概率機器學習基礎篇

出版商: 機械工業
出版日期: 2025-11-01
售價: $1,014
語言: 簡體中文
頁數: 656
ISBN: 7111784960
ISBN-13: 9787111784968
相關分類: Machine Learning
此書翻譯自: Probabilistic Machine Learning: An Introduction (Hardcover)

下單後立即進貨 (約4週~6週)

商品描述

本書透過機率建模和貝葉斯決策理論的統一視角，詳細且與時俱進地介紹了機器學習（包括深度學習）的理論和方法。書中涵蓋了數學背景（包括線性代數和最佳化理論）、基礎的監督學習方法（包括線性迴歸、邏輯迴歸和深度神經網路），以及更高階的主題（包括遷移學習和無監督學習）。章節末尾的練習讓讀者能夠應用所學知識，附錄部分則對書中使用的符號進行了說明。
本書源自作者2012年的著作《機器學習：機率視角》，它不僅是一個簡單的更新版本，更是一本全新的著作，反映了自2012年以來該領域的巨大發展，尤其是深度學習的進展。由於篇幅限制，新版分為上下兩卷：《機率機器學習：基礎篇》和《機率機器學習：進階篇》，本書是上卷基礎篇，下捲進階階篇將繼續採用相同的機率方法，深入探討更高階的主題。
新版本的另一個主要變化是所有的軟體程式碼都使用Python而不是MATLAB來實現，新程式碼使用了標準的Python庫，例如NumPy、Scikit-learn、JAX、PyTorch、TensorFlow等，這些程式碼不需要本地安裝，它們可以在雲端筆記本中運行，這為書中討論的理論主題提供了實用的補充。

目錄大綱

對本書的讚譽
譯者序
前言
第1章　導論1　
1.1　什麼是機器學習1
1.2　監督學習1
　　1.2.1　分類2
　　1.2.2　回歸7
　　1.2.3　過擬合和泛化10
　　1.2.4　“沒有免費的午餐”定理11
1.3　無監督學習11
　　1.3.1　聚類12
　　1.3.2　發現潛在的“變異因子”12
　　1.3.3　自監督學習13
　　1.3.4　評估無監督學習13
1.4　強化學習14
1.5　數據16
　　1.5.1　常見的圖像數據集16
　　1.5.2　常見的文本數據集18
　　1.5.3　離散輸入數據的預處理19
　　1.5.4　預處理文本數據20
　　1.5.5　處理缺失數據23
1.6　進一步討論23
　　1.6.1　機器學習與其他領域的關系23
　　1.6.2　本書的組織結構24
　　1.6.3　註意事項24

第一部分　理論基礎

第2章　概率：單變量模型26　
2.1　概述26
　　2.1.1　什麼是概率26
　　2.1.2　不確定性的類型26
　　2.1.3　概率的基本規則27
2.2　隨機變量28
　　2.2.1　離散隨機變量28
　　2.2.2　連續隨機變量29
　　2.2.3　相關隨機變量集30
　　2.2.4　獨立性和條件獨立性31
　　2.2.5　分布的矩32
　　2.2.6　匯總統計信息的局限性*34
2.3　貝葉斯規則36
　　2.3.1　示例：病毒檢測37
　　2.3.2　示例：三門問題38
　　2.3.3　逆問題*39
2.4　伯努利分布和二項分布40
　　2.4.1　定義40
　　2.4.2　sigmoid函數41
　　2.4.3　二元邏輯回歸42
2.5　分類分布和多項式分布43
　　2.5.1　定義43
　　2.5.2　softmax函數44
　　2.5.3　多類邏輯回歸44
　　2.5.4　對數求和自然指數技巧46
2.6　單變量高斯分布46
　　2.6.1　累積分布函數46
　　2.6.2　概率密度函數47
　　2.6.3　回歸48
　　2.6.4　為什麼高斯分布被廣泛使用49
　　2.6.5　作為限制情形的Dirac-δ函數49
2.7　其他常見的單變量分布*50
　　2.7.1　學生t分布50
　　2.7.2　柯西分布51
　　2.7.3　拉普拉斯分布52
　　2.7.4　貝塔分布52
　　2.7.5　伽馬分布53
　　2.7.6　經驗分布53
2.8　隨機變量的變換*54
　　2.8.1　離散情況54
　　2.8.2　連續情況55
　　2.8.3　可逆變換（雙射）55
　　2.8.4　線性變換的矩57
　　2.8.5　卷積定理57
　　2.8.6　中心極限定理59
　　2.8.7　蒙特卡羅近似59
2.9　練習題60

第3章　概率：多元模型63　
3.1　多個隨機變量的聯合分布63
　　3.1.1　協方差63
　　3.1.2　相關性63
　　3.1.3　不相關並不意味著獨立64
　　3.1.4　相關性並不意味著因果關系64
　　3.1.5　Simpson悖論65
3.2　多元高斯分布66
　　3.2.1　定義66
　　3.2.2　馬哈拉諾比斯距離68
　　3.2.3　多元正態分布的邊緣概率和條件概率*69
　　3.2.4　示例：條件二維高斯分布69
　　3.2.5　示例：處理缺失值*70
3.3　線性高斯系統*71
　　3.3.1　高斯貝葉斯規則71
　　3.3.2　推導*71
　　3.3.3　示例：推理未知標量72
　　3.3.4　示例：推理未知向量74
　　3.3.5　示例：傳感器融合75
3.4　指數概率分布族*76
　　3.4.1　定義76
　　3.4.2　示例76
　　3.4.3　對數配分函數為累積量生成函數77
　　3.4.4　指數概率分布族的最大熵推導77
3.5　混合模型78
　　3.5.1　高斯混合模型78
　　3.5.2　伯努利混合模型80
3.6　概率圖模型*81
　　3.6.1　表示81
　　3.6.2　推理83
　　3.6.3　學習83
3.7　練習題84