330 __ |a 本书介绍了基于贝叶斯推论的机器学习，其基本思想是将数据及数据产生的过程视为随机事件，从数据的固有特征开始，通过一系列假设来进行数据的描述，进而构建出与机器学习任务相适应的随机模型，然后通过模型的解析求解或近似求解得出未知事件的预测模型。通过贝叶斯学习，我们可以了解到更多关于数据的信息，进而可以大致清楚进行学习的神经网络的规模和复杂程度。更重要的是，当神经网络学习中出现问题时，通过贝叶斯学习可以找到解决问题的方向和途径。因此，可以说贝叶斯学习是深度神经网络学习的理论基础，也是进行神经网络学习的必修课。本书在内容安排上，尽可能对概率统计和随机过程的基础进行了较为完整的介绍，并对常用的概率分布进行了详尽的分析。在此基础上重点介绍了单一模型及混合模型的贝叶斯推论方法，并结合具体应用进行了扩展和分析。在注重理论介绍的同时也考虑到了实际的应用扩展，从而保证了读者学习的完整性。其所给出的随机模型分析、构建及求解方法力图详尽，对读者进行贝叶斯方法的学习和实际应用具有较高的指导和参考价值。