机器学习中的概率思维

本书深入剖析机器学习中的概率思维，从基础理论出发，结合经典案例，阐述如何将概率思维巧妙地应用于机器学习算法，帮助读者理解数据背后的规律与不确定性。除引言外，全书内容分为5章，包括贝叶斯定理中的概率思维、朴素贝叶斯算法中的概率思维、极大似然估计和最大后验估计、贝叶斯网络、马尔可夫链和隐马尔可夫模型。本书适合机器学习领域的工程师、研究员阅读，也可作为计算机科学、统计学、电子工程、计量经济学等领域的技术人员的参考用书。

目录
引言 概率对于机器学习的重要性 001
第1章 贝叶斯定理中的概率思维 008
1.1 概率基础知识 008
1.2 条件独立 011
1.3 贝叶斯定理的证据思想 014
1.3.1 贝叶斯定理实际应用 014
1.3.2 阐述公式背后的意义 017
1.4 贝叶斯哲学本质 023
1.4.1 趋于真理的过程 023
1.4.2 贝叶斯哲学精神 024
1.5 贝叶斯数学思想 024
第2章 朴素贝叶斯算法中的概率思维 033
2.1 应用贝叶斯定理构建朴素贝叶斯分类器 033
2.2 比较条件概率 036
2.3 朴素贝叶斯的类型 040
第3章 极大似然估计和最大后验估计 041
3.1 极大似然估计 041
3.2 最大后验估计 045
3.3 MLE与MAP估计的区别与联系 047
3.4 使用MAP估计求解硬币翻转问题 048
3.5 贝叶斯推理 051
3.5.1 贝叶斯推理举例 051
3.5.2 贝叶斯推理详细推导 053
3.5.3 期望后验 056
3.6 逻辑回归中的极大似然和最大后验 057
3.7 高斯判别分析 058
第4章 贝叶斯网络 063
4.1 从条件概率到贝叶斯网络定义 064
4.2 贝叶斯网络结构 069
4.3 条件概率表 071
4.4 贝叶斯网络解释 073
第5章 马尔可夫链和隐马尔可夫模型 077
5.1 马尔可夫链：概率序列 078
5.2 马尔可夫假设 081
5.3 求马尔可夫链某个状态的概率 083
5.4 隐马尔可夫模型 086
5.5 隐马尔可夫前向算法和后向算法 093