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。
6 Z# G$ C/ b0 t
- A  D. W2 D) B7 D. I) |3 n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！
6 T! g/ i4 K( Y9 {- Y2 d3 r! m 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

) b; |& |- C9 [1 k, O
/ Q3 d& M9 K: N) ?  n目录：
+ G+ s4 c& @  t8 t( y! Y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
3 k) A$ P3 U( x! H- R: \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
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
! P7 Z) ]4 [8 |5 E- T* y5 q- ~* ^7 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
Chapter 10: 有向图模型(贝叶斯网络) Directed graphical models (Bayes nets)
& j7 ^; X" g% Z* p) h! S( n# VChapter 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
4 s" f- ?4 K" L9 Y7 K% vChapter 13: 稀疏线性模型 Sparse linear models
Chapter 14: 核方法 Kernels
Chapter 15: 高斯过程 Gaussian processes
6 Z/ z0 y! u, K6 H* [$ oChapter 16: 自适应基函数模型 Adaptive basis function model
6 n3 A+ z# y/ l( C3 V' CChapter 17: 马尔可夫模型和隐马尔可夫模型 Markov and hidden Markov Models
1 i0 U/ K. T) {! P4 S; nChapter 18: 状态空间模型 State space models
9 y( @0 Z$ x3 u3 z+ d  ~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
8 |% [! C& G) @3 ^% \Chapter 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
8 W3 T6 y: I, f4 N9 l2 C3 nChapter 25: 聚类 Clustering
: z5 H3 O2 `# uChapter 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
9 M1 e4 l. v+ _, a
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

5 h) N/ I7 u6 Q' J' V5 k9 W
$ A" K9 E# `7 d4 h: ]. Q
' B* o7 T/ f% M  k7 g/ i. E