Pattern Recognition And Machine Learning（模式识别与机器学习）提供了模式识别与机器学习领域最为权威而综合的介绍（comprehensive introduction）
PRML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。在学习前，应掌握基础的多元微积分以及线性代数、概率论等。书中包括400多个练习，并根据难度进行分级
本文整理了PRML相关的学习资源，供免费下载，下载链接如下：
https://github.com/nikolajohn/Pattern-Recognition-And-Machine-Learning-
原文资料（英文），封面如下：
原文的中文翻译版，如下：
（马春鹏：哈尔滨工业大学计算机学院机器智能与翻译实验室2014级博士生）
PRML原文作者在2011年又给出的勘误与附加评论（英文）
Jian Xiao在阅读后整理的笔记（中文）
Yuandong Tian在阅读后整理的笔记（英文）
这是很多研究者、开发者朋友们阅读过程中体验与感悟的合集
课后习题答案
（注：也可以在以下链接下载https://b-ok.org/book/851972/7f7c7b）
链接如下：
https://github.com/ctgk/PRML
官方给出的MATLAB算法实现：
http://prml.github.io/
Github链接如下：
https://github.com/PRML/PRMLT
PRML
是严肃学习机器学习的首选教材。虽然内容略微陈旧，但是从写作水平来说，目前没有与之匹敌的其他读物。可惜我英语水平有限，原著读起来很容易疲劳，幸得网上流传的
PRML
The dramatic growth in practical applications for
machine
lea
r
ning
over the last ten y
ear
s has been accompanied by many important developments in the underlying algorithms and techniques. For example, Bayesian methods have grown from a specialist niche to become mainstream, while graphical models have emerged as a general framework for describing and applying probabilistic techniques. The practical applicability of Bayesian methods has been greatly enhanced by the development of a range of approximate inference algorithms such as variational Bayes and expectation propagation, while new models based on kernels have had a significant impact on both algorithms and applications., This completely new textbook reflects these recent developments while providing a comprehensive introduction to the fields of
pat
tern
recognition
and
machine
lea
r
ning
. It is aimed at advanced undergraduates or first-y
ear
PhD students, as well as res
ear
chers and practitioners. No previous knowledge of
pat
tern
recognition
or
machine
lea
r
ning
concepts is assumed. Familiarity with multivariate calculus and basic lin
ear
algebra is required, and some experience in the use of probabilities would be helpful though not essential as the book includes a self-contained introduction to basic probability theory., The book is suitable for courses on
machine
lea
r
ning
, statistics, computer science, signal processing, computer vision, data mi
ning
, and bioinformatics. Extensive support is provided for course instructors, including more than 400 exercises, graded according to difficulty. Example solutions for a subset of the exercises are available from the book web site, while solutions for the remainder can be obtained by instructors from the publisher. The book is supported by a great deal of additional material, and the reader is encouraged to visit the book web site for the latest information.
便捷
下载
，请关注「AI 应用前沿」头条号(点击上方红色「AI 应用前沿」关注)后台回复“MLP” 就可以获取《【干货书】机器学习Python实战教程，366页pdf，
Machine
Lea
r
ning
Using Python》
下载
链接本书通过提供真实的案例研究和示例，为使用Python库进行机器学习提供了坚实的基础。它涵盖了诸如机器学习基础、Python入门、描述性分析和预测分析等主题。包括高级...
我现在也是正在学习机器学习，在学习的时候其实受过不少人指导的，现在机器学习非常火热，但其实机器学习理论已经有半个世纪以上的历史了，所以其实市面上很多学习的数目以及一些其他的引导方法。博主现在知道的几本比较好的书本，它们分别是 《统计学习方法 --李航 著 --清华大学出版社》、
《机器学习 --周志华著 --清华大学出版社》(被称为西瓜书)、
《
模式识别
与机器学习 --马春鹏 译》(对应的英文...
目录0引言1、基础的概念梳理1.1什么是
模式识别
1.2概率论、决策论、信息论1.3分类和回归1.4什么是特征提取1.5相似性的度量1.6机器学习的学习模式1.7训练数据与测试数据1.8均方根误差（RMSE）和MSE均方误差1.9紧致性与维数灾难1.10 泛化能力过拟合2、习题的总结指导参考文献
最近开始读
模式识别
与机器学习1这本书。本文主要是梳理一下第一章的知识，然后对第一章习题做一下梳理。
需要的数学知识：线性代数、高等数学、数理统计
需要的高级编程语言：C、C++、matlab、python、R
1.训练数据的样本包含输⼊向量以及对应的⽬标向量的应⽤叫做有监督学习（supervised
lea
r
ning
）问题。
3.在其他的
模式识别
问题中，训练数据由⼀组输⼊向量x组成，没有任何对应的⽬标值叫做⽆监督学习（unsupervised
lea
r
ning
）问题。
4.给每个输⼊向量分配到有限数量离散标签中的⼀个，被称为分类（classification）问题。如果要求的输出由⼀个或者多个连续 变量组成，那么这个任务被称为回归（regression）。
5.是发现数据中相似样本的 分组，这被
模式识别
强调的是对当前样例的分类与聚类，而机器学习强调的是设计一个能使对当前样例分类聚类的目标函数，侧重于训练学习算法。
机器通过训练学习后才能用来应用于模式的识别。
机器学习就是分类器、决策函数的设计。
模式识别
由数据获取、预处理、特征提取、分类决策、分类器设计五部分组成，主要研究问题是特征的选取与优化、分类判别、聚类判别。
机器学习侧重于通过提取的特征训练样例进行分类器的设计。
