机器学习中的概率统计Python语言描述

图书标准信息

• 作者 张雨萌 著
• 出版社 机械工业出版社
• 出版时间 2020-12
• 版次 1
• ISBN 9787111669357
• 定价 79.00元
• 装帧 其他
• 开本 32开
• 页数 276页

【内容简介】

内容简介 

本书围绕机器学习算法中涉及的概率统计知识展开介绍，沿着概率思想、变量分布、参数估计、随机过程和统计推断的知识主线进行讲解，结合数学的本质内涵，用浅显易懂的语言讲透深刻的数学思想，帮助读者构建理论体系。同时，作者在讲解的过程中注重应用场景的延伸，并利用Python工具无缝对接工程应用，帮助读者学以致用。 

 ?全书共5章。 

?第1章以条件概率和独立性作为切入点，帮助读者建立认知概率世界的正确视角。 

?第2章介绍随机变量的基础概念和重要分布类型，并探讨多元随机变量间的重要关系。 

?第3章介绍极限思维以及蒙特卡罗方法，并重点分析极大似然估计方法以及有偏无偏等重要性质，*后拓展到含有隐变量的参数估计问题，介绍EM算法的原理及其应用。 

?第4章由静态的随机变量过渡到动态的随机过程，重点介绍马尔可夫过程和隐马尔可夫模型。 

?第5章聚焦马尔可夫链-蒙特卡罗方法，并列举实例展示Metropolis-Hastings和Gibbs的具体采样过程。

【作者简介】

作者简介.张雨萌.人工智能技术专家，毕业于清华大学计算机系，现就职于中国舰船研究设计中心，长期从事人工智能领域相关研究工作。谙熟机器学习算法应用及其背后的数学理论基础。目前已出版多部机器学习数学基础类畅销书籍，并入选京东推荐排行榜，广受读者好评。

【目录】

:
序

前言

第1章概率思想：构建理论基础1

1.1理论基石：条件概率、独立性与贝叶斯1

1.1.1从概率到条件概率1

1.1.2条件概率的具体描述2

1.1.3条件概率的表达式分析3

1.1.4两个事件的独立性4

1.1.5从条件概率到全概率公式5

1.1.6聚焦贝叶斯公式6

1.1.7本质内涵：由因到果，由果推因7

1.2事件的关系：深入理解独立性8

1.2.1重新梳理两个事件的独立性8

1.2.2不相容与独立性8

1.2.3条件独立9

1.2.4独立与条件独立11

1.2.5独立重复实验11

第2章变量分布：描述随机世界13

2.1离散型随机变量：分布与数字特征13

2.1.1从事件到随机变量13

2.1.2离散型随机变量及其要素14

2.1.3离散型随机变量的分布列15

2.1.4分布列和概率质量函数16

2.1.5二项分布及二项随机变量17

2.1.6几何分布及几何随机变量21

2.1.7泊松分布及泊松随机变量24

2.2连续型随机变量：分布与数字特征27

2.2.1概率密度函数27

2.2.2连续型随机变量区间概率的计算29

2.2.3连续型随机变量的期望与方差29

2.2.4正态分布及正态随机变量30

2.2.5指数分布及指数随机变量33

2.2.6均匀分布及其随机变量35

2.3多元随机变量（上）：联合、边缘与条件38

2.3.1实验中引入多个随机变量38...