编辑推荐
概率图模型应用前景广阔，掌握PGM、贝叶斯模型及选择算法。
内容简介
概率图模型结合了概率论与图论的知识，在人工智能、机器学习和计算机视觉等领域有着广阔的应用前景。本书讲解了如何掌握概率图模型PGM，如何理解计算机通过贝叶斯模型来解决现实世界的问题，如何选择合适的R包、合适的算法来准备数据并建立模型。
章节目录
版权信息
版权声明
内容提要
作者简介
译者简介
审稿者简介
前言
主要内容
环境准备
本书受众
读者反馈
客户支持
下载示例代码
勘误
版权
疑问
第1章 概率推理
1.1 机器学习
1.2 使用概率表示不确定性
1.2.1 信念和不确定性的概率表示
1.2.2 条件概率
1.2.3 概率计算和随机变量
1.2.4 联合概率分布
1.2.5 贝叶斯规则
1.3 概率图模型
1.3.1 概率模型
1.3.2 图和条件独立
1.3.3 分解分布
1.3.4 有向模型
1.3.5 无向模型
1.3.6 示例和应用
1.4 小结
第2章 精确推断
2.1 构建图模型
2.1.1 随机变量的类型
2.1.2 构建图
2.2 变量消解
2.3 和积与信念更新
2.4 联结树算法
2.5 概率图模型示例
2.5.1 洒水器例子
2.5.2 医疗专家系统
2.5.3 多于两层的模型
2.5.4 树结构
2.6 小结
第3章 学习参数
3.1 引言
3.2 通过推断学习
3.3 最大似然法
3.3.1 经验分布和模型分布是如何关联的？
3.3.2 最大似然法和R语言实现
3.3.3 应用
3.4 学习隐含变量——期望最大化算法
3.4.1 隐变量
3.5 期望最大化的算法原理
3.5.1 期望最大化算法推导
3.5.2 对图模型使用期望最大化算法
3.6 小结
第4章 贝叶斯建模——基础模型
4.1 朴素贝叶斯模型
4.1.1 表示
4.1.2 学习朴素贝叶斯模型
4.1.3 完全贝叶斯的朴素贝叶斯模型
4.2 Beta二项式分布
4.2.1 先验分布
4.2.2 带有共轭属性的后验分布
4.2.3 如何选取Beta参数的值
4.3 高斯混合模型
4.3.1 定义
4.4 小结
第5章 近似推断
5.1 从分布中采样
5.2 基本采样算法
5.2.1 标准分布
5.3 拒绝性采样
5.3.1 R语言实现
5.4 重要性采样
5.4.1 R语言实现
5.5 马尔科夫链蒙特卡洛算法
5.5.1 主要思想
5.5.2 Metropolis-Hastings算法
5.6 概率图模型MCMC算法R语言实现
5.6.1 安装Stan和RStan
5.6.2 RStan的简单例子
5.7 小结
第6章 贝叶斯建模——线性模型
6.1 线性回归
6.1.1 估计参数
6.2 贝叶斯线性模型
6.2.1 模型过拟合
6.2.2 线性模型的图模型
6.2.3 后验分布
6.2.4 R语言实现
6.2.5 一种稳定的实现
6.2.6 更多R语言程序包
6.3 小结
第7章 概率混合模型
7.1 混合模型
7.2 混合模型的期望最大化
7.3 伯努利混合
7.4 专家混合
7.5 隐狄利克雷分布
7.5.1 LDA模型
7.5.2 变分推断
7.5.3 示例
7.6 小结
附录
参考文献
有关贝叶斯历史的书籍
有关机器学习的书籍
文章
欢迎来到异步社区！
异步社区的来历
社区里都有什么？
购买图书
下载资源
与作译者互动
灵活优惠的购书
纸电图书组合购买
社区里还可以做什么？
提交勘误
写作
会议活动早知道
加入异步
概率图模型：基于R语言是2017年由人民邮电出版社出版,作者 (法) 大卫·贝洛特 (David Bellot) 。
得书感谢您对《概率图模型：基于R语言》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
