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。

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
) o; j. f0 V3 N& c, Q& R8 r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。
. }8 X$ u8 r" r2 `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：
; Z' l7 B' i% j% Q全书包括28个章节，可以算是鸿篇巨制。
! z4 w: q2 u7 @Chapter 1: 引言 Introduction
1 x* M3 \5 ]) X% D# ^Chapter 2: 概率 Probability
1 g* k% c- J, Y! t. GChapter 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
1 j8 J1 l, A4 J! P6 S: ]- O9 qChapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
Chapter 8: 逻辑回归 Logistic regression
3 o0 B2 i% X) ^! |3 o" nChapter 9: 广义线性模型和指数族 Generalized linear models and the exponential family
0 Q( B6 W' }' S2 f/ vChapter 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
+ t! [7 E* l/ y$ k- rChapter 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
, u3 _" t' L/ B, u3 R8 R. Z+ |9 _+ iChapter 15: 高斯过程 Gaussian processes
7 P- f  h2 `! B  F) P& gChapter 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
1 c7 R8 n- X' `: U. qChapter 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
# g/ p0 F2 X# z3 o. E3 bChapter 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
- |. N' f- Z2 i  d. I. W: VChapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
Chapter 25: 聚类 Clustering
2 G4 ]9 h9 K+ _' Y1 `Chapter 26: 图模型结构学习 Graphical model structure learning
& ^2 J! @- {3 b. d$ R% |Chapter 27: 因变量 Latent variable models for discrete data
- L7 |: X& K) W/ x' g9 j  a3 \8 NChapter 28: 深度学习 Deep learning

( a. K, h  T* v" _5 _8 Q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。
- K& T4 \% L5 F3 phttps://github.com/probml/pyprobml
1 ?; y; q3 B) K! b# `% ~