概率图模型原理与应用（第2版） mobi 下载 网盘 caj lrf pdf txt 阿里云

《概率图模型原理与应用：第2版》分为4部分：第Ⅰ部分给出P***的总体介绍和动机，并回顾概率论和图论的必要背景知识；第Ⅱ部分描述不考虑决策或效用的模型：贝叶斯分类器、隐马尔可夫模型、马尔可夫随机场、贝叶斯网络、动态和时态贝叶斯网络；第Ⅲ部分首先简要介绍决策理论，然后描述支持决策的模型，包括决策树、影响图、马尔可夫决策过程和部分可观察马尔可夫决策过程；第Ⅳ部分对标准P***进行了扩展，包括关系概率图模型和因果图模型(因果推理和因果发现)，还对深度学习及其与P***的关系进行介绍。

第Ⅰ部分  基本原理

第1章  导论 3

1.1  不确定性 3

1.2  简要回顾 4

1.3  基本概率模型 5

1.4  概率图模型 8

1.5  表示、推理与学习 9

1.6  应用 10

1.7  本书概述 11

1.8  补充阅读 12

第2章  概率论 13

2.1  引言 13

2.2  基本规则 14

2.3  随机变量 16

2.4  信息论 20

2.5  补充阅读 21

2.6  练习 21

第3章  图论 23

3.1  定义 23

3.2  图的类型 24

3.3  迹和回路 25

3.4  图同构 26

3.5  树 27

3.6  团 29

3.7  完美序 29

3.8  排序和三角剖分算法 31

3.8.1  基数搜索 31

3.8.2  图的填充 31

3.9  补充阅读 32

3.10  练习 32

第Ⅱ部分  概率模型

第4章  贝叶斯分类器 37

4.1  引言 37

4.2  贝叶斯分类器简介 39

4.3  高斯朴素贝叶斯分类器 42

4.4  替代模型：TAN、BAN 43

4.5  半朴素贝叶斯分类器 44

4.6  多维贝叶斯分类器 46

4.6.1  多维贝叶斯网络

分类器 47

4.6.2  链式分类器 48

4.7  层次分类 50

4.7.1  链式路径评估 51

4.7.2  使用贝叶斯网络进行

层次分类 52

4.8  应用 53

4.8.1  可视皮肤检测 53

4.8.2  HIV药物选择 55

4.9  补充阅读 56

4.10  练习 57

第5章  隐马尔可夫模型 59

5.1  引言 59

5.2  马尔可夫链 60

5.2.1  参数估计 62

5.2.2  收敛性 62

5.3  隐马尔可夫模型简介 63

5.3.1  评估 65

5.3.2  状态估计 67

5.3.3  学习 68

5.3.4  高斯隐马尔可夫模型 70

5.3.5  扩展 70

5.4  应用 72

5.4.1  PageRank 72

5.4.2  手势识别 73

5.5  补充阅读 74

5.6  练习 75

第6章  马尔可夫随机场 77

6.1  引言 77

6.2  马尔可夫随机场简介 78

6.3  吉布斯随机场 81

***  推理 82

6.5  参数估计 83

6.6  条件随机场 85

6.7  应用 86

6.7.1  图像平滑化 86

6.7.2  改进图像标注 88

6.8  补充阅读 90

6.9  练习 90

第7章  贝叶斯网络：表征与

推理 92

7.1  引言 92

7.2  表征 93

7.2.1  结构 94

7.2.2  参数 97

7.3  推理 101

7.3.1  单连通网络：置信

传播 102

7.3.2  多连接网络 107

7.3.3  近似推理 115

7.3.4  可能解释 118

7.3.5  连续变量 118

7.4  应用 120

7.4.1  信息验证 120

7.4.2  可靠性分析 123

7.5  补充阅读 125

7.6  练习 125

第8章  贝叶斯网络：学习 127

8.1  引言 127

8.2  参数学习 127

8.2.1  平滑 128

8.2.2  参数不确定性 128

8.2.3  缺失数据 129

8.2.4  离散化 132

8.3  结构学习 133

8.3.1  树状学习 134

8.3.2  多重树学习 136

8.3.3  搜索和评分技术 137

8.3.4  ***性检验技术 141

8.4  结合专家知识和数据 142

8.5  迁移学习 143

8.6  应用 144

8.6.1  墨西哥城的空气污染

模型 144

8.6.2  使用贝叶斯网络进行

农业规划 147

8.7  补充阅读 148

8.8  练习 148

第9章  动态和时态贝叶斯网络 151

9.1  引言 151

9.2  动态贝叶斯网络 151

9.2.1  推理 152

9.2.2  抽样 153

9.2.3  学习 156

9.2.4  动态贝叶斯网络

分类器 157

9.3  时间事件网络 157

9.4  应用 162

9.4.1  DBN：手势识别 162

9.4.2  TNBN：预测HIV病毒

的突变途径 164

9.5  补充阅读 166

9.6  练习 167

第Ⅲ部分  决策模型

第10章  决策图 171

10.1  引言 171

10.2  决策理论 171

10.3  决策树 174

10.4  影响图 176

10.4.1  建模 176

10.4.2  评估 177

10.4.3  扩展 183

10.5  应用 184

10.5.1  肺癌的决策支持

系统 184

10.5.2  决策理论看护人 187

10.6  补充阅读 189

10.7  练习 190

第11章  马尔可夫决策过程 191

11.1  引言 191

11.2  建模 191

11.3  评估 194

11.3.1  值迭代 195

11.3.2  策略迭代 195

11.3.3  复杂性分析 196

11.4  分解MDP 196

11.4.1  抽象法 198

11.4.2  分解法 199

11.5  应用 200

11.5.1  发电厂运营 200

11.5.2  机器人任务协调 202

11.6  补充阅读 205

11.7  练习 205

第12章  部分可观察的马尔可夫

  决策过程 207

12.1  引言 207

12.2  表示 208

12.3  解决方案技术 209

12.3.1  值函数 211

12.3.2  解决方案的算法 214

12.4  应用 216

12.4.1  虚拟康复中的

自适应 216

12.4.2  用于机器人任务规划

的分层POMDP 218

12.5  补充阅读 221

12.6  练习 221

第Ⅳ部分  关系概率图模型、因果图模型和深度模型

第13章  关系概率图模型 225

13.1  引言 225

13.2  逻辑 226

13.2.1  命题逻辑 226

13.2.2  一阶谓词逻辑 227

13.3  概率关系模型 229

13.3.1  推理 230

13.3.2  学习 231

13.4  马尔可夫逻辑网络 231

13.4.1  推理 232

13.4.2  学习 233

13.5  应用 233

13.5.1  学生建模 233

13.5.2  视觉语法 235

13.6  补充阅读 238

13.7  练习 238

第14章  因果图模型 240

14.1  引言 240

14.2  因果贝叶斯网络 241

14.3  因果推理 244

14.3.1  预测 245

14.3.2  反事实 246

14.4  前门和后门准则 247

14.4.1  后门准则 247

14.4.2  前门准则 248

14.5  应用 248

14.5.1  描述不公平模式 249

14.5.2  用因果模型加速

强化学习 250

14.6  补充阅读 253

14.7  练习 253

第15章  因果发现 256

15.1  引言 256

15.2  图的类型 258

15.2.1  因果充分性下的

马尔可夫等价类 258

15.2.2  具有未测量变量的

马尔可夫等价类 259

15.3  因果发现算法 261

15.3.1  基于分数的因果

发现 261

15.3.2  基于约束的因果

发现 262

15.3.3  线性模型因果发现 266

15.4  应用 268

15.4.1  学习ADHD的因果

模型 268

15.4.2  基于fNIRS的大脑

有效连接解码 269

15.5  补充阅读 270

15.6  练习 271

第16章  深度学习和图模型 272

16.1  引言 272

16.2  神经网络和深度学习

   回顾 273

16.2.1  简史 273

16.2.2  深度神经网络 275

16.3  图模型和神经网络 277

16.3.1  朴素贝叶斯分类器与

感知器比较 277

16.3.2  贝叶斯网络与多层

神经网络比较 278

1***  混合模式 279

1***.1  测试贝叶斯网络 279

1***.2  整合图和深度模型 281

16.5  应用 282

16.5.1  人体姿态追踪 282

16.5.2  用于纠错的神经强化

信念传播法 284

16.6  补充阅读 287

16.7  练习 287

附录A  一个用于推理和学习的

Python库(可从本书配套

网站下载)

词汇表 (可从本书配套网站下载)

缩略语 (可从本书配套网站下载)

符号 (可从本书配套网站下载)

参考文献 (可从本书配套网站下载)

Luis Enrique Sucar博士是墨西哥普埃布拉国家天体物理、光学和电子学研究所(INAOE)的高级研究科学家。Luis于2016年荣获墨西哥国家科学奖。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：概率图模型原理与应用（第2版）在线阅读

在线听书地址：概率图模型原理与应用（第2版）在线收听

在线购买地址：概率图模型原理与应用（第2版）在线购买

暂无原文赏析，正在全力查找中！

编辑推荐

《概率图模型原理与应用：第2版》反映了P***的理论基础与进展。取材精炼，层次分明，是一-本很好的关于P***的专业书籍。同时结合了大量的案例分析与代码算例,使得初学者能快速掌握前沿的P***理论。本书的翻译与出版能进一步推进国内 人工智能算法领域的研究与应用。本书对想了解P***理论的研究者、开发者、决策者和使用者来讲，都是一部很好的参考书。

前言

第2版亮点

●该版新增一章，对部分可观察马尔可夫决策过程进行讲解，其中包括对此类模型的详细介绍、近似求解技术和应用示例。

●因果模型由原来的一章扩展为两章。一章提及因果图，包括因果推理；另一章则展开介绍几种因果发现技术，并列举了应用示例。

●该版还新增一章，介绍了深度神经网络及其与概率图模型的关系，分析了深度神经网络和概率图模型的不同集成方案，并举例说明了这些混合模型在不同领域的应用。

●介绍其他类型的分类器，包括高斯朴素贝叶斯、循环链分类器和贝叶斯网络层次分类器。

●在隐马尔可夫模型的章节中添加了高斯隐马尔可夫模型。

●介绍一种学习贝叶斯网络时的迁移学习方法。

●增加了包括粒子滤波在内的动态贝叶斯网络的采样技术。

●该版增加了一种基于决策树转换来处理影响图的方法。

●新增若干应用示例。

●每一章的习题数量增加了50%。

●应用书中描述的几种算法，为概率图模型的推理和学习开发了一个Python库。

概述

概率图模型已发展为一套强大技术，并在诸多领域得到广泛应用。本书从工程角度对概率图模型(P***)做了总体介绍。本书涵盖主流P***的基本知识点：贝叶斯分类器、隐马尔可夫模型、贝叶斯网络、动态和时态贝叶斯网络、马尔可夫随机场、影响图、马尔可夫决策过程和部分可观察马尔可夫决策过程，以及每一项的表示、推理和学习原理。本书还介绍P***的一些拓展内容：关系概率模型、因果模型和混合模型。每种模型的应用示例也包含在其中。

一些主要内容如下：

●P***的主要类别在各个专题中以统一的框架呈现。

●本书涵盖基本内容：所有相关技术的表示、推理和学习方法。

●本书阐释不同技术在实际问题中的应用，这对学生和从业者来说是重点。

●本书还囊括该领域的一些发展成果，如多维和层次贝叶斯分类器、关系概率图模型、因果图模型和因果发现，以及混合深度神经网络图模型。

●除第1章之外，每章都附有配套练习，包括对研究和规划项目的相关建议。

本书的目标之一在于推动概率图模型在现实问题中的应用。这不仅需要了解不同的模型和技术，还需要掌握一些实践经验和领域相关知识。为了帮助不同领域的专业人士，使其深入了解使用P***解决实际问题的方法，本书提供了多个不同类型模型在众多领域的应用示例。这些领域包括：

●计算机视觉

●生物医学应用

●工业应用

●信息检索

●智能教学系统

●生物信息学

●环境应用

●机器人学

●人机交互

●信息验证

●护理

致读者

本书可作为计算机科学、工程、物理等专业的高年级本科生或研究生的概率图模型课程的教材，也可供旨在将概率图模型应用于不同领域的专业人士参考，还适合任何对该技术基础知识感兴趣的人进行阅读。

本书更适合有概率和统计方面背景知识的读者。读者若具备高中阶段的数学基础知识，以及一定的计算机和程序设计背景知识，阅读起来会更加轻松。编程练习需要一些编程语言(如C、C 、Java、Python、MATLAB等)知识和经验。

练习

每章(第1章除外)均附有配套练习，其中一些练习有助于加强读者对本章概念和技巧的理解。每章中也有一些关于研究或编程项目的建议，可作为课程的项目。

软件

一些用于学习和推理不同类别概率图模型的算法已在Python中执行，且对外公开。附录中给出了Python库的简介以及访问方式。

本书组织结构

本书分为4部分：第Ⅰ部分给出P***的总体介绍和动机，并回顾概率论和图论的必要背景知识；第Ⅱ部分描述不考虑决策或效用的模型：贝叶斯分类器、隐马尔可夫模型、马尔可夫随机场、贝叶斯网络、动态和时态贝叶斯网络；第Ⅲ部分首先简要介绍决策理论，然后描述支持决策的模型，包括决策树、影响图、马尔可夫决策过程和部分可观察马尔可夫决策过程；第Ⅳ部分对标准P***进行了扩展，包括关系概率图模型和因果图模型(因果推理和因果发现)，还对深度学习及其与P***的关系进行介绍。

各章之间的关联如图0.1所示。从第X章到第Y章的“→”表示理解第Y章需要(或至少建议需要)首先学习第X章的内容。本书的图表示法提供了许多信息，与稍后将讨论的图模型相似。

从该图中，可了解阅读本书的不同方式。首先，建议你阅读导论和基本章节(第1～3章)。随后，你可以相对***地研究第Ⅱ部分中的不同模型：贝叶斯分类器(第4章)、隐马尔可夫模型(第5章)、马尔可夫随机场(第6章)和贝叶斯网络(第7～9章)。在学习贝叶斯网络之前，有必要先阅读第7章；在研究动态和时态贝叶斯网络之前，第7章和第8章都需要提前学习。

学习第Ⅲ部分和第Ⅳ部分，需要事先阅读第Ⅱ部分的一些章节。对于包括决策树和影响图的第10章，读者至少应该阅读关于贝叶斯网络的前1章。对于第11章和第12章，其中包括惯序决策(MDP和POMDP)，建议你预先了解决策图(第10章)、隐马尔可夫模型以及动态和时态贝叶斯网络。关系概率图模型(第13章)是有关马尔可夫随机场和贝叶斯网络的章节，学习该章节之前需要对第6章和第8章进行提前阅读。第14章中的因果模型是基于贝叶斯网络构建起来的，包括学习技术和因果推理。第15章的学习需要之前的因果模型知识。后，第16章将对比深度学习和P***，需要先学习动态和时态贝叶斯网络以及马尔可夫随机场。

图0.1  各章之间的关联

如果没有足够的时间来学习整本书，你有以下几种选择：一是关注概率图模型，而不考虑决策或更高级的扩展，即只关注第Ⅰ部分和第Ⅱ部分；二是侧重于决策模型，包括第Ⅰ部分以及第Ⅱ部分和第Ⅲ部分的必要内容；三是按需求来设计课程，只考虑图中的关系。不过，如果你有足够的时间和强烈的求知欲，我建议你按顺序通读本书。祝你阅读愉快！

参考文献

读者在阅读本书正文时，会不时看到放在方括号中的编号。例如，第1章正文中有[16]，这表示可参考第1章的第16条文献。可扫描封底二维码，下载全书参考文献。

其他资源

读者可扫描封底二维码，下载词汇表、缩略语和符号。另外，读者可阅读附赠的书籍学习P***_PyLib的相关内容。

书籍介绍

中国海洋大学数学科学学院许艳教授作序推荐，概率机器学习和人工智能可解释性领域不可多得的主题著作。随书赠送附录、词汇表、缩略语、符号、参考文献，获取地址见书封底二维码。

《概率图模型原理与应用：第2版》反映了P***的理论基础与进展。取材精炼，层次分明，是一-本很好的关于P***的专业书籍。同时结合了大量的案例分析与代码算例,使得初学者能快速掌握前沿的P***理论。本书的翻译与出版能进一步推进国内 人工智能算法领域的研究与应用。本书对想了解P***理论的研究者、开发者、决策者和使用者来讲，都是一部很好的参考书。

《概率图模型原理与应用：第2版》分为4部分：第Ⅰ部分给出P***的总体介绍和动机，并回顾概率论和图论的必要背景知识；第Ⅱ部分描述不考虑决策或效用的模型：贝叶斯分类器、隐马尔可夫模型、马尔可夫随机场、贝叶斯网络、动态和时态贝叶斯网络；第Ⅲ部分首先简要介绍决策理论，然后描述支持决策的模型，包括决策树、影响图、马尔可夫决策过程和部分可观察马尔可夫决策过程；第Ⅳ部分对标准P***进行了扩展，包括关系概率图模型和因果图模型(因果推理和因果发现)，还对深度学习及其与P***的关系进行介绍。