本书从贝叶斯理论的基本原理讲起，逐步深入算法、机器学习、深度学习，并配合项目案例，重点介绍了基于贝叶斯理论的算法原理，及其在机器学习中的应用。 本书分为10章，涵盖了贝叶斯概率、概率估计、贝叶斯分类、随机场、参数估计、机器学习、深度学习、贝叶斯网络、动态贝叶斯网络、贝叶斯深度学习等。本书涉及的应用领域包含机器学习、图像处理、语音识别、语义分析等。本书整体由易到难，逐步深入，内容以算法原理讲解和应用解析为主，每节内容辅以案例进行综合讲解。 本书内容通俗易懂，案例贴合实际，实用性强，适合有一定算法基础的读者进阶阅读，也适合其他人作为爱好阅读。

第1章 贝叶斯思想简介
1.1 贝叶斯思想的核心
1.2 概率论的两大学派
1.3 小结
第2章 贝叶斯概率
2.1 先验概率
2.1.1 先验概率的定义
2.1.2 信息先验
2.1.3 不知情的先验
2.2 条件概率
2.2.1 条件概率的定义
2.2.2 事件的互斥性
2.2.3 事件的独立统计性
2.3 后验概率
2.3.1 后验概率的定义
2.3.2 后验概率与先验概率在应用上的区分
2.4 似然函数
2.4.1 似然函数的定义
2.4.2 似然函数的应用
2.5 贝叶斯公式
2.5.1 贝叶斯公式的定义
2.5.2 贝叶斯公式的推导
2.5.3 贝叶斯公式的应用
2.6 小结
第3章 概率估计
3.1 什么是估计
3.2 概率密度函数
3.2.1 概率密度函数的定义
3.2.2 连续型概率分布
3.2.3 离散型概率分布
3.3 极大似然估计（MLE）
……
第4章 贝叶斯分类
第5章 从贝叶斯到随机场
第6章 参数估计
第7章 机器学习与深度学习
第8章 贝叶斯网络
第9章 动态贝叶斯网络
第10章 贝叶斯深度学习