机器学习:贝叶斯和优化方法(原书第2版)

译者序
前言
致谢
作者简介
符号说明

第1章 引言
1．1 历史背景
1．2 人工智能与机器学习
1．3 算法能学习数据中隐藏的东西
1．4 机器学习典型应用
1．4．1 语音识别
1．4．2 计算机视觉
1．4．3 多模态数据
1．4．4 自然语言处理
1．4．5 机器人
1．4．6 自动驾驶
1．4．7 未来的挑战
1．5 机器学习的主要方向
1．5．1 监督学习
1．6 无监督和半监督学习
1．7 本书结构和路线图
参考文献

第2章 概率和随机过程
2．1 引言
2．2 概率和随机变量
2．2．1 概率
2．2．2 离散随机变量
2．2．3 连续随机变量
2．2．4 均值和方差
2．2．5 随机变量变换
2．3 分布示例
2．3．1 离散变量
2．3．2 连续变量
2．4 随机过程
2．4．1 一阶和二阶统计量
2．4．2 平稳性和遍历性
2．4．3 功率谱密度
2．4．4 自回归模型
2．5 信息论
2．5．1 离散随机变量
2．5．2 连续随机变量
2．6 随机收敛
2．6．1 处处收敛
2．6．2 几乎处处收敛
2．6．3 均方意义下的收敛
2．6．4 依概率收敛
2．6．5 依分布收敛
习题
参考文献

第3章 参数化建模学习：概念和方向
3．1 引言
3．2 参数估计：确定性观点
3．3 线性回归
3．4 分类
3．4．1 生成和判别学习
3．5 有偏估计与无偏估计
3．5．1 选择有偏还是无偏估计
3．6 克拉美一罗下界
3．7 充分统计量
3．8 正则化
3．8．1 逆问题：病态和过拟合
3．9 偏差一方差困境
3．9．1 均方误差估计
3．9．2 偏差一方差权衡
3．10 *大似然法
3．10．1 线性回归：非白高斯噪声实例
3．11 贝叶斯推断
3．11．1 *大后验概率估计方法
3．12 维数灾难
3．13 验证
3．13．1 交叉验证
3．14 期望损失函数和经验风险函数
3．14．1 可学习性
3．15 非参数建模和非参数估计
习题
参考文献

第4章 均方误差线性估计
4．1 引言
4．2 均方误差线性估计：正规方程
4．2．1 代价函数曲面
4．3 几何观点：正交性条件
4．4 扩展到复值变量
4．4．1 宽线性复值估计
4．4．2 复值变量优化：沃廷格微积分
4．5 线性滤波
4．6 均方误差线性滤波：频率域观点
4．6．1 反卷积：图像去模糊
4．7 一些典型应用
4．7．1 干扰抵消
4．7．2 系统辨识
4．7．3 反卷积：信道均衡
4．8 算法方面：莱文森算法和格一梯算法
4．8．1 前向后向均方误差*优预测
4．8．2 格一梯方案
4．9 线性模型均方误差估计
4．9．1 高斯一马尔可夫定理
4．9．2 约束线性估计：波束成形实例
4．10 时变统计：卡尔曼滤波
习题
参考文献
……

第5章 随机梯度下降：LMS算法族
第6章 *小二乘算法族
第7章 分类：经典方法导览
第8章 参数学习：凸分析方法
第9章 稀疏感知学习：概念和理论基础
第10章 稀疏感知学习：算法和应用
第11章 再生核希尔伯特空间中的学习
第12章 贝叶斯学习：推断和EM算法
第13章 贝叶斯学习：近似推断和非参模型
第14章 蒙特卡罗方法
第15章 概率图模型：**部分
第16章 概率图模型：第二部分
第17章 粒子滤波
第18章 神经网络和深度学习
第19章 降维与潜变量模型

索引
在线章节李忠伟