• 贝叶斯推理与机器学习
21年品牌 40万+商家 超1.5亿件商品

贝叶斯推理与机器学习

正版保障 假一赔十 可开发票

122.58 6.2折 199 全新

库存90件

广东广州
认证卖家担保交易快速发货售后保障

作者(英)大卫·巴伯(David Barber)著

出版社机械工业出版社

ISBN9787111732969

出版时间2023-10

装帧平装

开本16开

定价199元

货号14316557

上书时间2024-09-22

灵感书店

三年老店
已实名 已认证 进店 收藏店铺

   商品详情   

品相描述:全新
商品描述
目录
译者序<br />前言<br />符号表<br />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<br />    1.1.1  条件概率5<br />    1.1.2  概率表7<br />  1.2  概率推理8<br />  1.3  先验、似然与后验14<br />    1.3.1  两枚骰子:各自的分数是<br />多少15<br />  1.4  总结18<br />  1.5  代码18<br />    1.5.1  基础概率代码18<br />    1.5.2  通用工具20<br />    1.5.3  示例20<br />  1.6  练习题20第2章  图的基础概念23  2.1  图23<br />  2.2  图的数值表示25<br />    2.2.1  边表25<br />    2.2.2  邻接矩阵25<br />    2.2.3  团矩阵26<br />  2.3  总结26<br />  2.4  代码26<br />    2.4.1  实用程序26<br />  2.5  练习题27第3章  信念网络29  3.1  结构化的优势29<br />    3.1.1  独立性建模29<br />    3.1.2  降低说明的负担32<br />  3.2  不确定性和不可靠的证据33<br />    3.2.1  不确定性证据33<br />    3.2.2  不可靠证据35<br />  3.3  信念网络36<br />    3.3.1  条件独立性37<br />    3.3.2  对撞的影响38<br />    3.3.3  图路径独立性操作41<br />    3.3.4  d-分离41<br />    3.3.5  图和分布的独立性与<br />相关性42<br />    3.3.6  信念网络中的马尔可夫<br />等价性43<br />    3.3.7  信念网络的有限表达性43<br />  3.4  因果关系44<br />    3.4.1  辛普森悖论45<br />    3.4.2  do算子46<br />    3.4.3  影响图和do算子47<br />  3.5  总结47<br />  3.6  代码47<br />    3.6.1  简单的推断演示47<br />    3.6.2  条件独立性演示48<br />    3.6.3  实用程序48<br />  3.7  练习题48第4章  图模型52  4.1  图模型简介52<br />  4.2  马尔可夫网络52<br />    4.2.1  马尔可夫性质54<br />    4.2.2  马尔可夫随机场55<br />    4.2.3  Hammersley-Clifford理论55<br />    4.2.4  使用马尔可夫网络的条件<br />独立性58<br />    4.2.5  晶格模型58<br />  4.3  链图模型60<br />  4.4  因子图61<br />    4.4.1  因子图中的条件独立性62<br />  4.5  图模型的表达能力63<br />  4.6  总结65<br />  4.7  代码65<br />  4.8  练习题65第5章  树中的有效推断68  5.1  边缘推断68<br />    5.1.1  马尔可夫链中的变量消除和<br />消息传递68<br />    5.1.2  因子图上的和-积算法71<br />    5.1.3  处理证据74<br />    5.1.4  计算边缘似然74<br />    5.1.5  循环问题75<br />  5.2  其他形式的推断75<br />    5.2.1  优选-积75<br />    5.2.2  寻找N个最可能的状态78<br />    5.2.3  最可能的路径和最短的<br />路径79<br />    5.2.4  混合推断82<br />  5.3  多连通图中的推断82<br />    5.3.1  桶消元82<br />    5.3.2  环切条件84<br />  5.4  连续分布中的消息传递84<br />  5.5  总结85<br />  5.6  代码85<br />    5.6.1  因子图示例86<br />    5.6.2  最可能和最短路径86<br />    5.6.3  桶消元86<br />    5.6.4  基于高斯的消息传递86<br />  5.7  练习题86第6章  联结树算法90  6.1  聚类变量90<br />    6.1.1  重参数化90<br />  6.2  团图91<br />    6.2.1  吸收92<br />    6.2.2  团树上的吸收顺序93<br />  6.3  联结树93<br />    6.3.1  运行相交性质94<br />  6.4  为单连通分布构建联结树97<br />    6.4.1  伦理化97<br />    6.4.2  构建团图97<br />    6.4.3  根据团图构建联结树97<br />    6.4.4  为团分配势函数97<br />  6.5  为多连通分布构建联结树98<br />    6.5.1  三角化算法99<br />  6.6  联结树算法及示例102<br />    6.6.1  关于联结树算法的备注102<br />    6.6.2  计算分布的归一化常数103<br />    6.6.3  边缘似然103<br />    6.6.4  联结树算法示例104<br />    6.6.5  Shafer-Shenoy传播105<br />  6.7  寻找最可能的状态106<br />  6.8  重吸收:将联结树转换为有向<br />网络107<br />  6.9  近似的必要性107<br />    6.9.1  宽度有界联结树108<br />  6.10  总结108<br />  6.11  代码108<br />    6.11.1  实用程序109<br />  6.12  练习题109第7章  决策111  7.1  期望效用111<br />    7.1.1  货币效用111<br />  7.2  决策树112<br />  7.3  扩展贝叶斯网络以做出决策114<br />    7.3.1  影响图的语法114<br />  7.4  求解影响图118<br />    7.4.1  影响图上的消息119<br />    7.4.2  使用联结树119<br />  7.5  马尔可夫决策过程122<br />    7.5.1  利用消息传递来优选化期望<br />效用123<br />    7.5.2  贝尔曼方程124<br />  7.6  时间无穷的马尔可夫决策过程…  124<br />    7.6.1  值迭代124<br />    7.6.2  策略迭代125<br />    7.6.3  维度灾难126<br />  7.7  变分推断和规划126<br />  7.8  金融事项128<br />    7.8.1  期权定价和期望效用128<br />    7.8.2  二项式期权定价模型129<br />    7.8.3  很优投资130<br />  7.9  进一步的主题132<br />    7.9.1  部分可观察的MDP132<br />    7.9.2  强化学习133<br />  7.10  总结135<br />  7.11  代码135<br />    7.11.1  偏序下的求和/优选化135<br />    7.11.2  用于影响图的联结树135<br />    7.11.3  派对-朋友示例136<br />    7.11.4  胸部诊断136<br />    7.11.5  马尔可夫决策过程137<br />  7.12  练习题137ⅩⅦ第二部分  学习概率模型第8章  统计机器学习144  8.1  数据的表示144<br />  8.2  分布144<br />    8.2.1  KL散度148<br />    8.2.2  熵和信息149<br />  8.3  经典概率分布149<br />  8.4  多元高斯154<br />    8.4.1  接近平方155<br />    8.4.2  系统反向的条件156<br />    8.4.3  美化和居中157<br />  8.5  指数族157<br />    8.5.1  共轭先验158<br />  8.6  学习分布158<br />  8.7  极大似然的性质160<br />    8.7.1  假设模型正确时的训练160<br />    8.7.2  假设模型不正确时的训练…  161<br />    8.7.3  极大似然和经验分布161<br />  8.8  学习高斯分布161<br />    8.8.1  极大似然训练161<br />    8.8.2  均值和方差的贝叶斯推断…  162<br />    8.8.3  高斯-伽马分布163<br />  8.9  总结165<br />  8.10  代码165<br /

—  没有更多了  —

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP