描述
《概率机器学习：导论》提供了对机器学习的详细和最新的介绍，包括通过概率建模和贝叶斯决策理论的深度学习。该书涵盖了必要的数学基础，包括线性代数和优化，并探讨了基本的监督学习技术，如线性回归和逻辑回归，以及深度神经网络。更高级的主题，包括迁移学习和无监督学习，也进行了讨论。
每章末尾的练习允许学生应用所学知识，巩固对材料的理解。附录提供了文本中使用的符号的全面概述。本书不仅仅是作者之前作品《机器学习：概率视角》的更新，而是一本全新的文本，反映了自2012年以来该领域的重大进展，特别是在深度学习方面。
本书附带的在线Python代码利用了scikit-learn、JAX、PyTorch和TensorFlow等库。这段代码使读者能够重现书中几乎所有的图形，并且可以在使用基于云的笔记本的网页浏览器中执行。这个实用资源补充了讨论的理论主题，使其成为学习者的宝贵工具。
本书由谷歌的研究科学家Kevin P. Murphy撰写，面向对人工智能和机器学习感兴趣的学生和专业人士。它作为一本入门教材，后续将有一本续集涵盖更高级的主题，保持相同的概率方法。
图书信息
作者：Kevin P. Murphy
出版年份：2022
页数：864
可用格式：精装本，电子书
出版社：麻省理工学院出版社
ISBN：9780262046824
电子书ISBN：9780262369305
系列：自适应计算与机器学习
适合的读者
- 学习机器学习
- 深度学习应用
- 概率建模
- 教育资源
- 实用编码
