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。
) U" y9 B2 a$ F( \# R0 ^6 W6 C
& K; R1 s$ k: P) C2 a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！
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：
" B  i9 X4 R8 l& z: {全书包括28个章节，可以算是鸿篇巨制。
Chapter 1: 引言 Introduction
& n4 \# Q0 {, j5 l9 U# N$ I2 @# pChapter 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
$ Q9 O# L/ q8 G3 `; n3 nChapter 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
7 ?# S0 k2 J  K7 n& lChapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
) q1 a% Z9 C% H3 fChapter 11: 混合模型与EM算法 Mixture models and the EM algorithm
. ?& P# V9 k- C0 x0 B% aChapter 12: 隐式线性模型 Latent linear models
Chapter 13: 稀疏线性模型 Sparse linear models
5 S5 @- k# ^9 i7 Q0 I6 q5 j( Q( WChapter 14: 核方法 Kernels
. `! d2 }8 p3 l  T4 d. c+ r( j5 b$ ^Chapter 15: 高斯过程 Gaussian processes
  u& ~& l4 R) U" z7 @$ LChapter 16: 自适应基函数模型 Adaptive basis function model
0 o2 j; i, q; t: [7 s; V9 JChapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
: p8 P% x+ @0 p' cChapter 18: 状态空间模型 State space models
/ V% R$ w- ^% X6 \$ |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
3 P2 s0 S" `, [6 m2 dChapter 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
7 s" ~7 X, v8 z  u* i' uChapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
, J6 a' Z8 [% ~2 ~; M/ u, WChapter 25: 聚类 Clustering
Chapter 26: 图模型结构学习 Graphical model structure learning
& l# ]  G' k1 C9 O! p. c7 GChapter 27: 因变量 Latent variable models for discrete data
Chapter 28: 深度学习 Deep learning
+ g$ S5 u* T- C3 z  u7 j
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
. H; V6 U4 f# ]
  r% }% |/ t" H3 i- O
( C: b: d4 E" h* D' M' `
1 e' D3 i. w$ n8 I  H4 P