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!
, x) o9 O" ?# j. c# Y7 m7 ^9 S' 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。
6 H4 k- a, ~: p/ M( x
' L2 R* c* b4 z* ?$ G4 K% n
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
0 i: m! Q' T+ U; ~ L, y
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
。
5 N0 Q6 ]" g' {7 G
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!
9 \8 \8 q+ T4 b
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
5 `- ?4 d+ d; k* ]4 B! C
2024-8-23 20:02 上传
下载附件
(205.56 KB)
8 N1 m* `2 r& O3 V
目录:
4 ~. \; Y4 |9 ]; C# _
全书包括28个章节,可以算是鸿篇巨制。
3 w n+ v1 E% T0 D, F$ c+ I
Chapter 1: 引言 Introduction
6 J2 [9 o+ _8 }" e
Chapter 2: 概率 Probability
! j1 u+ _7 U8 H" z4 g
Chapter 3: 面向离散数据的生成式模型 Generative models for discrete data
5 K( N1 b: Q; M' E/ h6 H3 v# U
Chapter 4: 高斯模型 Gaussian models
) z; O7 [% e6 o, D/ _+ L7 @' K7 ?
Chapter 5: 贝叶斯统计 Bayesian statistics
8 B7 r- I' a/ {& E: X. R
Chapter 6: 频率统计 Frequentist statistics
0 W; d' b' R- s7 s* t
Chapter 7: 线性回归 Linear regression
9 j$ k8 W/ L# Q. k* E
Chapter 8: 逻辑回归 Logistic regression
/ ^ \1 T2 l7 E7 `' w |
Chapter 9: 广义线性模型和指数族 Generalized linear models and the exponential family
) v D' }+ ^! j0 u1 h5 @9 L0 I
Chapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
3 n' [+ c: c4 a
Chapter 11: 混合模型与EM算法 Mixture models and the EM algorithm
$ L* C% F& h& p! o$ S
Chapter 12: 隐式线性模型 Latent linear models
- S+ ^0 v) T, q& r* m; s
Chapter 13: 稀疏线性模型 Sparse linear models
' r* j0 K, b8 c2 p
Chapter 14: 核方法 Kernels
3 H& t! N; P: |! | X f
Chapter 15: 高斯过程 Gaussian processes
v4 c9 R3 C/ a: {7 f: Q
Chapter 16: 自适应基函数模型 Adaptive basis function model
9 G/ s2 K, A+ F5 p3 m$ P
Chapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
_2 o' c x) s; O8 o% o# U
Chapter 18: 状态空间模型 State space models
0 j# A, J5 }& I1 E: f$ H' d9 ]
Chapter 19: 无向图模型(马尔可夫随机域) Undirected graphical models (Markov random fields)
7 P8 |7 F1 L4 Y1 {% J- X
Chapter 20: 图模型精准推断 Exact inference algorithms for graphical models
; a( d# g# i5 i( ^; u4 N$ L
Chapter 21: 变分推断 Variational inference
- V4 L0 `" P# B& p- j6 O7 Y( G
Chapter 22: 更进变分推断 More variational inference
2 t/ r7 U7 o U3 L, E" }7 }8 N
Chapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
5 r5 N) ~! |7 D3 U; y; ^
Chapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
4 l3 P( x Y; @9 J( x
Chapter 25: 聚类 Clustering
( R8 @% r& \0 V" G2 [
Chapter 26: 图模型结构学习 Graphical model structure learning
. b1 l. C: X5 s5 I" E6 X
Chapter 27: 因变量 Latent variable models for discrete data
# G& l3 P4 b. b2 u
Chapter 28: 深度学习 Deep learning
4 t1 l8 s, A* Z
3 N3 G" t& M, k( e0 r8 z
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。
" I! J' u! d3 X0 [
https://github.com/probml/pyprobml
" E* P5 k8 k; g: H+ h
/ q5 N0 c7 Y9 L* Y) e, p# W/ s$ e
0 ]% K5 w$ S$ F$ d J4 J
) |: e2 r0 {1 V' K& T. W
欢迎光临 数学建模社区-数学中国 (http://www.madio.net/)
Powered by Discuz! X2.5