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！
2 q0 r. m  a* m- E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
3 }. X# U& K8 a4 N. ?9 V* G9 @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。
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

% ^( \" u1 p/ w4 t
目录：
% M+ U9 N; f6 j/ ~全书包括28个章节，可以算是鸿篇巨制。
  |* r% i2 q- R) w8 ?- wChapter 1: 引言 Introduction
2 U# x4 |) e& T6 \3 T, mChapter 2: 概率 Probability
& \+ c% W8 G# W6 ^Chapter 3: 面向离散数据的生成式模型 Generative models for discrete data
Chapter 4: 高斯模型 Gaussian models
1 J2 Z  ~' @! yChapter 5: 贝叶斯统计 Bayesian statistics
Chapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
5 `. D5 w4 g7 c& i- ]Chapter 8: 逻辑回归 Logistic regression
4 A# c, b8 I- @/ _1 i% t1 g; pChapter 9: 广义线性模型和指数族 Generalized linear models and the exponential family
: h2 G% K" k  K- X# [6 ~$ lChapter 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
/ n* h* \0 b/ L$ q; G& C4 EChapter 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
7 r! a0 ]" x4 [# M3 j, ]Chapter 15: 高斯过程 Gaussian processes
* h# o# w: D+ r, wChapter 16: 自适应基函数模型 Adaptive basis function model
( v8 l% h: N) i9 Q& j" OChapter 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
0 Z" f3 h$ p! ^: FChapter 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
7 Y: y1 n: o1 [7 Q! R8 BChapter 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
! @' X# m: P4 C8 ]5 D3 I/ RChapter 26: 图模型结构学习 Graphical model structure learning
) P' [4 I% V1 C% E% ~Chapter 27: 因变量 Latent variable models for discrete data
Chapter 28: 深度学习 Deep learning
8 c* N8 R5 A1 m: Y
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

5 b% Z/ T; U/ c# J