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。

- J+ ~7 a. l' l3 z: I1 u4 J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。
6 q: O7 W; J7 {1 g# |2 N* |' }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：
2 Z2 b2 v9 C1 q) ?8 s+ |全书包括28个章节，可以算是鸿篇巨制。
  `/ |# l& @$ B4 d  UChapter 1: 引言 Introduction
5 e- X: c( [, s% o& g% _# T& HChapter 2: 概率 Probability
  [) ^. `4 f8 S( H* v/ Y. S! ~Chapter 3: 面向离散数据的生成式模型 Generative models for discrete data
7 Z( J- E! Y  E7 S: [: W# CChapter 4: 高斯模型 Gaussian models
) A! {1 Y9 C% o( p- h' E  O3 N7 nChapter 5: 贝叶斯统计 Bayesian statistics
3 k1 D  p8 M) o* m; J, N7 F" nChapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
$ f8 g4 w! }7 }/ B3 |& ?* xChapter 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)
0 N7 z0 O! ]4 p2 M% i! x. K8 }Chapter 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
" S9 b, @: B3 p) OChapter 13: 稀疏线性模型 Sparse linear models
Chapter 14: 核方法 Kernels
. a4 O+ n$ Z  N. g/ I. W/ ]# YChapter 15: 高斯过程 Gaussian processes
* a  M' [# m7 `. Z* A  ]- ?% hChapter 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
; N# X: I; A3 B9 pChapter 19: 无向图模型(马尔可夫随机域) Undirected graphical models (Markov random fields)
/ g7 q5 k9 E8 L9 n6 }Chapter 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
Chapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
- ^0 p7 K, E% ~8 l2 R" ?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
Chapter 27: 因变量 Latent variable models for discrete data
Chapter 28: 深度学习 Deep learning
, Z/ g) ]/ g" D( m
; H. b( J! w3 P* C. U$ Z+ 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。
% _" f2 Y- t$ I$ T0 Nhttps://github.com/probml/pyprobml
$ c$ O3 D6 F( Y/ n
4 u8 x, ]+ h0 K* K
- ]$ l. O% i" E# S
' R( x; p0 Q, q