本书全面介绍贝叶斯推理与机器学习，涉及基本概念、理论推导和直观解释，涵盖各种实用的机器学习算法，包括朴素贝叶斯、高斯模型、马尔可夫模型、线性动态系统等。本书在介绍方法的同时，强调概率层面的理论支持，可帮助读者加强对机器学习本质的认识，尤其适合想要学习机器学习中的概率方法的读者。本书首先介绍概率论和图的基础概念，然后以图模型为切入点，用一种统一的框架讲解从基本推断到高阶算法的知识。本书不仅配有BRML工具箱，而且提供大量MATLAB代码实例，将概率模型与编程实践相结合，从而帮助读者更好地理解模型方法。

徐增林，哈尔滨工业大学（深圳）教授，博士生导师，曾在香港中文大学、密西根州立大学、马克斯普朗克计算机研究所、普度大学、电子科技大学等单位从事科研工作。主要研究方向为机器学习及应用，在人工智能领域发表一百多篇国际会议和期刊论文，发表专著一部，任国际神经网络学会成都学会主席，担任Neural Networks、Neurocomputing等期刊编委。获国际神经网络学会青年研究者奖，获国家、四川省、深圳市等高层次人才称号。

译者序
前言
符号表
BRML工具箱
第一部分 概率模型中的推断
第1章 概率推理
1.1 概率知识复习
1.1.1 条件概率
1.1.2 概率表
1.2 概率推理
1.3 先验、似然与后验
1.3.1 两枚骰子：各自的分数是多少
1.4 总结
1.5 代码
1.5.1 基础概率代码
1.5.2 通用工具
1.5.3 示例
1.6 练习题
第2章 图的基础概念
2.1 图
2.2 图的数值表示
2.2.1 边表
2.2.2 邻接矩阵
2.2.3 团矩阵
2.3 总结
2.4 代码
2.4.1 实用程序
2.5 练习题
第3章 信念网络
3.1 结构化的优势
3.1.1 独立性建模
3.1.2 降低说明的负担
3.2 不确定性和不可靠的证据
3.2.1 不确定性证据
3.2.2 不可靠证据
3.3 信念网络
3.3.1 条件独立性
3.3.2 对撞的影响
3.3.3 图路径独立性操作
3.3.4 d-分离
3.3.5 图和分布的独立性与相关性
3.3.6 信念网络中的马尔可夫等价性
3.3.7 信念网络的有限表达性
3.4 因果关系
3.4.1 辛普森悖论
3.4.2 do算子
3.4.3 影响图和do算子
3.5 总结
3.6 代码
3.6.1 简单的推断演示
3.6.2 条件独立性演示
3.6.3 实用程序
3.7 练习题
第4章 图模型
4.1 图模型简介
4.2 马尔可夫网络
4.2.1 马尔可夫性质
4.2.2 马尔可夫随机场
4.2.3 Hammersley-Clifford理论
4.2.4 使用马尔可夫网络的条件独立性
……
第二部分 学习概率模型
第三部分 机器学习
第四部分 动态模型
第五部分 近似推断
附录 数学基础
参考文献