概率圖模型原理與應用, 2/e Probabilistic Graphical Models: Principles and Applications
[墨] 路易斯·恩里克·蘇卡爾(Luis Enrique Sucar)著 郭濤 譯
- 出版商: 清華大學
- 出版日期: 2022-09-01
- 定價: $768
- 售價: 8.5 折 $653
- 語言: 簡體中文
- ISBN: 7302610789
- ISBN-13: 9787302610786
-
相關分類:
Machine Learning、DeepLearning
- 此書翻譯自: Probabilistic Graphical Models: Principles and Applications, 2/e (Hardcover)
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
$2,993The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2/e (Hardcover)
-
$3,930$3,734 -
$1,350$1,323 -
$2,138Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data (Hardcover)
-
$1,962Introduction to Machine Learning with Python: A Guide for Data Scientists (Paperback)
-
$980$774 -
$1,860$1,823 -
$1,860$1,823 -
$1,680$1,646 -
$780$663 -
$2,670$2,537 -
$2,484Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python, 2/e (Paperback)
-
$1,360$1,333 -
$1,520Quantum Machine Learning with Python: Using Cirq from Google Research and IBM Qiskit
-
$780$616 -
$880$695 -
$3,582Graph Neural Networks: Foundations, Frontiers, and Applications (Hardcover)
-
$1,674$1,590 -
$1,548Numerical Relativity: Starting from Scratch (Hardcover)
-
$2,070$1,967 -
$534$507 -
$2,660$2,520 -
$862機器學習中的一階與隨機優化方法
-
$1,200$948 -
$4,120$3,914
相關主題
商品描述
《概率圖模型原理與應用:第2版》分為4部分:第Ⅰ部分給出PGM的總體介紹和動機,並回顧概率論和圖論的必要背景知識;第Ⅱ部分描述不考慮決策或效用的模型:貝葉斯分類器、隱馬爾可夫模型、馬爾可夫隨機場、貝葉斯網絡、動態和時態貝葉斯網絡;第Ⅲ部分首先簡要介紹決策理論,然後描述支持決策的模型,包括決策樹、影響圖、馬爾可夫決策過程和部分可觀察馬爾可夫決策過程;第Ⅳ部分對標準PGM進行了擴展,包括關系概率圖模型和因果圖模型(因果推理和因果發現),還對深度學習及其與PGM的關系進行介紹。
目錄大綱
目 錄
第Ⅰ部分 基本原理
第1章 導論 3
1.1 不確定性 3
1.2 簡要回顧 4
1.3 基本概率模型 5
1.4 概率圖模型 8
1.5 表示、推理與學習 9
1.6 應用 10
1.7 本書概述 11
1.8 補充閱讀 12
第2章 概率論 13
2.1 引言 13
2.2 基本規則 14
2.3 隨機變量 16
2.4 信息論 20
2.5 補充閱讀 21
2.6 練習 21
第3章 圖論 23
3.1 定義 23
3.2 圖的類型 24
3.3 跡和迴路 25
3.4 圖同構 26
3.5 樹 27
3.6 團 29
3.7 完美序 29
3.8 排序和三角剖分算法 31
3.8.1 最大基數搜索 31
3.8.2 圖的填充 31
3.9 補充閱讀 32
3.10 練習 32
第Ⅱ部分 概率模型
第4章 貝葉斯分類器 37
4.1 引言 37
4.2 貝葉斯分類器簡介 39
4.3 高斯樸素貝葉斯分類器 42
4.4 替代模型:TAN、BAN 43
4.5 半樸素貝葉斯分類器 44
4.6 多維貝葉斯分類器 46
4.6.1 多維貝葉斯網絡
分類器 47
4.6.2 鏈式分類器 48
4.7 層次分類 50
4.7.1 鏈式路徑評估 51
4.7.2 使用貝葉斯網絡進行
層次分類 52
4.8 應用 53
4.8.1 可視皮膚檢測 53
4.8.2 HIV藥物選擇 55
4.9 補充閱讀 56
4.10 練習 57
第5章 隱馬爾可夫模型 59
5.1 引言 59
5.2 馬爾可夫鏈 60
5.2.1 參數估計 62
5.2.2 收斂性 62
5.3 隱馬爾可夫模型簡介 63
5.3.1 評估 65
5.3.2 狀態估計 67
5.3.3 學習 68
5.3.4 高斯隱馬爾可夫模型 70
5.3.5 擴展 70
5.4 應用 72
5.4.1 PageRank 72
5.4.2 手勢識別 73
5.5 補充閱讀 74
5.6 練習 75
第6章 馬爾可夫隨機場 77
6.1 引言 77
6.2 馬爾可夫隨機場簡介 78
6.3 吉布斯隨機場 81
6.4 推理 82
6.5 參數估計 83
6.6 條件隨機場 85
6.7 應用 86
6.7.1 圖像平滑化 86
6.7.2 改進圖像標註 88
6.8 補充閱讀 90
6.9 練習 90
第7章 貝葉斯網絡:表徵與
推理 92
7.1 引言 92
7.2 表徵 93
7.2.1 結構 94
7.2.2 參數 97
7.3 推理 101
7.3.1 單連通網絡:置信
傳播 102
7.3.2 多連接網絡 107
7.3.3 近似推理 115
7.3.4 最大可能解釋 118
7.3.5 連續變量 118
7.4 應用 120
7.4.1 信息驗證 120
7.4.2 可靠性分析 123
7.5 補充閱讀 125
7.6 練習 125
第8章 貝葉斯網絡:學習 127
8.1 引言 127
8.2 參數學習 127
8.2.1 平滑 128
8.2.2 參數不確定性 128
8.2.3 缺失數據 129
8.2.4 離散化 132
8.3 結構學習 133
8.3.1 樹狀學習 134
8.3.2 多重樹學習 136
8.3.3 搜索和評分技術 137
8.3.4 獨立性檢驗技術 141
8.4 結合專家知識和數據 142
8.5 遷移學習 143
8.6 應用 144
8.6.1 墨西哥城的空氣污染
模型 144
8.6.2 使用貝葉斯網絡進行
農業規劃 147
8.7 補充閱讀 148
8.8 練習 148
第9章 動態和時態貝葉斯網絡 151
9.1 引言 151
9.2 動態貝葉斯網絡 151
9.2.1 推理 152
9.2.2 抽樣 153
9.2.3 學習 156
9.2.4 動態貝葉斯網絡
分類器 157
9.3 時間事件網絡 157
9.4 應用 162
9.4.1 DBN:手勢識別 162
9.4.2 TNBN:預測HIV病毒
的突變途徑 164
9.5 補充閱讀 166
9.6 練習 167
第Ⅲ部分 決策模型
第10章 決策圖 171
10.1 引言 171
10.2 決策理論 171
10.3 決策樹 174
10.4 影響圖 176
10.4.1 建模 176
10.4.2 評估 177
10.4.3 擴展 183
10.5 應用 184
10.5.1 肺癌的決策支持
系統 184
10.5.2 決策理論看護人 187
10.6 補充閱讀 189
10.7 練習 190
第11章 馬爾可夫決策過程 191
11.1 引言 191
11.2 建模 191
11.3 評估 194
11.3.1 值迭代 195
11.3.2 策略迭代 195
11.3.3 復雜性分析 196
11.4 分解MDP 196
11.4.1 抽象法 198
11.4.2 分解法 199
11.5 應用 200
11.5.1 發電廠運營 200
11.5.2 機器人任務協調 202
11.6 補充閱讀 205
11.7 練習 205
第12章 部分可觀察的馬爾可夫
決策過程 207
12.1 引言 207
12.2 表示 208
12.3 解決方案技術 209
12.3.1 值函數 211
12.3.2 解決方案的算法 214
12.4 應用 216
12.4.1 虛擬康復中的
自適應 216
12.4.2 用於機器人任務規劃
的分層POMDP 218
12.5 補充閱讀 221
12.6 練習 221
第Ⅳ部分 關系概率圖模型、因果圖模型和深度模型
第13章 關系概率圖模型 225
13.1 引言 225
13.2 邏輯 226
13.2.1 命題邏輯 226
13.2.2 一階謂詞邏輯 227
13.3 概率關系模型 229
13.3.1 推理 230
13.3.2 學習 231
13.4 馬爾可夫邏輯網絡 231
13.4.1 推理 232
13.4.2 學習 233
13.5 應用 233
13.5.1 學生建模 233
13.5.2 視覺語法 235
13.6 補充閱讀 238
13.7 練習 238
第14章 因果圖模型 240
14.1 引言 240
14.2 因果貝葉斯網絡 241
14.3 因果推理 244
14.3.1 預測 245
14.3.2 反事實 246
14.4 前門和後門準則 247
14.4.1 後門準則 247
14.4.2 前門準則 248
14.5 應用 248
14.5.1 描述不公平模式 249
14.5.2 用因果模型加速
強化學習 250
14.6 補充閱讀 253
14.7 練習 253
第15章 因果發現 256
15.1 引言 256
15.2 圖的類型 258
15.2.1 因果充分性下的
馬爾可夫等價類 258
15.2.2 具有未測量變量的
馬爾可夫等價類 259
15.3 因果發現算法 261
15.3.1 基於分數的因果
發現 261
15.3.2 基於約束的因果
發現 262
15.3.3 線性模型因果發現 266
15.4 應用 268
15.4.1 學習ADHD的因果
模型 268
15.4.2 基於fNIRS的大腦
有效連接解碼 269
15.5 補充閱讀 270
15.6 練習 271
第16章 深度學習和圖模型 272
16.1 引言 272
16.2 神經網絡和深度學習
回顧 273
16.2.1 簡史 273
16.2.2 深度神經網絡 275
16.3 圖模型和神經網絡 277
16.3.1 樸素貝葉斯分類器與
感知器比較 277
16.3.2 貝葉斯網絡與多層
神經網絡比較 278
16.4 混合模式 279
16.4.1 測試貝葉斯網絡 279
16.4.2 整合圖和深度模型 281
16.5 應用 282
16.5.1 人體姿態追蹤 282
16.5.2 用於糾錯的神經強化
信念傳播法 284
16.6 補充閱讀 287
16.7 練習 287
附錄A 一個用於推理和學習的
Python庫(可從本書配套
網站下載)
詞匯表 (可從本書配套網站下載)
縮略語 (可從本書配套網站下載)
符號 (可從本書配套網站下載)
參考文獻 (可從本書配套網站下載)