開(kāi)源下載 | 經(jīng)典著作《機(jī)器學(xué)習(xí)：概率視角》.pdf
今天給大家分享的是開(kāi)源機(jī)器學(xué)習(xí)經(jīng)典著作《機(jī)器學(xué)習(xí)：概率視角》，英文全稱為《Machine Learning: a Probabilistic Perspective》，該書(shū)作者是谷歌研究員Kevin Patrick Murphy，自2012年出版以來(lái)就一直被列為機(jī)器學(xué)習(xí)經(jīng)典著作之一。
本書(shū)可以作為PRML的姊妹篇，基于概率論和概率模型的角度來(lái)理解機(jī)器學(xué)習(xí)模型。
本書(shū)在豆瓣上評(píng)分達(dá)到了9分，經(jīng)典著作無(wú)疑。
全書(shū)包括28個(gè)章節(jié)，可以算是鴻篇巨制。
Chapter 1: 引言 Introduction
Chapter 2: 概率 Probability
Chapter 3: 面向離散數(shù)據(jù)的生成式模型 Generative models for discrete data
Chapter 4: 高斯模型 Gaussian models
Chapter 5: 貝葉斯統(tǒng)計(jì) Bayesian statistics
Chapter 6: 頻率統(tǒng)計(jì) Frequentist statistics
Chapter 7: 線性回歸 Linear regression
Chapter 8: 邏輯回歸 Logistic regression
Chapter 9: 廣義線性模型和指數(shù)族 Generalized linear models and the exponential family
Chapter 10: 有向圖模型(貝葉斯網(wǎng)絡(luò)) Directed graphical models (Bayes nets)
Chapter 11: 混合模型與EM算法 Mixture models and the EM algorithm
Chapter 12: 隱式線性模型 Latent linear models
Chapter 13: 稀疏線性模型 Sparse linear models
Chapter 14: 核方法 Kernels
Chapter 15: 高斯過(guò)程 Gaussian processes
Chapter 16: 自適應(yīng)基函數(shù)模型 Adaptive basis function model
Chapter 17: 馬爾可夫模型和隱馬爾可夫模型 Markov and hidden Markov Models
Chapter 18: 狀態(tài)空間模型 State space models
Chapter 19: 無(wú)向圖模型(馬爾可夫隨機(jī)域) Undirected graphical models (Markov random fields)
Chapter 20: 圖模型精準(zhǔn)推斷 Exact inference algorithms for graphical models
Chapter 21: 變分推斷 Variational inference
Chapter 22: 更進(jìn)變分推斷 More variational inference
Chapter 23: 蒙特卡洛推斷 Monte Carlo inference algorithms
Chapter 24: 馬爾科夫鏈蒙特卡洛推斷 MCMC inference algorithms
Chapter 25: 聚類 Clustering
Chapter 26: 圖模型結(jié)構(gòu)學(xué)習(xí) Graphical model structure learning
Chapter 27: 因變量 Latent variable models for discrete data
Chapter 28: 深度學(xué)習(xí) Deep learning
同時(shí)，本書(shū)作者也在GitHub上同步開(kāi)源隨書(shū)代碼，供大家參考學(xué)習(xí)。
https://github.com/probml/pyprobml
PDF及配套代碼、數(shù)據(jù)集下載
1、關(guān)注「機(jī)器學(xué)習(xí)算法與Python實(shí)戰(zhàn)」
2、回復(fù)「概率機(jī)器學(xué)習(xí)」（建議復(fù)制）即可獲取
也可以加一下老胡的微信 圍觀朋友圈~~~