發表於2024-11-05
緻謝 29
插圖目錄 31
算法目錄 39
專欄目錄 41
第 1章引言 .. 1
1.1動機 . 1
1.2結構化概率模型 . 2
1.2.1 概率圖模型 . 3
1.2.2 錶示、推理、學習 . 5
1.3概述和路綫圖 . 6
1.3.1 各章的概述 . 6
1.3.2 讀者指南 . 9
1.3.3 與其他學科的聯係 ... 10
1.4曆史注記 ... 12
第 2章 基礎知識 15
2.1概率論 ... 15
2.1.1 概率分布 ... 15
2.1.2 概率中的基本概念 ... 17
2.1.3 隨機變量與聯閤分布 ... 19
2.1.4 獨立性與條件獨立性 ... 22
2.1.5 查詢一個分布 ... 25
2.1.6 連續空間 ... 27
2.1.7 期望與方差 ... 30
2.2圖 ... 33
2.2.1 節點與邊 ... 33
2.2.2 子圖... 34
2.2.3 路徑與跡 ... 35
2.2.4 圈與環 ... 36
2.3相關文獻 ... 37
2.4習題 ... 38
第Ⅰ部分錶示 第 3章貝葉斯網錶示 45
3.1獨立性性質的利用 ... 45
3.1.1 隨機變量的獨立性 ... 45
3.1.2 條件參數化方法 ... 46
3.1.3 樸素貝葉斯模型 ... 48
3.2貝葉斯網 ... 51
3.2.1 學生示例迴顧 ... 51
3.2.2 貝葉斯網的基本獨立性 ... 55
3.2.3 圖與分布 ... 59
3.3圖中的獨立性 ... 68
3.3.1 d-分離 ... 68
3.3.2 可靠性與完備性 ... 71
3.3.3 d-分離算法 ... 73
3.3.4 I-等價 75
3.4從分布到圖 ... 77
3.4.1 昀小 I-map 78
3.4.2 P-map 80
3.4.3 發現 P-map* . 82
3.5小結 ... 91
3.6相關文獻 ... 92
3.7習題 ... 95
第 4章無嚮圖模型 .. 103
4.1誤解示例 . 103
4.2參數化 . 106
4.2.1 因子. 106
4.2.2 吉布斯分布與馬爾可夫網 . 107
4.2.3 簡化的馬爾可夫網 . 110
4.3馬爾可夫網的獨立性 . 113
4.3.1 基本獨立性 . 113
4.3.2 獨立性迴顧 . 116
4.3.3 從分布到圖 . 119
4.4參數化迴顧 . 121
4.4.1 細粒度參數化方法 . 121
4.4.2 過參數化 . 127
4.5貝葉斯網與馬爾可夫網 . 132
4.5.1 從貝葉斯網到馬爾可夫網 . 132
4.5.2 從馬爾可夫網到貝葉斯網 . 136
4.5.3 弦圖. 138
4.6部分有嚮模型 . 140
4.6.1 條件隨機場 . 141
4.6.2 鏈圖模型 *... 146
4.7總結與討論 . 149
4.8相關文獻 . 150
4.9習題 . 151
第 5章局部概率模型 .. 155
5.1 CPD錶 155
5.2確定性 CPD 156
5.2.1 錶示. 156
5.2.2 獨立性 . 157
5.3特定上下文 CPD 160
5.3.1 錶示. 160
5.3.2 獨立性 . 168
5.4因果影響的獨立性 . 172
5.4.1 Noisy-or模型 . 172
5.4.2 廣義綫性模型 . 175
5.4.3 一般公式化錶示 . 179
5.4.4 獨立性 . 180
5.5連續變量 . 181
5.5.1 混閤模型 . 185
5.6條件貝葉斯網 . 187
5.7總結 . 189
5.8相關文獻 . 189
5.9習題 . 191
第 6章基於模闆的錶示 .. 195
6.1引言 . 195
6.2時序模型 . 196
6.2.1 基本假設 . 196
6.2.2 動態貝葉斯網 . 198
6.2.3 狀態-觀測模型 ... 203
6.3模闆變量與模闆因子 . 208
6.4對象-關係領域的有嚮概率模型 211
6.4.1 Plate模型 211
6.4.2 概率關係模型 . 217
6.5無嚮錶示 . 223
6.6結構不確定性 * ... 227
6.6.1 關係不確定性 . 227
6.6.2 對象不確定性 . 230
6.7小結 . 235
6.8相關文獻 . 236
6.9習題 . 237
第 7章高斯網絡模型 .. 241
7.1多元高斯分布 . 241
7.1.1 基本參數化方法 . 241
7.1.2 高斯分布的運算 . 243
7.1.3 高斯分布的獨立性 . 244
7.2高斯貝葉斯網 . 245
7.3高斯馬爾可夫隨機場 . 248
7.4小結 . 251
7.5相關文獻 . 251
7.6習題 . 252
第 8章指數族 .. 255
8.1引言 . 255
8.2指數族 . 255
8.2.1 綫性指數族 . 257
8.3因式化的指數族( factored exponential families)... 260
8.3.1 乘積分布( product distributions) 260
8.3.2 貝葉斯網 . 261
8.4熵和相對熵 . 263
8.4.1 熵. 263
8.4.2 相對熵 . 266
8.5投影 . 267
8.5.1 比較. 268
8.5.2 M-投影 270
8.5.3 I-投影 .. 275
8.6小結 . 275
8.7相關文獻 . 276
8.8習題 . 276
第Ⅱ部分推理 第 9章精確推理:變量消除 .. 281
9.1復雜性分析 . 281
9.1.1 精確推理分析 . 282
9.1.2 近似推理分析 . 284
9.2變量消除:基本思路 . 286
9.3變量消除 . 290
9.3.1 基本消除 . 290
9.3.2 證據處理 . 295
9.4復雜度與圖結構:變量消除 . 298
9.4.1 簡單分析 . 298
9.4.2 圖論分析 . 299
9.4.3 尋找消除順序 *... 302
9.5條件作用 * ... 308
9.5.1 條件作用算法 . 308
9.5.2 條件作用與變量消除 . 309
9.5.3 圖論分析 . 313
9.5.4 改進的條件作用算法 . 314
9.6用結構 CPD推理*.. 316
9.6.1 因果影響的獨立性 . 316
9.6.2 上下文特定的獨立性 . 319
9.6.3 討論. 326
9.7總結和討論 . 327
9.8相關文獻 . 328
9.9習題 . 329
第 10章精確推理:團樹 337
10.1 變量消除與團樹 ... 337
10.1.1 聚類圖 . 337
10.1.2 團樹. 338
10.2 消息傳遞:和積 ... 340
10.2.1 團樹中的變量消除 . 341
10.2.2 團樹校準 . 346
10.2.3 將校準團樹作為一個分布 . 352
10.3 消息傳遞:置信更新 ... 355
10.3.1 使用除法的消息傳遞 . 356
10.3.2 和-積與置信-更新消息的等價性 .. 359
10.3.3 迴答查詢 . 360
10.4 構建一個團樹 ... 364
10.4.1 源自變量消除的團樹 . 364
10.4.2 源自弦圖的團樹 . 365
10.5 小結 ... 367
10.6 相關文獻 ... 368
10.7 習題 ... 369
第 11章作為優化的推理 373
11.1引言 ... 373
11.1.1 再議精確推理 * ... 374
11.1.2 能量泛函 . 376
11.1.3 優化能量泛函 . 377
11.2作為優化的精確推理 ... 378
11.2.1 不動點刻畫 . 379
11.2.2 推理優化 . 382
11.3基於傳播的近似 ... 382
11.3.1 一個簡單的例子 . 383
11.3.2 聚類圖置信傳播 . 387
11.3.3 聚類圖置信傳播的性質 . 391
11.3.4 收斂性分析 * ... 393
11.3.5 構建聚類圖 . 395
11.3.6 變分分析 . 401
11.3.7 其他熵近似 * ... 404
11.3.8 討論. 417
11.4近似消息傳播 *.. 419
11.4.1 因子分解的消息 . 419
11.4.2 近似消息計算 . 422
11.4.3 近似消息推理 . 425
11.4.4 期望傳播 . 431
11.4.5 變分分析 . 434
11.4.6 討論. 436
11.5結構化的變分近似 ... 437
11.5.1 平均場近似 . 438
11.5.2 結構化的近似 . 445
11.5.3 局部變分法 * ... 456
11.6總結與討論 ... 460
11.7相關文獻 ... 462
11.8習題 ... 464
第 12章基於粒子的近似推理 475
12.1 前嚮采樣 ... 476
12.1.1 從貝葉斯網中采樣 . 476
12.1.2 誤差分析 . 478
12.1.3 條件概率查詢 . 479
12.2 似然加權與重要性采樣 ... 480
12.2.1 似然加權:直覺 . 480
12.2.2 重要性采樣 . 482
12.2.3 貝葉斯網的重要性采樣 . 486
12.2.4 重要性采樣迴顧 . 492
12.3 馬爾可夫鏈的濛特卡羅方法 ... 492
12.3.1 吉布斯采樣算法 . 493
12.3.2 馬爾可夫鏈 . 494
12.3.3 吉布斯采樣迴顧 . 499
12.3.4 馬爾可夫鏈的一個更廣泛的類 * ... 502
12.3.5 馬爾可夫鏈的使用 . 505
12.4 坍塌的粒子 ... 512
12.4.1 坍塌的似然加權 *... 513
12.4.2 坍塌的 MCMC ... 517
12.5 確定性搜索方法 * . 522
12.6 小結 ... 525
12.7 相關文獻 ... 527
12.8 習題 ... 529
第 13章最大後驗概率推理 537
13.1 綜述 ... 537
13.1.1 計算復雜性 . 537
13.1.2 解決方法綜述 . 538
13.2 (邊緣) MAP的變量消除.. 540
13.2.1 昀大-積變量消除 ... 540
13.2.2 找到昀可能的賦值 . 542
13.2.3 邊緣 MAP的變量消除* 545
13.3 團樹中的昀大 -積.. 547
13.3.1 計算昀大 -邊緣 ... 548
13.3.2 作為再參數化的信息傳遞 . 549
13.3.3 昀大-邊緣解碼 ... 550
13.4 多圈聚類圖中的昀大 -積置信傳播 .. 553
13.4.1 標準昀大 -積消息傳遞 ... 553
13.4.2 帶有計數的昀大 -積 BP* 557
13.4.3 討論. 560
13.5 作為綫性優化問題的 MAP* 562
13.5.1 整數規劃的公式化 . 562
13.5.2 綫性規劃鬆弛 . 564
13.5.3 低溫極限 . 566
13.6 對 MAP使用圖割. 572
很高興能夠看到我們所著的《概率圖模型》一書被翻譯為中文齣版。我們瞭解到這本書涵蓋的課題已在中國引起瞭巨大的興趣。已有眾多中國讀者寫信嚮我們解釋這本書對於他們的學習的重要性,並希望獲得更易理解的版本。隨著眾多來自中國研究機構或國外研究機構的中國學者署名或共同署名的文章的發錶,中國研究者已在概率圖領域中扮演瞭非常重要的角色。這些文章對於概率圖模型領域的發展起到瞭非常重要的作用。我們相信《概率圖模型》中文版的齣版將幫助許多中國讀者學習並掌握這一重要課題的基礎。同時,這也將進一步提高中國學者應用概率圖模型思想的能力,並為這一領域的發展做齣貢獻。
本書的翻譯工作由王飛躍研究員主導,並得到瞭王玨研究員及其眾多助手和閤作者的支持。這是一份曆時 5年、具有裏程碑意義的努力,我深深地感謝該團隊所有為本書翻譯做齣貢獻的人員。我尤其希望藉此機會感謝王玨研究員——一位中國機器學習領域的開拓者。王玨研究員是此項翻譯工作的十分重要的推動者。沒有他的支持,沒有他的眾多傑齣的機器學習領域的學生的幫助,可能這項工作到現在還沒有結果。很遺憾王玨研究員於 2014年 12月死於癌癥,終年 66歲,已不能看到他努力的結果。然而,他的思想活在他的學生們的工作中,與本書的齣版同在。
Daphne Koller
(復雜係統管理與控製國傢重點實驗室王曉翻譯)
概率圖模型:原理與技術 下載 mobi pdf epub txt 電子書 格式 2024
概率圖模型:原理與技術 下載 mobi epub pdf 電子書很好很有用的很有價值的書 值得一看 值得研究
評分中文版看起來快
評分很好,good,開心
評分概率圖領域的經典書籍,一部大部頭,估計得讀一段時間瞭。大緻翻瞭一下,感覺翻譯質量還可以,對於相關領域的技術人員,確實有很大幫助。
評分好厚啊,好重啊,錶示要好好看懂這本書。
評分不錯,很好的選擇,值得購買
評分非常好的書,紙質很好很厚,值得讀
評分是正版,涉及到人工智能多方麵知識,正是需要的
評分印刷質量杠杠的
概率圖模型:原理與技術 mobi epub pdf txt 電子書 格式下載 2024