经典著作《机器学习：概率视角》

普大帝

你好！我是陪你一起进阶人生的范老师！愿你成才！助你成长！
: ?) J4 M+ m8 [8 a; `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。
9 ^% L6 y4 M: c: w4 s( p
2 _$ \5 I! b4 A1 m( \' O/ q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
1 o9 U. C6 _' O5 I7 `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。
, h- w; c6 a% 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！
6 i$ B  ]. C0 h7 X* W 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

& P% x. Z0 ^# \$ ~  o目录：
全书包括28个章节，可以算是鸿篇巨制。
Chapter 1: 引言 Introduction
5 T2 L) Z/ b( P. P1 G: ?- ^. LChapter 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
2 ?: f- i' e( x! Z7 ^- G2 FChapter 5: 贝叶斯统计 Bayesian statistics
Chapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
5 H( u2 c+ S" k( J$ i+ j: |! fChapter 8: 逻辑回归 Logistic regression
Chapter 9: 广义线性模型和指数族 Generalized linear models and the exponential family
Chapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
Chapter 11: 混合模型与EM算法 Mixture models and the EM algorithm
0 A/ T7 J- M3 U9 t2 ^; xChapter 12: 隐式线性模型 Latent linear models
Chapter 13: 稀疏线性模型 Sparse linear models
  T: D7 k8 Q4 y. O' T% m9 vChapter 14: 核方法 Kernels
Chapter 15: 高斯过程 Gaussian processes
5 P) T& `+ A' \5 @, AChapter 16: 自适应基函数模型 Adaptive basis function model
* j8 ~+ g! d' @8 J' j( p+ K: XChapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
/ V- _3 W% @3 n% \% K" h4 AChapter 18: 状态空间模型 State space models
Chapter 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
' Y4 ~2 [& d( _$ cChapter 21: 变分推断 Variational inference
; }' D7 l& r( N& B$ jChapter 22: 更进变分推断 More variational inference
Chapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
Chapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
: }/ W( d8 L1 y9 C& W% K0 E6 wChapter 25: 聚类 Clustering
Chapter 26: 图模型结构学习 Graphical model structure learning
( K* W7 T$ d2 l$ p, JChapter 27: 因变量 Latent variable models for discrete data
Chapter 28: 深度学习 Deep learning

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。
https://github.com/probml/pyprobml
$ H4 x7 B  p* J) P6 D$ u9 P" `: z

! J" w' a9 X& _6 U, b+ Z