x

添加收藏：我读过这本书

想读在读读过

标签(确定标签后请按回车):

当前位置： > 算法> Pattern Recognition And Machine Learning

Pattern Recognition And Machine Learning

Pattern Recognition And Machine Learning

作者： Christopher Bishop
出版社： Springer
出版年： 2007-10-1
页数： 738
定价： USD 94.95
装帧： Hardcover
ISBN： 9780387310732

评分

9.6

872人已评价

5星

82%
4星

15.5%
3星

2.4%
2星

0%
1星

0.1%

内容简介

The dramatic growth in practical applications for machine learning over the last ten years has been accompanied by many important developments in the underlying algorithms and techniques. For examp...

目录

1 Introduction 1

1.1 Example: Polynomial Curve Fitting . . . . . . . . . . . . . . . . . 4...

更多>>

1 Introduction 1

1.1 Example: Polynomial Curve Fitting . . . . . . . . . . . . . . . . . 4

1.2 Probability Theory . . . . . . . . . . . . . . . . . . . . . . . . . . 12

1.2.1 Probability densities . . . . . . . . . . . . . . . . . . . . . 17

1.2.2 Expectations and covariances . . . . . . . . . . . . . . . . 19

1.2.3 Bayesian probabilities . . . . . . . . . . . . . . . . . . . . 21

1.2.4 The Gaussian distribution . . . . . . . . . . . . . . . . . . 24

1.2.5 Curve fitting re-visited . . . . . . . . . . . . . . . . . . . . 28

1.2.6 Bayesian curve fitting . . . . . . . . . . . . . . . . . . . . 30

1.3 Model Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

1.4 The Curse of Dimensionality . . . . . . . . . . . . . . . . . . . . . 33

1.5 Decision Theory . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

1.5.1 Minimizing the misclassification rate . . . . . . . . . . . . 39

1.5.2 Minimizing the expected loss . . . . . . . . . . . . . . . . 41

1.5.3 The reject option . . . . . . . . . . . . . . . . . . . . . . . 42

1.5.4 Inference and decision . . . . . . . . . . . . . . . . . . . . 42

1.5.5 Loss functions for regression . . . . . . . . . . . . . . . . . 46

1.6 Information Theory . . . . . . . . . . . . . . . . . . . . . . . . . . 48

1.6.1 Relative entropy and mutual information . . . . . . . . . . 55

Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

2 Probability Distributions 67

2.1 Binary Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

2.1.1 The beta distribution . . . . . . . . . . . . . . . . . . . . . 71

2.2 Multinomial Variables . . . . . . . . . . . . . . . . . . . . . . . . 74

2.2.1 The Dirichlet distribution . . . . . . . . . . . . . . . . . . . 76

2.3 The Gaussian Distribution . . . . . . . . . . . . . . . . . . . . . . 78

2.3.1 Conditional Gaussian distributions . . . . . . . . . . . . . . 85

2.3.2 Marginal Gaussian distributions . . . . . . . . . . . . . . . 88

2.3.3 Bayes’ theorem for Gaussian variables . . . . . . . . . . . . 90

2.3.4 Maximum likelihood for the Gaussian . . . . . . . . . . . . 93

2.3.5 Sequential estimation . . . . . . . . . . . . . . . . . . . . . 94

2.3.6 Bayesian inference for the Gaussian . . . . . . . . . . . . . 97

2.3.7 Student’s t-distribution . . . . . . . . . . . . . . . . . . . . 102

2.3.8 Periodic variables . . . . . . . . . . . . . . . . . . . . . . . 105

2.3.9 Mixtures of Gaussians . . . . . . . . . . . . . . . . . . . . 110

2.4 The Exponential Family . . . . . . . . . . . . . . . . . . . . . . . 113

2.4.1 Maximum likelihood and sufficient statistics . . . . . . . . 116

2.4.2 Conjugate priors . . . . . . . . . . . . . . . . . . . . . . . 117

2.4.3 Noninformative priors . . . . . . . . . . . . . . . . . . . . 117

2.5 Nonparametric Methods . . . . . . . . . . . . . . . . . . . . . . . 120

2.5.1 Kernel density estimators . . . . . . . . . . . . . . . . . . . 122

2.5.2 Nearest-neighbour methods . . . . . . . . . . . . . . . . . 124

Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

3 Linear Models for Regression 137

3.1 Linear Basis Function Models . . . . . . . . . . . . . . . . . . . . 138

3.1.1 Maximum likelihood and least squares . . . . . . . . . . . . 140

3.1.2 Geometry of least squares . . . . . . . . . . . . . . . . . . 143

3.1.3 Sequential learning . . . . . . . . . . . . . . . . . . . . . . 143

3.1.4 Regularized least squares . . . . . . . . . . . . . . . . . . . 144

3.1.5 Multiple outputs . . . . . . . . . . . . . . . . . . . . . . . 146

3.2 The Bias-Variance Decomposition . . . . . . . . . . . . . . . . . . 147

3.3 Bayesian Linear Regression . . . . . . . . . . . . . . . . . . . . . 152

3.3.1 Parameter distribution . . . . . . . . . . . . . . . . . . . . 153

3.3.2 Predictive distribution . . . . . . . . . . . . . . . . . . . . 156

3.3.3 Equivalent kernel . . . . . . . . . . . . . . . . . . . . . . . 157

3.4 Bayesian Model Comparison . . . . . . . . . . . . . . . . . . . . . 161

3.5 The Evidence Approximation . . . . . . . . . . . . . . . . . . . . 165

3.5.1 Evaluation of the evidence function . . . . . . . . . . . . . 166

3.5.2 Maximizing the evidence function . . . . . . . . . . . . . . 168

3.5.3 Effective number of parameters . . . . . . . . . . . . . . . 170

3.6 Limitations of Fixed Basis Functions . . . . . . . . . . . . . . . . 172

Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173

4 Linear Models for Classification 179

4.1 Discriminant Functions . . . . . . . . . . . . . . . . . . . . . . . . 181

4.1.1 Two classes . . . . . . . . . . . . . . . . . . . . . . . . . . 181

4.1.2 Multiple classes . . . . . . . . . . . . . . . . . . . . . . . . 182

4.1.3 Least squares for classification . . . . . . . . . . . . . . . . 184

4.1.4 Fisher’s linear discriminant . . . . . . . . . . . . . . . . . . 186

4.1.5 Relation to least squares . . . . . . . . . . . . . . . . . . . 189

4.1.6 Fisher’s discriminant for multiple classes . . . . . . . . . . 191

4.1.7 The perceptron algorithm . . . . . . . . . . . . . . . . . . . 192

4.2 Probabilistic Generative Models . . . . . . . . . . . . . . . . . . . 196

4.2.1 Continuous inputs . . . . . . . . . . . . . . . . . . . . . . 198

4.2.2 Maximum likelihood solution . . . . . . . . . . . . . . . . 200

4.2.3 Discrete features . . . . . . . . . . . . . . . . . . . . . . . 202

4.2.4 Exponential family . . . . . . . . . . . . . . . . . . . . . . 202

4.3 Probabilistic Discriminative Models . . . . . . . . . . . . . . . . . 203

4.3.1 Fixed basis functions . . . . . . . . . . . . . . . . . . . . . 204

4.3.2 Logistic regression . . . . . . . . . . . . . . . . . . . . . . 205

4.3.3 Iterative reweighted least squares . . . . . . . . . . . . . . 207

4.3.4 Multiclass logistic regression . . . . . . . . . . . . . . . . . 209

4.3.5 Probit regression . . . . . . . . . . . . . . . . . . . . . . . 210

4.3.6 Canonical link functions . . . . . . . . . . . . . . . . . . . 212

4.4 The Laplace Approximation . . . . . . . . . . . . . . . . . . . . . 213

4.4.1 Model comparison and BIC . . . . . . . . . . . . . . . . . 216

4.5 Bayesian Logistic Regression . . . . . . . . . . . . . . . . . . . . 217

4.5.1 Laplace approximation . . . . . . . . . . . . . . . . . . . . 217

4.5.2 Predictive distribution . . . . . . . . . . . . . . . . . . . . 218

Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220

5 Neural Networks 225

5.1 Feed-forward Network Functions . . . . . . . . . . . . . . . . . . 227

5.1.1 Weight-space symmetries . . . . . . . . . . . . . . . . . . 231

5.2 Network Training . . . . . . . . . . . . . . . . . . . . . . . . . . . 232

5.2.1 Parameter optimization . . . . . . . . . . . . . . . . . . . . 236

5.2.2 Local quadratic approximation . . . . . . . . . . . . . . . . 237

5.2.3 Use of gradient information . . . . . . . . . . . . . . . . . 239

5.2.4 Gradient descent optimization . . . . . . . . . . . . . . . . 240

5.3 Error Backpropagation . . . . . . . . . . . . . . . . . . . . . . . . 241

5.3.1 Evaluation of error-function derivatives . . . . . . . . . . . 242

5.3.2 A simple example . . . . . . . . . . . . . . . . . . . . . . 245

5.3.3 Efficiency of backpropagation . . . . . . . . . . . . . . . . 246

5.3.4 The Jacobian matrix . . . . . . . . . . . . . . . . . . . . . 247

5.4 The Hessian Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . 249

5.4.1 Diagonal approximation . . . . . . . . . . . . . . . . . . . 250

5.4.2 Outer product approximation . . . . . . . . . . . . . . . . . 251

5.4.3 Inverse Hessian . . . . . . . . . . . . . . . . . . . . . . . . 252

5.4.4 Finite differences . . . . . . . . . . . . . . . . . . . . . . . 252

5.4.5 Exact evaluation of the Hessian . . . . . . . . . . . . . . . 253

5.4.6 Fast multiplication by the Hessian . . . . . . . . . . . . . . 254

5.5 Regularization in Neural Networks . . . . . . . . . . . . . . . . . 256

5.5.1 Consistent Gaussian priors . . . . . . . . . . . . . . . . . . 257

5.5.2 Early stopping . . . . . . . . . . . . . . . . . . . . . . . . 259

5.5.3 Invariances . . . . . . . . . . . . . . . . . . . . . . . . . . 261

5.5.4 Tangent propagation . . . . . . . . . . . . . . . . . . . . . 263

5.5.5 Training with transformed data . . . . . . . . . . . . . . . . 265

5.5.6 Convolutional networks . . . . . . . . . . . . . . . . . . . 267

5.5.7 Soft weight sharing . . . . . . . . . . . . . . . . . . . . . . 269

5.6 Mixture Density Networks . . . . . . . . . . . . . . . . . . . . . . 272

5.7 Bayesian Neural Networks . . . . . . . . . . . . . . . . . . . . . . 277

5.7.1 Posterior parameter distribution . . . . . . . . . . . . . . . 278

5.7.2 Hyperparameter optimization . . . . . . . . . . . . . . . . 280

5.7.3 Bayesian neural networks for classification . . . . . . . . . 281

Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284

6 Kernel Methods 291

6.1 Dual Representations . . . . . . . . . . . . . . . . . . . . . . . . . 293

6.2 Constructing Kernels . . . . . . . . . . . . . . . . . . . . . . . . . 294

6.3 Radial Basis Function Networks . . . . . . . . . . . . . . . . . . . 299

6.3.1 Nadaraya-Watson model . . . . . . . . . . . . . . . . . . . 301

6.4 Gaussian Processes . . . . . . . . . . . . . . . . . . . . . . . . . . 303

6.4.1 Linear regression revisited . . . . . . . . . . . . . . . . . . 304

6.4.2 Gaussian processes for regression . . . . . . . . . . . . . . 306

6.4.3 Learning the hyperparameters . . . . . . . . . . . . . . . . 311

6.4.4 Automatic relevance determination . . . . . . . . . . . . . 312

6.4.5 Gaussian processes for classification . . . . . . . . . . . . . 313

6.4.6 Laplace approximation . . . . . . . . . . . . . . . . . . . . 315

6.4.7 Connection to neural networks . . . . . . . . . . . . . . . . 319

Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 320

7 Sparse Kernel Machines 325

7.1 Maximum Margin Classifiers . . . . . . . . . . . . . . . . . . . . 326

7.1.1 Overlapping class distributions . . . . . . . . . . . . . . . . 331

7.1.2 Relation to logistic regression . . . . . . . . . . . . . . . . 336

7.1.3 Multiclass SVMs . . . . . . . . . . . . . . . . . . . . . . . 338

7.1.4 SVMs for regression . . . . . . . . . . . . . . . . . . . . . 339

7.1.5 Computational learning theory . . . . . . . . . . . . . . . . 344

7.2 Relevance Vector Machines . . . . . . . . . . . . . . . . . . . . . 345

7.2.1 RVM for regression . . . . . . . . . . . . . . . . . . . . . . 345

7.2.2 Analysis of sparsity . . . . . . . . . . . . . . . . . . . . . . 349

7.2.3 RVM for classification . . . . . . . . . . . . . . . . . . . . 353

Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 357

8 Graphical Models 359

8.1 Bayesian Networks . . . . . . . . . . . . . . . . . . . . . . . . . . 360

8.1.1 Example: Polynomial regression . . . . . . . . . . . . . . . 362

8.1.2 Generative models . . . . . . . . . . . . . . . . . . . . . . 365

8.1.3 Discrete variables . . . . . . . . . . . . . . . . . . . . . . . 366

8.1.4 Linear-Gaussian models . . . . . . . . . . . . . . . . . . . 370

8.2 Conditional Independence . . . . . . . . . . . . . . . . . . . . . . 372

8.2.1 Three example graphs . . . . . . . . . . . . . . . . . . . . 373

8.2.2 D-separation . . . . . . . . . . . . . . . . . . . . . . . . . 378

8.3 Markov Random Fields . . . . . . . . . . . . . . . . . . . . . . . 383

8.3.1 Conditional independence properties . . . . . . . . . . . . . 383

8.3.2 Factorization properties . . . . . . . . . . . . . . . . . . . 384

8.3.3 Illustration: Image de-noising . . . . . . . . . . . . . . . . 387

8.3.4 Relation to directed graphs . . . . . . . . . . . . . . . . . . 390

8.4 Inference in Graphical Models . . . . . . . . . . . . . . . . . . . . 393

8.4.1 Inference on a chain . . . . . . . . . . . . . . . . . . . . . 394

8.4.2 Trees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 398

8.4.3 Factor graphs . . . . . . . . . . . . . . . . . . . . . . . . . 399

8.4.4 The sum-product algorithm . . . . . . . . . . . . . . . . . . 402

8.4.5 The max-sum algorithm . . . . . . . . . . . . . . . . . . . 411

8.4.6 Exact inference in general graphs . . . . . . . . . . . . . . 416

8.4.7 Loopy belief propagation . . . . . . . . . . . . . . . . . . . 417

8.4.8 Learning the graph structure . . . . . . . . . . . . . . . . . 418

Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 418

9 Mixture Models and EM 423

9.1 K-means Clustering . . . . . . . . . . . . . . . . . . . . . . . . . 424

9.1.1 Image segmentation and compression . . . . . . . . . . . . 428

9.2 Mixtures of Gaussians . . . . . . . . . . . . . . . . . . . . . . . . 430

9.2.1 Maximum likelihood . . . . . . . . . . . . . . . . . . . . . 432

9.2.2 EM for Gaussian mixtures . . . . . . . . . . . . . . . . . . 435

9.3 An Alternative View of EM . . . . . . . . . . . . . . . . . . . . . 439

9.3.1 Gaussian mixtures revisited . . . . . . . . . . . . . . . . . 441

9.3.2 Relation to K-means . . . . . . . . . . . . . . . . . . . . . 443

9.3.3 Mixtures of Bernoulli distributions . . . . . . . . . . . . . . 444

9.3.4 EM for Bayesian linear regression . . . . . . . . . . . . . . 448

9.4 The EM Algorithm in General . . . . . . . . . . . . . . . . . . . . 450

Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 455

10 Approximate Inference 461

10.1 Variational Inference . . . . . . . . . . . . . . . . . . . . . . . . . 462

10.1.1 Factorized distributions . . . . . . . . . . . . . . . . . . . . 464

10.1.2 Properties of factorized approximations . . . . . . . . . . . 466

10.1.3 Example: The univariate Gaussian . . . . . . . . . . . . . . 470

10.1.4 Model comparison . . . . . . . . . . . . . . . . . . . . . . 473

10.2 Illustration: Variational Mixture of Gaussians . . . . . . . . . . . . 474

10.2.1 Variational distribution . . . . . . . . . . . . . . . . . . . . 475

10.2.2 Variational lower bound . . . . . . . . . . . . . . . . . . . 481

10.2.3 Predictive density . . . . . . . . . . . . . . . . . . . . . . . 482

10.2.4 Determining the number of components . . . . . . . . . . . 483

10.2.5 Induced factorizations . . . . . . . . . . . . . . . . . . . . 485

10.3 Variational Linear Regression . . . . . . . . . . . . . . . . . . . . 486

10.3.1 Variational distribution . . . . . . . . . . . . . . . . . . . . 486

10.3.2 Predictive distribution . . . . . . . . . . . . . . . . . . . . 488

10.3.3 Lower bound . . . . . . . . . . . . . . . . . . . . . . . . . 489

10.4 Exponential Family Distributions . . . . . . . . . . . . . . . . . . 490

10.4.1 Variational message passing . . . . . . . . . . . . . . . . . 491

10.5 Local Variational Methods . . . . . . . . . . . . . . . . . . . . . . 493

10.6 Variational Logistic Regression . . . . . . . . . . . . . . . . . . . 498

10.6.1 Variational posterior distribution . . . . . . . . . . . . . . . 498

10.6.2 Optimizing the variational parameters . . . . . . . . . . . . 500

10.6.3 Inference of hyperparameters . . . . . . . . . . . . . . . . 502

10.7 Expectation Propagation . . . . . . . . . . . . . . . . . . . . . . . 505

10.7.1 Example: The clutter problem . . . . . . . . . . . . . . . . 511

10.7.2 Expectation propagation on graphs . . . . . . . . . . . . . . 513

Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 517

11 Sampling Methods 523

11.1 Basic Sampling Algorithms . . . . . . . . . . . . . . . . . . . . . 526

11.1.1 Standard distributions . . . . . . . . . . . . . . . . . . . . 526

11.1.2 Rejection sampling . . . . . . . . . . . . . . . . . . . . . . 528

11.1.3 Adaptive rejection sampling . . . . . . . . . . . . . . . . . 530

11.1.4 Importance sampling . . . . . . . . . . . . . . . . . . . . . 532

11.1.5 Sampling-importance-resampling . . . . . . . . . . . . . . 534

11.1.6 Sampling and the EM algorithm . . . . . . . . . . . . . . . 536

11.2 Markov Chain Monte Carlo . . . . . . . . . . . . . . . . . . . . . 537

11.2.1 Markov chains . . . . . . . . . . . . . . . . . . . . . . . . 539

11.2.2 The Metropolis-Hastings algorithm . . . . . . . . . . . . . 541

11.3 Gibbs Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . 542

11.4 Slice Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 546

11.5 The Hybrid Monte Carlo Algorithm . . . . . . . . . . . . . . . . . 548

11.5.1 Dynamical systems . . . . . . . . . . . . . . . . . . . . . . 548

11.5.2 Hybrid Monte Carlo . . . . . . . . . . . . . . . . . . . . . 552

11.6 Estimating the Partition Function . . . . . . . . . . . . . . . . . . 554

Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 556

12 Continuous Latent Variables 559

12.1 Principal Component Analysis . . . . . . . . . . . . . . . . . . . . 561

12.1.1 Maximum variance formulation . . . . . . . . . . . . . . . 561

12.1.2 Minimum-error formulation . . . . . . . . . . . . . . . . . 563

12.1.3 Applications of PCA . . . . . . . . . . . . . . . . . . . . . 565

12.1.4 PCA for high-dimensional data . . . . . . . . . . . . . . . 569

12.2 Probabilistic PCA . . . . . . . . . . . . . . . . . . . . . . . . . . 570

12.2.1 Maximum likelihood PCA . . . . . . . . . . . . . . . . . . 574

12.2.2 EM algorithm for PCA . . . . . . . . . . . . . . . . . . . . 577

12.2.3 Bayesian PCA . . . . . . . . . . . . . . . . . . . . . . . . 580

12.2.4 Factor analysis . . . . . . . . . . . . . . . . . . . . . . . . 583

12.3 Kernel PCA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 586

12.4 Nonlinear Latent Variable Models . . . . . . . . . . . . . . . . . . 591

12.4.1 Independent component analysis . . . . . . . . . . . . . . . 591

12.4.2 Autoassociative neural networks . . . . . . . . . . . . . . . 592

12.4.3 Modelling nonlinear manifolds . . . . . . . . . . . . . . . . 595

Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 599

13 Sequential Data 605

13.1 Markov Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . 607

13.2 Hidden Markov Models . . . . . . . . . . . . . . . . . . . . . . . 610

13.2.1 Maximum likelihood for the HMM . . . . . . . . . . . . . 615

13.2.2 The forward-backward algorithm . . . . . . . . . . . . . . 618

13.2.3 The sum-product algorithm for the HMM . . . . . . . . . . 625

13.2.4 Scaling factors . . . . . . . . . . . . . . . . . . . . . . . . 627

13.2.5 The Viterbi algorithm . . . . . . . . . . . . . . . . . . . . . 629

13.2.6 Extensions of the hidden Markov model . . . . . . . . . . . 631

13.3 Linear Dynamical Systems . . . . . . . . . . . . . . . . . . . . . . 635

13.3.1 Inference in LDS . . . . . . . . . . . . . . . . . . . . . . . 638

13.3.2 Learning in LDS . . . . . . . . . . . . . . . . . . . . . . . 642

13.3.3 Extensions of LDS . . . . . . . . . . . . . . . . . . . . . . 644

13.3.4 Particle filters . . . . . . . . . . . . . . . . . . . . . . . . . 645

Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 646

14 Combining Models 653

14.1 Bayesian Model Averaging . . . . . . . . . . . . . . . . . . . . . . 654

14.2 Committees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 655

14.3 Boosting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 657

14.3.1 Minimizing exponential error . . . . . . . . . . . . . . . . 659

14.3.2 Error functions for boosting . . . . . . . . . . . . . . . . . 661

14.4 Tree-based Models . . . . . . . . . . . . . . . . . . . . . . . . . . 663

14.5 Conditional Mixture Models . . . . . . . . . . . . . . . . . . . . . 666

14.5.1 Mixtures of linear regression models . . . . . . . . . . . . . 667

14.5.2 Mixtures of logistic models . . . . . . . . . . . . . . . . . 670

14.5.3 Mixtures of experts . . . . . . . . . . . . . . . . . . . . . . 672

Exercises . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 674

Appendix A Data Sets 677

Appendix B Probability Distributions 685

Appendix C Properties of Matrices 695

Appendix D Calculus of Variations 703

Appendix E LagrangeMultipliers 707

References 711

<<收起

该书热门标签

机器学习模式识别人工智能数据挖掘计算机计算机科学 machine learning

评价“Pattern Recognition And Machine Learning”

想读在读读过

我想说两句

短评 (查看全部短评)

最新
热门

0 皓哲轩 2012-02-02

机器学习的入门经典
0 pUck 2013-03-27

内容挺好的，讲的挺成体系的，不过图模型那里感觉还是太流水账了。
0 donny 2014-09-11

翻过这本板砖，坦白来讲，这本书很多人当做了手册用，其实里面的讲解还是很详尽的。另外，彩色铜版纸印刷，在美国买要79刀，算是良心价格了。
0 Keira 2015-04-16

No need to say, classic book, but somewhat too too too Bayesian
0 他山之客 2016-02-09

从贝叶斯观点出发解读机器学习，大赞
0 半月弦08 2016-03-15

听说不错的书，想看ing
0 眼下 2016-07-24

晦涩
0 德国大饺子 2016-11-11

大家看的都是一千多一本的英文版吗？
0 dypromise 2016-12-19

这本书是我的机器学习的入门书。这本书抓住贝叶斯这条主线，但不拘泥于贝叶斯，一些经典的机器学习模型用通俗的话讲的很深，说的生动。比起李航的书来说就是小说级别。这本书不是看完就扔了，有时候遇到一个知识点，好要翻这本书看解释，原理，一句话，广度不是他的亮点，深度与生动才是他的亮点！～
0 洗洗睡 2008-02-25

非常好的一般书，理论和应用结合

7 james 2010-05-06

教材。作者开直升机的。不适合初学者，david barber即将出版的新书Bayesian Reasoning and Machine Learning更适合。
4 beren 2015-09-08

草草翻过了，一开始觉得这篇没有一点儿代码，俨然不如machine learning in action那样的书看着有用，翻完才知道此书的内容更偏理论，对于machine learning的理论有了新的认识，倘若早些了解这些，博士时恐怕就义无反顾投入这一行了，但愿现在开始也不算晚
3 宿舍楼里的野猫 2011-12-18

快看完了，近期不准备再读了。就是纯粹从bayesian角度开讲机器学习，确实是很有深度的一本书。不过The Element of Statistical Learning出第二版了，我觉得最好还是那本吧
3 Mo 2011-06-24

what can i say. It is simply THE book for ml. 真本书的推导已经很清楚了，除了线性代数和简单微积分也没啥别的数学了。如果真的看起来觉得难得话，真的不适合做这个领域了。
1 狐狸大君 2016-05-03

在师兄的带领下，正在阅读....
1 夜雨听风 2015-09-30

经典好书！7星推荐，正在读第二遍。
1 _HSy 2015-05-30

呵，呵
1 史凯力 2017-01-16

每个章节的小标题和作者想表达的东西都不是一回事，心累。。
1 红茶渣 2012-01-15

上学期上了门课，一点不喜欢！！虽然老师身材不错而且顺了几个八卦。前几天整理房间的时候看到这教材顺路读了下结果欲罢不能....我果然是犯贱吗？！
0 皓哲轩 2012-02-02

机器学习的入门经典

查看全部短评>>

我要写长评

书评 (查看全部书评)

最新
热门

没有影印版，没有中文版吗？
0有用 springjava 2013-01-27

没有影印版，没有中文版吗？没有影印版，没有中文版吗？没有影印版，没有中文版吗？没有影印版，没有中文版吗？没有影印版，没有中文版吗？没有影印版，没有中文版吗？没有影印版，没有中文版吗？没有影印版，没有中... 查看全部>>
PRML读书会一周年资源汇总
0有用网络上的尼采 2015-02-01

PRML读书会一周年资源汇总：http://weibo.com/p/10080817a99a8dcd9c7e83da56c7ee13ede62a/emceercd?from=page_huati_rc... 查看全部>>
数学功底不够，看的云里雾里。
1有用 longsail 2014-02-12

赞扬已经够多了，引用黄亮的话来说下这本书不好的地方。“这书把machinelearning搞得太复杂太琐碎了，而迷失了其数学真意。其数学真意应该是简单统一的几何意义，而不是满屏的公式。另外这书理论深度... 查看全部>>
Pattern Recognition and Machine Learning第九章读书会记录
2有用网络上的尼采 2013-09-18

PatternRecognitionandMachineLearning第九章读书会记录，主要内容：k-means混合高斯EM算法http://weibo.com/1841149974/A1O6GzO... 查看全部>>
PRML读书会：Sampling Methods记录
0有用网络上的尼采 2013-09-20

主要内容：MarkovChainMonteCarlo（MCMC），Metropolis-Hastings，GibbsSampling等方法。http://weibo.com/1841149974/Aa... 查看全部>>
新手必读，吐血吐血吐血吐血推荐
0有用 whjxnyzh 2014-01-08

从大四就想看这本书，一直当做宝贝供着。。。。最近才大概翻了一遍，总体评价。。神书无疑。。读一遍感觉不行，我肯定还要读第二遍，因为有些章节还是有难度的。。作者写作功底太好，每个公式解释的都很清楚，看起来... 查看全部>>
PRML读书会请加qq群 177217565
0有用网络上的尼采 2014-02-12

我们已经读完了PatternRecognitionAndMachineLearning，写的非常优美的一本书，另外我们正准备读MLAPP，欢迎加群177217565讨论。请在群申请理由里用简短的话描述... 查看全部>>
用心慢慢读
0有用 Aeolus 2014-03-25

在研一的下学期的时候，看了前三章。写得非常好，看着就不想放下。后来由于有其他事，就先停了下来。现在经过一年的实习，对机器学习感觉也算入门了，准备着手再开始看，相信这次会有完全不同的感觉。大家一起加油，... 查看全部>>
PRML Matlab ToolBox
4有用极度视界 2013-07-05

在浏览scikit-learn时无意发现之，贡献者之一是清华的WeiLihttps://github.com/kuantkid/PRML发现了，分享了；未曾使用。大家用用看，看看楼下怎么说：查看全部>>
经典ML教材之一
7有用脖子 2016-01-13

在Bishop的这本PRML之前，学习machinelearning的标准教材一般是TomMitchell的machinelearning以及Duda&Hart的PatternClassificati... 查看全部>>

PRML，Bayesian PK Frequentist，笔记
63有用 Chojin 2012-08-25

两年多以前有个MachineLearning课以PRML为参考书，当时就觉得这书相当的好。可惜一直以来没认真读完。最近稍闲终于重新读了一遍，比较有收获。这书给人的最大的印象可能是everythingh... 查看全部>>
需要多读几遍：Pattern Recognition And Machine Learning
58有用 jia 2010-12-17

实际上这本书我花了将近两个月的时间读下来，不敢说有多理解，但是确实收获很大，分章做一个评论。第1章的导论，不多说，看完书后需要重新回过头来看看。第2章的概率分布，写的非常好，尽管只有几个简单的分布，但... 查看全部>>
说此书数学怎么怎么样的还是退了吧
31有用达令你快乐吗 2014-03-29

这几天没事把尾巴扫了。如果想做ML无论是theory（tcsers请先别吐槽好吧，以后会有槽吐你们的）、algorithm还是application此书都是必读，而且书只读这一本足够了。ML吹破天还是... 查看全部>>
更广的背景下看Bayesian Learning
28有用 Chen_1st 2011-05-09

这两天因为读文章的需要，重新翻了翻这本书。觉得@raullew在http://book.douban.com/review/4474434/中提到的问题的确是这本书的一个缺陷。是否真正了解一个东西，不... 查看全部>>
这是我读过最好的模式识别书。
26有用景浩 2013-02-28

我是学工程的，读过很多统计，模式识别，数据挖掘的书。比如AndrewGelman的BeyesiandataAnalysis；TrevorHastie的TheElementsofStatisticalL... 查看全部>>
经典ML教材之一
7有用脖子 2016-01-13

在Bishop的这本PRML之前，学习machinelearning的标准教材一般是TomMitchell的machinelearning以及Duda&Hart的PatternClassificati... 查看全部>>
本书需要慢慢的读
7有用 joey周琦 2013-07-23

我是一名研一的学生，方向不是机器学习方向，但是对这方面很感兴趣。看过一篇blog说，当下所说的机器学习其实分两种，一种如本书，可称为统计机器学习，另外一种是人工智能领域，这两种有交叉，但是研究内容有很... 查看全部>>
PRML Matlab ToolBox
4有用极度视界 2013-07-05

在浏览scikit-learn时无意发现之，贡献者之一是清华的WeiLihttps://github.com/kuantkid/PRML发现了，分享了；未曾使用。大家用用看，看看楼下怎么说：查看全部>>
PRML和其他
4有用 doubling 2012-08-16

这本书的独到之处就是Bishop能够将看似毫无联系的方法统一在一个完整的框架下。虽然@raullew在http://book.douban.com/review/4474434/吐槽，但这正是Bish... 查看全部>>
Pattern Recognition and Machine Learning第九章读书会记录
2有用网络上的尼采 2013-09-18

PatternRecognitionandMachineLearning第九章读书会记录，主要内容：k-means混合高斯EM算法http://weibo.com/1841149974/A1O6GzO... 查看全部>>

查看全部书评>>

猜您喜欢读

: 趣题学算法

: Using Ad

: Understa

: 机器学习

: Pattern

: Machine

: 数据挖掘导论

: 鸟哥的Linux

: Algorith

: Algorith

: 计算机科学导论

: 图解TCP/IP

网友关注

: Soccer a

: Mushroom

: Cows in

: Sally

: Blackber

: The New

: Our Mom

: The Duck

: Late for

: Tabby in

: Where Ar

: Rigby PM

: A Lucky

: My Big B

: Chug the

: Sally

: Baby Bea

: Snowy Ge

网友关注

: Soccer a

: Mushroom

: Cows in

: Sally

: Blackber

: The New

: Our Mom

: The Duck

: Late for

: Tabby in

: Where Ar

: Rigby PM

: A Lucky

: My Big B

: Chug the

: Sally

: Baby Bea

: Snowy Ge

精品推荐

分类导航

相关分类

热评书籍

: 番茄工作法图解

: 万万没想到

: 谁动了我的奶酪?

: 杜拉拉升職記

: 时间的形状

: Rework

: 正在爆发的互联网革命

: 基业长青

: 大便書

: 史蒂夫·乔布斯传（修订版）

: 你的灯亮着吗?

: 世界因你不同

: 别做正常的傻瓜

: 黄金时代

: Brave New World

中网建材中网化工中网机械牛涂网中网体坛中网生活中网沥青中网涂料中网机器人中网塑料中网橡胶中网玻璃美美日记中网资讯广东熊猫网读后感读后感问答读书笔记胎教大全汉语字典成语大全造句大全组词查询近义词反义词故事大全英语单词英语近义词反义词英语例句大全英语缩写大全知识问答三字经数字大小写转换邮编查询脑筋急转弯歇后语百家姓怀孕周期表古诗词对联大全新华字典汉语词典成语大全二十四节气古诗词大全中国古典作文范文参考范文名言版报文档诗词奥数图书