概率機器學習(進階篇)

江紅 餘青松 餘靖

概率機器學習(進階篇)

商品描述

書源自作者2012年的著作《機器學習：概率視角》，它不是一個簡單的更新版本，而是一本全新的著作，反映了自2012年以來機器學習領域的巨大發展，尤其是深度學習方面的進展。全書通過概率建模和貝葉斯決策理論的統一視角，詳細且與時俱進地介紹了機器學習（包括深度學習）的理論和方法。由於篇幅限制，新版分為上下兩卷：《概率機器學習（基礎篇）》和《概率機器學習（進階篇）》。本書作為下卷進階篇，進一步拓展了機器學習的研究範疇，聚焦更具挑戰性的問題，力求對機器學習各主題展開更為深入的探討。 進階篇主要分為六個部分：第一部分主要討論機器學習所涉及的數學知識，包括概率論、統計學、圖模型、信息論以及優化；第二部分主要討論機器學習的推理算法，包括高斯濾波與平滑、消息傳遞算法、變分推理、蒙特卡羅方法、馬爾可夫鏈蒙特卡羅方法以及序列蒙特卡羅方法；第三部分主要討論機器學習的預測算法，包括廣義線性模型、深度神經網絡、貝葉斯神經網絡、高斯過程以及非獨立同分布的假設；第四部分主要討論機器學習的生成算法，包括變分自動編碼器、自回歸模型、歸一化流、基於能量的模型、擴散模型以及生成式對抗性網絡；第五部分主要討論機器學習的發現方法，包括潛在因子模型、狀態空間模型、圖學習、非參數化貝葉斯模型、表征學習以及可解釋性；第六部分主要討論機器學習的行為算法，包括不確定性決策、強化學習以及因果關系。

作者簡介

凱文·P.墨菲，先後獲得劍橋大學文學學士學位、賓夕法尼亞大學工程碩士學位以及加州大學伯克利分校博士學位。此後他在麻省理工學院完成博士後研究，並於2004至2012年間擔任加拿大溫哥華不列顛哥倫比亞大學計算機科學與統計學副教授。獲得終身教職後，他在學術休假期間加入谷歌公司，最終選擇留任。目前，凱文擔任谷歌Deepmind首席研究科學家兼總監，領導著由28名研究人員和工程師組成的團隊，專註生成模型（包括擴散模型和大語言模型）、強化學習、機器人技術、貝葉斯推斷等前沿領域。

目錄大綱

譯者序
前言
第1章 導論
第一部分 理論基礎
第2章 概率論
2.1 概述
2.1.1 概率空間
2.1.2 離散隨機變量
2.1.3 連續隨機變量
2.1.4 概率公理
2.1.5 條件概率
2.1.6 貝葉斯規則
2.2 一些常見的概率分布
2.2.1 離散分布
2.2.2 實數上的連續分布
2.2.3 正實數上的連續分布
2.2.4 在[0，1]上的連續分布
2.2.5 多元連續分布
2.3 高斯聯合分布
2.3.1 多元高斯分布
2.3.2 線性高斯系統
2.3.3 線性高斯系統的通用微積分知識
2.4 指數族
2.4.1 定義
2.4.2 示例
2.4.3 對數配分函數是累積量生成函數
2.4.4 規範化（自然）參數與均值（矩）參數
2.4.5 指數族的最大似然估計
2.4.6 指數分散族
2.4.7 指數族的最大熵推導
2.5 隨機變量的變換
2.5.1 可逆變換（雙射）
2.5.2 蒙特卡羅近似
2.5.3 概率積分變換
2.6 馬爾可夫鏈
2.6.1 參數化
2.6.2 應用：語言建模
2.6.3 參數估計
2.6.4 馬爾可夫鏈的平穩分布
2.7 概率分布之間的散度度量
2.7.1 f-散度
2.7.2 積分概率度量
2.7.3 最大均值差異
2.7.4 總變差距離
2.7.5 使用二元分類器的密度比估計
第3章 統計學
3.1 概述
3.2 貝葉斯統計
3.2.1 投擲硬幣
3.2.2 對更覆雜的數據建模
3.2.3 選擇先驗
3.2.4 計算問題
3.2.5 可交換性和de Finetti定理
3.3 頻率學派統計
3.3.1 采樣分布
3.3.2 采樣分布的自舉法近似
3.3.3 最大似然估計采樣分布的漸近正態性
3.3.4 Fisher信息矩陣
3.3.5 頻率學派統計的反直覺性質
……
第二部分 推理
第三部分 預測
第四部分 生成
第五部分 發現
第六部分 行為
參考文獻

類似商品