新書推薦：
《
大模型启示录
》
售價：NT$
510.0
《
东法西渐：19世纪前西方对中国法的记述与评价
》
售價：NT$
918.0
《
养育男孩：官方升级版
》
售價：NT$
230.0
《
小原流花道技法教程
》
售價：NT$
500.0
《
少女映像室 唯美人像摄影从入门到实战
》
售價：NT$
505.0
《
詹姆斯·伍德系列：不负责任的自我：论笑与小说（“美国图书评论奖”入围作品 当代重要文学批评家詹姆斯·伍德对“文学中的笑与喜剧”的精湛研究）
》
售價：NT$
398.0
《
武当内家散手
》
售價：NT$
230.0
《
诛吕：“诸吕之乱”的真相与吕太后时期的权力结构
》
售價：NT$
454.0
|
| 編輯推薦： |
本书将抽象的理论解释得通俗易懂，从非相关行业、零基础的人群视角，呈现了贝叶斯算法的技术构图。
——深圳市壹倍科技有限公司CTO 黄岚
与其他的算法类书籍略显不同，本书不仅从专业的角度给出了推理解释，还结合贴近生活的例子进行举例，使读者能够较容易地理解相关的技术。
——广州一文智能科技有限公司总经理 陈一辉
本书逻辑缜密，案例讲解清晰，内容循序渐进，内容简练但重点突出。
——上海嘉胥信息技术有限公司CEO 张龙亮
本书知识涵盖面广，能够帮助读者快速入门，尤其是对于不确定性问题的诠释很精彩。在AI类项目中，我们很多时候都会面临各种不确定性问题，该书能够引导我们正确地看待这些不确定性问题，有助于我们创造出更符合自己期望的东西。
——重庆酷贝科技发展有限公司项目经理 唐泽辉
|
| 內容簡介： |
《贝叶斯算法与机器学习》从贝叶斯理论的基本原理讲起，逐步深入算法、机器学习、深度学习，并配合项目案例，重点介绍了基于贝叶斯理论的算法原理，及其在机器学习中的应用。
《贝叶斯算法与机器学习》分为10章，涵盖了贝叶斯概率、概率估计、贝叶斯分类、随机场、参数估计、机器学习、深度学习、贝叶斯网络、动态贝叶斯网络、贝叶斯深度学习等。《贝叶斯算法与机器学习》涉及的应用领域包含机器学习、图像处理、语音识别、语义分析等。《贝叶斯算法与机器学习》整体由易到难，逐步深入，内容以算法原理讲解和应用解析为主，每节内容辅以案例进行综合讲解。
《贝叶斯算法与机器学习》内容通俗易懂，案例贴合实际，实用性强，适合有一定算法基础的读者进阶阅读，也适合其他人作为爱好阅读。
|
| 關於作者： |
刘冰
----------------------------
刘冰，毕业于重庆邮电大学。深圳市壹倍科技有限公司图像算法工程师&算法研发组组长，主要从事精密类视觉系统、深度学习应用、商业数据分析、专家系统设计等相关的研究与工作。
|
| 目錄：
|
第1章 贝叶斯思想简介 1
1.1 贝叶斯思想的核心 2
1.2 概率论的两大学派 2
1.3 小结 4
第2章 贝叶斯概率 5
2.1 先验概率 6
2.1.1 先验概率的定义 6
2.1.2 信息先验* 6
2.1.3 不知情的先验* 7
2.2 条件概率 7
2.2.1 条件概率的定义 7
2.2.2 事件的互斥性 8
2.2.3 事件的独立统计性 8
2.3 后验概率 8
2.3.1 后验概率的定义 9
2.3.2 后验概率与先验概率在应用上的区分 9
2.4 似然函数 10
2.4.1 似然函数的定义 11
2.4.2 似然函数的应用 12
2.5 贝叶斯公式 13
2.5.1 贝叶斯公式的定义 13
2.5.2 贝叶斯公式的推导 14
2.5.3 贝叶斯公式的应用 16
2.6 小结 18
第3章概率估计 20
3.1 什么是估计 21
3.2 概率密度函数 22
3.2.1 概率密度函数的定义 22
3.2.2 连续型概率分布 24
3.2.3 离散型概率分布 33
3.3 极大似然估计（MLE） 36
3.3.1 什么是极大似然估计 36
3.3.2 极大似然估计的应用 37
3.4 最大后验估计（MAP） 42
3.4.1 什么是最大后验估计 42
3.4.2 最大后验估计的应用 43
3.5 贝叶斯估计 45
3.5.1 什么是贝叶斯估计 45
3.5.2 贝叶斯估计算法思想 46
3.5.3 贝叶斯估计的应用概述 46
3.6 小结 47
第4章 贝叶斯分类 48
4.1 朴素贝叶斯算法 49
4.1.1 理解朴素贝叶斯算法 49
4.1.2 应用朴素贝叶斯算法 51
4.1.3 使用朴素贝叶斯算法实现案例 60
4.2 贝叶斯分类器 64
4.2.1 贝叶斯分类器简介 64
4.2.2 贝叶斯分类器的原理 66
4.2.3 对贝叶斯分类器进行训练 67
4.3 贝叶斯分类器构建 69
4.3.1 加载、解析数据 69
4.3.2 训练数据 70
4.3.3 保存、加载模型 74
4.3.4 使用模型 76
4.4 标准的分类器构建——鸢尾花分类 77
4.4.1 制作数据集 77
4.4.2 切分数据集 77
4.4.3 鸢尾花分类案例代码 78
4.5 小结 79
第5章 从贝叶斯到随机场 80
5.1 对最小错误分类进行结果优化 81
5.2 马尔科夫链 83
5.2.1 状态转移 85
5.2.2 齐次马尔科夫链 86
5.3 马尔科夫随机场 88
5.3.1 什么是马尔科夫随机场 88
5.3.2 基于马尔科夫随机场的图像分割实例 95
5.4 图像分割案例及调试 100
5.4.1 图像分割案例 100
5.4.2 图像分割案例完整实现 103
5.5 小结 105
第6章 参数估计 107
6.1 参数估计的区分 108
6.1.1 点估计 108
6.1.2 区间估计 109
6.1.3 区分点估计与区间估计 114
6.2 极大似然估计 117
6.2.1 线性回归 118
6.2.2 logistics回归 121
6.3 贝叶斯估计与推导 125
6.4 小结 127
第7章 机器学习与深度学习 129
7.1 人工智能介绍 130
7.1.1 机器人 130
7.1.2 语音识别 130
7.1.3 自然语言处理 131
7.1.4 图像识别 131
7.1.5 博弈 132
7.2 机器学习 132
7.2.1 什么是机器学习 132
7.2.2 机器学习算法 136
7.2.3 一个完整的机器学习 154
7.3 深度学习 156
7.3.1 了解深度学习 156
7.3.2 深度学习原理 158
7.3.3 一个完整的神经网络 162
7.3.4 实现一个深度学习神经网络——ResNet 164
7.4 小结 167
第8章 贝叶斯网络 169
8.1 贝叶斯网络的概念 170
8.1.1 了解贝叶斯网络 170
8.1.2 应用贝叶斯网络 172
8.2 使用贝叶斯网络实现分类功能 174
8.2.1 制作并切分数据集 174
8.2.2 构建贝叶斯网络模型 175
8.2.3 训练模型 178
8.2.4 验证模型 179
8.2.5 贝叶斯网络案例完整实现 180
8.3 贝叶斯网络的结构 182
8.3.1 head_to_head结构 182
8.3.2 tail_to_tail结构 183
8.3.3 head_to_tail结构 183
8.3.4 贝叶斯网络各结构的逻辑 184
8.3.5 道路交通监测案例 185
8.4 小结 189
第9章 动态贝叶斯网络 190
9.1 动态贝叶斯网络的概念 191
9.1.1 贝叶斯网络由静态扩展为动态 191
9.1.2 隐马尔科夫模型（HMM） 192
9.2 细谈隐马尔科夫模型 194
9.2.1 求隐含状态序列（解码问题） 194
9.2.2 求观测序列（评估问题） 196
9.2.3 求模型参数（学习问题） 199
9.3 实现“智能”的输入法 201
9.3.1 案例分析 201
9.3.2 训练初始模型 202
9.3.3 实现案例的功能 206
9.4 小结 208
第10章 贝叶斯深度学习 210
10.1 神经网络参数学习 211
10.1.1 BP算法的流程 211
10.1.2 实现BP算法 218
10.1.3 BP算法实现代码 221
10.2 贝叶斯深度学习的概念 224
10.2.1 贝叶斯神经网络与普通神经网络的区别 225
10.2.2 贝叶斯深度学习推导 227
10.2.3 贝叶斯深度学习的优势 231
10.3 贝叶斯深度学习案例 233
10.3.1 数据拟合案例 233
10.3.2 贝叶斯深度学习完整实现数据拟合 244
10.4 小结 248
|
| 內容試閱：
|
《贝叶斯算法与机器学习》前言
贝叶斯算法是基于概率论的算法，是机器学习中的重要理论支撑，在当下火热的人工智能领域起着基石的作用。很多我们日常生活中的案例都可以用贝叶斯相关理论进行解释。
但是贝叶斯算法作为一种基础性算法，很多时候不能直接应用到实际生活中，而是被交融到其他算法或框架中使用。比如单纯的分类问题，在理论研究阶段我们对问题的考虑很理想，但是在实际应用时，我们要考虑效率，就要结合机器学习或深度学习的正反向传播算法进行应用，这时贝叶斯算法的应用就体现在理论支撑上，我们需要根据贝叶斯理论进行相关的参数估计过程推导与实现。所以，针对算法类的内容，我们应以理解、掌握理论为主，然后在此基础上进行变形应用。
笔者的使用体会
贝叶斯算法的底层理论是比较简单的，总的来说，只有一个定理、一个公式。整个贝叶斯算法的应用生态，就是对贝叶斯公式的不断变形应用。
现在各种算法理论和技术发展得很快，对于一种类型的问题往往已经有很多种解决办法了。在这些技术中，有些问题使用贝叶斯算法可以解决，有些问题却早已应用其他技术解决了。比如在深度学习中处理时序的问题，主流的办法还是应用动态贝叶斯网络的思想来处理；而在图像分类问题中，卷积神经网络的性能优于贝叶斯分类器。
在技术生态中，每种技术都有其优缺点，目前还没有任何一种技术能够通用。这一点需要客观对待，对于实际问题要实际分析，有时一种思想走不通时，可以尝试变通应用。贝叶斯原理说到底就是一个公式，现在却通过这么一个公式衍生出这么多的技术，就是灵活应用的体现。
这本书的特色
从零开始：从贝叶斯概率开始讲解，详细介绍算法的原理，入门门槛很低。
内容新颖：书中的大部分例子都是使用最新的理论和技术框架进行讲解。
经验总结：全面归纳、整理案例应用的重点和快速掌握知识的小技巧。
内容实用：结合实例进行讲解，并对结果进行分析。
这本书包括什么内容
本书内容可以分为三部分，第一部分是数学基础理论的讲解，第二部分是贝叶斯算法在机器学习中的应用，第三部分是贝叶斯深度学习。
第一部分主要介绍了贝叶斯概率等数学知识，引导读者理解并掌握基础的贝叶斯理论，以及熟悉它的各种变式，通过例子了解它的应用。
第二部分首先介绍算法的直接应用，建立算法的变量和条件；然后再将算法引入机器学习的模块中，通过案例，采用举一反三的方式去进行建模与应用。
第三部分的内容是对第二部分内容的进阶，结合普通神经网络来理解贝叶斯深度学习。
本书读者对象
零基础入门人员。软件开发与测试人员。对概率模型感兴趣的人员。各类院校学习数学、计算机的学生。人工智能培训学员。
资源下载
本书所涉及的源代码及各分布的临界值表已上传到百度网盘，供读者下载。请读者关注封底“博雅读书社”微信公众号，找到“资源下载”栏目，输入图书77页的资源下载码，根据提示获取。
温馨提示：读者阅读本书过程中遇到问题可以通过邮件与笔者联系，笔者的电子邮箱是2577082896@qq.com。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
