概率机器学习

随着深度学习、大规模预训练模型和生成式人工智能的进展，机器学习已成为解决很多工程和科学问题的首选方案。《概率机器学习》一书从概率建模和统计推断的角度系统介绍机器学习的基本概念、经典算法及前沿进展。主要内容包括概率机器学习基础、学习理论、概率图模型、近似概率推断、高斯过程、深度生成模型、强化学习等。全书从实例出发，由浅入深，直观与严谨相结合，并提供了延伸阅读内容和丰富的参考文献。

朱军，清华大学计算机系Bosch AI冠名教授，IEEE Fellow，清华大学人工智能研究院副院长，曾任卡内基-梅隆大学兼职教授。主要从事机器学习研究，担任国际著名期刊IEEE TPAMI副主编，担任ICML、NeurIPS、ICLR等（资深）领域主席二十余次。获中国科协求是杰出青年奖、科学探索奖、中国计算机学会自然科学一等奖、吴文俊人工智能自然科学一等奖、ICLR国际会议杰出论文奖等。入选万人计划领军人才、中国计算机学会青年科学家、MIT TR35中国先锋者等。

基础篇 第1章 绪论 1.1 机器学习 1.1.1 什么是机器学习 1.1.2 机器学习的基本任务 1.1.3 K-近邻：一种“懒惰”学习方法 1.2 概率机器学习 1.2.1 为什么需要概率机器学习 1.2.2 概率机器学习包含的内容 1.3 延伸阅读 1.4 习题 第2章 概率统计基础 2.1 概率 2.1.1 事件空间与概率 2.1.2 连续型和离散型随机变量 2.1.3 变量变换 2.1.4 联合分布、边缘分布和条件分布 2.1.5 独立与条件独立 2.1.6 贝叶斯公式 2.2 常见概率分布及其数字特征 2.2.1 随机变量的常用数字特征 2.2.2 离散型变量的概率分布 2.2.3 连续型变量的概率分布 2.3 统计推断 2.3.1 最大似然估计 2.3.2 误差 2.4 贝叶斯推断 2.4.1 基本流程 2.4.2 常见应用和方法 2.4.3 在线贝叶斯推断 2.4.4 共轭先验 2.5 信息论基础 2.5.1 熵 2.5.2 互信息 2.5.3 相对熵 2.6 习题 第3章 线性回归模型 3.1 基本模型 3.1.1 统计决策基本模型 3.1.2 线性回归及最小二乘法 3.1.3 概率模型及最大似然估计 3.1.4 带基函数的线性回归 3.2 正则化线性回归 3.2.1 岭回归 3.2.2 Lasso 3.2.3 Lp范数正则化的线性回归 3.3 贝叶斯线性回归 3.3.1 最大后验分布估计 3.3.2 贝叶斯预测分布 3.3.3 贝叶斯模型选择