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！
# w2 {6 a  o6 m. @- |, W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。

( n* w# T5 j9 k* ^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
! }" m  s6 a& E0 o4 S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。
! P+ Y6 h& u0 h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

3 B& k$ q8 B) R5 @  J4 n$ X* Z  q" @
1 I9 ~4 o" c' }! B9 Y  I( P" _目录：
& z& A7 \) G, c全书包括28个章节，可以算是鸿篇巨制。
% ^5 K- e/ y3 V8 [Chapter 1: 引言 Introduction
' k# Z  P  p, [" E$ p5 b4 xChapter 2: 概率 Probability
% I, E( d* B' H+ C* qChapter 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
Chapter 5: 贝叶斯统计 Bayesian statistics
  }1 v8 k$ H  z" v/ uChapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
Chapter 8: 逻辑回归 Logistic regression
- p: v- t6 e( A6 C: lChapter 9: 广义线性模型和指数族 Generalized linear models and the exponential family
; c' r+ f# @7 e0 r, KChapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
5 C7 d3 s  k' U* D* S8 y5 D# dChapter 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
! C9 k) l- u( e% wChapter 13: 稀疏线性模型 Sparse linear models
Chapter 14: 核方法 Kernels
Chapter 15: 高斯过程 Gaussian processes
# B6 J# f: v$ f3 J1 \/ nChapter 16: 自适应基函数模型 Adaptive basis function model
/ Q; t# M" f2 {1 z7 O) X. p) }% @Chapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
5 X3 ^% d; ^+ TChapter 18: 状态空间模型 State space models
6 K, @2 u# m, i! M' |/ ^Chapter 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
6 Z! o& S; l; V0 ]1 NChapter 21: 变分推断 Variational inference
' a$ E0 V* c8 DChapter 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
Chapter 26: 图模型结构学习 Graphical model structure learning
Chapter 27: 因变量 Latent variable models for discrete data
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
; E3 W9 ^# M! @7 u3 S6 d7 ~
6 P* v4 R' }, E
- x1 @7 I2 \" s9 c4 H4 {) V