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！
/ O* H& K1 H6 L  t* o$ Q( x* \. x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。

2 t& W1 ?" R: L1 Y; H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
( ^$ Z2 T( l8 F% e7 p% b' l0 g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！
7 T7 Q3 l! x3 m# k 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

; T' }" W1 |4 L+ E- f2 N" t$ n目录：
全书包括28个章节，可以算是鸿篇巨制。
0 ~& r4 Y/ I; V/ q/ t( {% a5 RChapter 1: 引言 Introduction
3 E4 _. a# g# d3 H" d& N# OChapter 2: 概率 Probability
Chapter 3: 面向离散数据的生成式模型 Generative models for discrete data
; D, x# I* E$ z* Q8 Y6 z. A! t- f4 d0 jChapter 4: 高斯模型 Gaussian models
& x' ]5 @2 r" X" i! 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 I8 ^. G; d# ?. Y6 j! ]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)
' O; I- W9 ^$ R* R7 P1 bChapter 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
! X6 c5 T+ w, O9 @Chapter 13: 稀疏线性模型 Sparse linear models
Chapter 14: 核方法 Kernels
Chapter 15: 高斯过程 Gaussian processes
Chapter 16: 自适应基函数模型 Adaptive basis function model
+ ]" e" L; S9 G& }# X/ _& z+ B/ bChapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
2 T6 p7 }1 W9 i# r- }$ s5 TChapter 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)
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
; H5 t. l- B% I+ L; b/ l4 F% FChapter 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
- s" h( R4 s( H' eChapter 25: 聚类 Clustering
Chapter 26: 图模型结构学习 Graphical model structure learning
6 s; ?: N1 r" m0 s" I6 h/ gChapter 27: 因变量 Latent variable models for discrete data
+ G/ q2 m: B5 V5 EChapter 28: 深度学习 Deep learning
+ _- I5 p. j1 G6 G' `
1 g- f- H) u4 n* d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。
5 g, G& l' o1 Dhttps://github.com/probml/pyprobml
% A; s5 q) q. h8 n