貝葉斯算法與機(jī)器學(xué)習(xí)

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(xué)派 2
1.3 小結(jié) 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(yīng)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(yīng)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(dǎo) 14
2.5.3 貝葉斯公式的應(yīng)用 16
2.6 小結(jié) 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(yīng)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(yīng)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(yīng)用概述 46
3.6 小結(jié) 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(yīng)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(jìn)行訓(xùn)練 67
4.3 貝葉斯分類器構(gòu)建 69
4.3.1 加載、解析數(shù)據(jù) 69
4.3.2 訓(xùn)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(biāo)準(zhǔn)的分類器構(gòu)建——鳶尾花分類 77
4.4.1 制作數(shù)據(jù)集 77
4.4.2 切分?jǐn)?shù)據(jù)集 77
4.4.3 鳶尾花分類案例代碼 78
4.5 小結(jié) 79
第5章 從貝葉斯到隨機(jī)場 80
5.1 對最小錯誤分類進(jìn)行結(jié)果優(yōu)化 81
5.2 馬爾科夫鏈 83
5.2.1 狀態(tài)轉(zhuǎn)移 85
5.2.2 齊次馬爾科夫鏈 86
5.3 馬爾科夫隨機(jī)場 88
5.3.1 什么是馬爾科夫隨機(jī)場 88
5.3.2 基于馬爾科夫隨機(jī)場的圖像分割實例 95
5.4 圖像分割案例及調(diào)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(jié) 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(dǎo) 125
6.4 小結(jié) 127
第7章 機(jī)器學(xué)習(xí)與深度學(xué)習(xí) 129
7.1 人工智能介紹 130
7.1.1 機(jī)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(jī)器學(xué)習(xí) 132
7.2.1 什么是機(jī)器學(xué)習(xí) 132
7.2.2 機(jī)器學(xué)習(xí)算法 136
7.2.3 一個完整的機(jī)器學(xué)習(xí) 154
7.3 深度學(xué)習(xí) 156
7.3.1 了解深度學(xué)習(xí) 156
7.3.2 深度學(xué)習(xí)原理 158
7.3.3 一個完整的神經(jīng)網(wǎng)絡(luò) 162
7.3.4 實現(xiàn)一個深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)——ResNet 164
7.4 小結(jié) 167
第8章 貝葉斯網(wǎng)絡(luò) 169
8.1 貝葉斯網(wǎng)絡(luò)的概念 170
8.1.1 了解貝葉斯網(wǎng)絡(luò) 170
8.1.2 應(yīng)用貝葉斯網(wǎng)絡(luò) 172
8.2 使用貝葉斯網(wǎng)絡(luò)實現(xiàn)分類功能 174
8.2.1 制作并切分?jǐn)?shù)據(jù)集 174
8.2.2 構(gòu)建貝葉斯網(wǎng)絡(luò)模型 175
8.2.3 訓(xùn)練模型 178
8.2.4 驗證模型 179
8.2.5 貝葉斯網(wǎng)絡(luò)案例完整實現(xiàn) 180
8.3 貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu) 182
8.3.1 head_to_head結(jié)構(gòu) 182
8.3.2 tail_to_tail結(jié)構(gòu) 183
8.3.3 head_to_tail結(jié)構(gòu) 183
8.3.4 貝葉斯網(wǎng)絡(luò)各結(jié)構(gòu)的邏輯 184
8.3.5 道路交通監(jiān)測案例 185
8.4 小結(jié) 189
第9章 動態(tài)貝葉斯網(wǎng)絡(luò) 190
9.1 動態(tài)貝葉斯網(wǎng)絡(luò)的概念 191
9.1.1 貝葉斯網(wǎng)絡(luò)由靜態(tài)擴(kuò)展為動態(tài) 191
9.1.2 隱馬爾科夫模型（HMM） 192
9.2 細(xì)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(xué)習(xí)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(xùn)練初始模型 202
9.3.3 實現(xiàn)案例的功能 206
9.4 小結(jié) 208
第10章 貝葉斯深度學(xué)習(xí) 210
10.1 神經(jīng)網(wǎng)絡(luò)參數(shù)學(xué)習(xí) 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(xué)習(xí)的概念 224
10.2.1 貝葉斯神經(jīng)網(wǎng)絡(luò)與普通神經(jīng)網(wǎng)絡(luò)的區(qū)別 225
10.2.2 貝葉斯深度學(xué)習(xí)推導(dǎo) 227
10.2.3 貝葉斯深度學(xué)習(xí)的優(yōu)勢 231
10.3 貝葉斯深度學(xué)習(xí)案例 233
10.3.1 數(shù)據(jù)擬合案例 233
10.3.2 貝葉斯深度學(xué)習(xí)完整實現(xiàn)數(shù)據(jù)擬合 244
10.4 小結(jié) 248