概率圖是什麼？
一種可視化概率模型的方法，有利於設計和開發新模型，在人工智能、機器學習和計算機視覺等領域應用廣泛。

讀者可以從本書中學到哪些知識？
·理解概率圖模型的概念，為特定的問題選取特定的概率圖模型。
·調整模型參數，自動發現新的模型。
·從簡單到復雜，逐步理解貝葉斯模型的基本原理。
·把標準的線性回歸模型轉換為強大的概率圖模型。
·理解當今產業界廣泛使用的模型。
·使用推斷和近似推斷算法，計算後驗概率分布。

本書是市場上基於R語言的概率圖圖書。異步社區提供配套代碼下載，網址http://www.epubit.com.cn/book/details/4893。

概率圖模型結合了概率論與圖論的知識，提供了一種簡單的可視化概率模型的方法，在人工智能、機器學習和計算機視覺等領域有著廣闊的應用前景。本書旨在幫助讀者學習使用概率圖模型，理解計算機如何通過貝葉斯模型和馬爾科夫模型來解決現實世界的問題，同時教會讀者選擇合適的R語言程序包、合適的算法來準備數據並建立模型。本書適合各行業的數據科學家、機器學習愛好者和工程師等人群閱讀、使用。

David Bellot是法國國家信息與自動化研究所（INRIA）計算機科學專業的博士，致力於貝葉斯機器學習。他也是美國加州大學伯克利分校的博士後，為英特爾、Orange電信和巴克萊銀行等公司工作過。他現在財經行業工作，使用機器學習技術開發財經市場的預測算法，同時也是開源項目，如Boost C++庫的貢獻者。

譯者簡介：
魏博，志諾維思（北京）基因科技有限公司高-級算法工程師。本科畢業於武漢大學數學繫，博士畢業於中國科學院數學與繫統科學研究院計算機軟件與理論專業。前阿裡巴巴優酷事業部視頻搜索算法專家，歐普拉軟件科技（北京）有限公司新聞推薦高-級算法工程師。長期關注於用戶需求建模、行為建模和自動推理。數據挖掘、機器學習和數據可視化愛好者，尤其熱衷於海量數據中用戶視角和用戶行為模式的刻畫和推斷，以及自然語言處理問題。

第 1章概率推理1
1．1機器學習3
1．2使用概率表示不確定性 4
1．2．1信念和不確定性的概率表示 5
1．2．2條件概率 6
1．2．3概率計算和隨機變量 7
1．2．4聯合概率分布 9
1．2．5貝葉斯規則 10
1．3概率圖模型18
1．3．1概率模型 18
1．3．2圖和條件獨立 19
1．3．3分解分布 21
1．3．4有向模型 22
1．3．5無向模型 23
1．3．6示例和應用 23
1．4小結27
第 2章精 確推斷28
2．1構建圖模型29
2．1．1隨機變量的類型 30
2．1．2構建圖 31
2．2變量消解37
2．3和積與信念更新39
2．4聯結樹算法43
2．5概率圖模型示例51
2．5．1灑水器例子 51
2．5．2醫療專家繫統 52
2．5．3多於兩層的模型 53
2．5．4樹結構 55
2．6小結56
第3章學習參數58
3．1引言59
3．2通過推斷學習63
3．3zui大似然法67
3．3．1經驗分布和模型分布是如何關聯的？ 67
3．3．2zui大似然法和R語言實現 69
3．3．3應用 73
3．4學習隱含變量——期望zui大化算法75
3．4．1隱變量 76
3．5期望zui大化的算法原理77
3．5．1期望zui大化算法推導 77
3．5．2對圖模型使用期望zui大化算法 79
3．6小結80
第4章貝葉斯建模——基礎模型82
4．1樸素貝葉斯模型82
4．1．1表示 84
4．1．2學習樸素貝葉斯模型 85
4．1．3完全貝葉斯的樸素貝葉斯模型 87
4．2Beta二項式分布90
4．2．1先驗分布 94
4．2．2帶有共軛屬性的後驗分布 95
4．2．3如何選取Beta參數的值95
4．3高斯混合模型97
4．3．1定義97
4．4小結104
第5章近似推斷105
5．1從分布中采樣106
5．2基本采樣算法108
5．2．1標準分布108
5．3拒絕性采樣111
5．3．1R語言實現 113
5．4重要性采樣119
5．4．1R語言實現 121
5．5馬爾科夫鏈蒙特卡洛算法127
5．5．1主要思想127
5．5．2Metropolis-Hastings算法 128
5．6概率圖模型MCMC算法R語言實現135
5．6．1安裝Stan和RStan 136
5．6．2RStan的簡單例子 136
5．7小結137
第6章貝葉斯建模——線性模型139
6．1線性回歸140
6．1．1估計參數 142
6．2貝葉斯線性模型146
6．2．1模型過擬合 147
6．2．2線性模型的圖模型 149
6．2．3後驗分布 151
6．2．4R語言實現 153
6．2．5一種穩定的實現 156
6．2．6更多R語言程序包161
6．3小結161
第7章概率混合模型162
7．1混合模型162
7．2混合模型的期望zui大化164
7．3伯努利混合169
7．4專家混合172
7．5隱狄利克雷分布176
7．5．1LDA模型 176
7．5．2變分推斷 179
7．5．3示例180
7．6小結183
附錄184