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。
无
计算机/机器学习
图模型是一种日益重要且流行的框架,本书最大的特点正是通过图模型构建起关于机器学习及其相关领域的统一框架。本书的另一个特点在于从传统人工智能向现代机器学习的平稳过渡。全书行文流畅,读来收获满满。无论你是否具备专业的数学背景,本书都将成为有益的参考。
——Zheng-Hua Tan,奥尔堡大学
书中讲解图模型的章节,是我所读过的最清晰、最简洁的关于图模型的阐述。其中包含大量的图表和示例,并且提供丰富的软件工具箱——这些对学生和教师都有极大的帮助。此外,本书也是相当不错的自学资源。
——Arindam Banerjee,明尼苏达大学
我曾多次收到学生的评论,他们说这本书的内容对于理解机器学习非常有帮助。我的学生纷纷称赞这本书,因为它内容连贯且实用性强,而且相对于其他同类书籍,本书对读者的统计学背景要求较少。
——Amos Storkey,爱丁堡大学
本书提供机器学习课程所需的一切,包括易读的教材、示例、练习题、教师指南、MATLAB工具箱和配套网站。只等学生走进课堂开始学习。
——Jaakko Hollmén,阿尔托大学