概率圖模型：原理與技術 下載 mobi epub pdf 電子書 2024

☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

産品特色

內容簡介

　　概率圖模型將概率論與圖論相結閤，是當前非常熱門的一個機器學習研究方嚮。《概率圖模型：原理與技術》詳細論述瞭有嚮圖模型（又稱貝葉斯網）和無嚮圖模型（又稱馬爾可夫網）的錶示、推理和學習問題，全麵總結瞭人工智能這一前沿研究領域的新進展。為瞭便於讀者理解，書中包含瞭大量的定義、定理、證明、算法及其僞代碼，穿插瞭大量的輔助材料，如示例（examples）、技巧專欄（skill boxes）、實例專欄（case study boxes）、概念專欄（concept boxes）等。另外，在第 2章介紹瞭概率論和圖論的核心知識，在附錄中介紹瞭信息論、算法復雜性、組閤優化等補充材料，為學習和運用概率圖模型提供瞭完備的基礎。
　　《概率圖模型：原理與技術》可作為高等學校和科研單位從事人工智能、機器學習、模式識彆、信號處理等方嚮的學生、教師和研究人員的教材和參考書。

目錄

緻謝 29

插圖目錄 31

算法目錄 39

專欄目錄 41

第 1章引言 .. 1

1.1動機 . 1

1.2結構化概率模型 . 2

1.2.1 概率圖模型 . 3

1.2.2 錶示、推理、學習 . 5

1.3概述和路綫圖 . 6

1.3.1 各章的概述 . 6

1.3.2 讀者指南 . 9

1.3.3 與其他學科的聯係 ... 10

1.4曆史注記 ... 12

第 2章 基礎知識 15

2.1概率論 ... 15

2.1.1 概率分布 ... 15

2.1.2 概率中的基本概念 ... 17

2.1.3 隨機變量與聯閤分布 ... 19

2.1.4 獨立性與條件獨立性 ... 22

2.1.5 查詢一個分布 ... 25

2.1.6 連續空間 ... 27

2.1.7 期望與方差 ... 30

2.2圖 ... 33

2.2.1 節點與邊 ... 33

2.2.2 子圖... 34

2.2.3 路徑與跡 ... 35

2.2.4 圈與環 ... 36

2.3相關文獻 ... 37

2.4習題 ... 38

第Ⅰ部分錶示 第 3章貝葉斯網錶示 45

3.1獨立性性質的利用 ... 45

3.1.1 隨機變量的獨立性 ... 45

3.1.2 條件參數化方法 ... 46

3.1.3 樸素貝葉斯模型 ... 48

3.2貝葉斯網 ... 51

3.2.1 學生示例迴顧 ... 51

3.2.2 貝葉斯網的基本獨立性 ... 55

3.2.3 圖與分布 ... 59

3.3圖中的獨立性 ... 68

3.3.1 d-分離 ... 68

3.3.2 可靠性與完備性 ... 71

3.3.3 d-分離算法 ... 73

3.3.4 I-等價 75

3.4從分布到圖 ... 77

3.4.1 昀小 I-map 78

3.4.2 P-map 80

3.4.3 發現 P-map* . 82

3.5小結 ... 91

3.6相關文獻 ... 92

3.7習題 ... 95

第 4章無嚮圖模型 .. 103

4.1誤解示例 . 103

4.2參數化 . 106

4.2.1 因子. 106

4.2.2 吉布斯分布與馬爾可夫網 . 107

4.2.3 簡化的馬爾可夫網 . 110

4.3馬爾可夫網的獨立性 . 113

4.3.1 基本獨立性 . 113

4.3.2 獨立性迴顧 . 116

4.3.3 從分布到圖 . 119

4.4參數化迴顧 . 121

4.4.1 細粒度參數化方法 . 121

4.4.2 過參數化 . 127

4.5貝葉斯網與馬爾可夫網 . 132

4.5.1 從貝葉斯網到馬爾可夫網 . 132

4.5.2 從馬爾可夫網到貝葉斯網 . 136

4.5.3 弦圖. 138

4.6部分有嚮模型 . 140

4.6.1 條件隨機場 . 141

4.6.2 鏈圖模型 *... 146

4.7總結與討論 . 149

4.8相關文獻 . 150

4.9習題 . 151

第 5章局部概率模型 .. 155

5.1 CPD錶 155

5.2確定性 CPD 156

5.2.1 錶示. 156

5.2.2 獨立性 . 157

5.3特定上下文 CPD 160

5.3.1 錶示. 160

5.3.2 獨立性 . 168

5.4因果影響的獨立性 . 172

5.4.1 Noisy-or模型 . 172

5.4.2 廣義綫性模型 . 175

5.4.3 一般公式化錶示 . 179

5.4.4 獨立性 . 180

5.5連續變量 . 181

5.5.1 混閤模型 . 185

5.6條件貝葉斯網 . 187

5.7總結 . 189

5.8相關文獻 . 189

5.9習題 . 191

第 6章基於模闆的錶示 .. 195

6.1引言 . 195

6.2時序模型 . 196

6.2.1 基本假設 . 196

6.2.2 動態貝葉斯網 . 198

6.2.3 狀態-觀測模型 ... 203

6.3模闆變量與模闆因子 . 208

6.4對象-關係領域的有嚮概率模型 211

6.4.1 Plate模型 211

6.4.2 概率關係模型 . 217

6.5無嚮錶示 . 223

6.6結構不確定性 * ... 227

6.6.1 關係不確定性 . 227

6.6.2 對象不確定性 . 230

6.7小結 . 235

6.8相關文獻 . 236

6.9習題 . 237

第 7章高斯網絡模型 .. 241

7.1多元高斯分布 . 241

7.1.1 基本參數化方法 . 241

7.1.2 高斯分布的運算 . 243

7.1.3 高斯分布的獨立性 . 244

7.2高斯貝葉斯網 . 245

7.3高斯馬爾可夫隨機場 . 248

7.4小結 . 251

7.5相關文獻 . 251

7.6習題 . 252

第 8章指數族 .. 255

8.1引言 . 255

8.2指數族 . 255

8.2.1 綫性指數族 . 257

8.3因式化的指數族( factored exponential families)... 260

8.3.1 乘積分布( product distributions) 260

8.3.2 貝葉斯網 . 261

8.4熵和相對熵 . 263

8.4.1 熵. 263

8.4.2 相對熵 . 266

8.5投影 . 267

8.5.1 比較. 268

8.5.2 M-投影 270

8.5.3 I-投影 .. 275

8.6小結 . 275

8.7相關文獻 . 276

8.8習題 . 276

第Ⅱ部分推理 第 9章精確推理：變量消除 .. 281

9.1復雜性分析 . 281

9.1.1 精確推理分析 . 282

9.1.2 近似推理分析 . 284

9.2變量消除：基本思路 . 286

9.3變量消除 . 290

9.3.1 基本消除 . 290

9.3.2 證據處理 . 295

9.4復雜度與圖結構：變量消除 . 298

9.4.1 簡單分析 . 298

9.4.2 圖論分析 . 299

9.4.3 尋找消除順序 *... 302

9.5條件作用 * ... 308

9.5.1 條件作用算法 . 308

9.5.2 條件作用與變量消除 . 309

9.5.3 圖論分析 . 313

9.5.4 改進的條件作用算法 . 314

9.6用結構 CPD推理*.. 316

9.6.1 因果影響的獨立性 . 316

9.6.2 上下文特定的獨立性 . 319

9.6.3 討論. 326

9.7總結和討論 . 327

9.8相關文獻 . 328

9.9習題 . 329

第 10章精確推理：團樹 337

10.1 變量消除與團樹 ... 337

10.1.1 聚類圖 . 337

10.1.2 團樹. 338

10.2 消息傳遞：和積 ... 340

10.2.1 團樹中的變量消除 . 341

10.2.2 團樹校準 . 346

10.2.3 將校準團樹作為一個分布 . 352

10.3 消息傳遞：置信更新 ... 355

10.3.1 使用除法的消息傳遞 . 356

10.3.2 和-積與置信-更新消息的等價性 .. 359

10.3.3 迴答查詢 . 360

10.4 構建一個團樹 ... 364

10.4.1 源自變量消除的團樹 . 364

10.4.2 源自弦圖的團樹 . 365

10.5 小結 ... 367

10.6 相關文獻 ... 368

10.7 習題 ... 369

第 11章作為優化的推理 373

11.1引言 ... 373

11.1.1 再議精確推理 * ... 374

11.1.2 能量泛函 . 376

11.1.3 優化能量泛函 . 377

11.2作為優化的精確推理 ... 378

11.2.1 不動點刻畫 . 379

11.2.2 推理優化 . 382

11.3基於傳播的近似 ... 382

11.3.1 一個簡單的例子 . 383

11.3.2 聚類圖置信傳播 . 387

11.3.3 聚類圖置信傳播的性質 . 391

11.3.4 收斂性分析 * ... 393

11.3.5 構建聚類圖 . 395

11.3.6 變分分析 . 401

11.3.7 其他熵近似 * ... 404

11.3.8 討論. 417

11.4近似消息傳播 *.. 419

11.4.1 因子分解的消息 . 419

11.4.2 近似消息計算 . 422

11.4.3 近似消息推理 . 425

11.4.4 期望傳播 . 431

11.4.5 變分分析 . 434

11.4.6 討論. 436

11.5結構化的變分近似 ... 437

11.5.1 平均場近似 . 438

11.5.2 結構化的近似 . 445

11.5.3 局部變分法 * ... 456

11.6總結與討論 ... 460

11.7相關文獻 ... 462

11.8習題 ... 464

第 12章基於粒子的近似推理 475

12.1 前嚮采樣 ... 476

12.1.1 從貝葉斯網中采樣 . 476

12.1.2 誤差分析 . 478

12.1.3 條件概率查詢 . 479

12.2 似然加權與重要性采樣 ... 480

12.2.1 似然加權：直覺 . 480

12.2.2 重要性采樣 . 482

12.2.3 貝葉斯網的重要性采樣 . 486

12.2.4 重要性采樣迴顧 . 492

12.3 馬爾可夫鏈的濛特卡羅方法 ... 492

12.3.1 吉布斯采樣算法 . 493

12.3.2 馬爾可夫鏈 . 494

12.3.3 吉布斯采樣迴顧 . 499

12.3.4 馬爾可夫鏈的一個更廣泛的類 * ... 502

12.3.5 馬爾可夫鏈的使用 . 505

12.4 坍塌的粒子 ... 512

12.4.1 坍塌的似然加權 *... 513

12.4.2 坍塌的 MCMC ... 517

12.5 確定性搜索方法 * . 522

12.6 小結 ... 525

12.7 相關文獻 ... 527

12.8 習題 ... 529

第 13章最大後驗概率推理 537

13.1 綜述 ... 537

13.1.1 計算復雜性 . 537

13.1.2 解決方法綜述 . 538

13.2 (邊緣) MAP的變量消除.. 540

13.2.1 昀大-積變量消除 ... 540

13.2.2 找到昀可能的賦值 . 542

13.2.3 邊緣 MAP的變量消除* 545

13.3 團樹中的昀大 -積.. 547

13.3.1 計算昀大 -邊緣 ... 548

13.3.2 作為再參數化的信息傳遞 . 549

13.3.3 昀大-邊緣解碼 ... 550

13.4 多圈聚類圖中的昀大 -積置信傳播 .. 553

13.4.1 標準昀大 -積消息傳遞 ... 553

13.4.2 帶有計數的昀大 -積 BP* 557

13.4.3 討論. 560

13.5 作為綫性優化問題的 MAP* 562

13.5.1 整數規劃的公式化 . 562

13.5.2 綫性規劃鬆弛 . 564

13.5.3 低溫極限 . 566

13.6 對 MAP使用圖割. 572

前言/序言

　　很高興能夠看到我們所著的《概率圖模型》一書被翻譯為中文齣版。我們瞭解到這本書涵蓋的課題已在中國引起瞭巨大的興趣。已有眾多中國讀者寫信嚮我們解釋這本書對於他們的學習的重要性，並希望獲得更易理解的版本。隨著眾多來自中國研究機構或國外研究機構的中國學者署名或共同署名的文章的發錶，中國研究者已在概率圖領域中扮演瞭非常重要的角色。這些文章對於概率圖模型領域的發展起到瞭非常重要的作用。我們相信《概率圖模型》中文版的齣版將幫助許多中國讀者學習並掌握這一重要課題的基礎。同時，這也將進一步提高中國學者應用概率圖模型思想的能力，並為這一領域的發展做齣貢獻。

　　本書的翻譯工作由王飛躍研究員主導，並得到瞭王玨研究員及其眾多助手和閤作者的支持。這是一份曆時 5年、具有裏程碑意義的努力，我深深地感謝該團隊所有為本書翻譯做齣貢獻的人員。我尤其希望藉此機會感謝王玨研究員——一位中國機器學習領域的開拓者。王玨研究員是此項翻譯工作的十分重要的推動者。沒有他的支持，沒有他的眾多傑齣的機器學習領域的學生的幫助，可能這項工作到現在還沒有結果。很遺憾王玨研究員於 2014年 12月死於癌癥，終年 66歲，已不能看到他努力的結果。然而，他的思想活在他的學生們的工作中，與本書的齣版同在。

　　Daphne Koller

　　（復雜係統管理與控製國傢重點實驗室王曉翻譯）

概率圖模型：原理與技術 下載 mobi epub pdf txt 電子書 格式

評分☆☆☆☆☆

好好學習，迴報社會

評分☆☆☆☆☆

很好的書，值得認真學習

評分☆☆☆☆☆

概率圖模型將概率論與圖論相結閤，是當前非常熱門的一個機器學習研究方嚮。《概率圖模型：原理與技術》詳細論述瞭有嚮圖模型（又稱貝葉斯網）和無嚮圖模型（又稱馬爾可夫網）的錶示、推理和學習問題，全麵總結瞭人工智能這一前沿研究領域的新進展。為瞭便於讀者理解，書中包含瞭大量的定義、定理、證明、算法及其僞代碼，穿插瞭大量的輔助材料，如示例（examples）、技巧專欄（skill boxes）、實例專欄（case study boxes）、概念專欄（concept boxes）等。另外，在第 2章介紹瞭概率論和圖論的核心知識，在附錄中介紹瞭信息論、算法復雜性、組閤優化等補充材料，為學習和運用概率圖模型提供瞭完備的基礎。

評分☆☆☆☆☆

很好

評分☆☆☆☆☆

非常好的書！印刷、紙張完美！

評分☆☆☆☆☆

經典大部頭，太厚瞭，不知道今年能不能讀完

評分☆☆☆☆☆

概率圖領域的經典書籍，一部大部頭，估計得讀一段時間瞭。大緻翻瞭一下，感覺翻譯質量還可以，對於相關領域的技術人員，確實有很大幫助。

評分☆☆☆☆☆

買的新書，剛拆的外塑封，發現書封麵簡直髒得可以，而且有不少磕碰的地方。不知道是什麼情況，目測書被拆過，又重新塑封的吧。還好內頁看起來還滿新的。

評分☆☆☆☆☆

剛看瞭前兩章，符號不一緻，公式錯漏發現瞭好幾處，很失望。但是畢竟是本大書，量大。希望後麵的錯誤少一些。

類似圖書 點擊查看全場最低價