貝葉斯推理與機器學習 Bayesian Reasoning and Machine Learning

徐增林，哈爾濱工業大學（深圳）教授，博士生導師，曾在香港中文大學、密西根州立大學、馬克斯普朗克計算機研究所、普度大學、電子科技大學等單位從事科研工作。主要研究方向為機器學習及應用，在人工智能領域發表一百多篇國際會議和期刊論文，發表專著一部，任國際神經網絡學會成都學會主席，擔任Neural Networks、Neurocomputing等期刊編委。獲國際神經網絡學會青年研究者獎，獲國家、四川省、深圳市等高層次人才稱號。

譯者序
前言
符號表
BRML工具箱
第一部分 機率模型中的推斷
第1章 機率推理
1.1 機率知識複習
1.1.1 條件機率
1.1.2 機率表
1.2 機率推理
1.3 先驗、似然與後驗
1.3.1 兩枚骰子：各自的分數是多少
1.4 總結
1.5 代碼
1.5.1 基礎機率代碼
1.5.2 通用工具
1.5.3 範例
1.6 練習題
第2章 圖的基礎概念
2.1 圖
2.2 圖的數值表示
2.2.1 邊表
2.2.2 鄰接矩陣
2.2.3 團矩陣
2.3 總結
2.4 代碼
2.4.1 實用程序
2.5 練習題
第3章 信念網絡
3.1 結構化的優勢
3.1.1 獨立性建模
3.1.2 降低說明的負擔
3.2 不確定性與不可靠的證據
3.2.1 不確定性證據
3.2.2 不可靠證據
3.3 信念網絡
3.3.1 條件獨立性
3.3.2 對撞擊的影響
3.3.3 圖路徑獨立性操作
3.3.4 d-分離
3.3.5 圖與分佈的獨立性與相關性
3.3.6 信念網絡中的馬可夫等價性
3.3.7 信念網絡的有限表達性
3.4 因果關係
3.4.1 辛普森悖論
3.4.2 do算子
3.4.3 影響圖與do算子
3.5 總結
3.6 代碼
3.6.1 簡單的推論演示
3.6.2 條件獨立性演示
3.6.3 實用程序
3.7 練習題
第4章 圖模型
4.1 圖模型簡介
4.2 馬可夫網絡
4.2.1 馬可夫性質
4.2.2 馬可夫隨機場
4.2.3 Hammersley-Clifford理論
4.2.4 使用馬可夫網絡的條件獨立性
…
第二部分 學習機率模型
第三部分 機器學習
第四部分 動態模型
第五部分 近似推斷
附錄 數學基礎
參考文獻