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！
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。
1 r4 c5 }; I' x0 h* M
# a8 Z/ w( M& Y  K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
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。
" s8 G8 z3 A/ J1 R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

  P8 z8 _) _' N* Z. r
1 p' @, |5 z  k/ L% _0 }! ]. e; I目录：
! V* C: A  l8 O, v全书包括28个章节，可以算是鸿篇巨制。
Chapter 1: 引言 Introduction
; S: ?, Q4 a! T1 O$ sChapter 2: 概率 Probability
8 `* @- F$ q: Y5 B2 t8 F( mChapter 3: 面向离散数据的生成式模型 Generative models for discrete data
" B" U8 R1 D* u3 |Chapter 4: 高斯模型 Gaussian models
Chapter 5: 贝叶斯统计 Bayesian statistics
Chapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
/ C! Z) [5 Z% u+ h! zChapter 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
! i+ W7 U1 U# n& v7 `& b0 _1 C7 WChapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
4 t+ i: o+ Q- d7 D/ ZChapter 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
5 ~7 T& _, C# h9 U# o: e' C9 S7 B# uChapter 13: 稀疏线性模型 Sparse linear models
' M3 N, c8 I# lChapter 14: 核方法 Kernels
% ]3 f% ~2 C$ X) @" ^Chapter 15: 高斯过程 Gaussian processes
+ L* ^5 `8 [; L) p. L. IChapter 16: 自适应基函数模型 Adaptive basis function model
% A. E* Q* N/ TChapter 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
' L3 T; C# r5 ~Chapter 19: 无向图模型(马尔可夫随机域) Undirected graphical models (Markov random fields)
& L: o/ k, x6 S, q" K9 ~Chapter 20: 图模型精准推断 Exact inference algorithms for graphical models
Chapter 21: 变分推断 Variational inference
$ ~) j" P2 t2 d" E) |& AChapter 22: 更进变分推断 More variational inference
# ?" l7 p' O) C! e$ f7 K2 w2 T) d2 vChapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
9 g% o) f7 s- l; ?$ K5 mChapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
5 H' h: g" Z. |Chapter 25: 聚类 Clustering
Chapter 26: 图模型结构学习 Graphical model structure learning
8 `# y" V( t; H) ^5 ?Chapter 27: 因变量 Latent variable models for discrete data
Chapter 28: 深度学习 Deep learning
' n8 S: G9 K- V* g/ w, r
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
9 V5 p  B4 b7 g8 _' G! f

) s/ ~% w1 Y" p: [7 B
% l2 b" c( |3 m0 I6 z