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。
- D) d) }& D3 L# E2 e6 P1 _
3 m2 E  u7 k" b6 j; |0 C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
& F9 E* o' f5 V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。
  N: \7 v  _' P/ Z/ a+ r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：
0 c( N" J# L/ x' m全书包括28个章节，可以算是鸿篇巨制。
Chapter 1: 引言 Introduction
; P4 N& H  f  @2 r& J9 X0 [Chapter 2: 概率 Probability
& T4 P+ v$ [' [# |) FChapter 3: 面向离散数据的生成式模型 Generative models for discrete data
- k) v5 y  [! Y, \7 N# D5 KChapter 4: 高斯模型 Gaussian models
Chapter 5: 贝叶斯统计 Bayesian statistics
Chapter 6: 频率统计 Frequentist statistics
" w& n5 I1 D% o  H( {Chapter 7: 线性回归 Linear regression
Chapter 8: 逻辑回归 Logistic regression
' o( J3 M# v9 L2 G+ A4 A/ xChapter 9: 广义线性模型和指数族 Generalized linear models and the exponential family
4 m& f9 C" v! Y* vChapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
! U5 ]& e: S7 R! [% AChapter 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
Chapter 13: 稀疏线性模型 Sparse linear models
Chapter 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
Chapter 18: 状态空间模型 State space models
$ H" `8 A. _) A/ V; @$ f- vChapter 19: 无向图模型(马尔可夫随机域) Undirected graphical models (Markov random fields)
, t' e5 r  s  {/ ]8 YChapter 20: 图模型精准推断 Exact inference algorithms for graphical models
Chapter 21: 变分推断 Variational inference
Chapter 22: 更进变分推断 More variational inference
  F$ A/ U5 ]  v% G) eChapter 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
Chapter 25: 聚类 Clustering
9 p1 A  B) B/ R1 k9 lChapter 26: 图模型结构学习 Graphical model structure learning
6 H1 |, ?$ D) L& Q4 ?; K1 lChapter 27: 因变量 Latent variable models for discrete data
0 }! a& O" }4 ^Chapter 28: 深度学习 Deep learning
/ O" ]) s* [6 J. q8 r- C
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

2 |' Y8 o. z& A5 K+ l  R# K
% v! z( V6 E0 K& c