概率图模型和深度神经网络

第1部分基础篇

第1章概率图模型基础

1.1基本概念

1.2贝叶斯网络

1.2.1概率基础

1.2.2图论基础

1.2.3有向图模型的条件独立性

1.2.4朴素贝叶斯分类器

1.3马尔可夫随机场

1.3.1无向图基础·

1.3.2无向图模型的条件独立性

1.3.3联合概率的定义

1.3.4 Ising模型

1.4图模型的表达能力

第2章机器学

2.1基本概念

2.2机器学建模

2.3机器学求解

2.3.1目标函数

2.3.2优化算法

2.4回归模型

2.4.1线性回归·

2.4.2线性回归的概率图模型

2.5模型容量和模型选择

第3章 人工神经网络基础

3.1神经元模型

3.1.1激活函数

3.1.2大似然估计

3.1.3大后验估计

3.1.4 全贝叶斯估计

3.2多层前馈神经网络

3.2.1模型表示

3.2.2误差逆传播算法

3.3反馈神经网络

3.4循环神经网络

3.5门控循环神经网络

3.6深度神经网络

第4章 大数据基础

4.1基本概念

4.1.1大数据源·

4.1.2数据的发展史

4.1.3大数据的特点

4.1.4大数据应用

4.2数据处理

4.2.1数据收集

4.2.2数据集成

4.2.3数据清洗

4.2.4数据转换

4.3 数据分析·

4.3.1数据质量分析

4.3.2数据特征分析

4.3.3特征选择与数据抽取

4.4自然语言处理技术基础·

4.5图像处理技术基础

第2部分概率图模型应用篇

第5章 高斯混合模型

5.1海量图像聚类

5.1.1应用分析

5.1.2数据分析

5.2应用建模

5.3 模型推断与学p>

5.3.1模型推断

5.3.2EM算法

5.3.3模型学p>

第6章隐变量模型

6.1因子分析

6.2概率主成分分析

6.3独立成分分析

6.3.1应用分析

6.3.2数据处理

6.3.3应用建模

6.4稀疏编码与压缩感知

第7章 主题模型·

7.1热点话题检测

7.1.1应用分析

7.1.2数据处理

7.2应用建模

7.2.1潜在语义分析

7.2.2概率潜在语义分析

7.2.3 LDA

7.3LDA主题模型的学断

第8章张量分解模型

8.1概率矩阵分解

8.1应用分析

8.1.2矩阵分解

8.1.3概率矩阵分解模型

8.1.4模型学

8.2张量分解

8.2.1基本概念

8.2.2带缺失值的张量分解

8.2.3稀疏张量分解

8.3张量分解的应用

8.3.1图像补全

8.3.2场景切分

第9章 隐马尔可夫模型

9.1中文分词

9.2应用建模

……

19.3音频生成

附录1常用的概率分布·

附录2共轭分布

附录3矩阵变换基础

附录4采样推断法

附录5变分推断算法

参考文献