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！
$ i! ]7 g) q' h5 F. X) ]! Q$ @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。
( @  {7 V* U' S, Z4 Z4 U: H: L
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。
/ I; I. }) T5 V* V' Q* ^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

. O$ v1 C, o" Z9 q目录：
全书包括28个章节，可以算是鸿篇巨制。
0 J& q6 b1 A6 W1 J1 PChapter 1: 引言 Introduction
Chapter 2: 概率 Probability
1 T. E( F) W) @: Y( Z( I$ R) |: HChapter 3: 面向离散数据的生成式模型 Generative models for discrete data
- r- C7 a* Y% _$ p6 I1 ?, ~. eChapter 4: 高斯模型 Gaussian models
/ B& \$ `& U$ }Chapter 5: 贝叶斯统计 Bayesian statistics
' t8 N- m6 T0 cChapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
$ ^$ _$ M) V' X( i7 z; R- m8 tChapter 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
( N+ V4 u5 D+ Z2 R$ p% VChapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
& F# ~1 O* N+ u" M. f+ q5 d8 sChapter 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
Chapter 13: 稀疏线性模型 Sparse linear models
Chapter 14: 核方法 Kernels
$ |+ ?. L0 _% H% c. L0 B) s1 h/ v, KChapter 15: 高斯过程 Gaussian processes
Chapter 16: 自适应基函数模型 Adaptive basis function model
7 z- d. C' x  t. ]7 @  d5 f' _Chapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
' K6 U$ Y, k, E. @Chapter 18: 状态空间模型 State space models
' U" @. C2 S& r' s: 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
& R- H, ^( N0 i% QChapter 22: 更进变分推断 More variational inference
: q$ |/ U% q" A+ J0 X8 L* OChapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
* C/ v" a- }# V* n5 v" r9 j7 ^8 ]Chapter 24: 马尔科夫链蒙特卡洛推断 MCMC inference algorithms
Chapter 25: 聚类 Clustering
. |: p7 w1 ?5 n4 D7 Z$ B; n$ _* VChapter 26: 图模型结构学习 Graphical model structure learning
( v: Z3 D& k1 \' W- M% Y, CChapter 27: 因变量 Latent variable models for discrete data
7 j, ^: }6 g$ d* k8 RChapter 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

  O% q: B( ^& s) t8 |
( D& _, a" L3 o
9 Y- A5 q  f5 W( F3 ]5 c% I