内容简介
概率图模型结合了概率论与图论的知识，提供了一种简单的可视化概率模型的方法，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。本书旨在帮助读者学习使用概率图模型，理解计算机如何通过贝叶斯模型和马尔科夫模型来解决现实世界的问题，同时教会读者选择合适的R语言程序包、合适的算法来准备数据并建立模型。本书适合各行业的数据科学家、机器学习爱好者和工程师等人群阅读、使用。
作者简介
David Bellot是法国国家信息与自动化研究所（INRIA）计算机科学专业的博士，致力于贝叶斯机器学习。他也是美国加州大学伯克利分校的博士后，为英特尔、Orange电信和巴克莱银行等公司工作过。他现在财经行业工作，使用机器学习技术开发财经市场的预测算法，同时也是开源项目，如Boost C 库的贡献者。 译者简介： 魏博，志诺维思（北京）基因科技有限公司高-级算法工程师。本科毕业于武汉大学数学系，博士毕业于中国科学院数学与系统科学研究院计算机软件与理论专业。前*优酷事业部视频搜索算法专家，欧普拉软件科技（北京）有限公司新闻推荐高-级算法工程师。长期关注于用户需求建模、行为建模和自动推理。数据挖掘、机器学习和数据可视化爱好者，尤其热衷于海量数据中用户视角和用户行为模式的刻画和推断，以及自然语言处理问题。
目录
第 1章 概率推理 1
1.1 机器学习 3
1.2 使用概率表示不确定性 4
1.2.1 信念和不确定性的概率表示 5
1.2.2 条件概率 6
1.2.3 概率计算和随机变量 7
1.2.4 联合概率分布 9
1.2.5 贝叶斯规则 10
1.3 概率图模型 18
1.3.1 概率模型 18
1.3.2 图和条件独立 19
1.3.3 分解分布 21
1.3.4 有向模型 22
1.3.5 无向模型 23
1.3.6 示例和应用 23
1.4 小结 27
第 2章 精 确推断 28
2.1 构建图模型 29
2.1.1 随机变量的类型 30
2.1.2 构建图 31
2.2 变量消解 37
2.3 和积与信念更新 39
2.4 联结树算法 43
2.5 概率图模型示例 51
2.5.1 洒水器例子 51
2.5.2 医疗专家系统 52
2.5.3 多于两层的模型 53
2.5.4 树结构 55
2.6 小结 56
第3章 学习参数 58
3.1 引言 59
3.2 通过推断学习 63
3.3 zui大似然法 67
3.3.1 经验分布和模型分布是如何关联的？ 67
3.3.2 zui大似然法和R语言实现 69
3.3.3 应用 73
3.4 学习隐含变量——期望zui大化算法 75
3.4.1 隐变量 76
3.5 期望zui大化的算法原理 77
3.5.1 期望zui大化算法推导 77
3.5.2 对图模型使用期望zui大化算法 79
3.6 小结 80
第4章 贝叶斯建模——基础模型 82
4.1 朴素贝叶斯模型 82
4.1.1 表示 84
4.1.2 学习朴素贝叶斯模型 85
4.1.3 完全贝叶斯的朴素贝叶斯模型 87
4.2 Beta二项式分布 90
4.2.1 先验分布 94
4.2.2 带有共轭属性的后验分布 95
4.2.3 如何选取Beta参数的值 95
4.3 高斯混合模型 97
4.3.1 定义 97
4.4 小结 104
第5章 近似推断 105
5.1 从分布中采样 106
5.2 基本采样算法 108
5.2.1 标准分布 108
5.3 拒绝性采样 111
5.3.1 R语言实现 113
5.4 重要性采样 119
5.4.1 R语言实现 121
5.5 马尔科夫链蒙特卡洛算法 127
5.5.1 主要思想 127
5.5.2 Metropolis-Hastings算法 128
5.6 概率图模型MCMC算法R语言实现 135
5.6.1 安装Stan和RStan 136
5.6.2 RStan的简单例子 136
5.7 小结 137
第6章 贝叶斯建模——线性模型 139
6.1 线性回归 140
6.1.1 估计参数 142
6.2 贝叶斯线性模型 146
6.2.1 模型过拟合 147
6.2.2 线性模型的图模型 149
6.2.3 后验分布 151
6.2.4 R语言实现 153
6.2.5 一种稳定的实现 156
6.2.6 更多R语言程序包 161
6.3 小结 161
第7章 概率混合模型 162
7.1 混合模型 162
7.2 混合模型的期望zui大化 164
7.3 伯努利混合 169
7.4 专家混合 172
7.5 隐狄利克雷分布 176
7.5.1 LDA模型 176
7.5.2 变分推断 179
7.5.3 示例 180
7.6 小结 183
附录 184
文档截图
