前言 \n
第1章随机变量的抽样方法1 \n
11均匀分布随机变量的抽样方法1 \n
12非均匀分布随机变量的抽样方法5 \n
参考文献30 \n
第2章随机向量的抽样方法31 \n
21一元抽样方法的推广31 \n
22多元正态分布34 \n
23多元t分布35 \n
24多项分布36 \n
25Dirichlet分布37 \n
26Copula-marginal方法39 \n
27球面上的随机点46 \n
28随机矩阵49 \n
29随机图62 \n
参考文献70 \n
第3章随机过程的抽样方法71 \n
31随机过程的基本概念71 \n
32随机游走72 \n
33高斯过程74 \n
34泊松点过程81 \n
35Dirichlet过程86 \n
参考文献92 \n
第4章Gibbs抽样和马尔可夫链93 \n
41贝叶斯正态模型93 \n
42Gibbs抽样99 \n
43马尔可夫链100 \n
参考文献102 \n
第5章Metropolis-Hastings算法、 \n
HMC算法与SMC算法103 \n
51贝叶斯泊松回归模型103 \n
52Metropolis算法104 \n
53贝叶斯泊松回归模型的 \n
Metropolis算法106 \n
54Metropolis-Hastings算法109 \n
55哈密顿蒙特卡罗(HMC)方法111 \n
56序贯蒙特卡罗(SMC)方法125 \n
参考文献129 \n
第6章EM算法和MM算法130 \n
61高斯混合模型(GMM)130 \n
62Jensen不等式131 \n
63EM算法131 \n
64使用EM算法估计GMM134 \n
65MM算法135 \n
参考文献139 \n
第7章梯度下降法140 \n
71梯度下降法(GD)140 \n
72随机梯度下降法(SGD)146 \n
参考文献147 \n
第8章Newton-Raphson算法148 \n
81Newton-Raphson算法步骤148 \n
82收敛性分析149 \n
83Logistic回归的最大似然估计151 \n
参考文献154 \n
第9章坐标下降法155 \n
91坐标下降法155 \n
92坐标下降法的应用:LASSO159 \n
参考文献166 \n
第10章Boosting算法167 \n
101AdaBoost算法167 \n
102AdaBoost 统计解释170 \n
103AdaBoost概率解释175 \n
参考文献176 \n
第11章凸优化与支持向量机177 \n
111Margin177 \n
112凸优化理论180 \n
113SVM:最大化最小margin185 \n
114线性不可分情形187 \n
115核函数190 \n
参考文献194 \n
第12章ADMM算法195 \n
121对偶上升法195 \n
122加强拉格朗日法和乘子法196 \n
123ADMM算法197 \n
参考文献203 \n
第13章深度学习204 \n
131神经网络204 \n
132卷积神经网络212 \n
参考文献216