機器學習作為人工智能*基礎的理論之一一直占有舉足輕重的地位，真正的學透、學好機器入門不僅僅是在機器學習框架上的探索，更重要的是要學習其基本的理論，從根上找到機器學習的方法、理解機器學習的真諦。《機器學習入門》正是這樣一本，從貝葉斯推論講起的參考讀物，為您提供了深入理解機器學習的途徑，找到了學習的方法。

●譯者序
原書序
原書前言
第1章 機器學習與貝葉斯學習
1.1 什麼是機器學習？
1.2 機器學習的典型任務
1.2.1 回歸
1.2.2 分類
1.2.3 聚類
1.2.4 降維
1.2.5 其他典型任務
1.3 機器學習的兩類方法
1.3.1 基於工具箱的機器學習
1.3.2 基於建模的機器學習
1.4 概率的基本計算
1.4.1 概率分布
1.4.2 概率分布的推定
1.4.3 紅球和白球問題
1.4.4 多個觀測數據
1.4.5 逐次推論
1.4.6 參數未知的情況
1.5 圖模型
1.5.1 有向圖
1.5.2 節點的附加條件
1.5.3 馬爾可夫覆蓋
1.6 貝葉斯學習方法
1.6.1 模型的構建和推論
1.6.2 各類任務中的貝葉斯推論
1.6.3 復雜後驗分布的近似
1.6.4 基於不確定性的決策
1.6.5 貝葉斯學習的優點與缺點
第2章 基本的概率分布
2.1 期望值
2.1.1 期望值的定義
2.1.2 基本的期望值
2.1.3 熵
2.1.4 KL散度
2.1.5 抽樣的期望值近似計算
2.2 離散概率分布
2.2.1 伯努利分布
2.2.2 二項分布
2.2.3 類分布
2.2.4 多項分布
2.2.5 泊松分布
2.3 連續概率分布
2.3.1 Beta分布
2.3.2 Dirichlet分布
2.3.3 Gamma分布
2.3.4 一維高斯分布
2.3.5 多維高斯分布
2.3.6 Wishart分布
第3章 基於貝葉斯推論的學習和預測
3.1 學習和預測
3.1.1 參數的後驗分布
3.1.2 預測分布
3.1.3 共軛先驗分布
3.1.4 非共軛先驗分布的運用
3.2 離散概率分布的學習和預測
3.2.1 伯努利分布的學習和預測
3.2.2 類分布的學習和預測
3.2.3 泊松分布的學習和預測
3.3 一維高斯分布的學習和預測
3.3.1 均值未知的情況
3.3.2 精度未知的情況
3.3.3 均值和精度均未知的情況
3.4 多維高斯分布的學習和預測
3.4.1 均值未知的情況
3.4.2 精度未知的情況
3.4.3 均值和精度均未知的情況
3.5 線性回歸的例子
3.5.1 模型的構建
3.5.2 後驗分布和預測分布的計算
3.5.3 模型的比較
第4章 混合模型和近似推論
4.1 混合模型和後驗分布的推論
4.1.1 使用混合模型的理由
4.1.2 混合模型的數據生成過程
4.1.3 混合模型的後驗分布
4.2 概率分布的近似方法
4.2.1 吉布斯采樣
4.2.2 變分推論
4.3 泊松混合模型的推論
4.3.1 泊松混合模型
4.3.2 吉布斯采樣
4.3.3 變分推論
4.3.4 折疊式吉布斯采樣
4.3.5 簡易實驗
4.4 高斯混合模型中的推論
4.4.1 高斯混合模型
4.4.2 吉布斯采樣
4.4.3 變分推論
4.4.4 折疊式吉布斯采樣
4.4.5 簡易實驗
第5章 應用模型的構建和推論
5.1 線性降維
5.1.1 模型
5.1.2 變分推論
5.1.3 數據的不可逆壓縮
5.1.4 缺失值內插
5.2 非負值矩陣因子分解
5.2.1 模型
5.2.2 變分推論
5.3 隱馬爾可夫模型
5.3.1 模型
5.3.2 接近分解變分推論
5.3.3 結構化變分推論
5.4 主題模型
5.4.1 模型
5.4.2 變分推論
5.4.3 折疊式吉布斯采樣
5.4.4 LDA模型的應用與擴展
5.5 張量分解
5.5.1 協同過濾
5.5.2 模型
5.5.3 變分推論
5.5.4 缺失值的內插
5.6 logistic回歸
5.6.1 模型
5.6.2 變分推論
5.6.3 離散值的預測
5.7 神經網絡
5.7.1 模型
5.7.2 變分推論
5.7.3 連續值的預測
附錄A 相關計算的補充
A.1 基本的矩陣計算
A.1.1 轉置
A.1.2 逆矩陣
A.1.3 矩陣的跡
A.1.4 方陣的行列式
A.1.5 正定值矩陣
A.2 特殊函數
A.2.1 gamma函數和digamma函數
A.2.2 sigmoid函數和softmax函數
A.3 梯度法
A.3.1 函數的梯度
A.3.2 最速下降法
A.3.3 坐標下降法
A.4 邊緣似然度下限
A.4.1 邊緣似然度和ELBO
A.4.2 泊松混合分布的例子
參考文獻

作為機器學習的核心，本書介紹了基於貝葉斯推論的機器學習，其基本思想是將數據及數據產生的過程視為隨機事件，從數據的固有特征開始，通過一繫列假設來進行數據的描述，進而構建出與機器學習任務相適應的隨機模型，然後通過模型的解析求解或近似求解得出未知事件的預測模型。通過貝葉斯學習，我們可以了解到更多關於數據的信息，進而可以大致清楚進行學習的神經網絡的規模和復雜程度。更重要的是，當神經網絡學習中出現問題時，通過貝葉斯學習可以找到解決問題的方向和途徑。因此，可以說貝葉斯學習是深度神經網絡學習的理論基礎，也是進行神經網絡學習的必修課。 本書在內容安排上，盡可能對概率統計和隨機過程的基礎進行了較為完整的介紹，並對常用的概率分布進行了詳盡的分析。在此基礎上重點介紹了單一模型及混合模型的貝葉斯推論方法，並結合具體應用進行了擴展和分析。在注重理論介紹的同時也考慮到了實際的應用擴展，從而保證了讀者學等

(日)須山敦志 著 王衛兵//楊秋香 譯