【全面总结】机器学习经典书 PRML 相关资料全面总结:中文译本,官方代码,课程视频,学习笔记等等
编者按:PRML是公认的经典机器学习教材,官方已经在去年将这本书英文版开放下载:《模式识别与机器学习(PRML)》正式开放免费下载 。2014年哈工大马春鹏博士利用业余时间翻译过这本书,之后这本中译本广为流传。另外在2015年,微博上的一群同学组织了PRML的读书会,读书会的相关笔记也发布在了“我爱自然语言处理”的博客上:http://www.52nlp.cn/author/prml 。原计划将这些资料一并整理,后来发现AIQ社区的这篇文章总结的非常全面,已经无需我写什么了,所以转载至此,文末留有原文链接。如果你需要这些资料,也可以关注以下公众号并回复“PRML”获取相关资料链接:
今天给大家推荐一本机器学习、深度学习的人都应该听说过一本经典教材:《Pattern Recognition and Machine Learning》,中文译名《模式识别与机器学习》,简称 PRML。出自微软剑桥研究院实验室主任 Christopher Bishop 大神之手。对,就是豆瓣评分 9.5 的这本书。可能之前你看过其他公众号有分享过,不过不要着急,本推文更全面总结了关于《Pattern Recognition and Machine Learning》的相关学习资料,你想要的和你没有想到你想要的,这里都有。python 代码,官方 matlab 代码,中文译文,课后答案,PPT,对应大学视频,学习笔记,小编都汇总了一下,不管怎么样,我自己先收藏了一下~
毫不夸张地说,PRML 当之无愧算得上是 AI 领域的圣经了。PRML 涵盖面广,语言通俗,例子和习题更加详细,附带更多基础性的讲解和指引,难度梯度设置更为合理,是其深受广大中老年 PhD 朋友喜爱的原因。
将 Bishop 大神的 PRML 称为机器学习圣经一点也不为过,该书系统地介绍了模式识别和机器学习领域内详细的概念与基础。书中有对概率论基础知识的介绍,也有高阶的线性代数和多元微积分的内容,适合高校的研究生以及人工智能相关的从业人员学习。
PRML 内容十分丰富,共有 14 章的内容,每一章都是干货满满。整体目录如下:
-
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
另外,知乎上关于这个关于“PRML 为何是机器学习的经典书籍中的经典?”的高赞回答或许会给大家一些启发:
Luau Lawrence 的回答:
https://www.zhihu.com/question/35992297/answer/67009652
最近 GitHub 上网友 ctgk 更新公布了 Python3 实现的经典机器学习图书《Pattern Recognition and Machine Learning》中的代码。在它之前曾有过 Matlab 版本,而新公布的版本采用机器学习领域最流行的 python 代码实现,比较符合大家的使用习惯。最重要的是代码以 Jupyter notebook 形式呈现,可视化结果非常适合边看书边调试代码。
MLPR python 代码链接:
https://github.com/ctgk/PRML
除此之外,官方也发布了对应的 Matlab 版本的代码:
https://github.com/PRML/PRMLT
**▌**PRML 书籍
-
本文地址:https://www.6aiq.com/article/1584520876427
-
本文版权归作者和AIQ共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出
PRML 是模式识别和机器学习领域的经典著作,出版于 2007 年。该书作者 Christpher M. Bishop 是模式识别和机器学习领域的大家,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作。
PRML 深入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,不仅适合初学者学习,而且对专业研究人员也有很大的参考价值。
目录(对应中文译本)
-
导论
-
概率分布
-
线性回归模型
-
线性分类模型
-
神经网络
-
核方法
-
讲 SVM 。
-
现代基于图模型
-
EM 算法
-
近似推断
-
采样
-
PCA 及一些改进
-
HMM 模型和 LDS
-
集成方法
**▌**PRML 笔记视频学习资料荟萃(敲黑板,该划重点了)
《Pattern Recognition and Machine Learning》(PRML) by Bishop
-
原版图书
-
http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop+-+Pattern+Recognition+And+Machine+Learning+-+Springer++2006.pdf
-
勘误:
-
https://www.microsoft.com/en-us/research/wp-content/uploads/2016/05/prml-errata-3rd-20110921.pdf
-
习题答案
-
https://www.microsoft.com/en-us/research/wp-content/uploads/2016/05/prml-web-sol-2009-09-08.pdf
-
Christopher Bishop 微软剑桥研究院院长 个人主页
-
https://www.microsoft.com/en-us/research/people/cmbishop/
-
部分章节 PPT
-
https://www.microsoft.com/en-us/research/wp-content/uploads/2016/05/prml-slides-1.pdf
-
https://www.microsoft.com/en-us/research/wp-content/uploads/2016/05/prml-slides-2.pdf
-
https://www.microsoft.com/en-us/research/wp-content/uploads/2016/05/prml-slides-3.pdf
-
https://www.microsoft.com/en-us/research/wp-content/uploads/2016/05/prml-slides-4.pdf
Bishop 新书《Model Based Machine Learning》
-
PRML 大神、微软剑桥研究院院长 Chris Bishop 与 John Winn 的机器学习新书。最入门级别的机器学习图书, 全书从实际案例开始讲,数学公式很少,非常适合当做读 PRML 之前的入门。
-
http://www.mbmlbook.com/
代码
-
Matlab 实现
-
http://prml.github.io/
-
Python
-
https://github.com/ctgk/PRML
视频
-
布朗大学 CSCI1420 《机器学习》 主要参考用书采用了 PRML,内容安排也和 PRML 一致,共 23 课。
-
http://cs.brown.edu/courses/csci1420/
PRML 笔记
-
Jian Xiao《Notes on Pattern Recognition and Machine Learning (Bishop)》
-
田渊栋《Some notes on Pattern Recognition and Machine Learning》
-
http://www.yuandong-tian.com/notesOnPRML.pdf
-
ChillyRain 的"PRML Notes"系列博文
-
http://chillyrain.is-programmer.com/categories/7613/posts
-
Bishop’s PRML book: review and insights, chapters 1–3
-
https://techburst.io/bishops-prml-book-review-and-insights-chapters-1-3-528bb5cfaade
-
PRML 读书会
-
http://www.52nlp.cn/category/pattern-recognition-and-machine-learning-2
-
http://www.52nlp.cn/prml 读书会前言
-
PDF PRML 读书会合集打印版
PRML 相关资料:第三版,学习笔记,中文译本等
链接:https://pan.baidu.com/s/1oiZST2XgWHg7a4Xl3RUW7g 提取码:pthb
代码:该书完整的代码官方发出了 Matlab 版本,地址如下:http://prml.github.io/
ctgk 也在 GitHub 上发布了更常用的 Python 版本,已经超过 2k 星标了。
地址如下:https://github.com/ctgk/PRML
本文地址:
https://www.6aiq.com/article/1584520876427
本文版权归作者和AIQ共有。