概率图模型：基于R语言电子书

内容提要

作者简介

译者简介

审稿者简介

前言

第1章 概率推理

1.1 机器学习

1.2 使用概率表示不确定性

1.2.1 信念和不确定性的概率表示

1.2.2 条件概率

1.2.3 概率计算和随机变量

样本空间，事件和概率

随机变量和概率计算

1.2.4 联合概率分布

1.2.5 贝叶斯规则

理解贝叶斯公式

贝叶斯规则的第一个例子

贝叶斯规则的第一个R语言例子

1.3 概率图模型

1.3.1 概率模型

1.3.2 图和条件独立

1.3.3 分解分布

1.3.4 有向模型

1.3.5 无向模型

1.3.6 示例和应用

1.4 小结

第2章 精确推断

2.1 构建图模型

2.1.1 随机变量的类型

2.1.2 构建图

概率专家系统

概率图模型的基本结构

2.2 变量消解

2.3 和积与信念更新

2.4 联结树算法

2.5 概率图模型示例

2.5.1 洒水器例子

2.5.2 医疗专家系统

2.5.3 多于两层的模型

2.5.4 树结构

2.6 小结

第3章 学习参数

3.1 引言

3.2 通过推断学习

3.3 最大似然法

3.3.1 经验分布和模型分布是如何关联的？

3.3.2 最大似然法和R语言实现

3.3.3 应用

3.4 学习隐含变量——期望最大化算法

3.4.1 隐变量

3.5 期望最大化的算法原理

3.5.1 期望最大化算法推导

3.5.2 对图模型使用期望最大化算法

3.6 小结

第4章 贝叶斯建模——基础模型

4.1 朴素贝叶斯模型

4.1.1 表示

4.1.2 学习朴素贝叶斯模型

4.1.3 完全贝叶斯的朴素贝叶斯模型

4.2 Beta二项式分布

4.2.1 先验分布

4.2.2 带有共轭属性的后验分布

4.2.3 如何选取Beta参数的值

4.3 高斯混合模型

4.3.1 定义

4.4 小结

第5章 近似推断

5.1 从分布中采样

5.2 基本采样算法

5.2.1 标准分布

5.3 拒绝性采样

5.3.1 R语言实现

5.4 重要性采样

5.4.1 R语言实现

5.5 马尔科夫链蒙特卡洛算法

5.5.1 主要思想

5.5.2 Metropolis-Hastings算法

5.6 概率图模型MCMC算法R语言实现

5.6.1 安装Stan和RStan

5.6.2 RStan的简单例子

5.7 小结

第6章 贝叶斯建模——线性模型

6.1 线性回归

6.1.1 估计参数

6.2 贝叶斯线性模型

6.2.1 模型过拟合

6.2.2 线性模型的图模型

6.2.3 后验分布

6.2.4 R语言实现

6.2.5 一种稳定的实现

6.2.6 更多R语言程序包

6.3 小结

第7章 概率混合模型

7.1 混合模型

7.2 混合模型的期望最大化

7.3 伯努利混合

7.4 专家混合

7.5 隐狄利克雷分布

7.5.1 LDA模型

7.5.2 变分推断

7.5.3 示例

7.6 小结

附录