机器学习中的概率统计

读者对象：

想要对机器学习进行深入学习的相关人士；想要对概率统计进一步深入系统地学习的学生和业内人士；金融量化等数据分析行业的从业者；理工科专业高年级本科生和研究生。

本书围绕机器学习算法中涉及的概率统计知识展开介绍，沿着概率思想、变量分布、参数估计、随机过程和统计推断的知识主线进行讲解，结合数学的本质内涵，用浅显易懂的语言讲透深刻的数学思想，帮助读者构建理论体系。同时，作者在讲解的过程中注重应用场景的延伸，并利用Python工具无缝对接工程应用，帮助读者学以致用。

全书共5章。

第1章以条件概率和独立性作为切入点，帮助读者建立认知概率世界的正确视角。

第2章介绍随机变量的基础概念和重要分布类型，并探讨多元随机变量间的重要关系。

第3章介绍极限思维以及蒙特卡罗方法，并重点分析极大似然估计方法以及有偏无偏等重要性质，最后拓展到含有隐变量的参数估计问题，介绍EM算法的原理及其应用。

第4章由静态的随机变量过渡到动态的随机过程，重点介绍马尔可夫过程和隐马尔可夫模型。

第5章聚焦马尔可夫链-蒙特卡罗方法，并列举实例展示Metropolis-Hastings和Gibbs的具体采样过程。

张雨萌

资深人工智能技术专家，毕业于清华大学计算机系，长期从事人工智能领域相关研究工作，谙熟机器学习算法应用及其背后的数学基础理论。目前已出版多部机器学习数学基础类畅销书籍，广受读者好评。