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。
: v1 L, w3 h. A4 `8 O  f& e. M- K
4 Y4 m; K1 T6 M5 [3 Z/ v( s/ F  {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
6 t. X& `: B! m3 A, n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。
( I) U# k  ^5 D2 Y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

目录：
全书包括28个章节，可以算是鸿篇巨制。
Chapter 1: 引言 Introduction
Chapter 2: 概率 Probability
2 J0 j8 e+ l0 q7 U6 EChapter 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
Chapter 6: 频率统计 Frequentist statistics
  w3 B8 j) q4 u9 h0 U9 T% j) v& U& LChapter 7: 线性回归 Linear regression
5 O+ b" L5 p: X, p  M3 ^Chapter 8: 逻辑回归 Logistic regression
2 N8 r; z, |8 W" p* F8 [Chapter 9: 广义线性模型和指数族 Generalized linear models and the exponential family
* P% P# e4 |4 c) N6 `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
Chapter 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
- M# X' \% H# D0 N  S; w( s4 v# X, BChapter 16: 自适应基函数模型 Adaptive basis function model
5 P$ v# u& x' Y& S/ r& @% aChapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
5 r3 i5 I  s1 ?5 j. AChapter 18: 状态空间模型 State space models
6 f4 x7 [! ~) QChapter 19: 无向图模型(马尔可夫随机域) Undirected graphical models (Markov random fields)
7 m" N: U' o; V6 [8 |Chapter 20: 图模型精准推断 Exact inference algorithms for graphical models
Chapter 21: 变分推断 Variational inference
Chapter 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
Chapter 25: 聚类 Clustering
. F8 X. e1 l% jChapter 26: 图模型结构学习 Graphical model structure learning
Chapter 27: 因变量 Latent variable models for discrete data
) m3 Z" j; O% `$ J* E. z& UChapter 28: 深度学习 Deep learning
" s7 H7 C6 r& I9 X# `
. d, I, F) x& F0 \0 b( c/ G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。
6 S  u$ @. A" ]https://github.com/probml/pyprobml
/ W( k9 h6 o% Y% k
/ F! ?1 M! X- f6 A' Y, I0 P- B) m
  w1 a0 H5 Z& [8 l- B' l
1 G. f+ _/ R6 _8 S2 m. N+ Y