书籍详情
![《机器学习中的概率统计:Python语言描述张雨萌》[24M]百度网盘|亲测有效|pdf下载](/uploads/s0309/e98709fa45006563.jpg)
机器学习中的概率统计:Python语言描述张雨萌
- 出版社:互动图书专营店
- 热度:6972
- 上架时间:2024-06-30 09:08:33
- 价格:0.0
书籍下载
书籍预览
免责声明
本站支持尊重有效期内的版权/著作权,所有的资源均来自于互联网网友分享或网盘资源，一旦发现资源涉及侵权，将立即删除。希望所有用户一同监督并反馈问题，如有侵权请联系站长或发送邮件到ebook666@outlook.com,本站将立马改正
内容介绍
| 书[0名0]： | [1机1]器[0学0]习中的概率统计：Python语言描述|8077255 |
| 图书定价： | 79元 |
| 图书作者： | 张雨萌 |
| 出版社： | [1机1]械工业出版社 |
| 出版日期： | 2020-12-07 0:00:00 |
| ISBN号： | 9787111669357 |
| 开本： | 32开 |
| 页数： | 276 |
| 版次： | 1-1 |
| 作者简介 |
| 张雨萌 著：作者简介 张雨萌 资深人工智能技术专家，毕业于清华[0大0][0学0]计算[1机1]系，现就职于中[0国0]舰船研究设计中心，长期从事人工智能[令页]域相关研究工作。谙熟[1机1]器[0学0]习算[0法0]应用及其背后的数[0学0]理论基础。目前已出版多部[1机1]器[0学0]习数[0学0]基础类[0畅0]销书籍，并入选京东推荐排行榜，广受读者[女子][0评0]。 |
| 内容简介 |
| 内容简介 本书围绕[1机1]器[0学0]习算[0法0]中涉及的概率统计[0知0]识展开介绍，沿着概率思想、变量分布、参数估计、随[1机1]过程和统计推断的[0知0]识[1主1]线进行讲解，结合数[0学0]的本质内涵，用浅显易懂的语言讲透深刻的数[0学0]思想，帮助读者构建理论体系。同时，作者在讲解的过程中注重应用场景的延伸，并利用Python工具无缝对接工程应用，帮助读者[0学0]以致用。 ?全书共5章。 ?[0第0]1章以条[亻牛]概率和[0独0]立性作为切入点，帮助读者建立认[0知0]概率世界的正确视角。 ?[0第0]2章介绍随[1机1]变量的基础概念和重要分布类型，并探讨多元随[1机1]变量间的重要关系。 ?[0第0]3章介绍[0极0]限思维以及蒙特卡罗方[0法0]，并重点分析[0极0][0大0]似然估计方[0法0]以及有偏无偏等重要性质，[*]后拓展到含有隐变量的参数估计问题，介绍EM算[0法0]的原理及其应用。 ?[0第0]4章由静态的随[1机1]变量过渡到动态的随[1机1]过程，重点介绍马尔可夫过程和隐马尔可夫模型。 ?[0第0]5章聚焦马尔可夫链-蒙特卡罗方[0法0]，并列举实例展示Metropolis-Hastings和Gibbs的具体采样过程。 |
| 目录 |
序 前言 [0第0]1章 概率思想：构建理论基础1 1.1 理论基石：条[亻牛]概率、[0独0]立性与贝叶斯1 1.1.1 从概率到条[亻牛]概率1 1.1.2 条[亻牛]概率的具体描述2 1.1.3 条[亻牛]概率的表达式分析3 1.1.4 两个事[亻牛]的[0独0]立性4 1.1.5 从条[亻牛]概率到全概率公式5 1.1.6 聚焦贝叶斯公式6 1.1.7 本质内涵：由因到果，由果推因7 1.2 事[亻牛]的关系：深入理解[0独0]立性8 1.2.1 重[亲斤]梳理两个事[亻牛]的[0独0]立性8 1.2.2 不相容与[0独0]立性8 1.2.3 条[亻牛][0独0]立9 1.2.4 [0独0]立与条[亻牛][0独0]立11 1.2.5 [0独0]立重复实验11 [0第0]2章 变量分布：描述随[1机1]世界13 2.1 离散型随[1机1]变量：分布与数字特征13 2.1.1 从事[亻牛]到随[1机1]变量13 2.1.2 离散型随[1机1]变量及其要素14 2.1.3 离散型随[1机1]变量的分布列15 2.1.4 分布列和概率质量函数16 2.1.5 二项分布及二项随[1机1]变量17 2.1.6 几何分布及几何随[1机1]变量21 2.1.7 泊松分布及泊松随[1机1]变量24 2.2 连续型随[1机1]变量：分布与数字特征27 2.2.1 概率密度函数27 2.2.2 连续型随[1机1]变量区间概率的计算29 2.2.3 连续型随[1机1]变量的期望与方差29 2.2.4 正态分布及正态随[1机1]变量30 2.2.5 指数分布及指数随[1机1]变量33 2.2.6 均匀分布及其随[1机1]变量35 2.3 多元随[1机1]变量（上）：联合、边缘与条[亻牛]38 2.3.1 实验中引入多个随[1机1]变量38 2.3.2 联合分布列38 2.3.3 边缘分布列39 2.3.4 条[亻牛]分布列40 2.3.5 集中梳理核心的概率理论44 2.4 多元随[1机1]变量（下）：[0独0]立与相关46 2.4.1 随[1机1]变量与事[亻牛]的[0独0]立性46 2.4.2 随[1机1]变量之间的[0独0]立性47 2.4.3 [0独0]立性示例48 2.4.4 条[亻牛][0独0]立的概念48 2.4.5 [0独0]立随[1机1]变量的期望和方差50 2.4.6 随[1机1]变量的相关性分析及量化方[0法0]52 2.4.7 协方差及协方差矩阵52 2.4.8 相关系数的概念54 2.5 多元随[1机1]变量实践：聚焦多元正态分布55 2.5.1 再谈相关性：基于二元标准正态分布55 2.5.2 二元一般正态分布57 2.5.3 聚焦相关系数60 2.5.4 [0独0]立和相关性的关系64 2.6 多元高斯分布：参数特征和几何意义66 2.6.1 从一元分布到多元分布66 2.6.2 多元高斯分布的参数形式67 2.6.3 二元高斯分布的具体示例68 2.6.4 多元高斯分布的几何特征71 2.6.5 二元高斯分布几何特征实例分析74 [0第0]3章 参数估计：探寻[*][0大0]可能77 3.1 [0极0]限思维：[0大0]数定律与中心[0极0]限定理77 3.1.1 一个背景话题77 3.1.2 [0大0]数定律78 3.1.3 [0大0]数定律的模拟80 3.1.4 中心[0极0]限定理83 3.1.5 中心[0极0]限定理的工程意义84 3.1.6 中心[0极0]限定理的模拟85 3.1.7 [0大0]数定律的应用：蒙特卡罗方[0法0]86 3.2 推断未[0知0]：统计推断的基本框架89 3.2.1 进入统计[0学0]89 3.2.2 统计推断的例子90 3.2.3 统计推断中的一些重要概念91 3.2.4 估计量的偏差与无偏估计92 3.2.5 总体均值的估计93 3.2.6 总体方差的估计95 3.3 [0极0][0大0]似然估计100 3.3.1 [0极0][0大0]似然估计[0法0]的引例100 3.3.2 似然函数的由来102 3.3.3 [0极0][0大0]似然估计的思想103 3.3.4 [0极0][0大0]似然估计值的计算105 3.3.5 简单[0极0][0大0]似然估计案例106 3.3.6 高斯分布参数的[0极0][0大0]似然估计107 3.4 含有隐变量的参数估计问题110 3.4.1 参数估计问题的回顾110 3.4.2 [亲斤]情况：场景中含有隐变量111 3.4.3 迭代[0法0]：解决含有隐变量情形的抛硬币问题112 3.4.4 代码实验115 3.5 概率渐增：EM算[0法0]的合理性118 3.5.1 EM算[0法0]的背景介绍119 3.5.2 先抛出EM算[0法0]的迭代公式119 3.5.3 EM算[0法0]为什么是有效的120 3.6 探索EM公式的底层逻辑与由来123 3.6.1 EM公式中的E步和M步124 3.6.2 剖析EM算[0法0]的由来124 3.7 探索高斯混合模型：EM 迭代实践127 3.7.1 高斯混合模型的引入128 3.7.2 从混合模型的角度看内部[1机1]理129 3.7.3 高斯混合模型的参数估计131 3.8 高斯混合模型的参数求解132 3.8.1 利用 EM 迭代模型参数的思路132 3.8.2 参数估计示例136 3.8.3 高斯混合模型的应用场景139 [0第0]4章 随[1机1]过程：聚焦动态特征145 4.1 由静向动：随[1机1]过程导引145 4.1.1 随[1机1]过程场景举例1：博彩146 4.1.2 随[1机1]过程场景举例2：股价的变化150 4.1.3 随[1机1]过程场景举例3：股价变化过程的展现152 4.1.4 两类重要的随[1机1]过程概述154 4.2 状态转移：初识马尔可夫链155 4.2.1 马尔可夫链三要素155 4.2.2 马尔可夫性：灵魂特征156 4.2.3 转移概率和状态转移矩阵157 4.2.4 马尔可夫链性质的总结158 4.2.5 一步到达与多步转移的含义159 4.2.6 多步转移与矩阵乘[0法0]160 4.2.7 路径概率问题163 4.3 变与不变：马尔可夫链的[0极0]限与稳态164 4.3.1 [0极0]限与初始状态无关的情况164 4.3.2 [0极0]限依赖于初始状态的情况165 4.3.3 吸收态与收敛分析167 4.3.4 可达与常返168 4.3.5 周期性问题171 4.3.6 马尔可夫链的稳态分析和判定172 4.3.7 稳态的求[0法0]174 4.4 隐马尔可夫模型：明暗两条线176 4.4.1 从马尔可夫链到隐马尔可夫模型176 4.4.2 典型实例1：盒子摸球实验177 4.4.3 典型实例2：小[1宝1][1宝1]的日常生活180 4.4.4 隐马尔可夫模型的外在表征181 4.4.5 推动模型运行的内核三要素182 4.4.6 关键性质：齐次马尔可夫性和观测[0独0]立性183 4.5 概率估计：隐马尔可夫模型观测序列描述183 4.5.1 隐马尔可夫模型的研究内容183 4.5.2 模型研究问题的描述185 4.5.3 一个直观的思路186 4.5.4 更[0优0]的方[0法0]：前向概率算[0法0]187 4.5.5 概率估计实践190 4.5.6 代码实践192 4.6 状态解码：隐马尔可夫模型隐状态揭秘194 4.6.1 隐状态解码问题的描述194 4.6.2 [*][0大0]路径概率与维特比算[0法0]195 4.6.3 应用维特比算[0法0]进行解码197 4.6.4 维特比算[0法0]的案例实践199 4.6.5 代码实践202 4.7 连续域上的无限维：高斯过程204 4.7.1 高斯过程的一个实际例子205 4.7.2 高斯过程的核心要素和严谨描述206 4.7.3 径向基函数的代码演示207 4.7.4 高斯过程回归原理详解208 4.7.5 高斯过程回归代码演示210 [0第0]5章 统计推断：贯穿近似策略215 5.1 统计推断的基本思想和分类215 5.1.1 统计推断的根源和场景215 5.1.2 后验分布：推断过程的关注重点216 5.1.3 精确推断和近似推断216 5.1.4 确定性近似：变分推断概述217 5.2 随[1机1]近似方[0法0]219 5.2.1 蒙特卡罗方[0法0]的理论支撑219 5.2.2 随[1机1]近似的核心：蒙特卡罗220 5.2.3 接受-拒[纟色]采样的问题背景221 5.2.4 接受-拒[纟色]采样的方[0法0]和步骤221 5.2.5 接受-拒[纟色]采样的实践222 5.2.6 接受-拒[纟色]采样方[0法0]背后的内涵挖掘225 5.2.7 重要性采样226 5.2.8 两种采样方[0法0]的问题及思考227 5.3 采样[纟色]佳途径：借助马尔可夫链的稳态性质228 5.3.1 马尔可夫链回顾228 |
| 编辑推荐 |
| 深入挖掘[1机1]器[0学0]习算[0法0]所涉及的概率统计核心[0知0]识 利用Python工具和典型案例构建理论实践体系 |