数学建模社区-数学中国

标题: 经典著作《机器学习：概率视角》 [打印本页]

---

作者: 普大帝    时间: 2024-8-23 20:03
标题: 经典著作《机器学习：概率视角》
你好！我是陪你一起进阶人生的范老师！愿你成才！助你成长！
, }% Q/ D( n, C2 T" N9 K大家好！我是数学中国范老师，这次给大家分享的是开源机器学习经典著作《机器学习：概率视角》，英文全称为《Machine Learning: a Probabilistic Perspective》，该书作者是谷歌研究员Kevin Patrick Murphy，自2012年出版以来就一直被列为机器学习经典著作之一。本书可以作为PRML的姊妹篇，基于概率论和概率模型的角度来理解机器学习模型。本书在豆瓣上评分达到了9.6分，经典著作无疑。全书包括28个章节，可以算是鸿篇巨制。具体哦章节请查看帖子下方，内容较多本次将以云盘地址分享。

注册登录后，右上角点击签到就会随机赠送10点左右的体力值！点击文件图标可以立即下载文件
( e. G/ O: P4 A% S$ [新用户注册，可以联系我们的工作人员QQ南方：3242420264   乔叶：1470495151   淡妆：1917509892，帮你快速审核+修改用户组后，可以右上角签到获取体力值,一次注册，日后大量数学建模资源即刻拥有。
+ I6 O' Z  t, t4 f# a: p5 K没有注册的快右上角登陆注册吧！更多优质学习资源在等你下载！
经典著作《机器学习：概率视角》.txt (851 Bytes, 下载次数: 3, 售价: 5 点体力)

2024-8-23 20:01 上传

点击文件名下载附件
售价: 5 点体力  [记录]
下载积分: 体力 -2 点

7 U9 y- |8 _  N, G* P
/ u' s/ y  S- M) }  Y% l# y目录：
全书包括28个章节，可以算是鸿篇巨制。
& C' m  j( p0 K- u* }/ U2 lChapter 1: 引言 Introduction
Chapter 2: 概率 Probability
Chapter 3: 面向离散数据的生成式模型 Generative models for discrete data
Chapter 4: 高斯模型 Gaussian models
# Y* o/ P! R" s$ I, p/ w( hChapter 5: 贝叶斯统计 Bayesian statistics
9 F9 q  {  b8 [* G) eChapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
4 u# K8 O0 p( {* D3 F2 h9 |0 \Chapter 8: 逻辑回归 Logistic regression
% L# u! h7 w$ c9 s3 vChapter 9: 广义线性模型和指数族 Generalized linear models and the exponential family
! N; `$ X& m3 {7 D$ vChapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
! _7 J, z+ h4 x* U# }+ pChapter 11: 混合模型与EM算法 Mixture models and the EM algorithm
8 S9 G" s) {- g5 MChapter 12: 隐式线性模型 Latent linear models
Chapter 13: 稀疏线性模型 Sparse linear models
Chapter 14: 核方法 Kernels
Chapter 15: 高斯过程 Gaussian processes
Chapter 16: 自适应基函数模型 Adaptive basis function model
5 l1 m7 {5 n4 D7 U' EChapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
Chapter 18: 状态空间模型 State space models
% \8 p- ^7 _% v, dChapter 19: 无向图模型(马尔可夫随机域) Undirected graphical models (Markov random fields)
Chapter 20: 图模型精准推断 Exact inference algorithms for graphical models
% _) M3 B! j9 h8 I0 J: T+ RChapter 21: 变分推断 Variational inference
* W  M9 Y! h. r& D0 E. @Chapter 22: 更进变分推断 More variational inference
) k. j8 u5 G( I& WChapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
" i1 S* ]+ r& @; Z- KChapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
Chapter 25: 聚类 Clustering
Chapter 26: 图模型结构学习 Graphical model structure learning
/ c  Y8 |7 L1 ~6 a6 b3 H9 `Chapter 27: 因变量 Latent variable models for discrete data
, J8 O4 C5 _# a+ p4 NChapter 28: 深度学习 Deep learning
. K2 E1 d( ]7 [  L. |% k
" [- q7 Q- P$ \0 ~7 B同时，本书作者也在GitHub上同步开源随书代码，供大家参考学习。
9 T0 o; \# x+ O2 ]* ?7 f1 c: Nhttps://github.com/probml/pyprobml


' Q+ M2 T( t) }1 ?; ]) y: T% a
' u2 ?6 d! Q" N7 t

---

欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)

Powered by Discuz! X2.5