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。算法

我在V盘分享了pdf:网络

http://vdisk.weibo.com/s/oM0W7机器学习

Bishopde网页,这里能够下载PPT和程序:学习

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

豆瓣有不少不错的评论:htm

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

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。get

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。it

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。io

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。

相关文章
相关标签/搜索