-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

概率圖模型 基於R語言

( 簡體 字)
作者:[法]David Bellot(大衛•貝洛特)類別:1. -> 程式設計 -> R語言
譯者:
出版社:人民郵電出版社概率圖模型 基於R語言 3dWoo書號: 48188
詢問書籍請說出此書號!

有庫存
NT售價: 295

出版日:1/1/2018
頁數:185
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787115471345
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

內容簡介:

概率圖模型結合了概率論與圖論的知識,提供了一種簡單的視覺化概率模型的方法,在人工智慧、機器學習和電腦視覺等領域有著廣闊的應用前景。本書旨在?明讀者學習使用概率圖模型,理解電腦如何通過貝葉斯模型和瑪律科夫模型來解決現實世界的問題,同時教會讀者選擇合適的R語言套裝程式、合適的演算法來準備資料並建立模型。本書適合各行業的資料科學家、機器學習愛好者和工程師等人群閱讀、使用。
目錄:


第 1章 概率推理 1

1.1 機器學習 3

1.2 使用概率表示不確定性  4

1.2.1 信念和不確定性的概率表示  5

1.2.2 條件概率  6

1.2.3 概率計算和隨機變數  7

1.2.4 聯合概率分佈  9

1.2.5 貝葉斯規則  10

1.3 概率圖模型 18

1.3.1 概率模型  18

1.3.2 圖和條件獨立  19

1.3.3 分解分佈  21

1.3.4 有向模型  22

1.3.5 無向模型  23

1.3.6 示例和應用  23

1.4 小結 27

第 2章 精 確推斷 28

2.1 構建圖模型 29

2.1.1 隨機變數的類型  30

2.1.2 構建圖  31

2.2 變數消解 37

2.3 和積與信念更新 39

2.4 聯結樹演算法 43

2.5 概率圖模型示例 51

2.5.1 灑水器例子  51

2.5.2 醫療專家系統  52

2.5.3 多於兩層的模型  53

2.5.4 樹結構  55

2.6 小結 56

第3章 學習參數 58

3.1 引言 59

3.2 通過推斷學習 63

3.3 zui大似然法 67

3.3.1 經驗分佈和模型分佈是如何關聯的?  67

3.3.2 zui大似然法和R語言實現  69

3.3.3 應用  73

3.4 學習隱含變數——期望zui大化演算法 75

3.4.1 隱變數  76

3.5 期望zui大化的演算法原理 77

3.5.1 期望zui大化演算法推導  77

3.5.2 對圖模型使用期望zui大化演算法  79

3.6 小結 80

第4章 貝葉斯建模——基礎模型 82

4.1 樸素貝葉斯模型 82

4.1.1 表示  84

4.1.2 學習樸素貝葉斯模型  85

4.1.3 完全貝葉斯的樸素貝葉斯模型  87

4.2 Beta二項式分佈 90

4.2.1 先驗分佈  94

4.2.2 帶有共軛屬性的後驗分佈  95

4.2.3 如何選取Beta參數的值 95

4.3 高斯混合模型 97

4.3.1 定義 97

4.4 小結 104

第5章 近似推斷 105

5.1 從分佈中採樣 106

5.2 基本採樣演算法 108

5.2.1 標準分佈 108

5.3 拒絕性採樣 111

5.3.1 R語言實現  113

5.4 重要性採樣 119

5.4.1 R語言實現  121

5.5 瑪律科夫鏈蒙特卡洛演算法 127

5.5.1 主要思想 127

5.5.2 Metropolis-Hastings演算法  128

5.6 概率圖模型MCMC演算法R語言實現 135

5.6.1 安裝Stan和RStan  136

5.6.2 RStan的簡單例子  136

5.7 小結 137

第6章 貝葉斯建模——線性模型 139

6.1 線性回歸 140

6.1.1 估計參數  142

6.2 貝葉斯線性模型 146

6.2.1 模型過擬合  147

6.2.2 線性模型的圖模型  149

6.2.3 後驗分佈  151

6.2.4 R語言實現  153

6.2.5 一種穩定的實現  156

6.2.6 更多R語言套裝程式 161

6.3 小結 161

第7章 概率混合模型 162

7.1 混合模型 162

7.2 混合模型的期望zui大化 164

7.3 伯努利混合 169

7.4 專家混合 172

7.5 隱狄利克雷分佈 176

7.5.1 LDA模型  176

7.5.2 變分推斷  179

7.5.3 示例 180

7.6 小結 183

附錄 184
序: