機器學習入門
內容描述
作為機器學核心，本書介紹了基於貝葉斯推論的機器學習，
其基本思想是將數據及數據產生的過程視為隨機事件，
從數據的固有特徵開始，通過一系列假設來進行數據的描述，
進而構建出與機器學習任務相適應的隨機模型，
然後通過模型的解析求解或近似求解得出未知事件的預測模型。
通過貝葉斯學習，我們可以了解到更多關於數據的信息，
進而可以大致清楚進行學神經網絡的規模和復雜程度。
更重要的是，當神經網絡學習中出現問題時，通過貝葉斯學習可以找到解決問題的方向和途徑。
因此，可以說貝葉斯學習是深度神經網絡學理論基礎，也是進行神經網絡學必修課。
本書在內容安排上，盡可能對概率統計和隨機過程的基礎進行了較為完整的介紹，
並對常用的概率分佈進行了詳盡的分析。
在此基礎上重點介紹了單一模型及混合模型的貝葉斯推論方法，
並結合具體應用進行了擴展和分析。
在註重理論介紹的同時也考慮到了實際的應用擴展，從而保證了讀者學完整性。其所給出等
目錄大綱
目錄
●譯者序
原書序
原書前言
章機器學習與貝葉斯學習
1.1什麼是機器學習？
1.2機器學典型任務
1.2.1回歸
1.2.2分類
1.2.3聚類
1.2.4降維
1.2.5其他典型任務
1.3機器學兩類方法
1.3.1基於工具箱的機器學習
1.3.2基於建模的機器學習
1.4概率的基本計算
1.4.1概率分佈
1.4.2概率分佈的推定
1.4.3紅球和白球問題
1.4.4多個觀測數據
1.4.5逐次推論
1.4.6參數未知的情況
1.5圖模型
1.5.1有向圖
1.5.2節點的附加條件
1.5.3馬爾可夫覆蓋
1.6貝葉斯學習方法
1.6.1模型的構建和推論
1.6.2各類任務中的貝葉斯推論
1.6.3複雜後驗分佈的近似
1.6.4基於不確定性的決策
1.6.5貝葉斯學優點與缺點
第2章基本的概率分佈
2.1期望值
2.1.1期望值的定義
2.1.2基本的期望值
2.1.3熵
2.1.4 KL散度
2.1.5抽樣的期望值近似計算
2.2離散概率分佈
2.2.1伯努利分佈
2.2.2二項分佈
2.2.3類分佈
2.2.4多項分佈
2.2.5泊松分佈
2.3連續概率分佈
2.3.1 Beta分佈
2.3.2 Dirichlet分佈
2.3.3 Gamma分佈
2.3.4一維高斯分佈
2.3.5多維高斯分佈
2.3.6 Wishart分佈
第3章基於貝葉斯推論的學習和預測
3.1學習和預測
3.1.1參數的後驗分佈
3.1.2預測分佈
3.1 .3共軛先驗分佈
3.1.4非共軛先驗分佈的運用
3.2離散概率分佈的學習和預測
3.2.1伯努利分佈的學習和預測
3.2.2類分佈的學習和預測
3.2.3泊松分佈的學習和預測
3.3一維高斯分佈的學習和預測
3.3.1均值未知的情況
3.3.2精度未知的情況
3.3.3均值和精度均未知的情況
3.4多維高斯分佈的學習和預測
3.4.1均值未知的情況
3.4.2精度未知的情況
3.4.3均值和精度均未知的情況
3.5線性回歸的例子
3.5.1模型的構建
3.5.2後驗分佈和預測分佈的計算
3.5.3模型的比較
第4章混合模型和近似推論
4.1混合模型和後驗分佈的推論
4.1.1使用混合模型的理由
4.1.2混合模型的數據生成過程
4.1.3混合模型的後驗分佈
4.2概率分佈的近似方法
4.2.1吉布斯採樣
4.2.2變分推論
4.3泊松混合模型的推論
4.3.1泊松混合模型
4.3.2吉布斯採樣
4.3.3變分推論
4.3.4折疊式吉布斯採樣
4.3.5簡易實驗
4.4高斯混合模型中的推論
4.4.1高斯混合模型
4.4.2吉布斯採樣
4.4.3變分推論
4.4.4折疊式吉布斯採樣
4.4.5簡易實驗
第5章應用模型的構建和推論
5.1線性降維
5.1.1模型
5.1.2變分推論
5.1.3數據的不可逆壓縮
5.1.4缺失值內r> 5.2非負值矩陣因子分解
5.2.1模型
5.2.2變分推論
5.3隱馬爾可夫模型
5.3.1模型
5.3.2完全分解變分推論
5.3.3結構化變分推論
5.4主題模型
5.4.1模型
5.4.2變分推論
5.4.3折疊式吉布斯採樣
5.4. 4 LDA模型的應用與擴展
5.5張量分解
5.5.1協同過濾
5.5.2模型
5.5.3變分推論
5.5.4缺失值的內r> 5.6 logistic回歸
5.6.1模型
5.6.2變分推論
5.6.3離散值的預測
5.7神經網絡
5.7.1模型
5.7.2變分推論
5.7.3連續值的預測
附錄A相關計算的補充
A.1基本的矩陣計算
A.1.1轉置
A.1.2逆矩陣
A.1.3矩陣的跡
A.1.4方陣的行列式
A.1.5正定值矩陣
A.2特殊函數
A.2.1 gamma函數和digamma函數
A.2.2 sigmoid函數和softmax函數
A.3梯度法
A.3.1函數的梯度
A.3.2速下降法
A.3.3坐標下降法
A.4邊緣似然度下限
A.4.1邊緣似然度和ELBO
A.4.2泊松混合分佈的例子
參考文獻
作者介紹
(日)須山敦誌著王衛兵
須山敦志，2009年東京工業大學工學部信息工程專業畢業。
2011年完成東京大學大學院信息工程系研究科博士前期課程。
先後在日本製造企業，英國風險企業從事研究工作。
現從事與數據解析相關的指導工作。
通過「玩編程進行機器學習」推送（介紹）一些實踐性的機器學習技術。
