贝叶斯算法与机器学习

10.3 贝叶斯深度学习案例

10.2 贝叶斯深度学习的概念

10.1 神经网络参数学习

第10章 贝叶斯深度学习

9.4 小结

9.3 实现“智能”的输入法

9.2 细谈隐马尔科夫模型

9.1 动态贝叶斯网络的概念

第9章 动态贝叶斯网络

8.4 小结

8.3 贝叶斯网络的结构

8.2 使用贝叶斯网络实现分类功能

8.1 贝叶斯网络的概念

第8章 贝叶斯网络

7.4 小结

7.3 深度学习

7.2 机器学习

7.1 人工智能介绍

第7章 机器学习与深度学习

6.4 小结

6.3 贝叶斯估计与推导

6.2 极大似然估计

6.1 参数估计的区分

第6章 参数估计

5.5 小结

5.4 图像分割案例及调试

5.3 马尔科夫随机场

5.2 马尔科夫链

5.1 对最小错误分类进行结果优化

第5章 从贝叶斯到随机场

4.5 小结

4.4 标准的分类器构建——鸢尾花分类

4.3 贝叶斯分类器构建

4.2 贝叶斯分类器

4.1 朴素贝叶斯算法

第4章 贝叶斯分类

3.6 小结

3.5 贝叶斯估计

3.4 最大后验估计（MAP）

3.3 极大似然估计（MLE）

3.2 概率密度函数

3.1 什么是估计

第3章 概率估计

2.6 小结

2.5 贝叶斯公式

2.4 似然函数

2.3 后验概率

2.2 条件概率

2.1 先验概率

第2章 贝叶斯概率

1.3 小结

1.2 概率论的两大学派

1.1 贝叶斯思想的核心

第1章 贝叶斯思想简介

前言

版权信息

封面

封面

版权信息

前言

第1章 贝叶斯思想简介

1.1 贝叶斯思想的核心

1.2 概率论的两大学派

1.3 小结

第2章 贝叶斯概率

2.1 先验概率

2.2 条件概率

2.3 后验概率

2.4 似然函数

2.5 贝叶斯公式

2.6 小结

第3章 概率估计

3.1 什么是估计

3.2 概率密度函数

3.3 极大似然估计（MLE）

3.4 最大后验估计（MAP）

3.5 贝叶斯估计

3.6 小结

第4章 贝叶斯分类

4.1 朴素贝叶斯算法

4.2 贝叶斯分类器

4.3 贝叶斯分类器构建

4.4 标准的分类器构建——鸢尾花分类

4.5 小结

第5章 从贝叶斯到随机场

5.1 对最小错误分类进行结果优化

5.2 马尔科夫链

5.3 马尔科夫随机场

5.4 图像分割案例及调试

5.5 小结

第6章 参数估计

6.1 参数估计的区分

6.2 极大似然估计

6.3 贝叶斯估计与推导

6.4 小结

第7章 机器学习与深度学习

7.1 人工智能介绍

7.2 机器学习

7.3 深度学习

7.4 小结

第8章 贝叶斯网络

8.1 贝叶斯网络的概念

8.2 使用贝叶斯网络实现分类功能

8.3 贝叶斯网络的结构

8.4 小结

第9章 动态贝叶斯网络

9.1 动态贝叶斯网络的概念

9.2 细谈隐马尔科夫模型

9.3 实现“智能”的输入法

9.4 小结

第10章 贝叶斯深度学习

10.1 神经网络参数学习

10.2 贝叶斯深度学习的概念

10.3 贝叶斯深度学习案例