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
7 G: ]. K  J- r2 Q" R$ C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！
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：
4 `1 @# i: @/ v& u, s7 d! m全书包括28个章节，可以算是鸿篇巨制。
! S; L8 E+ c/ |1 Y$ e' D! Z# iChapter 1: 引言 Introduction
; D: b) @- `; I1 y, g8 N, {* z( [! CChapter 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
4 P1 @- p2 [1 l' A# RChapter 5: 贝叶斯统计 Bayesian statistics
3 p6 {0 l5 l- d: U* z4 m3 H7 |' gChapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
9 H" q# K" K+ f7 R; V1 k1 c8 wChapter 8: 逻辑回归 Logistic regression
Chapter 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
) i" g$ {0 P4 v+ t/ KChapter 13: 稀疏线性模型 Sparse linear models
Chapter 14: 核方法 Kernels
2 X  ?- b& J. d2 [$ n" {Chapter 15: 高斯过程 Gaussian processes
6 B; ]9 T) w, \# N5 j  W9 w) ]Chapter 16: 自适应基函数模型 Adaptive basis function model
7 g" j( U( o: I! H7 wChapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
/ d$ z, }8 q. K  [( f! JChapter 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)
' ]" Y! P- u' Z$ S6 ~5 i+ eChapter 20: 图模型精准推断 Exact inference algorithms for graphical models
: x+ _/ C1 w$ Y: l; SChapter 21: 变分推断 Variational inference
) p0 l9 ?2 y; S6 A) gChapter 22: 更进变分推断 More variational inference
Chapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
3 n% s5 t& h' d9 q! M& y+ c5 o3 y, AChapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
1 X! q: g- I, n2 N! {0 a7 y, GChapter 25: 聚类 Clustering
) j8 w* ?' W9 C. Q8 lChapter 26: 图模型结构学习 Graphical model structure learning
Chapter 27: 因变量 Latent variable models for discrete data
# s, N! c$ T9 [9 o, D2 PChapter 28: 深度学习 Deep learning

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

  z6 O" _" h% n1 E: s" n