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！
8 j  V' L3 @) A6 P8 _/ c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。
0 o$ g& K  l: d7 r5 ?$ \; ?# B
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
, O5 \! C# _- l3 Q/ ]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。
2 x+ W5 V9 n% m3 E5 q$ a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！
5 G6 Z& G1 A& W! y: ?) w  ` 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

8 r$ S: |% Z6 Y, f: F2 ]4 H' f& H
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
  f, z3 m- {$ x% sChapter 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
# |+ m3 O. t' f- jChapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
; H, S" i% y1 ?7 Q+ ]) SChapter 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
$ ~) Z  y: o* ]6 O" H6 yChapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
0 H' i9 _5 G+ w# C7 D5 [. E2 |Chapter 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
* t6 x  m" i; g* r& H3 FChapter 14: 核方法 Kernels
6 z0 v; x8 M; x' rChapter 15: 高斯过程 Gaussian processes
* X( x: L& E) g2 j, sChapter 16: 自适应基函数模型 Adaptive basis function model
& q3 m+ a# J: `. G6 ]# i) V9 j& k1 {Chapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
5 ]; V8 }# e+ K' D- a' |8 }& M9 N! `Chapter 18: 状态空间模型 State space models
8 g& `1 q- Z& X( i, rChapter 19: 无向图模型(马尔可夫随机域) Undirected graphical models (Markov random fields)
7 m! V" \% y, k+ dChapter 20: 图模型精准推断 Exact inference algorithms for graphical models
Chapter 21: 变分推断 Variational inference
& {: D+ R% t9 Z2 b6 r, r+ wChapter 22: 更进变分推断 More variational inference
Chapter 23: 蒙特卡洛推断 Monte Carlo inference algorithms
0 }3 S1 G4 d5 K3 NChapter 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

; Y2 X% R8 ]- G4 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。
https://github.com/probml/pyprobml

( @) p, M$ M* n, P& A9 R

1 u- E# p& s" A1 Y! C1 \; d