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。

3 i7 {( l# S6 g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。
0 S2 t) u( t! B) J* X: Y& j) F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

" q8 N5 ]. J# ]
9 K/ w! G( y2 ?: t( t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
Chapter 4: 高斯模型 Gaussian models
  H- C7 e1 _& U  _) EChapter 5: 贝叶斯统计 Bayesian statistics
. r' T9 t3 L1 k1 @, I4 oChapter 6: 频率统计 Frequentist statistics
7 s6 p+ W1 _* Q2 o0 N8 x$ _! q! qChapter 7: 线性回归 Linear regression
3 K% n( S# r* l5 {$ I. `Chapter 8: 逻辑回归 Logistic regression
) R! ?* A+ n/ z1 R* I0 n9 w1 JChapter 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
Chapter 12: 隐式线性模型 Latent linear models
4 [. w2 A1 Y- a5 _Chapter 13: 稀疏线性模型 Sparse linear models
Chapter 14: 核方法 Kernels
3 D& Y3 N, S! [9 z! ~3 N3 W' NChapter 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
Chapter 18: 状态空间模型 State space models
Chapter 19: 无向图模型(马尔可夫随机域) Undirected graphical models (Markov random fields)
2 h. v, x2 \2 H3 X! o8 ?3 z8 rChapter 20: 图模型精准推断 Exact inference algorithms for graphical models
9 C5 o* o/ U& J' J: }/ [0 @; ~. _' X8 cChapter 21: 变分推断 Variational inference
3 T: L4 W2 \' _' s8 O) GChapter 22: 更进变分推断 More variational inference
* G# ^) A! U  z3 BChapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
0 Z/ Q3 _& u9 c7 _. 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
Chapter 27: 因变量 Latent variable models for discrete data
- P! P2 E! U( W; K7 ^  [Chapter 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。
https://github.com/probml/pyprobml
7 L' Q! Y* l( M8 v8 f5 c, g+ c
3 b" g  I6 V3 ~$ j4 Z; V2 `% X& |

1 Y# M" D7 v, {, x7 v/ H, h