《模式识别与机器学习》英文原版(附PDF下载)


(hu1996) #1

内容简介

在过去十年中,机器学习的实际应用的急剧增长伴随着基础算法和技术的许多重要发展。例如,贝叶斯方法已从专业领域发展成为主流,而图形模型已成为描述和应用概率技术的一般框架。贝叶斯方法的实际适用性通过开发一系列近似推理算法(如变分贝叶斯和期望传播)得到了极大的增强,而基于内核的新模型对算法和应用都产生了重大影响。

这本全新的教科书反映了这些最新发展,同时全面介绍了模式识别和机器学习领域。它面向高年级本科生或一年级博士生,以及研究人员和从业人员。以前没有假设模式识别或机器学习概念。需要熟悉多元微积分和基本线性代数,并且使用概率的一些经验虽然不是必要的,但是本书包括对基本概率理论的自包含介绍。

本书适用于机器学习,统计学,计算机科学,信号处理,计算机视觉,数据挖掘和生物信息学等课程。为课程导师提供了广泛的支持,包括400多个练习,根据难度进行评分。可以从书籍网站获得练习子集的示例解决方案,而其余部分的解决方案可以由出版商的教师获得。
7f6f746ed1544bdbbbe7dd9dd5cdf4b6

作者简介

Christopher Bishop还是爱丁堡大学计算机科学教授,剑桥大学达尔文学院 Fellow。2004年当选为英国皇家工程院院士,2007年当选为爱丁堡皇家学会院士,2017年当选为英国皇家学会院士。

在微软研究院,Chris带领世界领先的工业研究和开发团队,专注于机器学习和人工智能,并在云基础设施、安全、工作场所生产力、计算生物学和医疗保健领域创造突破性技术。

Chris在牛津大学获得物理学学士学位,在爱丁堡大学获得理论物理学博士学位,毕业论文关于量子场论。从那时起,他开始对模式识别产生兴趣,并成为AEA Technology应用神经计算中心的负责人。随后,他被选为阿斯顿大学计算机科学与应用数学系主任,并在阿斯顿大学成立并领导了神经计算研究小组。

目录

  • 第一章 介绍
  • 第二章 概率分布
  • 第三章 线性回归模型
  • 第四章 线性分类模型
  • 第五章 神经网络
  • 第六章 内核方法
  • 第七章 稀疏内核机器
  • 第八章 图形模型
  • 第九章 混合模型和EM
  • 第十章 近似推断
  • 第十一章 采样方法
  • 第十二章 连续潜在变量
  • 第十三章 顺序数据
  • 第十四章 组合模型

下载方式