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。
5 n3 r* p% e' ~; w; e
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。
7 ~) @1 Q2 ^) Z( q" I% b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！
; d3 l$ i/ V9 v- } 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

: @0 Z7 U( s' F' E& U1 G/ @# z目录：
全书包括28个章节，可以算是鸿篇巨制。
- ~6 N4 p- U/ F2 P. K( P% mChapter 1: 引言 Introduction
) X1 q1 ~+ a1 ]/ E: A+ h1 A/ vChapter 2: 概率 Probability
Chapter 3: 面向离散数据的生成式模型 Generative models for discrete data
: k1 a/ x  x4 |' N# ?# y$ dChapter 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
! ~# H8 R6 A5 JChapter 8: 逻辑回归 Logistic regression
5 F! H0 ^, w5 J$ ]7 ~- Y7 J, JChapter 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
Chapter 12: 隐式线性模型 Latent linear models
+ [& v, l- b. F, l% M9 w, GChapter 13: 稀疏线性模型 Sparse linear models
Chapter 14: 核方法 Kernels
# f1 b( n1 J& G2 fChapter 15: 高斯过程 Gaussian processes
0 c* W6 n* r, G* C4 x( n- c6 eChapter 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
# M0 b+ }, S. o1 B; n4 NChapter 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
Chapter 21: 变分推断 Variational inference
/ a& `/ S9 j7 HChapter 22: 更进变分推断 More variational inference
$ k5 e# w1 J8 @, xChapter 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
6 {& x* N4 K0 Z9 a- rChapter 25: 聚类 Clustering
3 N9 \0 H9 C8 L/ i; I! x, V" jChapter 26: 图模型结构学习 Graphical model structure learning
Chapter 27: 因变量 Latent variable models for discrete data
Chapter 28: 深度学习 Deep learning
& B9 ^4 ~/ j; ], [0 O
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。
! ?7 j$ F  ]2 R9 p+ G4 dhttps://github.com/probml/pyprobml
& F3 o! `/ d8 t


- N8 |3 c$ U+ O' C7 K