第1部分基礎篇

第1章概率圖模型基礎

1.1基本概念

1.2貝葉斯網絡

1.2.1概率基礎

1.2.2圖論基礎

1.2.3有向圖模型的條件獨立性

1.2.4樸素貝葉斯分類器

1.3馬爾可夫隨機場

1.3.1無向圖基礎·

1.3.2無向圖模型的條件獨立性

1.3.3聯合概率的定義

1.3.4 Ising模型

1.4圖模型的表達能力

第2章機器學

2.1基本概念

2.2機器學建模

2.3機器學求解

2.3.1目標函數

2.3.2優化算法

2.4回歸模型

2.4.1線性回歸·

2.4.2線性回歸的概率圖模型

2.5模型容量和模型選擇

第3章 人工神經網絡基礎

3.1神經元模型

3.1.1激活函數

3.1.2大似然估計

3.1.3大后驗估計

3.1.4 全貝葉斯估計

3.2多層前饋神經網絡

3.2.1模型表示

3.2.2誤差逆傳播算法

3.3反饋神經網絡

3.4循環神經網絡

3.5門控循環神經網絡

3.6深度神經網絡

第4章 大數據基礎

4.1基本概念

4.1.1大數據源·

4.1.2數據的發展史

4.1.3大數據的特點

4.1.4大數據應用

4.2數據處理

4.2.1數據收集

4.2.2數據集成

4.2.3數據清洗

4.2.4數據轉換

4.3 數據分析·

4.3.1數據質量分析

4.3.2數據特征分析

4.3.3特征選擇與數據抽取

4.4自然語言處理技術基礎·

4.5圖像處理技術基礎

第2部分概率圖模型應用篇

第5章 高斯混合模型

5.1海量圖像聚類

5.1.1應用分析

5.1.2數據分析

5.2應用建模

5.3 模型推斷與學p>

5.3.1模型推斷

5.3.2EM算法

5.3.3模型學p>

第6章隱變量模型

6.1因子分析

6.2概率主成分分析

6.3獨立成分分析

6.3.1應用分析

6.3.2數據處理

6.3.3應用建模

6.4稀疏編碼與壓縮感知

第7章 主題模型·

7.1熱點話題檢測

7.1.1應用分析

7.1.2數據處理

7.2應用建模

7.2.1潛在語義分析

7.2.2概率潛在語義分析

7.2.3 LDA

7.3LDA主題模型的學斷

第8章張量分解模型

8.1概率矩陣分解

8.1應用分析

8.1.2矩陣分解

8.1.3概率矩陣分解模型

8.1.4模型學

8.2張量分解

8.2.1基本概念

8.2.2帶缺失值的張量分解

8.2.3稀疏張量分解

8.3張量分解的應用

8.3.1圖像補全

8.3.2場景切分

第9章 隱馬爾可夫模型

9.1中文分詞

9.2應用建模

……

19.3音頻生成

附錄1常用的概率分布·

附錄2共軛分布

附錄3矩陣變換基礎

附錄4采樣推斷法

附錄5變分推斷算法

參考文獻