本书全面介绍贝叶斯推理与机器学习，涉及基本概念、理论推导和直观解释，涵盖各种实用的机器学习算法，包括朴素贝叶斯、高斯模型、马尔可夫模型、线性动态系统等。本书在介绍方法的同时，强调概率层面的理论支持，可帮助读者加强对机器学习本质的认识，尤其适合想要学习机器学习中的概率方法的读者。
本书首先介绍概率论和图的基础概念，然后以图模型为切入点，用一种统一的框架讲解从基本推断到高阶算法的知识。
本书不仅配有BRML工具箱，而且提供大量MATLAB代码实例，将概率模型与编程实践相结合，从而帮助读者更好地理解模型方法。
作者简介:
大卫·巴伯（David Barber） 伦敦大学学院计算机系教授，研究兴趣是概率建模和推理及其应用。拥有剑桥大学数学学士学位，爱丁堡大学理论物理学博士学位。巴伯目前担任伦敦大学学院人工智能中心主管，该中心旨在开发下一代人工智能技术。此外，他还是艾伦·图灵研究所的研究员、创业公司 Re:infer 的首席科技官、Humanloop 的联合创始人、UiPath 的杰出软件工程师。
目录:
BRML工具箱第一部分 概率模型中的推断第1章 概率推理3 1.1 概率知识复习3
1.6 练习题20第2章 图的基础概念23 2.1 图23
2.5 练习题27第3章 信念网络29 3.1 结构化的优势29
3.7 练习题48第4章 图模型52 4.1 图模型简介52
4.8 练习题65第5章 树中的有效推断68 5.1 边缘推断68
5.7 练习题86第6章 联结树算法90 6.1 聚类变量90
6.12 练习题109第7章 决策111 7.1 期望效用111
点击下载