贝叶斯推理与机器学习

本书全面介绍贝叶斯推理与机器学习，涉及基本概念、理论推导和直观解释，涵盖各种实用的机器学习算法，包括朴素贝叶斯、高斯模型、马尔可夫模型、线性动态系统等。本书在介绍方法的同时，强调概率层面的理论支持，可帮助读者加强对机器学习本质的认识，尤其适合想要学习机器学习中的概率方法的读者。

本书全面介绍贝叶斯推理与机器学习，涉及基本概念、理论推导和直观解释，涵盖各种实用的机器学习算法，包括朴素贝叶斯、高斯模型、马尔可夫模型、线性动态系统等。本书在介绍方法的同时，强调概率层面的理论支持，可帮助读者加强对机器学习本质的认识，尤其适合想要学习机器学习中的概率方法的读者。本书首先介绍概率论和图的基础概念，然后以图模型为切入点，用一种统一的框架讲解从基本推断到高阶算法的知识。本书不仅配有BRML工具箱，而且提供大量MATLAB代码实例，将概率模型与编程实践相结合，从而帮助读者更好地理解模型方法。

 作者简介：

大卫·巴伯 （David Barber）  伦敦大学学院计算机系教授，研究兴趣是概率建模和推理及其应用。他目前担任伦敦大学学院人工智能中心主管，该中心旨在开发下一代人工智能技术。此外，他还是艾伦·图灵研究所的研究员，创业公司Re:infer的首席科技官，Humanloop的联合创始人，UiPath的杰出软件工程师。他拥有剑桥大学数学学士学位，爱丁堡大学理论物理学博士学位。

译者简介：

徐增林  哈尔滨工业大学（深圳）计算机科学与技术学院教授、博士生导师，国家青年特聘专家。主要研究兴趣为机器学习及其在社交网络分析、计算机视觉、自然语言处理、健康信息学、网络空间安全等方面的应用。在包括NIPS、ICML、IJCAI、AAAI、IEEE TPAMI、IEEE TNNLS在内的著名会议和期刊上发表论文100多篇，担任JMLR、IEEE TPAMI等机器学习和人工智能领域主要期刊的审稿人。