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。

# _/ i: Y* v! Q' i& T( o' z; s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
' y9 p# b0 F8 h+ t  z; \' X+ l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。
: r: ^2 s& `7 j. V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

: v, P- B! _& c; v! c
; D. t: l8 z3 n6 y* _6 N目录：
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
4 [5 f6 D2 f0 jChapter 4: 高斯模型 Gaussian models
Chapter 5: 贝叶斯统计 Bayesian statistics
- n. z( S; X% c5 L& H9 @& T3 QChapter 6: 频率统计 Frequentist statistics
/ m9 Y  _0 a3 j. D6 XChapter 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)
Chapter 11: 混合模型与EM算法 Mixture models and the EM algorithm
/ l; }) P& z# JChapter 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
; |/ @# q4 r* A0 rChapter 15: 高斯过程 Gaussian processes
Chapter 16: 自适应基函数模型 Adaptive basis function model
9 \7 ?& S6 G# L" B5 nChapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
- ^% J' ], N, a9 `7 I7 jChapter 18: 状态空间模型 State space models
% n4 Z" J, W3 PChapter 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
" S4 K, I7 g0 r9 sChapter 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
% w* i( l4 a* _0 MChapter 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 n( ~, n6 n/ _: M( _' @Chapter 27: 因变量 Latent variable models for discrete data
* i/ x1 z# ]& C5 I% l4 T- q. f: W1 _9 KChapter 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。
. R- O: c  O5 {4 g4 o  p! C' l* X6 zhttps://github.com/probml/pyprobml
3 O2 R3 p# q8 f5 g5 T6 r$ @