《機率圖模型和深度神經網路》是北京郵電大學出版社出版書籍。
基本介紹
- 中文名：機率圖模型和深度神經網路
- 作者：劉瑞芳+高升
- 出版時間：2023年1月18日
- 出版社：北京郵電大學出版社
- ISBN：9787563568062
內容簡介,圖書目錄,
內容簡介
本書講解機率圖模型的基本原理及其在機器學習、大數據建模、深度神經網路模型中的套用,並且從機率圖模型的角度講解機器學習算法、深度神經網路模型的機率原理，培養學生“知其然，並知其所以然”的思維方式，解決學生套用建模時僅局限於模型選型和調參的問題。
本書內容豐富，將原理與實例相結合，數學與代碼相結合，可作為高等院校的人工智慧相關專業本科生和研究生課程的教材，也可供相關領域的科研人員和工程技術人員參閱。
圖書目錄
第1部分基礎篇
第1章機率圖模型基礎3
1.1基本概念3
1.2貝葉斯網路7
1.2.1機率基礎7
1.2.2圖論基礎8
1.2.3有向圖模型的條件獨立性9
1.2.4樸素貝葉斯分類器11
1.3馬爾可夫隨機場18
1.3.1無向圖基礎18
1.3.2無向圖模型的條件獨立性19
1.3.3聯合機率的定義20
1.3.4Ising模型20
1.4圖模型的表達能力23
第2章機器學習基礎26
2.1基本概念26
2.2機器學習問題建模27
2.3機器學習問題求解30
2.3.1目標函式31
2.3.2最佳化算法32
2.4回歸模型35
2.4.1線性回歸35
2.4.2線性回歸的機率圖模型37
2.5模型容量和模型選擇42
第3章人工神經網路基礎46
3.1神經元模型46
3.1.1激活函式47
3.1.2最大似然估計48
3.1.3最大後驗估計49
3.1.4全貝葉斯估計50
3.2多層前饋神經網路52
3.2.1模型表示52
3.2.2誤差逆傳播算法53
3.3反饋神經網路58
3.4循環神經網路60
3.5門控循環神經網路64
3.6深度神經網路66
第4章大數據基礎69
4.1基本概念69
4.1.1大數據源69
4.1.2數據的發展史71
4.1.3大數據的特點74
4.1.4大數據套用74
4.2數據處理76
4.2.1數據收集76
4.2.2數據集成77
4.2.3數據清洗78
4.2.4數據轉換79
4.3數據分析80
4.3.1數據質量分析81
4.3.2數據特徵分析84
4.3.3特徵選擇與數據抽取86
4.4自然語言處理技術基礎87
4.5圖像處理技術基礎91
第2部分機率圖模型套用篇
第5章高斯混合模型101
5.1海量圖像聚類101
5.1.1套用分析101
5.1.2數據分析101
5.2套用建模103
5.3模型推斷與學習104
5.3.1模型推斷104
5.3.2EM算法105
5.3.3模型學習106
第6章隱變數模型111
6.1因子分析111
6.2機率主成分分析112
6.3獨立成分分析114
6.3.1套用分析114
6.3.2數據處理114
6.3.3套用建模115
6.4稀疏編碼與壓縮感知119
第7章主題模型122
7.1熱點話題檢測122
7.1.1套用分析122
7.1.2數據處理123
7.2套用建模123
7.2.1潛在語義分析123
7.2.2機率潛在語義分析124
7.2.3LDA125
7.3LDA主題模型的學習與推斷126
第8章張量分解模型133
8.1機率矩陣分解133
8.1.1推薦套用分析133
8.1.2矩陣分解134
8.1.3機率矩陣分解模型135
8.1.4模型學習和推薦136
8.2張量分解137
8.2.1基本概念137
8.2.2帶缺失值的張量分解139
8.2.3稀疏張量分解141
8.3張量分解的套用143
8.3.1圖像補全143
8.3.2視頻場景切分145
第9章隱馬爾可夫模型147
9.1中文分詞147
9.2套用建模147
9.3模型學習與推斷149
9.3.1模型學習149
9.3.2套用推斷153
第10章條件隨機場157
10.1基本概念157
10.1.1線性鏈條件隨機場157
10.1.2複雜CRF結構160
10.2模型學習和推斷160
10.3套用舉例162
10.4CRF與HMM的關係165
第11章混合圖模型167
11.1基本概念167
11.2套用舉例167
第12章因子圖模型173
12.1基本概念173
12.2和積算法174
12.3套用舉例176
第3部分深度神經網路套用篇
第13章卷積神經網路185
13.1卷積運算185
13.2卷積神經網路模型186
13.2.1卷積層186
13.2.2池化層188
13.2.3全連線層188
13.3殘差網路192
第14章玻爾茲曼機網路197
14.1玻爾茲曼機簡介197
14.2受限玻爾茲曼機199
14.3深度玻爾茲曼機203
14.4深度信念網路204
第15章神經機率語言模型207
15.1基於前饋神經網路的語言模型207
15.2基於RBM的語言模型212
15.2.1Factored RBM語言模型213
15.2.2對數雙線性模型214
15.3基於RNN的語言模型215
第16章神經機器翻譯模型219
16.1機器翻譯219
16.2序列序列模型220
16.2.1編碼器221
16.2.2解碼器222
16.2.3模型學習223
16.2.4模型推斷223
16.3注意力機制225
16.3.1基本原理225
16.3.2Transformer模型227
第17章編碼神經網路231
17.1自編碼器231
17.1.1基本原理231
17.1.2降噪自編碼器232
17.1.3堆疊自編碼器232
17.2變分自編碼器234
第18章圖神經網路241
18.1基本概念241
18.2圖卷積基礎242
18.2.1圖信號處理243
18.2.2圖傅立葉變換244
18.2.3圖濾波器245
18.2.4圖卷積網路246
18.2.5GraphSAGE網路248
18.3圖注意力網路250
第19章自回歸模型253
19.1基本概念253
19.1.1完全可見貝葉斯網路253
19.1.2神經自回歸網路254
19.1.3神經自回歸密度估計255
19.2圖像生成255
19.2.1PixelRNN256
19.2.2PixelCNN257
19.3音頻生成262
附錄1常用的機率分布268
附錄2共軛分布271
附錄3矩陣變換基礎274
附錄4採樣推斷法276
附錄5變分推斷算法281
參考文獻284
