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！
- z7 ]$ }, H4 i2 d+ T6 g. T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。
3 P0 O+ J6 g. v0 G2 t1 _0 J  N
6 Q3 B* C9 c. M2 a2 F7 \  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
/ q) M& T9 `7 P$ v) {& m+ m5 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。
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

- F) v0 W, k9 a* `
目录：
: G; l2 p: Z3 A1 R! c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
Chapter 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
% {* \  u# A# `, {# L8 P" p& [Chapter 5: 贝叶斯统计 Bayesian statistics
Chapter 6: 频率统计 Frequentist statistics
Chapter 7: 线性回归 Linear regression
Chapter 8: 逻辑回归 Logistic regression
. G2 h6 |* G5 z2 M; j- iChapter 9: 广义线性模型和指数族 Generalized linear models and the exponential family
! v" ~0 C; e. iChapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
' d8 g0 [' a+ FChapter 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
. i  m8 s6 A. gChapter 13: 稀疏线性模型 Sparse linear models
Chapter 14: 核方法 Kernels
- T  G4 }' h1 @  `Chapter 15: 高斯过程 Gaussian processes
Chapter 16: 自适应基函数模型 Adaptive basis function model
# R9 ~& ]6 q/ s( v5 l, HChapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
: U* x  f5 e! e+ h; ~3 k& IChapter 18: 状态空间模型 State space models
* F# W0 n8 s% ~7 a: r6 @) @* PChapter 19: 无向图模型(马尔可夫随机域) Undirected graphical models (Markov random fields)
6 L4 L: z0 r+ g" q1 I% yChapter 20: 图模型精准推断 Exact inference algorithms for graphical models
: c  z( [6 s" q& S) jChapter 21: 变分推断 Variational inference
. {: w* m+ s! n7 P7 XChapter 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
3 ?/ b: O- L; }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
' L& M+ W7 {5 f+ r$ ^+ [$ e) J% I4 gChapter 28: 深度学习 Deep learning

  b2 [+ u0 C- H4 g' c3 F7 e! b0 G( e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。
' Z4 C5 N2 Y: }2 ihttps://github.com/probml/pyprobml

; R( T8 G4 U. h0 x2 x
, }  I" Z7 ]$ l3 |