趋近智
高级贝叶斯机器学习
章节 1: 重审贝叶斯根本
概率建模原理
贝叶斯定理在高维空间中
先验选择中的主观性与客观性
信息论与贝叶斯推断的关联：熵与KL散度
贝叶斯推断中的计算难题
高级模型检查与评估
章节 2: 马尔可夫链蒙特卡洛方法
蒙特卡罗积分的原理
马尔可夫链理论之于MCMC
Metropolis-Hastings 算法变体
基于条件结构的吉布斯采样
哈密顿蒙特卡洛（HMC）机制
无U形转弯采样器 (NUTS)
诊断MCMC收敛性和性能
动手实践：实现高级MCMC
章节 3: 变分推断方法
优化即推断：变分推断的观点
推导证据下界 (ELBO)
平均场近似具体内容
坐标上升变分推断 (CAVI)
随机变分推断 (SVI) 针对大规模数据
黑箱变分推断 (BBVI)
进阶变分族
MCMC与VI优势比较
动手实践：可扩展变分推断
章节 4: 高斯过程
贝叶斯非参数建模介绍
定义高斯过程：函数的先验分布
协方差函数（核）：性质与选择
高斯过程回归公式
超参数边际似然优化
高斯过程分类方法
高斯过程的可扩展近似方法
动手实践：高斯过程建模
章节 5: 概率图模型进阶内容
贝叶斯网络：结构学习
贝叶斯网络中的参数学习
概率图模型中的高级推断：联结树算法
大型概率图模型中的近似推断
隐狄利克雷分配 (LDA)：贝叶斯表述
LDA 的推断：折叠吉布斯采样
LDA的推断：变分贝叶斯
动手实践：使用LDA进行主题建模
章节 6: 贝叶斯深度学习
贝叶斯深度学习的缘由
贝叶斯神经网络（BNNs）：权重的先验分布
贝叶斯神经网络的推断挑战
用于贝叶斯神经网络的MCMC方法（例如，随机梯度哈密顿蒙特卡洛）
BNN的变分推断（例如：反向传播贝叶斯）
BNN中的不确定性估计
变分自编码器 (VAEs) 作为概率模型
将 Dropout 视为近似贝叶斯推断
BNN的实际训练与评估
动手实践：构建贝叶斯神经网络
用于贝叶斯神经网络的MCMC方法（例如，随机梯度哈密顿蒙特卡洛）
这部分内容有帮助吗？
- Stochastic Gradient Hamiltonian Monte Carlo, Chen, Chuan, Fox, Emily, Guestrin, Carlos, 2014 Proceedings of the 31st International Conference on Machine Learning (ICML), Vol. 32 (Proceedings of Machine Learning Research) DOI: 10.5555/3044806.3045056 - 提出了用于处理带噪声梯度的大规模贝叶斯推断的随机梯度哈密顿蒙特卡洛（SGHMC）方法。
- Bayesian Learning via Stochastic Gradient Langevin Dynamics, Max Welling, Yee Whye Teh, 2011 Proceedings of the 28th International Conference on Machine Learning (ICML) (Omnipress) - 介绍了随机梯度朗之万动力学（SGLD），作为一种利用随机梯度进行大规模贝叶斯采样的早期方法。
- MCMC using Hamiltonian Dynamics, Neal, Radford M., 2011 Handbook of Markov Chain Monte Carlo (Chapman & Hall/CRC) DOI: 10.1201/b10905-6 - 《马尔可夫链蒙特卡洛手册》中的第5章。详细介绍了哈密顿蒙特卡洛方法。