本书对上一版做了全面更新,从工程角度讲述PGM(概率图模型),通俗易懂,讲解深刻。本书纳入部分可观察马尔可夫决策过程、图模型、深度学习等新章节,附有大量精选的练习题。
本书涵盖PGM每个主要分类的基础知识(表征、推理和学习原理等),列出每类模型在多个学科的实际应用,浓墨重彩地描述贝叶斯分类器、隐马尔可夫模型、贝叶斯网络、动态贝叶斯网络、时态贝叶斯网络、马尔可夫随机场、影响图和马尔可夫决策过程的许多用途。
主要内容:
提出统一框架,涵盖所有PGM主要分类;
探讨每项技术的表达、推理与学习的基础知识:
涵盖部分可观察马尔可夫决策过程和图模型:
纳入介绍深度神经网络及其与PGM关系的新章节:
涵盖多维贝叶斯分类器、关系图模型及因果模型:
提供大量章末练习、补充阅读以及研究或编程参考文献:
描述分类器,如高斯朴素贝叶斯分类器、循环链分类器及层次分类器:
简述不同技术的实际应用:
给出教学大纲建议。
本书在课堂教学中日臻完善,可作为计算机科学、工程学、物理学等专业的本科和研究生PGM教材。对于将PGM应用于研究领域或对PGM基础知识感兴趣的专业人士而言,可将本书用作参考书。
展开