Probabilistic Graphical Models pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

Most tasks require a person or an automated system to reason--to reach conclusions based on available information. The framework of probabilistic graphical models, presented in this book, provides a general approach for this task. The approach is model-based, allowing interpretable models to be constructed and then manipulated by reasoning algorithms. These models can also be learned automatically from data, allowing the approach to be used in cases where manually constructing a model is difficult or even impossible. Because uncertainty is an inescapable aspect of most real-world applications, the book focuses on probabilistic models, which make the uncertainty explicit and provide models that are more faithful to reality. Probabilistic Graphical Models discusses a variety of models, spanning Bayesian networks, undirected Markov networks, discrete and continuous models, and extensions to deal with dynamical systems and relational data. For each class of models, the text describes the three fundamental cornerstones: representation, inference, and learning, presenting both basic concepts and advanced techniques. Finally, the book considers the use of the proposed framework for causal reasoning and decision making under uncertainty. The main text in each chapter provides the detailed technical development of the key ideas. Most chapters also include boxes with additional material: skill boxes, which describe techniques; case study boxes, which discuss empirical cases related to the approach described in the text, including applications in computer vision, robotics, natural language understanding, and computational biology; and concept boxes, which present significant concepts drawn from the material in the chapter. Instructors (and readers) can group chapters in various combinations, from core topics to more technically advanced material, to suit their particular needs.

緻謝
插圖目錄
算法目錄
專欄目錄
第1章 引言
1.1 動機
1.2結構化概率模型
1.2.1概率圖模型
1.2.2錶示、推理、學習
1.3概述和路綫圖
1.3.1各章的概述
1.3.2讀者指南
1.3_3與其他學科的聯係
1.4曆史注記
第2章基礎知識
2.1 概率論
2.1.1概率分布
2.1.2概率中的基本概念
2.1.3隨機變量與聯閤分布
2.1.4獨立性與條件獨立性
2.1.5查詢一個分布
2.1.6連續空間
2.1.7期望與方差
2.2 圖
2.2.1 節點與邊
2.2.2 子圖
2.2.3 路徑與跡
2.2.4圈與環
2.3相關文獻
2.4 習題
第Ⅰ部分錶 示
第3章 貝葉斯網錶示
3.1獨立性性質的利用
3.1.1隨機變量的獨立性
3.1.2條件參數化方法
3.1.3樸素貝葉斯模型
3.2 貝葉斯網
3.2.1學生示例迴顧
3.2.2 貝葉斯網的基本獨立性
3.2.3 圖與分布
3.3 圖中的獨立性
3.3.1 d.分離
3.3.2可靠性與完備性
3.3.3 d.分離算法
3.3.4 1.等價
3.4從分布到圖
3.4.1 最小I—map
3.4.2 P—map
3.4.3 發現P—map
3.5 小結
3.6相關文獻
3.7 習題
第4章無嚮圖模型
4.1 誤解示例
4.2 參數化
4.2.1因子
4.2.2吉布斯分布與馬爾可夫網
4.2.3簡化的馬爾可夫網
4.3馬爾可夫網的獨立性
4.3.1基本獨立性
4.3.2獨立性迴顧
4.3.3從分布到圖
4.4參數化迴顧
4.4.1細粒度參數化方法
4.4.2過參數化
4.5 貝葉斯網與馬爾可夫網
4.5.1 從貝葉斯網到馬爾可夫網
4.5.2從馬爾可夫網到貝葉斯網
4.5.3 弦圖
4.6部分有嚮模型
4.6.1條件隨機場
4.6.2鏈圖模型
4.7總結與討論
4.8相關文獻
4.9 習題
第5章局部概率模型
5.1 CPD錶
5.2確定性CPD
5.2.1 錶示
5.2.2獨立性
5.3特定上下文CPD
5.3.1 錶示
5.3.2獨立性
5.4因果影響的獨立性
5.4.1 Noisy—or模型
5.4.2廣義綫性模型
5.4.3一般公式化錶示
5.4.4獨立性
5.5連續變量
5.5.1混閤模型
5.6條件貝葉斯網
5.7總結
5.8相關文獻
5.9習題
第6章基於模闆的錶示
6.1引言
6.2時序模型
6.2.1基本假設
6.2.2動態貝葉斯網
6.2.3狀態—觀測模型
6.3模闆變量與模闆因子
6.4對象—關係領域的有嚮概率模型
6.4.1 Plate模型
6.4.2概率關係模型
6.5無嚮錶示
6.6結構不確定性
6.6.1關係不確定性
6.6.2對象不確定性
6.7小結
6.8 相關文獻
6.9習題
第7章高斯網絡模型
7.1 多元高斯分布
7.1.1基本參數化方法
7.1.2高斯分布的運算
7.1.3高斯分布的獨立性
7.2高斯貝葉斯網
7.3 高斯馬爾可夫隨機場
7.4 小結
7.5相關文獻
7.6習題
第8章指數族
8.1 引言
8.2 指數族
8.2.1綫性指數族
8.3因式化的指數族（factored exponential families）
8.3.1乘積分布（product distributions）
8.3.2 貝葉斯網
8.4熵和相對熵
8.4.1 熵
8.4.2相對熵
8.5 投影
8.5.1 比較
8.5.2 M.投影
8.5.3 I—投影
8.6 小結
8.7相關文獻
8.8 習是亟
第Ⅱ部分推 理
第Ⅲ部分學習
第Ⅳ部分行為與決策
· · · · · · (收起)