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！
6 e+ o5 t: `6 c& d* ^0 `- ^% A& S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 n5 l1 X" U2 I: 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。
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！
  @2 j3 S2 ~9 `' W/ q/ u4 i7 ~8 I 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

# l7 K/ F7 b  Z& g4 o
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
Chapter 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
) Y1 K4 g7 a6 Y, [6 I4 [- h+ k, lChapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
Chapter 8: 逻辑回归 Logistic regression
0 u. ~9 H/ z7 ^2 @Chapter 9: 广义线性模型和指数族 Generalized linear models and the exponential family
2 J+ i6 M: e5 XChapter 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
$ d% Q0 d& w* }/ ]4 T- uChapter 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
" h3 f+ k. K/ ^0 EChapter 15: 高斯过程 Gaussian processes
* D+ C# R, M" z# Z6 W5 rChapter 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
: b4 C/ c0 g0 D. }Chapter 18: 状态空间模型 State space models
9 P* Q9 d2 e; `; ^5 P, pChapter 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
, l( R0 Y: v- M, WChapter 22: 更进变分推断 More variational inference
Chapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
1 w% @; {: }' q% @  R% l+ GChapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
Chapter 25: 聚类 Clustering
Chapter 26: 图模型结构学习 Graphical model structure learning
" O9 K3 M/ F& y' P$ c9 n* L2 z* u' v+ KChapter 27: 因变量 Latent variable models for discrete data
8 ~2 d7 C6 u4 W  m. j: y* tChapter 28: 深度学习 Deep learning
7 X+ K& f+ Q  n8 h& X5 L3 T* D
! E9 d1 l- r1 X0 Z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。
' H5 z/ d; g( q% D: X' \& Ehttps://github.com/probml/pyprobml
8 O1 s7 L- ~5 n4 x
" t* O* s' p* n. P; w9 e