掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
貝葉斯推理與機器學習 版權信息
- ISBN：9787111732969
- 條形碼：9787111732969 ; 978-7-111-73296-9
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
貝葉斯推理與機器學習 本書特色
本書全面介紹貝葉斯推理與機器學習，涉及基本概念、理論推導和直觀解釋，涵蓋各種實用的機器學習算法，包括樸素貝葉斯、高斯模型、馬爾可夫模型、線性動態系統等。本書在介紹方法的同時，強調概率層面的理論支持，可幫助讀者加強對機器學習本質的認識，尤其適合想要學習機器學習中的概率方法的讀者。
貝葉斯推理與機器學習 內容簡介
本書全面介紹貝葉斯推理與機器學習，涉及基本概念、理論推導和直觀解釋，涵蓋各種實用的機器學習算法，包括樸素貝葉斯、高斯模型、馬爾可夫模型、線性動態系統等。本書在介紹方法的同時，強調概率層面的理論支持，可幫助讀者加強對機器學習本質的認識，尤其適合想要學習機器學習中的概率方法的讀者。本書首先介紹概率論和圖的基礎概念，然后以圖模型為切入點，用一種統一的框架講解從基本推斷到高階算法的知識。本書不僅配有BRML工具箱，而且提供大量MATLAB代碼實例，將概率模型與編程實踐相結合，從而幫助讀者更好地理解模型方法。
貝葉斯推理與機器學習 目錄
譯者序
前言
符號表
BRML工具箱**部分 概率模型中的推斷第1章 概率推理3 1.1 概率知識復習3
1.1.1 條件概率5
1.1.2 概率表7
1.2 概率推理8
1.3 先驗、似然與后驗14
1.3.1 兩枚骰子：各自的分數是
多少15
1.4 總結18
1.5 代碼18
1.5.1 基礎概率代碼18
1.5.2 通用工具20
1.5.3 示例20
1.6 練習題20第2章 圖的基礎概念23 2.1 圖23
2.2 圖的數值表示25
2.2.1 邊表25
2.2.2 鄰接矩陣25
2.2.3 團矩陣26
2.3 總結26
2.4 代碼26
2.4.1 實用程序26
2.5 練習題27第3章 信念網絡29 3.1 結構化的優勢29
3.1.1 獨立性建模29
3.1.2 降低說明的負擔32
3.2 不確定性和不可靠的證據33
3.2.1 不確定性證據33
3.2.2 不可靠證據35
3.3 信念網絡36
3.3.1 條件獨立性37
3.3.2 對撞的影響38
3.3.3 圖路徑獨立性操作41
3.3.4 d-分離41
3.3.5 圖和分布的獨立性與
相關性42
3.3.6 信念網絡中的馬爾可夫
等價性43
3.3.7 信念網絡的有限表達性43
3.4 因果關系44
3.4.1 辛普森悖論45
3.4.2 do算子46
3.4.3 影響圖和do算子47
3.5 總結47
3.6 代碼47
3.6.1 簡單的推斷演示47
3.6.2 條件獨立性演示48
3.6.3 實用程序48
3.7 練習題48第4章 圖模型52 4.1 圖模型簡介52
4.2 馬爾可夫網絡52
4.2.1 馬爾可夫性質54
4.2.2 馬爾可夫隨機場55
4.2.3 Hammersley-Clifford理論55
4.2.4 使用馬爾可夫網絡的條件
獨立性58
4.2.5 晶格模型58
4.3 鏈圖模型60
4.4 因子圖61
4.4.1 因子圖中的條件獨立性62
4.5 圖模型的表達能力63
4.6 總結65
4.7 代碼65
4.8 練習題65第5章 樹中的有效推斷68 5.1 邊緣推斷68
5.1.1 馬爾可夫鏈中的變量消除和
消息傳遞68
5.1.2 因子圖上的和-積算法71
5.1.3 處理證據74
5.1.4 計算邊緣似然74
5.1.5 循環問題75
5.2 其他形式的推斷75
5.2.1 *大-積75
5.2.2 尋找N個*可能的狀態78
5.2.3 *可能的路徑和*短的
路徑79
5.2.4 混合推斷82
5.3 多連通圖中的推斷82
5.3.1 桶消元82
5.3.2 環切條件84
5.4 連續分布中的消息傳遞84
5.5 總結85
5.6 代碼85
5.6.1 因子圖示例86
5.6.2 *可能和*短路徑86
5.6.3 桶消元86
5.6.4 基于高斯的消息傳遞86
5.7 練習題86第6章 聯結樹算法90 6.1 聚類變量90
6.1.1 重參數化90
6.2 團圖91
6.2.1 吸收92
6.2.2 團樹上的吸收順序93
6.3 聯結樹93
6.3.1 運行相交性質94
6.4 為單連通分布構建聯結樹97
6.4.1 倫理化97
6.4.2 構建團圖97
6.4.3 根據團圖構建聯結樹97
6.4.4 為團分配勢函數97
6.5 為多連通分布構建聯結樹98
6.5.1 三角化算法99
6.6 聯結樹算法及示例102
6.6.1 關于聯結樹算法的備注102
6.6.2 計算分布的歸一化常數103
6.6.3 邊緣似然103
6.6.4 聯結樹算法示例104
6.6.5 Shafer-Shenoy傳播105
6.7 尋找*可能的狀態106
6.8 重吸收：將聯結樹轉換為有向
網絡107
6.9 近似的必要性107
6.9.1 寬度有界聯結樹108
6.10 總結108
6.11 代碼108
6.11.1 實用程序109
6.12 練習題109第7章 決策111 7.1 期望效用111
7.1.1 貨幣效用111
7.2 決策樹112
7.3 擴展貝葉斯網絡以做出決策114
7.3.1 影響圖的語法114
7.4 求解影響圖118
7.4.1 影響圖上的消息119
7.4.2 使用聯結樹119
7.5 馬爾可夫決策過程122
7.5.1 利用消息傳遞來*大化期望
效用123
7.5.2 貝爾曼方程124
7.6 時間無窮的馬爾可夫決策過程… 124
7.6.1 值迭代124
7.6.2 策略迭代125
7.6.3 維度災難126
7.7 變分推斷和規劃126
7.8 金融事項128
7.8.1 期權定價和期望效用128
7.8.2 二項式期權定價模型129
7.8.3 *優投資130
7.9 進一步的主題132
7.9.1 部分可觀察的MDP132
7.9.2 強化學習133
7.10 總結1
前言
符號表
BRML工具箱**部分 概率模型中的推斷第1章 概率推理3 1.1 概率知識復習3
1.1.1 條件概率5
1.1.2 概率表7
1.2 概率推理8
1.3 先驗、似然與后驗14
1.3.1 兩枚骰子：各自的分數是
多少15
1.4 總結18
1.5 代碼18
1.5.1 基礎概率代碼18
1.5.2 通用工具20
1.5.3 示例20
1.6 練習題20第2章 圖的基礎概念23 2.1 圖23
2.2 圖的數值表示25
2.2.1 邊表25
2.2.2 鄰接矩陣25
2.2.3 團矩陣26
2.3 總結26
2.4 代碼26
2.4.1 實用程序26
2.5 練習題27第3章 信念網絡29 3.1 結構化的優勢29
3.1.1 獨立性建模29
3.1.2 降低說明的負擔32
3.2 不確定性和不可靠的證據33
3.2.1 不確定性證據33
3.2.2 不可靠證據35
3.3 信念網絡36
3.3.1 條件獨立性37
3.3.2 對撞的影響38
3.3.3 圖路徑獨立性操作41
3.3.4 d-分離41
3.3.5 圖和分布的獨立性與
相關性42
3.3.6 信念網絡中的馬爾可夫
等價性43
3.3.7 信念網絡的有限表達性43
3.4 因果關系44
3.4.1 辛普森悖論45
3.4.2 do算子46
3.4.3 影響圖和do算子47
3.5 總結47
3.6 代碼47
3.6.1 簡單的推斷演示47
3.6.2 條件獨立性演示48
3.6.3 實用程序48
3.7 練習題48第4章 圖模型52 4.1 圖模型簡介52
4.2 馬爾可夫網絡52
4.2.1 馬爾可夫性質54
4.2.2 馬爾可夫隨機場55
4.2.3 Hammersley-Clifford理論55
4.2.4 使用馬爾可夫網絡的條件
獨立性58
4.2.5 晶格模型58
4.3 鏈圖模型60
4.4 因子圖61
4.4.1 因子圖中的條件獨立性62
4.5 圖模型的表達能力63
4.6 總結65
4.7 代碼65
4.8 練習題65第5章 樹中的有效推斷68 5.1 邊緣推斷68
5.1.1 馬爾可夫鏈中的變量消除和
消息傳遞68
5.1.2 因子圖上的和-積算法71
5.1.3 處理證據74
5.1.4 計算邊緣似然74
5.1.5 循環問題75
5.2 其他形式的推斷75
5.2.1 *大-積75
5.2.2 尋找N個*可能的狀態78
5.2.3 *可能的路徑和*短的
路徑79
5.2.4 混合推斷82
5.3 多連通圖中的推斷82
5.3.1 桶消元82
5.3.2 環切條件84
5.4 連續分布中的消息傳遞84
5.5 總結85
5.6 代碼85
5.6.1 因子圖示例86
5.6.2 *可能和*短路徑86
5.6.3 桶消元86
5.6.4 基于高斯的消息傳遞86
5.7 練習題86第6章 聯結樹算法90 6.1 聚類變量90
6.1.1 重參數化90
6.2 團圖91
6.2.1 吸收92
6.2.2 團樹上的吸收順序93
6.3 聯結樹93
6.3.1 運行相交性質94
6.4 為單連通分布構建聯結樹97
6.4.1 倫理化97
6.4.2 構建團圖97
6.4.3 根據團圖構建聯結樹97
6.4.4 為團分配勢函數97
6.5 為多連通分布構建聯結樹98
6.5.1 三角化算法99
6.6 聯結樹算法及示例102
6.6.1 關于聯結樹算法的備注102
6.6.2 計算分布的歸一化常數103
6.6.3 邊緣似然103
6.6.4 聯結樹算法示例104
6.6.5 Shafer-Shenoy傳播105
6.7 尋找*可能的狀態106
6.8 重吸收：將聯結樹轉換為有向
網絡107
6.9 近似的必要性107
6.9.1 寬度有界聯結樹108
6.10 總結108
6.11 代碼108
6.11.1 實用程序109
6.12 練習題109第7章 決策111 7.1 期望效用111
7.1.1 貨幣效用111
7.2 決策樹112
7.3 擴展貝葉斯網絡以做出決策114
7.3.1 影響圖的語法114
7.4 求解影響圖118
7.4.1 影響圖上的消息119
7.4.2 使用聯結樹119
7.5 馬爾可夫決策過程122
7.5.1 利用消息傳遞來*大化期望
效用123
7.5.2 貝爾曼方程124
7.6 時間無窮的馬爾可夫決策過程… 124
7.6.1 值迭代124
7.6.2 策略迭代125
7.6.3 維度災難126
7.7 變分推斷和規劃126
7.8 金融事項128
7.8.1 期權定價和期望效用128
7.8.2 二項式期權定價模型129
7.8.3 *優投資130
7.9 進一步的主題132
7.9.1 部分可觀察的MDP132
7.9.2 強化學習133
7.10 總結1
展開全部
貝葉斯推理與機器學習 作者簡介
作者簡介： 大衛·巴伯 （David Barber） 倫敦大學學院計算機系教授，研究興趣是概率建模和推理及其應用。他目前擔任倫敦大學學院人工智能中心主管，該中心旨在開發下一代人工智能技術。此外，他還是艾倫·圖靈研究所的研究員，創業公司Re:infer的首席科技官，Humanloop的聯合創始人，UiPath的杰出軟件工程師。他擁有劍橋大學數學學士學位，愛丁堡大學理論物理學博士學位。 譯者簡介： 徐增林 哈爾濱工業大學（深圳）計算機科學與技術學院教授、博士生導師，國家青年特聘專家。主要研究興趣為機器學習及其在社交網絡分析、計算機視覺、自然語言處理、健康信息學、網絡空間安全等方面的應用。在包括NIPS、ICML、IJCAI、AAAI、IEEE TPAMI、IEEE TNNLS在內的著名會議和期刊上發表論文100多篇，擔任JMLR、IEEE TPAMI等機器學習和人工智能領域主要期刊的審稿人。
書友推薦
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
莉莉和章魚
- >
唐代進士錄
- >
有舍有得是人生
- >
苦雨齋序跋文-周作人自編集
- >
姑媽的寶刀
- >
月亮與六便士
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
本類暢銷
