.3.1概率模型18 
1.3.2圖和條件獨立19 
1.3.3分解分佈21 
1.3.4有向模型22 
1.3.5無向模型23 
1.3 .6示例和應用23 
　　　1.4小結27 

第2章精確推斷28 
　　　2.1構建圖模型29 
2.1.1隨機變量的類型30 
2.1.2構建圖31 
　　　2.2變量消解37 
　　　2.3和積與信念更新39 
　　　2.4聯結樹算法43 
　　　2.5概率圖模型示例51 
2.5.1灑水器例子51 
2.5.2醫療專家系統52 
2.5.3多於兩層的模型53 
2.5.4樹結構55
　　　2.6小結56 

第3章學習參數58 
　　　3.1引言59 
　　　3.2通過推斷學習63 
　　　3.3 zui大似然法67 
3.3.1經驗分佈和模型分佈是如何關聯的？67 
3.3.2 zui大似然法和R語言實現69 
3.3.3應用73 
　　　3.4學習隱含變量——期望zui大化算法75 
3.4.1隱變量76 
　　　3.5期望zui大化的算法原理77 
3.5.1期望zui大化算法推導77 
3.5.2對圖模型使用期望zui大化算法79 
　　　3.6小結80 

第4章貝葉斯建模——基礎模型82 
　　　4.1樸素貝葉斯模型82 
4.1.1表示84 
4.1. 2學習樸素貝葉斯模型85 
4.1.3完全貝葉斯的樸素貝葉斯模型87 
　　　4.2 Beta二項式分佈90 
4.2.1先驗分佈94 
4.2.2帶有共軛屬性的後驗分佈95 
4.2 .3如何選取Beta參數的值95 
　　　4.3高斯混合模型97 
4.3.1定義97 
　　　4.4小結104 

第5章近似推斷105 
　　　5.1從分佈中採樣106
　　　5.2基本採樣算法108 
5.2.1標準分佈108 
　　　5.3拒絕性採樣111 
5.3.1 R語言實現113 
　　　5.4重要性採樣119 
5.4.1 R語言實現121 
　　　5.5馬爾科夫鏈蒙特卡洛算法127 
5.5.1主要思想127 
5.5.2 Metropolis-Hastings算法128 
　　　5.6概率圖模型MCMC算法R語言實現135 
5.6.1安裝Stan和RStan 136 
5.6.2 RStan的簡單例子136 
　　　5.7小結137 

第6章貝葉斯建模——線性模型139 
　　　6.1線性回歸140 
6.1.1估計參數142 
　　　6.2貝葉斯線性模型146 
6.2.1模型過擬合147 
6.2.2線性模型的圖模型149 
6.2.3後驗分佈151 
6.2.4 R語言實現153 
6.2 .5一種穩定的實現156 
6.2.6更多R語言程序包161 
　　　6.3小結161
 
第7章概率混合模型162 
　　　7.1混合模型162 
　　　7.2混合模型的期望zui大化164
　　　7.3伯努利混合169 
　　　7.4專家混合172 
　　　7.5隱狄利克雷分佈176 
7.5.1 LDA模型176 
7.5.2變分推斷179 
7.5.3示例180 
　　　7.6小結183 
附錄184