中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
概率圖模型和深度神經網絡 版權信息
- ISBN：9787563568062
- 條形碼：9787563568062 ; 978-7-5635-6806-2
- 裝幀：簡裝本
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
概率圖模型和深度神經網絡 本書特色
本書講解概率圖模型的基本原理及其在機器學數據建模、深度神經網絡模型中的應用,并且從概率圖模型的角度講解機器學、深度神經網絡模型的概率原理，培養學生“知其然，并知其所以然”的思維方式，解決學生應用建模時于模型選型和調參的問題。
本書內容豐富，將原理與實例相結合，數學與代碼相結合，可作為高等院校的人工智能相關專業本科生和研究生課程的教材，也可供相關領域的科研人員和工程技術人員參閱。
概率圖模型和深度神經網絡 內容簡介
本書講解概率圖模型的基本原理，及其在機器學習、大數據建模、深度神經網絡模型中的應用。并且，本書從概率圖模型的角度講解機器學習算法、深度神經網絡模型的概率原理，培養學生“知其然，并知其所以然”的思維方式，解決應用建模時僅局限于模型選型和調參的問題。
概率圖模型和深度神經網絡 目錄
第1部分基礎篇
第1章概率圖模型基礎
1.1基本概念
1.2貝葉斯網絡
1.2.1概率基礎
1.2.2圖論基礎
1.2.3有向圖模型的條件獨立性
1.2.4樸素貝葉斯分類器
1.3馬爾可夫隨機場
1.3.1無向圖基礎·
1.3.2無向圖模型的條件獨立性
1.3.3聯合概率的定義
1.3.4 Ising模型
1.4圖模型的表達能力
第2章機器學
2.1基本概念
2.2機器學建模
2.3機器學求解
2.3.1目標函數
2.3.2優化算法
2.4回歸模型
2.4.1線性回歸·
2.4.2線性回歸的概率圖模型
2.5模型容量和模型選擇
第3章 人工神經網絡基礎
3.1神經元模型
3.1.1激活函數
3.1.2大似然估計
3.1.3大后驗估計
3.1.4 全貝葉斯估計
3.2多層前饋神經網絡
3.2.1模型表示
3.2.2誤差逆傳播算法
3.3反饋神經網絡
3.4循環神經網絡
3.5門控循環神經網絡
3.6深度神經網絡
第4章 大數據基礎
4.1基本概念
4.1.1大數據源·
4.1.2數據的發展史
4.1.3大數據的特點
4.1.4大數據應用
4.2數據處理
4.2.1數據收集
4.2.2數據集成
4.2.3數據清洗
4.2.4數據轉換
4.3 數據分析·
4.3.1數據質量分析
4.3.2數據特征分析
4.3.3特征選擇與數據抽取
4.4自然語言處理技術基礎·
4.5圖像處理技術基礎
第2部分概率圖模型應用篇
第5章 高斯混合模型
5.1海量圖像聚類
5.1.1應用分析
5.1.2數據分析
5.2應用建模
5.3 模型推斷與學p>
5.3.1模型推斷
5.3.2EM算法
5.3.3模型學p>
第6章隱變量模型
6.1因子分析
6.2概率主成分分析
6.3獨立成分分析
6.3.1應用分析
6.3.2數據處理
6.3.3應用建模
6.4稀疏編碼與壓縮感知
第7章 主題模型·
7.1熱點話題檢測
7.1.1應用分析
7.1.2數據處理
7.2應用建模
7.2.1潛在語義分析
7.2.2概率潛在語義分析
7.2.3 LDA
7.3LDA主題模型的學斷
第8章張量分解模型
8.1概率矩陣分解
8.1應用分析
8.1.2矩陣分解
8.1.3概率矩陣分解模型
8.1.4模型學
8.2張量分解
8.2.1基本概念
8.2.2帶缺失值的張量分解
8.2.3稀疏張量分解
8.3張量分解的應用
8.3.1圖像補全
8.3.2場景切分
第9章 隱馬爾可夫模型
9.1中文分詞
9.2應用建模
……
19.3音頻生成
附錄1常用的概率分布·
附錄2共軛分布
附錄3矩陣變換基礎
附錄4采樣推斷法
附錄5變分推斷算法
參考文獻
第1章概率圖模型基礎
1.1基本概念
1.2貝葉斯網絡
1.2.1概率基礎
1.2.2圖論基礎
1.2.3有向圖模型的條件獨立性
1.2.4樸素貝葉斯分類器
1.3馬爾可夫隨機場
1.3.1無向圖基礎·
1.3.2無向圖模型的條件獨立性
1.3.3聯合概率的定義
1.3.4 Ising模型
1.4圖模型的表達能力
第2章機器學
2.1基本概念
2.2機器學建模
2.3機器學求解
2.3.1目標函數
2.3.2優化算法
2.4回歸模型
2.4.1線性回歸·
2.4.2線性回歸的概率圖模型
2.5模型容量和模型選擇
第3章 人工神經網絡基礎
3.1神經元模型
3.1.1激活函數
3.1.2大似然估計
3.1.3大后驗估計
3.1.4 全貝葉斯估計
3.2多層前饋神經網絡
3.2.1模型表示
3.2.2誤差逆傳播算法
3.3反饋神經網絡
3.4循環神經網絡
3.5門控循環神經網絡
3.6深度神經網絡
第4章 大數據基礎
4.1基本概念
4.1.1大數據源·
4.1.2數據的發展史
4.1.3大數據的特點
4.1.4大數據應用
4.2數據處理
4.2.1數據收集
4.2.2數據集成
4.2.3數據清洗
4.2.4數據轉換
4.3 數據分析·
4.3.1數據質量分析
4.3.2數據特征分析
4.3.3特征選擇與數據抽取
4.4自然語言處理技術基礎·
4.5圖像處理技術基礎
第2部分概率圖模型應用篇
第5章 高斯混合模型
5.1海量圖像聚類
5.1.1應用分析
5.1.2數據分析
5.2應用建模
5.3 模型推斷與學p>
5.3.1模型推斷
5.3.2EM算法
5.3.3模型學p>
第6章隱變量模型
6.1因子分析
6.2概率主成分分析
6.3獨立成分分析
6.3.1應用分析
6.3.2數據處理
6.3.3應用建模
6.4稀疏編碼與壓縮感知
第7章 主題模型·
7.1熱點話題檢測
7.1.1應用分析
7.1.2數據處理
7.2應用建模
7.2.1潛在語義分析
7.2.2概率潛在語義分析
7.2.3 LDA
7.3LDA主題模型的學斷
第8章張量分解模型
8.1概率矩陣分解
8.1應用分析
8.1.2矩陣分解
8.1.3概率矩陣分解模型
8.1.4模型學
8.2張量分解
8.2.1基本概念
8.2.2帶缺失值的張量分解
8.2.3稀疏張量分解
8.3張量分解的應用
8.3.1圖像補全
8.3.2場景切分
第9章 隱馬爾可夫模型
9.1中文分詞
9.2應用建模
……
19.3音頻生成
附錄1常用的概率分布·
附錄2共軛分布
附錄3矩陣變換基礎
附錄4采樣推斷法
附錄5變分推斷算法
參考文獻
展開全部
概率圖模型和深度神經網絡 作者簡介
劉瑞芳，郵電大學人工智能學院副要研究網絡性能統計推斷、算法分析，主要從事IP網絡性能和網絡應用等方面的研究和開發工作，參與多項科研項目，在國內外重要學術刊物及會議上發表學術論文多篇。
書友推薦
- >
史學評論
- >
莉莉和章魚
- >
中國歷史的瞬間
- >
山海經
- >
【精裝繪本】畫給孩子的中國神話
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
我從未如此眷戀人間
- >
推拿
本類暢銷
