貝葉斯算法與機器學習

第1章 貝葉斯思想簡介 1
1.1 貝葉斯思想的核心 2
1.2 概率論的兩大學派 2
1.3 小結 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 資訊先驗* 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 事件的獨立統計性 8
2.3 後驗概率 8
2.3.1 後驗概率的定義 9
2.3.2 後驗概率與先驗概率在應用上的區分 9
2.4 似然函數 10
2.4.1 似然函數的定義 11
2.4.2 似然函數的應用 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 14
2.5.3 貝葉斯公式的應用 16
2.6 小結 18

第3章概率估計 20
3.1 什麼是估計 21
3.2 概率密度函數 22
3.2.1 概率密度函數的定義 22
3.2.2 連續型概率分佈 24
3.2.3 離散型概率分佈 33
3.3 極大似然估計（MLE） 36
3.3.1 什麼是極大似然估計 36
3.3.2 極大似然估計的應用 37
3.4 最大後驗估計（MAP） 42
3.4.1 什麼是最大後驗估計 42
3.4.2 最大後驗估計的應用 43
3.5 貝葉斯估計 45
3.5.1 什麼是貝葉斯估計 45
3.5.2 貝葉斯估計演算法思想 46
3.5.3 貝葉斯估計的應用概述 46
3.6 小結 47

第4章 貝葉斯分類 48
4.1 樸素貝葉斯演算法 49
4.1.1 理解樸素貝葉斯演算法 49
4.1.2 應用樸素貝葉斯演算法 51
4.1.3 使用樸素貝葉斯演算法實現案例 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 對貝葉斯分類器進行訓練 67
4.3 貝葉斯分類器構建 69
4.3.1 載入、解析數據 69
4.3.2 訓練數據 70
4.3.3 保存、載入模型 74
4.3.4 使用模型 76
4.4 標準的分類器構建——鳶尾花分類 77
4.4.1 製作資料集 77
4.4.2 切分資料集 77
4.4.3 鳶尾花分類案例代碼 78
4.5 小結 79

第5章 從貝葉斯到隨機場 80
5.1 對最小錯誤分類進行結果優化 81
5.2 瑪律科夫鏈 83
5.2.1 狀態轉移 85
5.2.2 齊次瑪律科夫鏈 86
5.3 瑪律科夫隨機場 88
5.3.1 什麼是瑪律科夫隨機場 88
5.3.2 基於瑪律科夫隨機場的圖像分割實例 95
5.4 圖像分割案例及調試 100
5.4.1 圖像分割案例 100
5.4.2 圖像分割案例完整實現 103
5.5 小結 105

第6章 參數估計 107
6.1 參數估計的區分 108
6.1.1 點估計 108
6.1.2 區間估計 109
6.1.3 區分點估計與區間估計 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 125
6.4 小結 127

第7章 機器學習與深度學習 129
7.1 人工智慧介紹 130
7.1.1 機器人 130
7.1.2 語音辨識 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 機器學習 132
7.2.1 什麼是機器學習 132
7.2.2 機器學習演算法 136
7.2.3 一個完整的機器學習 154
7.3 深度學習 156
7.3.1 瞭解深度學習 156
7.3.2 深度學習原理 158
7.3.3 一個完整的神經網路 162
7.3.4 實現一個深度學習神經網路——ResNet 164
7.4 小結 167

第8章 貝葉斯網路 169
8.1 貝葉斯網路的概念 170
8.1.1 瞭解貝葉斯網路 170
8.1.2 應用貝葉斯網路 172
8.2 使用貝葉斯網路實現分類功能 174
8.2.1 製作並切分資料集 174
8.2.2 構建貝葉斯網路模型 175
8.2.3 訓練模型 178
8.2.4 驗證模型 179
8.2.5 貝葉斯網路案例完整實現 180
8.3 貝葉斯網路的結構 182
8.3.1 head_to_head結構 182
8.3.2 tail_to_tail結構 183
8.3.3 head_to_tail結構 183
8.3.4 貝葉斯網路各結構的邏輯 184
8.3.5 道路交通監測案例 185
8.4 小結 189

第9章 動態貝葉斯網路 190
9.1 動態貝葉斯網路的概念 191
9.1.1 貝葉斯網路由靜態擴展為動態 191
9.1.2 隱瑪律科夫模型（HMM） 192
9.2 細談隱瑪律科夫模型 194
9.2.1 求隱含狀態序列（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（學習問題） 199
9.3 實現“智慧”的輸入法 201
9.3.1 案例分析 201
9.3.2 訓練初始模型 202
9.3.3 實現案例的功能 206
9.4 小結 208

第10章 貝葉斯深度學習 210
10.1 神經網路參數學習 211
10.1.1 BP演算法的流程 211
10.1.2 實現BP演算法 218
10.1.3 BP演算法實現代碼 221
10.2 貝葉斯深度學習的概念 224
10.2.1 貝葉斯神經網路與普通神經網路的區別 225
10.2.2 貝葉斯深度學習推導 227
10.2.3 貝葉斯深度學習的優勢 231
10.3 貝葉斯深度學習案例 233
10.3.1 數據擬合案例 233
10.3.2 貝葉斯深度學習完整實現資料擬合 244
10.4 小結 248