蒙特卡罗方法和统计计算

前言 \n
第1章随机变量的抽样方法1 \n
11均匀分布随机变量的抽样方法1 \n
12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
21一元抽样方法的推广31 \n
22多元正态分布34 \n
23多元t分布35 \n
24多项分布36 \n
25Dirichlet分布37 \n
26Copula-marginal方法39 \n
27球面上的随机点46 \n
28随机矩阵49 \n
29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
31随机过程的基本概念71 \n
32随机游走72 \n
33高斯过程74 \n
34泊松点过程81 \n
35Dirichlet过程86 \n
参考文献92 \n
第4章Gibbs抽样和马尔可夫链93 \n
41贝叶斯正态模型93 \n
42Gibbs抽样99 \n
43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
51贝叶斯泊松回归模型103 \n
52Metropolis算法104 \n
53贝叶斯泊松回归模型的 \n
Metropolis算法106 \n
54Metropolis-Hastings算法109 \n
55哈密顿蒙特卡罗(HMC)方法111 \n
56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
61高斯混合模型(GMM)130 \n
62Jensen不等式131 \n
63EM算法131 \n
64使用EM算法估计GMM134 \n
65MM算法135 \n
参考文献139 \n
第7章梯度下降法140 \n
71梯度下降法(GD)140 \n
72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
81Newton-Raphson算法步骤148 \n
82收敛性分析149 \n
83Logistic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
91坐标下降法155 \n
92坐标下降法的应用：LASSO159 \n
参考文献166 \n
第10章Boosting算法167 \n
101AdaBoost算法167 \n
102AdaBoost 统计解释170 \n
103AdaBoost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
111Margin177 \n
112凸优化理论180 \n
113SVM：最大化最小margin185 \n
114线性不可分情形187 \n
115核函数190 \n
参考文献194 \n
第12章ADMM算法195 \n
121对偶上升法195 \n
122加强拉格朗日法和乘子法196 \n
123ADMM算法197 \n
参考文献203 \n
第13章深度学习204 \n
131神经网络204 \n
132卷积神经网络212 \n
参考文献216