Probabilistic Machine Learning: Advanced Topics
史上把机器学习深度学习讲的最透彻的书！权威学者认可！
- 1 min read
内容简介 · · · · · ·
这是一本高级书籍，适合从事机器学习和统计学工作的研究人员和研究生，他们想要了解深度学习、贝叶斯推理、生成模型和不确定情况下的决策。
《Probabilistic Machine Learning:Advanced Topics》是一本面向机器学习深度学习研究者的书，围绕概率方法在深度学习中的应用展开。书中内容涵盖变分推断、马尔可夫链蒙特卡洛方法(MCMC)、生成模型(如变分自编码器和生成对抗网络)、贝叶斯优化和强化学习等主题。它通过深入的理论讲解和具体的案例分析，帮助大家理解复杂的概率建模与推断，并提供代码示例，便于实践操作。
这本严谨的书得到了来自谷歌、DeepMind、亚马逊、普渡大学、纽约大学和华盛顿大学等地的顶尖科学家和领域专家的贡献，对于理解机器学习中的关键问题至关重要。
涵盖高维输出的生成，例如图像、文本和图形 讨论基于潜在变量模型发现数据洞察的方法 考虑不同分布下的训练和测试 探索如何使用概率模型和推理进行因果推理和决策 提供在线 Python 代码
作者简介 · · · · · ·
Kevin Patrick Murphy 出生于爱尔兰，在英国长大（剑桥大学文学士），并在美国读研究生（宾夕法尼亚大学工学硕士，加州大学伯克利分校博士，麻省理工学院博士后）。2004年，他成为计算机科学和统计学教授加拿大温哥华不列颠哥伦比亚大学。2011 年，他前往他在加利福尼亚州山景城的谷歌公司度过了休假。2012 年，他转为谷歌全职研究科学家。
Kevin 已经在相关会议和期刊上发表了 50 多篇论文机器学习和图形模型。他最近发表了一本 1100 页的教科书，名为《机器学习：概率视角”（麻省理工学院出版社，2012 年）。
下载链接：
城通网盘（访问密码：4184）