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。
8 O, X3 e; I, F3 G0 ^  U
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。
% }& D$ o' n6 j& |, C3 S6 ~# O; ^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

- {3 ~' H, r* S% O7 y& h" y
目录：
, E) H: S$ O: d; ~全书包括28个章节，可以算是鸿篇巨制。
7 [% M! j" g+ r, s9 U& A$ AChapter 1: 引言 Introduction
Chapter 2: 概率 Probability
9 `7 ?! @" a! O, G$ h/ KChapter 3: 面向离散数据的生成式模型 Generative models for discrete data
0 l. z% f4 j3 |" U2 J8 B, kChapter 4: 高斯模型 Gaussian models
! \) g& n2 T. N) ?& O/ ~7 ]Chapter 5: 贝叶斯统计 Bayesian statistics
Chapter 6: 频率统计 Frequentist statistics
  F& \: ]4 e  [6 O8 p6 KChapter 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
Chapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
, H+ Q: }3 [" x* d, |5 JChapter 11: 混合模型与EM算法 Mixture models and the EM algorithm
1 a9 C" ^" e9 XChapter 12: 隐式线性模型 Latent linear models
. O: B  e) `5 _Chapter 13: 稀疏线性模型 Sparse linear models
2 y0 g4 b" j) h3 D8 ]! eChapter 14: 核方法 Kernels
' d! D3 [: @  O( n$ ~  ^7 TChapter 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
9 Q$ L0 F9 c1 t5 f7 GChapter 18: 状态空间模型 State space models
9 M6 N- W) m- q$ XChapter 19: 无向图模型(马尔可夫随机域) Undirected graphical models (Markov random fields)
$ O: t* f8 ]% s1 f9 j# aChapter 20: 图模型精准推断 Exact inference algorithms for graphical models
/ Q  E2 G. a& b1 z5 G/ wChapter 21: 变分推断 Variational inference
5 G6 q- O6 x, x% PChapter 22: 更进变分推断 More variational inference
Chapter 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
Chapter 26: 图模型结构学习 Graphical model structure learning
5 i% F7 v/ l0 i: p$ Z8 HChapter 27: 因变量 Latent variable models for discrete data
Chapter 28: 深度学习 Deep learning
- c3 T. l" C: \  M# 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。
https://github.com/probml/pyprobml
; Y1 \% u  k. M( s' r8 S
+ _5 g- Y5 t3 @  H2 ~+ J: t3 h9 Y5 d

  |6 L' w# V8 f' t