链接: https://pan.baidu.com/s/1bqqth5R3d6TRXZjUHUNwEw?pwd=22wj 提取码: 22wj
出版社： 机械工业出版社
ISBN：9787111732969
版次：1
商品编码：14274200
品牌：机工出版
包装：平装
丛书名： 智能科学与技术丛书
开本：16开
出版时间：2023-11-01
用纸：胶版纸
页数：586
产品特色
编辑推荐
适读人群 ：机器学习、人工智能相关领域的研究人员及学生
本书全面介绍贝叶斯推理与机器学习，涉及基本概念、理论推导和直观解释，涵盖各种实用的机器学习算法，包括朴素贝叶斯、高斯模型、马尔可夫模型、线性动态系统等。本书在介绍方法的同时，强调概率层面的理论支持，可帮助读者加强对机器学习本质的认识，尤其适合想要学习机器学习中的概率方法的读者。
内容简介
本书全面介绍贝叶斯推理与机器学习，涉及基本概念、理论推导和直观解释，涵盖各种实用的机器学习算法，包括朴素贝叶斯、高斯模型、马尔可夫模型、线性动态系统等。本书在介绍方法的同时，强调概率层面的理论支持，可帮助读者加强对机器学习本质的认识，尤其适合想要学习机器学习中的概率方法的读者。本书首先介绍概率论和图的基础概念，然后以图模型为切入点，用一种统一的框架讲解从基本推断到高阶算法的知识。本书不仅配有BRML工具箱，而且提供大量MATLAB代码实例，将概率模型与编程实践相结合，从而帮助读者更好地理解模型方法。
作者简介
作者简介：
大卫·巴伯
（David Barber）
伦敦大学学院计算机系教授，研究兴趣是概率建模和推理及其应用。他目前担任伦敦大学学院人工智能中心主管，该中心旨在开发下一代人工智能技术。此外，他还是艾伦·图灵研究所的研究员，创业公司Re:infer的首席科技官，Humanloop的联合创始人，UiPath的杰出软件工程师。他拥有剑桥大学数学学士学位，爱丁堡大学理论物理学博士学位。
译者简介：
徐增林
哈尔滨工业大学（深圳）计算机科学与技术学院教授、博士生导师，国家青年特聘专家。主要研究兴趣为机器学习及其在社交网络分析、计算机视觉、自然语言处理、健康信息学、网络空间安全等方面的应用。在包括NIPS、ICML、IJCAI、AAAI、IEEE TPAMI、IEEE TNNLS在内的著名会议和期刊上发表论文100多篇，担任JMLR、IEEE TPAMI等机器学习和人工智能领域主要期刊的审稿人。
精彩书评
图模型是一种日益重要且流行的框架，本书最*的特点正是通过图模型构建起关于机器学习及其相关领域的统一框架。本书的另一个特点在于从传统人工智能向现代机器学习的平稳过渡。全书行文流畅，读来收获满满。无论你是否具备专业的数学背景，本书都将成为有益的参考。
——Zheng-Hua Tan，奥尔堡大学
书中讲解图模型的章节，是我所读过的最清晰、最简洁的关于图模型的阐述。其中包含大量的图表和示例，并且提供丰富的软件工具箱——这些对学生和教师都有极大的帮助。此外，本书也是相当不错的自学资源。
——Arindam Banerjee，明尼苏达大学
我曾多次收到学生的评论，他们说这本书的内容对于理解机器学习非常有帮助。我的学生纷纷称赞这本书，因为它内容连贯且实用性强，而且相对于其他同类书籍，本书对读者的统计学背景要求较少。
——Amos Storkey，爱丁堡大学
本书提供机器学习课程所需的一切，包括易读的教材、示例、练习题、教师指南、MATLAB工具箱和配套网站。只等学生走进课堂开始学习。
——Jaakko Hollmén，阿尔托大学
目录
译者序
前言
符号表
BRML工具箱第一部分 概率模型中的推断第1章 概率推理3 1.1 概率知识复习3
1.1.1 条件概率5
1.1.2 概率表7
1.2 概率推理8
1.3 先验、似然与后验14
1.3.1 两枚骰子：各自的分数是
多少15
1.4 总结18
1.5 代码18
1.5.1 基础概率代码18
1.5.2 通用工具20
1.5.3 示例20
1.6 练习题20第2章 图的基础概念23 2.1 图23
2.2 图的数值表示25
2.2.1 边表25
2.2.2 邻接矩阵25
2.2.3 团矩阵26
2.3 总结26
2.4 代码26
2.4.1 实用程序26
2.5 练习题27第3章 信念网络29 3.1 结构化的优势29
3.1.1 独立性建模29
3.1.2 降低说明的负担32
3.2 不确定性和不可靠的证据33
3.2.1 不确定性证据33
3.2.2 不可靠证据35
3.3 信念网络36
3.3.1 条件独立性37
3.3.2 对撞的影响38
3.3.3 图路径独立性操作41
3.3.4 d-分离41
3.3.5 图和分布的独立性与
相关性42
3.3.6 信念网络中的马尔可夫
等价性43
3.3.7 信念网络的有限表达性43
3.4 因果关系44
3.4.1 辛普森悖论45
3.4.2 do算子46
3.4.3 影响图和do算子47
3.5 总结47
3.6 代码47
3.6.1 简单的推断演示47
3.6.2 条件独立性演示48
3.6.3 实用程序48
3.7 练习题48第4章 图模型52 4.1 图模型简介52
4.2 马尔可夫网络52
4.2.1 马尔可夫性质54
4.2.2 马尔可夫随机场55
4.2.3 Hammersley-Clifford理论55
4.2.4 使用马尔可夫网络的条件
独立性58
4.2.5 晶格模型58
4.3 链图模型60
4.4 因子图61
4.4.1 因子图中的条件独立性62
4.5 图模型的表达能力63
4.6 总结65
4.7 代码65
4.8 练习题65第5章 树中的有效推断68 5.1 边缘推断68
5.1.1 马尔可夫链中的变量消除和
消息传递68
5.1.2 因子图上的和-积算法71
5.1.3 处理证据74
5.1.4 计算边缘似然74
5.1.5 循环问题75
5.2 其他形式的推断75
5.2.1 最大-积75
5.2.2 寻找N个最可能的状态78
5.2.3 最可能的路径和最短的
路径79
5.2.4 混合推断82
5.3 多连通图中的推断82
5.3.1 桶消元82
5.3.2 环切条件84
5.4 连续分布中的消息传递84
5.5 总结85
5.6 代码85
5.6.1 因子图示例86
5.6.2 最可能和最短路径86
5.6.3 桶消元86
5.6.4 基于高斯的消息传递86
5.7 练习题86第6章 联结树算法90 6.1 聚类变量90
6.1.1 重参数化90
6.2 团图91
6.2.1 吸收92
6.2.2 团树上的吸收顺序93
6.3 联结树93
6.3.1 运行相交性质94
6.4 为单连通分布构建联结树97
6.4.1 伦理化97
6.4.2 构建团图97
6.4.3 根据团图构建联结树97
6.4.4 为团分配势函数97
6.5 为多连通分布构建联结树98