




读者对象:
想要对 机器学习 进行深入学习的相关人士;想要对概率统计进一步深入系统地学习的学生和业内人士; 金融 量化 等 数据 分析行业的从业者; 理工科 专业高年级本科生和 研究 生。
本书围绕机器学习 算法 中涉及的概率统计知识展开介绍,沿着概率 思想 、变量分布、参数估计、随机过程和统计推断的知识主线进行讲解,结合 数学 的本质内涵,用浅显易懂的语言讲透深刻的数学思想,帮助读者构建理论体系。同时,作者在讲解的过程中注重应用场景的延伸,并利用Python工具无缝对接 工程 应用,帮助读者学以致用。
全书共5章。
第1章以条件概率和 独立 性作为切入点,帮助读者建立 认知 概率 世界 的正确视角。
第2章介绍随机变量的基础概念和重要分布类型,并探讨多元随机变量间的重要关系。
第3章介绍极限 思维 以及蒙特卡罗 方法 ,并重点分析极大似然估计方法以及有偏无偏等重要性质,最后拓展到含有隐变量的参数估计问题,介绍EM算法的原理及其应用。
第4章由静态的随机变量过渡到动态的随机过程,重点介绍马尔可夫过程和隐马尔可夫模型。
第5章聚焦马尔可夫链-蒙特卡罗方法,并列举实例展示Metropolis-Hastings和Gibbs的具体采样过程。
作者简介:
评论列表
发表评论