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。
, [1 x& ?* j6 f. s  `6 n, 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。
, x0 O1 s2 S; @" |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

  g& S+ [: B+ w1 ~9 c2 y' Y
7 \4 |* A" E) }" M* T8 k, ?+ j) }目录：
9 P7 `9 a; V, G* s) U3 L" T全书包括28个章节，可以算是鸿篇巨制。
/ x- E  Z( j4 l, `5 {8 D, z7 XChapter 1: 引言 Introduction
; f- g6 Y9 d  C$ J* w% xChapter 2: 概率 Probability
Chapter 3: 面向离散数据的生成式模型 Generative models for discrete data
$ P4 t' n4 Y! w& r6 N) F1 i2 GChapter 4: 高斯模型 Gaussian models
) f- X* `" a8 nChapter 5: 贝叶斯统计 Bayesian statistics
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
5 x$ ^0 C; P, c5 y- f3 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
; @" x# d* _( l, }; nChapter 12: 隐式线性模型 Latent linear models
Chapter 13: 稀疏线性模型 Sparse linear models
6 J6 ~0 X9 m9 k1 p/ JChapter 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
' ?! c9 {. b* TChapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
& d7 a( C+ R: \# u! x- U( x' DChapter 18: 状态空间模型 State space models
8 P( W! W2 W8 b3 n; `/ kChapter 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
Chapter 21: 变分推断 Variational inference
2 w  P- \# y! d; e  Q: [Chapter 22: 更进变分推断 More variational inference
7 v( k0 s7 c0 m# P6 K% a9 b1 }6 TChapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
Chapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
' b8 V% j" v4 z: A  B( AChapter 25: 聚类 Clustering
Chapter 26: 图模型结构学习 Graphical model structure learning
) z- c8 h  N# m' l* s) T+ `Chapter 27: 因变量 Latent variable models for discrete data
Chapter 28: 深度学习 Deep learning
8 a$ d4 p# S3 a+ O
$ G+ j: w! w" \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