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！
8 K# B, _% w2 f! F! C+ x* t6 e1 f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。

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
7 `' n  Y6 {8 E  f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。
# U8 A0 `, G$ h) A0 c+ Q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：
% |/ p' ~( W2 b. O全书包括28个章节，可以算是鸿篇巨制。
Chapter 1: 引言 Introduction
Chapter 2: 概率 Probability
Chapter 3: 面向离散数据的生成式模型 Generative models for discrete data
2 ]9 A, U0 o4 C( uChapter 4: 高斯模型 Gaussian models
Chapter 5: 贝叶斯统计 Bayesian statistics
- C. x5 [/ G' u% KChapter 6: 频率统计 Frequentist statistics
/ w3 ?3 B, y/ k- ]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
; o' N; U: c8 s4 ^" C" IChapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
1 Q7 A; v5 o; s1 z& hChapter 11: 混合模型与EM算法 Mixture models and the EM algorithm
" p4 y, C/ Q9 U0 ]$ Z8 L' T8 oChapter 12: 隐式线性模型 Latent linear models
Chapter 13: 稀疏线性模型 Sparse linear models
1 i$ A. R+ N2 MChapter 14: 核方法 Kernels
Chapter 15: 高斯过程 Gaussian processes
4 L" X3 `- d' D4 F" s  W& |0 uChapter 16: 自适应基函数模型 Adaptive basis function model
, b+ z0 K) g+ S" q( kChapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
& B/ K1 k2 `& h6 T: @# SChapter 18: 状态空间模型 State space models
0 X" q& a, E% V/ Z8 N! g# XChapter 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
3 l. C* s/ Z9 t& I- U3 ZChapter 22: 更进变分推断 More variational inference
, e% D2 a) g3 _) e. r% C) v/ ]Chapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
- S" Y$ v9 T( Q' P" Z. {. PChapter 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
& E% g$ T, F/ ?4 zChapter 28: 深度学习 Deep learning

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。
9 y4 R- W4 F- q' {) Xhttps://github.com/probml/pyprobml
: R& c$ o5 F+ a4 p


6 i; V# K+ n) D3 P8 z) j