貝葉斯算法與機器學習

第1章 貝葉斯思想簡介 1
1.1 貝葉斯思想的核心 2
1.2 概率論的兩大學派 2
1.3 小結 4
第2章 貝葉斯概率 5
2.1 先驗概率 6
2.1.1 先驗概率的定義 6
2.1.2 信息先驗* 6
2.1.3 不知情的先驗* 7
2.2 條件概率 7
2.2.1 條件概率的定義 7
2.2.2 事件的互斥性 8
2.2.3 事件的獨立統(tǒng)計性 8
2.3 后驗概率 8
2.3.1 后驗概率的定義 9
2.3.2 后驗概率與先驗概率在應用上的區(qū)分 9
2.4 似然函數(shù) 10
2.4.1 似然函數(shù)的定義 11
2.4.2 似然函數(shù)的應用 12
2.5 貝葉斯公式 13
2.5.1 貝葉斯公式的定義 13
2.5.2 貝葉斯公式的推導 14
2.5.3 貝葉斯公式的應用 16
2.6 小結 18
第3章概率估計 20
3.1 什么是估計 21
3.2 概率密度函數(shù) 22
3.2.1 概率密度函數(shù)的定義 22
3.2.2 連續(xù)型概率分布 24
3.2.3 離散型概率分布 33
3.3 極大似然估計（MLE） 36
3.3.1 什么是極大似然估計 36
3.3.2 極大似然估計的應用 37
3.4 最大后驗估計（MAP） 42
3.4.1 什么是最大后驗估計 42
3.4.2 最大后驗估計的應用 43
3.5 貝葉斯估計 45
3.5.1 什么是貝葉斯估計 45
3.5.2 貝葉斯估計算法思想 46
3.5.3 貝葉斯估計的應用概述 46
3.6 小結 47
第4章 貝葉斯分類 48
4.1 樸素貝葉斯算法 49
4.1.1 理解樸素貝葉斯算法 49
4.1.2 應用樸素貝葉斯算法 51
4.1.3 使用樸素貝葉斯算法實現(xiàn)案例 60
4.2 貝葉斯分類器 64
4.2.1 貝葉斯分類器簡介 64
4.2.2 貝葉斯分類器的原理 66
4.2.3 對貝葉斯分類器進行訓練 67
4.3 貝葉斯分類器構建 69
4.3.1 加載、解析數(shù)據(jù) 69
4.3.2 訓練數(shù)據(jù) 70
4.3.3 保存、加載模型 74
4.3.4 使用模型 76
4.4 標準的分類器構建——鳶尾花分類 77
4.4.1 制作數(shù)據(jù)集 77
4.4.2 切分數(shù)據(jù)集 77
4.4.3 鳶尾花分類案例代碼 78
4.5 小結 79
第5章 從貝葉斯到隨機場 80
5.1 對最小錯誤分類進行結果優(yōu)化 81
5.2 馬爾科夫鏈 83
5.2.1 狀態(tài)轉移 85
5.2.2 齊次馬爾科夫鏈 86
5.3 馬爾科夫隨機場 88
5.3.1 什么是馬爾科夫隨機場 88
5.3.2 基于馬爾科夫隨機場的圖像分割實例 95
5.4 圖像分割案例及調試 100
5.4.1 圖像分割案例 100
5.4.2 圖像分割案例完整實現(xiàn) 103
5.5 小結 105
第6章 參數(shù)估計 107
6.1 參數(shù)估計的區(qū)分 108
6.1.1 點估計 108
6.1.2 區(qū)間估計 109
6.1.3 區(qū)分點估計與區(qū)間估計 114
6.2 極大似然估計 117
6.2.1 線性回歸 118
6.2.2 logistics回歸 121
6.3 貝葉斯估計與推導 125
6.4 小結 127
第7章 機器學習與深度學習 129
7.1 人工智能介紹 130
7.1.1 機器人 130
7.1.2 語音識別 130
7.1.3 自然語言處理 131
7.1.4 圖像識別 131
7.1.5 博弈 132
7.2 機器學習 132
7.2.1 什么是機器學習 132
7.2.2 機器學習算法 136
7.2.3 一個完整的機器學習 154
7.3 深度學習 156
7.3.1 了解深度學習 156
7.3.2 深度學習原理 158
7.3.3 一個完整的神經(jīng)網(wǎng)絡 162
7.3.4 實現(xiàn)一個深度學習神經(jīng)網(wǎng)絡——ResNet 164
7.4 小結 167
第8章 貝葉斯網(wǎng)絡 169
8.1 貝葉斯網(wǎng)絡的概念 170
8.1.1 了解貝葉斯網(wǎng)絡 170
8.1.2 應用貝葉斯網(wǎng)絡 172
8.2 使用貝葉斯網(wǎng)絡實現(xiàn)分類功能 174
8.2.1 制作并切分數(shù)據(jù)集 174
8.2.2 構建貝葉斯網(wǎng)絡模型 175
8.2.3 訓練模型 178
8.2.4 驗證模型 179
8.2.5 貝葉斯網(wǎng)絡案例完整實現(xiàn) 180
8.3 貝葉斯網(wǎng)絡的結構 182
8.3.1 head_to_head結構 182
8.3.2 tail_to_tail結構 183
8.3.3 head_to_tail結構 183
8.3.4 貝葉斯網(wǎng)絡各結構的邏輯 184
8.3.5 道路交通監(jiān)測案例 185
8.4 小結 189
第9章 動態(tài)貝葉斯網(wǎng)絡 190
9.1 動態(tài)貝葉斯網(wǎng)絡的概念 191
9.1.1 貝葉斯網(wǎng)絡由靜態(tài)擴展為動態(tài) 191
9.1.2 隱馬爾科夫模型（HMM） 192
9.2 細談隱馬爾科夫模型 194
9.2.1 求隱含狀態(tài)序列（解碼問題） 194
9.2.2 求觀測序列（評估問題） 196
9.2.3 求模型參數(shù)（學習問題） 199
9.3 實現(xiàn)“智能”的輸入法 201
9.3.1 案例分析 201
9.3.2 訓練初始模型 202
9.3.3 實現(xiàn)案例的功能 206
9.4 小結 208
第10章 貝葉斯深度學習 210
10.1 神經(jīng)網(wǎng)絡參數(shù)學習 211
10.1.1 BP算法的流程 211
10.1.2 實現(xiàn)BP算法 218
10.1.3 BP算法實現(xiàn)代碼 221
10.2 貝葉斯深度學習的概念 224
10.2.1 貝葉斯神經(jīng)網(wǎng)絡與普通神經(jīng)網(wǎng)絡的區(qū)別 225
10.2.2 貝葉斯深度學習推導 227
10.2.3 貝葉斯深度學習的優(yōu)勢 231
10.3 貝葉斯深度學習案例 233
10.3.1 數(shù)據(jù)擬合案例 233
10.3.2 貝葉斯深度學習完整實現(xiàn)數(shù)據(jù)擬合 244
10.4 小結 248