本書從高等教育的實際出發(fā)，在教材體系和章節(jié)的安排上，嚴格遵循循序漸進、深入淺出的教學規(guī)律，難易適度；注重案例的引入，通過案例教學對課程重點和難點進行深化分析和訓練，加強學生對知識點的理解和記憶，從而提高學生分析問題、解決問題的能力；內(nèi)容敘述的組織方式易于學生接受，重視對數(shù)學概念的分析；加強知識發(fā)生過程的探索，對得到的重

本書分為基礎篇和提高篇兩篇，內(nèi)容包括：隨機事件和概率、隨機變量及其分布、多維隨機變量及其分布、隨機變量的數(shù)字特征、大數(shù)定律和中心極限定理、數(shù)理統(tǒng)計的基本概念、隨機事件和概率、多維隨機變量及其分布等。

本書是編者根據(jù)多年的教學實踐，按照新形勢下高等教育改革的精神，結(jié)合財經(jīng)類高校本科專業(yè)概率論與數(shù)理統(tǒng)計的教學大綱和考試大綱編寫而成。內(nèi)容包括：隨機事件與概率、隨機變量及其分布、多維隨機變量及其分布、隨機變量的數(shù)字特征、大數(shù)定律與中心極限定理、數(shù)理統(tǒng)計的基本概念、參數(shù)估計、假設檢驗、方差分析與回歸分析等章節(jié)的練習題和自測題

本書全面介紹貝葉斯推理與機器學習，涉及基本概念、理論推導和直觀解釋，涵蓋各種實用的機器學習算法，包括樸素貝葉斯、高斯模型、馬爾可夫模型、線性動態(tài)系統(tǒng)等。在介紹方法的同時，強調(diào)概率層面的理論支持，可幫助讀者加強對機器學習本質(zhì)的認識，其適合想要學習機器學習中的概率方法的讀者。首先介紹概率論和圖的基礎概念，然后以圖模型為切入

本書采用了不相關的、來自信息論的研究，角度新穎地提出了一種證明中心極限的新方法，并對此進行了全面描述：書中先是讀者呈現(xiàn)了熵和費雪信息概念的基本導論，隨后以一系列與它們行為有關的標準測試作為驗證。在作者的獨特構思與實證下，信息論與中心極限定理兩個看似不相干的領域被巧妙地聯(lián)結(jié)起來，實現(xiàn)了跨學科的科研合作。此外，書里還匯編了

本書為修訂和擴展的新版本，新版里包括更為詳細的EM算法處理、有效的近似維特比訓練程序描述，和基于n一最佳搜索的困惑測度和多通解碼覆蓋的理論推導。為了支持對馬爾可夫模型理論基礎的討論，還特別強調(diào)了實際算法的解決方案。具體來說，本書的特點如下：介紹了馬爾可夫模型的形式化框架；涵蓋了概率量的魯棒處理；提出了具體應用領域隱馬爾

本書是《概率論與數(shù)理統(tǒng)計》的同步輔導書，集長期在教學科研第一線的專家的豐富教學經(jīng)驗，按照系統(tǒng)性、結(jié)構性、嚴謹性和簡潔性原則進行編著。內(nèi)容主要包括隨機事件與概率、離散型隨機變量、連續(xù)型隨機變量、隨機變量的數(shù)字特征、隨機向量和極限定理、統(tǒng)計量及其分布、參數(shù)估計、假設檢驗、方差分析、回歸分析等。適用于普通高等教育概率論與數(shù)理

本書根據(jù)概率論與數(shù)理統(tǒng)計學科的脈絡走向和考生的復習進度，將高等數(shù)學分為若干部分，考生只需按照書中的知識體系和進度安排進行復習，就可以輕松掌握考研數(shù)學的概率論與數(shù)理統(tǒng)計部分。幫助考生在復習過程中熟悉考查的重點和難點，了解一定的命題規(guī)律和趨勢。

本書系統(tǒng)地介紹了定義在離散格(包括Zd和Bethe樹等)圖上的取值于有限集合的隨機場的相變、信息度量，以及網(wǎng)絡演化博弈論。全書共10章，分為三個部分。第一部分包括第1章至第3章，給出了隨機場的一般定義，重點介紹馬爾可夫場和Gibbs場，以及它們的等價關系，討論了Z2和樹(包括開樹和閉樹)上Ising模型的相變問題。第二

本書首先系統(tǒng)地介紹了張量理論的一些基本概念、基本操作、經(jīng)典張量分解以及經(jīng)典張量算法，進而討論了支持張量描述和核支持張量描述(第3章)、OCSTuM和GA-OCSTuM方法(第4章)、極限張量學習算法(第5章)、核支持張量環(huán)機(第6章)、魯棒主張量成分分析(第7章)，最后對該領域未來的發(fā)展應用前景做了評述與展望(第8章)