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！
: O% Q0 J/ {0 e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。
: q( S& h% N* k8 T$ V+ F" k
! J8 v8 P! C7 `, b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
4 c6 o  O4 o# q- w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。
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！
: H' t8 P- e) k" n* U" m* n 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

目录：
全书包括28个章节，可以算是鸿篇巨制。
* z! P* F& o' p4 Z  XChapter 1: 引言 Introduction
. I: r, r& D5 w4 o# }6 {1 tChapter 2: 概率 Probability
3 A; |' {. l6 P) ], jChapter 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
Chapter 5: 贝叶斯统计 Bayesian statistics
2 J8 Z. B" x+ D/ g$ JChapter 6: 频率统计 Frequentist statistics
& z4 F" ^! d" H$ Y. b. ZChapter 7: 线性回归 Linear regression
Chapter 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)
1 ?* E! Y6 y& H: cChapter 11: 混合模型与EM算法 Mixture models and the EM algorithm
Chapter 12: 隐式线性模型 Latent linear models
4 D' i, c6 j  y( jChapter 13: 稀疏线性模型 Sparse linear models
- n9 q' y1 }+ F( z+ F( i: A  YChapter 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
Chapter 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
6 S+ ^/ v/ E1 b; ~+ {Chapter 19: 无向图模型(马尔可夫随机域) Undirected graphical models (Markov random fields)
. F' z& [7 o' `) ~Chapter 20: 图模型精准推断 Exact inference algorithms for graphical models
& R! I1 p9 d; y1 e$ L- kChapter 21: 变分推断 Variational inference
Chapter 22: 更进变分推断 More variational inference
, k6 p9 D% m. A0 Z2 \: D7 ^- D: iChapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
1 Z6 P# p8 x' T) [  |3 tChapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
3 N- G6 Y; L% X, V7 \. R& m9 zChapter 25: 聚类 Clustering
Chapter 26: 图模型结构学习 Graphical model structure learning
; w) J1 R9 q- |8 x# o7 VChapter 27: 因变量 Latent variable models for discrete data
" T# Y5 Z, o; U9 b0 r& ?5 l9 \Chapter 28: 深度学习 Deep learning
2 n: }3 ~1 s9 T2 {
- b" u& P1 o- l, \+ K2 l+ M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


" p( e% Z$ x# Z# }& x