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。

' R( H; B0 G. G3 h$ C' M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。
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

" @1 L2 e- Y9 g: w( R7 V
, ^+ d% [# V2 f$ |4 C. Y3 k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
, `" S  v1 u1 K( k6 A4 ^& AChapter 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
- z) Q' I! Z1 P' R- J* UChapter 5: 贝叶斯统计 Bayesian statistics
2 ~0 n* i6 g& _  |& k( `Chapter 6: 频率统计 Frequentist statistics
! }) ^8 i1 W/ m1 I/ dChapter 7: 线性回归 Linear regression
Chapter 8: 逻辑回归 Logistic regression
7 p" d" J6 h% h& r$ F% \6 kChapter 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
5 O# ]) h' ~8 t- m( ZChapter 12: 隐式线性模型 Latent linear models
- o: N  K3 M% B- p* U( k% iChapter 13: 稀疏线性模型 Sparse linear models
Chapter 14: 核方法 Kernels
Chapter 15: 高斯过程 Gaussian processes
9 m( L$ o( |0 F) G' n" a  [8 cChapter 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
5 t9 s( }9 z. K3 XChapter 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
Chapter 22: 更进变分推断 More variational inference
Chapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
) q+ ]2 u5 ?; d5 uChapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
; m4 B( i; {8 N1 G& W, j2 V" R  @6 QChapter 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
( ~/ \) ]; N6 QChapter 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。
! h* W. l8 D" V( ~https://github.com/probml/pyprobml


6 A$ Q3 N0 {8 y' m- W5 E3 |