机器学习书单

理论

Pattern Recognition and Machine Learning

作者: Christopher M. Bishop (英国 剑桥大学 微软剑桥研究院院长)

• https://www.microsoft.com/en-us/research/people/cmbishop/prml-book/

PRML《模式识别与机器学习》中英文PDF+程序代码+习题解答+笔记总结：《Pattern Recognition and Machine Learning》中文翻译版:《模式识别与机器学习》PDF，476页，带书签目录，文字可以复制。
《Pattern Recognition and Machine Learning》英文PDF，758页，带书签目录，文字可以复制。
《PRML习题答案》完整版PDF，254页，带书签目录，文字可以复制。
配套《PRML源代码》。
配套《PRML学习笔记》。
配套《PRML勘误》。

原文链接：https://blog.csdn.net/weixin_39833897/article/details/121187173

https://blog.csdn.net/qq_24118527/article/details/99640563 提供了详细的介绍，包括：
前言
一、PRML英文原文
二、PRML中文翻译版
三、PRML勘误与附加评论
四、读者整理的笔记（一）
五、读者整理的笔记（二）
六、PRML读书会合集
七、PRML习题答案
八、PRML算法的Python实现
九、PRML算法的MATLAB实现
十、资源下载：https://github.com/nikolajohn/Pattern-Recognition-And-Machine-Learning-

PRML中文版（马春鹏）勘误表：

• https://wenku.baidu.com/view/c818e5de0142a8956bec0975f46527d3240ca60c.html

Probabilistic Machine Learning: Advanced Topics

概率机器学习：高级主题
下载链接：
https://probml.github.io/pml-book/book2.html

本书着重于概率建模和推理，用于解决四种主要任务:预测(如分类和回归)、生成(如图像和文本生成)、发现(如聚类、降维和状态估计)和控制(决策)。

在第一部分中，详细地介绍这一领域的一些基本知识，以填补这本书前传中所缺失的一些细节。

在第二部分，讨论了各种概率模型下的贝叶斯推理算法。这些不同的算法在速度、准确性、通用性等方面做出了不同的权衡。所得的方法可应用于许多不同的问题。

在第三部分中，讨论了拟合p(y|x)形式的条件分布的预测方法，其中x∈x是一些输入(通常是高维的)，y∈y是期望的输出(通常是低维的)。在本书的这一部分，我们假设有一个我们想要预测的正确答案，尽管我们可能不确定。

在第四部分中，讨论生成模型，它是p(y)或p(y|x)形式的模型，其中可能有多个有效输出。例如，给定一个文本提示符x，我们可能想生成一组不同的图像y来“匹配”标题。评估这样的模型比在预测环境中更难，因为预期的输出应该是什么不太清楚。

在第五部分中，将注意力转向数据分析，使用旨在揭示一些有意义的底层状态或模式的方法。我们的重点主要是潜变量模型，即p(z, y) = p(z)p(y|z)的联合模型，其中z是隐状态，y是观测值;目标是从y推断出z。(模型可以选择性地以固定的输入为条件，得到p(z, y|x)。)我们还考虑了通过p(y|x)形式的预测模型隐式学习模式，而不依赖于显式生成模型的方法。

最后，在第六部分,讨论了如何使用概率模型和推理在不确定性下作出决策。这自然就引出了非常重要的因果关系的话题。

原文链接：https://blog.csdn.net/weixin_39833897/article/details/121187173

实践

Machine Learning using Python

机器学习Python实战教程

作者：Manaranjan Pradhan
本书通过提供真实的案例研究和示例，为使用Python库进行机器学习提供了坚实的基础。它涵盖了诸如机器学习基础、Python入门、描述性分析和预测分析等主题。包括高级机器学习概念，如决策树学习、随机森林、增强、推荐系统和文本分析。这本书在理论理解和实际应用之间采取了一种平衡的方法。所有的主题都包括真实世界的例子，并提供如何探索、构建、评估和优化机器学习模型的逐步方法。

原文链接：https://blog.csdn.net/weixin_39833897/article/details/121187173