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。

+ }% F! m: N# a" V4 W, I5 Z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！
: N2 T( ^2 p& t4 c- R! @0 j9 S 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

8 {5 l7 @! Q- `' X  D" F
0 _8 |+ M* A  H4 }! S5 q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
7 o7 U& H6 V5 U- w; g, y/ {5 PChapter 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
4 I9 w$ C; N, l# b, c  a: W. eChapter 8: 逻辑回归 Logistic regression
0 p5 G" {/ ~, a% t5 oChapter 9: 广义线性模型和指数族 Generalized linear models and the exponential family
  b( U- K7 ]6 ]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
& L5 v$ B( S/ o8 _# qChapter 12: 隐式线性模型 Latent linear models
Chapter 13: 稀疏线性模型 Sparse linear models
$ _: {3 L" _/ qChapter 14: 核方法 Kernels
Chapter 15: 高斯过程 Gaussian processes
Chapter 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
% ]& q& S" y5 d( }5 ~% MChapter 18: 状态空间模型 State space models
Chapter 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
1 R& {+ Y( x+ W9 E  xChapter 21: 变分推断 Variational inference
' ]+ ^( b9 t' P( D' OChapter 22: 更进变分推断 More variational inference
# n* J; Y, ~4 o0 Q, x. XChapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
9 E" `/ `8 p6 k3 dChapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
Chapter 25: 聚类 Clustering
% f. ?4 n8 Y+ f' w' J6 PChapter 26: 图模型结构学习 Graphical model structure learning
6 S  ?  |$ a, {( t! [& BChapter 27: 因变量 Latent variable models for discrete data
; V1 m* X) `$ D* y8 \. W# yChapter 28: 深度学习 Deep learning
9 `- m9 ~/ X3 h% W' V
& F5 n: T8 G- 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。
- X! w. R  u/ h5 whttps://github.com/probml/pyprobml

$ O4 d' M. Z4 Z7 H1 L6 o( G: F
2 j! |" x6 b2 H  Q- u: k9 y