Bishop的大做《模式识别与机器学习》Ready to read!

久仰Bishop的大做“Pattern Recognition and Machine Learning”已久，在个人硬盘里已经驻扎一年有余，怎奈惧其页数浩瀚，始终未敢入手。近日看文献，屡屡引用之。不得再也不翻出来准备细读一番。有条件的话也要写写读书笔记的，要不基本上也是边看边忘。

我在V盘分享了pdf：

http://vdisk.weibo.com/s/oM0W7

Bishopde网页，这里能够下载PPT和程序：

http://research.microsoft.com/en-us/um/people/cmbishop/prml/

豆瓣有不少不错的评论：

http://book.douban.com/subject/2061116/

关于PRML

PRML是模式识别和机器学习领域的经典著做，出版于2007年。该书做者 Christpher M. Bishop 是模式识别和机器学习领域的你们，其1995年所著的“Nerual Networks for Pattern Recognition”也是模式识别、人工神经网络领域的经典著做。

PRML深刻浅出地介绍了模式识别与机器学习的基本理论和主要方法，同时还涵盖了模式识别与机器学习领域的一些最新进展，不只适合初学者学习，并且对专业研究人员也有很大的参考价值。

全书共738页，分为14章，按部就班，先后呼应、表达清晰、理解深入。每章都有相应的习题及答案，有助于学习和教学。

书评参考

http://book.douban.com/review/4533178/

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，可是确实收获很大，分章作一个评论。   第1章的导论，很少说，看完书后须要从新回过头来看看。 第2章的几率分布，写的很是好，尽管只有几个简单的分布，可是对共轭先验的概念以及指数分布族介绍的很清楚，这一章是本书的基础。 第3章以及第4章的线性分类和回归一个很是好的方面就是都是采用Bayesisan的观点来看，应该是理解Baysian思想的基础。 第5章 我没看，直接略过。(基本不影响后面的阅读) 第6章 讲Guassian Process (这个东西后来我才知道是 一种非参数的Bayessian方法，如今在统计学领域研究的很热门。) 第7章 讲SVM 。 第8章 是现代基于图模型的基础，须要仔细阅读，这一章概念介绍的很是清楚，不少的machine learning 和computer vision 的paper 如今采用的图模型的表示均可以从这里获得解释。 第9章 EM 算法，本人认为是本书的一个亮点，从最简单的K-mean出发，推导高斯混合模型，再到EM算法的推广，本章每一节都是精品。 第10章 近似推断 主要就是第一节的近似推断的基本原理 以及第二节的一个例子。采用mean-field、变分的方法。 第11章 采样，写的很精彩，对彻底不懂采样的我来讲，也能很快入门。这里须要说明的是，个人收获主要来自于第8章到第11章，光看书是不行的，期间，我主要是学习了最基本的Topic model：LDA 。在学习LDA的过程当中，第8章到第11章的彻底用上了。这种感受很是好。推荐给你们。 第12章是PCA及一些改进，用到的时候再看也来得及。 第13章是HMM 模型和LDS，这两个的图模型是同样的。建议好好学习一下HMM，应该还有其余的资料供参考。 第14章最后是整合，不少东西如今我还不是很理解。 总之，这是一本很是好的书，关键是写做思路清晰，重点突出。做为阅读论文的基本参考物是值得推荐的。