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。
$ H  t4 L  [0 \, u; u
, e, F: _# e. p4 I7 m) z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
# Z) i- ]0 \; v7 V+ A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

目录：
) h  b3 f! E- W全书包括28个章节，可以算是鸿篇巨制。
2 I& v% q' O2 n! F/ ^- C1 d. i+ UChapter 1: 引言 Introduction
; S: l2 I3 N& W6 c! B. sChapter 2: 概率 Probability
$ v, Z# T( h/ M7 H& e7 m" L6 X9 FChapter 3: 面向离散数据的生成式模型 Generative models for discrete data
7 O2 M* ]/ {4 v0 G( Z% nChapter 4: 高斯模型 Gaussian models
9 u4 p- Y' V% c, jChapter 5: 贝叶斯统计 Bayesian statistics
Chapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
2 y, S+ {/ w* G; ~7 P1 RChapter 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
, M& h$ ?) A( F) o% S3 _8 f$ ?Chapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
) c7 ~' K4 d1 l( eChapter 11: 混合模型与EM算法 Mixture models and the EM algorithm
# C- O' s* a# d/ hChapter 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
: P, X" ^1 b  ]) `& x' U# sChapter 15: 高斯过程 Gaussian processes
; d' f1 l9 h/ z4 s5 J1 a' PChapter 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
, j0 f8 O+ v0 @4 vChapter 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 O) D5 j; v& j) V7 w8 k( sChapter 20: 图模型精准推断 Exact inference algorithms for graphical models
& x: J. z+ G5 zChapter 21: 变分推断 Variational inference
Chapter 22: 更进变分推断 More variational inference
! o- y7 p% V' v( Y. XChapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
- m  c6 y7 w- W) Q; LChapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
( g8 l/ o$ y% i4 N5 I' uChapter 25: 聚类 Clustering
Chapter 26: 图模型结构学习 Graphical model structure learning
5 b6 e6 u! D- f* {! N" w* `7 ~Chapter 27: 因变量 Latent variable models for discrete data
' I1 I* i% C3 NChapter 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。
: w; M; G: }0 m% ?8 E# b4 Zhttps://github.com/probml/pyprobml
8 {6 f/ m' `' A