为你推荐
内容简介
引 言 概率对于机器学习的重要性
第1章 贝叶斯定理中的概率思维
1.1 概率基础知识
1.2 条件独立
1.3 贝叶斯定理的证据思想
1.3.1 贝叶斯定理实际应用
1.3.2 阐述公式背后的意义
1.4 贝叶斯哲学本质
1.4.1 趋于真理的过程
1.4.2 贝叶斯哲学精神
1.5 贝叶斯数学思想
第2章 朴素贝叶斯算法中的概率思维
2.1 应用贝叶斯定理构建朴素贝叶斯分类器
2.2 比较条件概率
2.3 朴素贝叶斯的类型
第3章 极大似然估计和最大后验估计
3.1 极大似然估计
3.2 最大后验估计
3.3 MLE与MAP估计的区别与联系
3.4 使用MAP估计求解硬币翻转问题
3.5 贝叶斯推理
3.5.1 贝叶斯推理举例
3.5.2 贝叶斯推理详细推导
3.5.3 期望后验
3.6 逻辑回归中的极大似然和最大后验
3.7 高斯判别分析
第4章 贝叶斯网络
4.1 从条件概率到贝叶斯网络定义
4.2 贝叶斯网络结构
4.3 条件概率表
4.4 贝叶斯网络解释
第5章 马尔可夫链和隐马尔可夫模型
5.1 马尔可夫链：概率序列
5.2 马尔可夫假设
5.3 求马尔可夫链某个状态的概率
5.4 隐马尔可夫模型
5.5 隐马尔可夫前向算法和后向算法
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
