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！
% s$ ?1 D; _: I+ ^+ ?8 E& s2 h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。
6 M: Z+ f. G4 D: j
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。
1 _* Q3 c- `  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

- Q; a& C) e8 h0 N* Z) P2 d
目录：
: Z/ _- S5 C  B( }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
* N, t2 ]" p7 @% J( c; HChapter 3: 面向离散数据的生成式模型 Generative models for discrete data
# \( n. b- l5 s" R3 g- RChapter 4: 高斯模型 Gaussian models
Chapter 5: 贝叶斯统计 Bayesian statistics
$ k' q2 @1 }1 d+ ]% wChapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
Chapter 8: 逻辑回归 Logistic regression
1 q5 [2 @5 }! @0 z. FChapter 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)
/ v2 n$ `3 l% @( rChapter 11: 混合模型与EM算法 Mixture models and the EM algorithm
+ {3 p/ S$ c9 D+ @Chapter 12: 隐式线性模型 Latent linear models
Chapter 13: 稀疏线性模型 Sparse linear models
( f: ], X# _) {7 q) J$ H6 @; x- hChapter 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
  G+ B3 h& k  r! v" z6 xChapter 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)
) g' x1 l" t3 W4 |1 R, ?Chapter 20: 图模型精准推断 Exact inference algorithms for graphical models
& _2 W6 j+ P$ H9 K, l/ nChapter 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
9 i1 X5 o- m- WChapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
Chapter 25: 聚类 Clustering
- q0 x3 j" d1 l' |! }  PChapter 26: 图模型结构学习 Graphical model structure learning
Chapter 27: 因变量 Latent variable models for discrete data
; l- X, B3 M& K- p& z4 JChapter 28: 深度学习 Deep learning

( ~8 @2 E4 ]* k* X% ]) U3 S* i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。
https://github.com/probml/pyprobml



! L# N- s7 V1 ]( y) o, Q- t& z