贝叶斯算法与机器学习

第1章 贝叶斯思想简介 1

1.1 贝叶斯思想的核心 2

1.2 概率论的两大学派 2

1.3 小结 4

第2章 贝叶斯概率 5

2.1 先验概率 6

2.1.1 先验概率的定义 6

2.1.2 信息先验* 6

2.1.3 不知情的先验* 7

2.2 条件概率 7

2.2.1 条件概率的定义 7

2.2.2 事件的互斥性 8

2.2.3 事件的独立统计性 8

2.3 后验概率 8

2.3.1 后验概率的定义 9

2.3.2 后验概率与先验概率在应用上的区分 9

2.4 似然函数 10

2.4.1 似然函数的定义 11

2.4.2 似然函数的应用 12

2.5 贝叶斯公式 13

2.5.1 贝叶斯公式的定义 13

2.5.2 贝叶斯公式的推导 14

2.5.3 贝叶斯公式的应用 16

2.6 小结 18

第3章概率估计 20

3.1 什么是估计 21

3.2 概率密度函数 22

3.2.1 概率密度函数的定义 22

3.2.2 连续型概率分布 24

3.2.3 离散型概率分布 33

3.3 极大似然估计（MLE） 36

3.3.1 什么是极大似然估计 36

3.3.2 极大似然估计的应用 37

3.4 *大后验估计（MAP） 42

3.4.1 什么是*大后验估计 42

3.4.2 *大后验估计的应用 43

3.5 贝叶斯估计 45

3.5.1 什么是贝叶斯估计 45

3.5.2 贝叶斯估计算法思想 46

3.5.3 贝叶斯估计的应用概述 46

3.6 小结 47

……