概率图模型：基于R语言

【实例简介】
书籍很不错，彩色的，很清晰，浅显易懂，容易理解，书籍很不错，彩色的，很清晰，浅显易懂，容易理解，
内容提要 概率图模型结合了概率论与图论的知识,提供了一种简单的可视化概率模型 的方法,在人工智能、机器学习和计算机视觉等领域有着广阔的应用前景。本书 旨在帮助读者学习使用概率图模型,理解计算杋如何通过贝叶斯模型和马尔科夫 模型来解决现实世界的问题,同时教会读者选择合适的R语言程序包、合适的 算法来准备数据并建立模型。本书适合各行业的数据科学家、机器学习爱好者和 工程师等人群阅读、使用。 作者简介 David bellot是法国国家信息与自动化研究所( INRIA)计算机科学专业的 博士,致力于贝叶斯机器学习。他也是美国加州大学伯克利分校的博士后,为英 特尔、 Orange电信和巴克莱银行等公司工作过。他现在财经行业工作,使用机 器学习技术开发财经市场的预测算法,同时也是开源项目,如 Boost o++库的贡 献者。 译者简介 魏博,志诺维思(北京)基因科技有限公司高级算法工程师。本科毕业于 武汉大学数学系,博士毕业于中国科学院数学与系统科学研究院计算机软件与理 论专业。前阿里巴巴优酷事业部视频搜索算法专家,欧普拉软件科技(北京)有 限公司新闻推荐高级算法工程师。长期关注于用户需求建模、行为建模和自动推 理。数据挖掘、杋器学习和数据可视化爱好者,尤其热衷于海量数据中用户视角 和用户行为模式的刻画和推断,以及自然语言处理问题。 审稿者简介 Mzabalazo z. ngwenya拥有开普敦大学数学统计专业的研究生学历。他在 统计咨询行业有广泛的业务,并有大量的R开发经验。他的兴趣主要在统计计 算方面。他之前审阅了 Packt出版社的书籍 R Studio forR Statistical Computing (Mark P.J. van der Loo FA Edwin de Jonge); R Statistical Application Development by Example Beginner 's Guide( Prabhanjan Narayanachar Tattar ) Machine learning with R( Brett Lantz) R Graph Essentials( David Alexandra Lillis ); R Object-oriented Programming(Kelly Black ) Mastering Scientific Computing with R( Paul Gerrard FA Radia Johnson ) Mastering Data Analysis withr( Gergely Darocz) Prabhanjan Tattar现在是 Fractal Analytics公司的高级数据科学家。他拥有8 年的统计分析经验。生存分析和统计推断是他的主要科研和兴趣方向。他在同行 评审的期刊上发表了多篇科研论文,并撰写了两本R语言书籍:《R语言统计应 用开发实例》( R Statistical Application Development by example, Packt Publishing) 和《R语言统计教程》( A Course in statistics with r,wily)。R程序包gpk、 RSADBE和 ACSWR也是由他维护的 打音 概率图模型是杋器学习领域表示现实世界带有概率信息的数据和模型的最先 进技术之一。在许多场景中,概率图模型使用贝叶斯方法来描述算法,以便可以 从带有噪声和不确定性的现实世界中得出结论 本书介绍了一些相关话题,例如推断(自动推理和学习),可以自动从原始 数据中构建模型。它解释了算法是如何逐步运行的,并使用诸多示例展示了即时 可用的R语言解决方案。介绍完概率和贝叶斯公式的基本原理之后,本书给出 了概率图模型( Probabilistic Graphical Models,PGM),以及几种类型的推断和 学习算法。读者会从算法设计过渡到模型的自动拟合。 本书关注在解决数据科学问题上有成功案例的有用模型,例如贝叶斯分类 器、混合模型、贝叶斯线性回归,以及用于构建复杂模型的基本模型组件。 主要内容 第1章,概率推理,介绍了概率论和概率图模型的基本概念,并通过贝叶斯 公式的表示,为概率模型提供一种易用、高效、简单的建模方法。 第2章,精确推断,介绍了如何通过简单图形的组合和模型査询构建概率图 模型。该査询使用一种叫作联结树算法的精确推断算法。 第3章,学习参数,包括从数据集中使用最大似然法,拟合和学习概率图模型。 第4章,贝叶斯建模—基础模型,介绍了简单而强大的贝叶斯模型,其可 以作为更加复杂模型的基础模块,以及如何使用自适应算法来拟合和査询贝叶斯 模型。 第5章,近似推断,介绍了概率图模型上的第二种推断方法,同时介绍了主 要的采样算法,例如马尔科夫链蒙特卡洛(MCMC)。 第6章,贝叶斯建模—线性模型,介绍了更高级贝叶斯视角的标准线性回 前言 归算法,并给出了解决过拟合问题的解决方案。 第7章,概率混合模型,介绍了更加复杂的概率模型,其中的数据来自于几 种简单模型的混合。 附录,介绍了本书所引用的所有书籍和文献 环境准备 本书的所有例子都需要版本在3.0以上的R环境中运行。 本书受众 本书面向需要处理海量数据,并从中得出结论的读者,尤其是当数据有噪声 或者存在不确定性的读者。数据科学家、机器学习爱好者、工程师和其他对机器 学习最新技术感兴趣的人会觉得概率图模型很有意思。 读者反馈 欢迎读者反馈。让我们知道你关于这本书的想法——一喜欢什么,不喜欢什 么。读者反馈对于我们很重要,它可以帮助我们开发读者真正需要的话题。想给 我们发送反馈,只需要发电子邮件至feedback@Cpacktpub.com,并在邮件主题中 告知书名。如果你是某个话题的专家,并且有兴趣编写书籍或者给予贡献,请查 看我们的作者指导:www.packtpub.com/authors 客户支持 你现在已经是 Packt书籍的荣誉所有者。你还拥有以下权利。 下载示例代码 你可以从http://www.packtpub.com的个人账户中下载本书的示例代码文件 前言 如果你是从别的地方购买的本书,你可以访问htp:/www.packtpub.com/support,在 此网站注册后,会直接发邮件给你代码文件。你可以通过下列步骤下载代码文件: 使用你的邮箱和密码在我们的网站登录并注册 2.在顶部的 SUPPORT标签上悬停光标; 3.单击 Code downloads& Errata; 4.在 Search框中输入书名; 5.选取代码文件所在的书籍; 6.选择购书途径的下拉菜单; 7.单击 Code download 你也可以在本书网站的页面单击 Code files按钮下载代码文件。这本书的网 页可以通过 Search搜索框输入书名找到。你需要登录自己的 Packt账户。 文件下载完成之后,确保使用下列软件的最新版解压或抽取文件: ● Windows系统使用 Winrar/7-Zip。 ●Mac系统使用 Zipeg/iip/ UnRarX Linux系统使用7-zjp/ PeaZip。 勘误 尽管我们已经非常细心地保证内容的正确性,但是错误还是会发生。如果 你在我们的书中找到一处错误并告诉我们,不管是文本错误或是代码错误,我们 都会非常感激。你的善举会省去其他用户的烦恼,并帮助我们改进本书的后续版 本。如果你找到了任何勘误,请访问htts:/www.packtpub.com/submit-errata报告 给我们。你只须选取书名,单击 Errata Submission form链接,输入勘误的具体 信息。一旦勘误确定之后,我们会接受你的提交。勘误会上传到我们的网站,或 者添加到书籍勘误部分已有的勘误列表下。要查看以前提交的勘误,访问htps:∥ www-packtpub.com/books/content/support,在搜索框输入书名、所需信息会出现 在 Errata部分下。 [3 前言 版权 互联网上版权资料的盜版问题一直是所有媒介无法避免的问题。在 Packt, 我们一直严肃对待版权和许可的保护问题。如果你在互联网上遇到任何形式的我 社出版物的非法副本,请立即把具体地址或者网站名称提供给我们,我们可以采 取补救措施。请联系copyright(@packψpub.com,附上可疑的盗版材料的链接。我们 非常感谢你在保护作者方面的努力,也会注重提升自我能力,给你带来更有价值 的内容。 疑问 如果你对本书有任何疑问,可以联系我们questions(@packψpub.com。我们会 尽全力解决您的问题。 【实例截图】
【核心代码】