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！
* L$ x4 O! a6 m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
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。
/ A, w  d0 B: |% D2 p* ?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

- j9 v: X) e$ w2 J9 \
) ^. A+ H$ k1 Z  O目录：
全书包括28个章节，可以算是鸿篇巨制。
. E& `& @, y- E: b% OChapter 1: 引言 Introduction
4 I3 T( K, t+ \+ G1 DChapter 2: 概率 Probability
: m  O" n. Q* ^( @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
* G$ `3 R# s0 A1 B! BChapter 5: 贝叶斯统计 Bayesian statistics
* b- F, @. Y' l* \Chapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
Chapter 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
: E! ^+ q2 F: d4 y$ kChapter 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
* N" W# t! g$ G4 N& a; J& n9 AChapter 12: 隐式线性模型 Latent linear models
Chapter 13: 稀疏线性模型 Sparse linear models
. b% j( j, l1 a1 c0 I7 CChapter 14: 核方法 Kernels
, `1 Q, r4 a9 R# FChapter 15: 高斯过程 Gaussian processes
- p3 x) W* k  R+ X0 e! g' KChapter 16: 自适应基函数模型 Adaptive basis function model
) _7 s+ k( L. j' N- E2 C+ wChapter 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
Chapter 19: 无向图模型(马尔可夫随机域) Undirected graphical models (Markov random fields)
  l4 P! S5 `* G4 x* K( kChapter 20: 图模型精准推断 Exact inference algorithms for graphical models
1 ~5 D0 {1 f9 i# ~8 z2 l. kChapter 21: 变分推断 Variational inference
Chapter 22: 更进变分推断 More variational inference
) v' ]2 n8 W3 f5 [Chapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
- b# v2 y2 [8 oChapter 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
; s* X. i' m( o! A7 j3 U! ?Chapter 27: 因变量 Latent variable models for discrete data
Chapter 28: 深度学习 Deep learning

& u' p9 ?5 e2 ~( V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。
* y9 Z* S, h" K+ F  @https://github.com/probml/pyprobml
. m  X" w0 Q- z9 v2 C
# u) Z% P4 i0 ?: }
1 F7 k% S7 }* [) F: {8 g  V9 \