|
|
Researcher
PRML究竟有何过人之处，不能光看它本身的内容，最重要的是看其在Machine Learning, Data Mining这一类书籍中的地位。 通常从一个CS小白开始学Machine Learning或者Data Mining，到成长为一个独当一面的大牛，都会看几种类型的书： 以《数学之美》为代表的科普类读物。通常作用为开发兴趣的。 《机器学习实战》、《推荐系统实践》、《海量数据挖掘》等实践类书籍。在学中用，在用中学，实践中摸清套路。顺便了解一些基本模型。 《…
Machine Learning
我觉得我们大部分人没有水平评价经典书籍之间的高低。每本书涵盖的点不一样，小黄书偏统计，prml偏贝叶斯。每本书有每本书的侧重，PRML关于ensemble方法、lasso这些就讲得不多，树形分类器也没怎么讲，所以你想要了解随机森林等模型，需要看看别的书。你只用记住 没写的肯定不是因为Bishop不会就是了。除了机器学习的书，如果要做Machine Learning的理论，Jordan推荐几本书：Concentration Inequalities，Statistics for High-Di…
惟精惟一
系统性看完了李博士的统计学习方法，周志华老师的机器学习，粗略看了一遍PRML，回过头来说点个人浅见。 先亮结论，统计学习方法是我看过的 最好的学习统计机器学习的入门书，没有之一。这本书无论是章节编排，还是写书风格都非常符合中国人胃口，基本上每一个命题的提出，都能在书中看到完整的解释与论证，前提是阅读者有一定的微积分、统计学、线性代数基础。 我自己是15年入手这本书，前后完整的看了三遍，自己推导了书中每一…
开源！《模式识别与机器学习(PRML)》笔记、代码、NoteBooks 发布
微信公众号：AI有道
红色石头的个人网站： 红色石头的个人博客-机器学习、深度学习之路 微软剑桥研究院实验室主任 Christopher Bishop 的经典著作《Pattern Recognition and Machine Learning》，中文译名《模式识别与机器学习》，简称 PRML，深受广大机器学习爱好者好评！ [图片] 在豆瓣上，这本书也是收到了 9.5 的高分！ [图片] 《模式识别与机器学习》涵盖面十分广泛，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…
机器学习经典教材PRML模式识别与机器学习官方开放免费下载丨资源
郭一璞 假装发自 Cambridge 量子位 报道 | 公众号 QbitAI微软剑桥研究院实验室主任 Christopher Bishop的经典著作《模式识别与机器学习》，Pattern Recognition and Machine Learning，简称PRML，昨天被微软“开源”了。一经开放免费下载，微软剑桥研究院的推特就被转疯了，900+转发，1700+喜欢，评论区清一色的“楼主好人”，看得出非常受欢迎了。 [图片] 数据科学家Bruce Grey Tedesco评价这本书“回答了机器学习、人工智能和深度学习…
我是你的学长，电子科大信号处理方向，现在博二，研究计算机视觉与深度学习。 我们的专业跟机器学习不算完全契合，但也是很接近的。但是据我观察，我们专业很多人缺乏机器学习的两大必备技能：数学和编程。 数学方面，我们本科学到的除了数学基础课之外，专业方面有用的就只有信号与处理和模式识别，其中模式识别还是选修课。专业课中用到得更多的是微分积分，对概率、最优化、算法等科目普遍要弱一些，而这些是机器学习中最重要…
对采样的理解
no free lunch
什么是采样 我们知道了一个变量的分布，要生成一批样本服从这个分布，这个过程就叫采样。听起来好像很简单，对一些简单的分布函数确实如此，比如，均匀分布、正太分布，但只要分布函数稍微复杂一点，采样这个事情就没那么简单了。 为什么要采样在讲具体的采样方法之前，有必要弄清楚采样的目的。为什么要采样呢？有人可能会这样想，样本一般是用来估计分布参数的，现在我都知道分布函数了，还采样干嘛呢？其实采样不只是可以用来…
PhD student @ MIT CSAIL
近年顶会paper几乎都用不到什么ML方法（区别于DL）， 它们更多的是根据具体NLP任务的特性提出一些很有效并且很有insight的方法，然后就是搭网络讲故事做实验了。所以说PRML/ESL里绝大多数方法在如今的NLP研究当中是都用不到的。如果想要发paper不如多去思考一下这些任务的特性，然后再想想怎么讲故事怎么设计实验。NLP会毕竟不是ML的会，ML只是一种处理NLP的工具，随着DL的普及，现在的NLP社区早就不是10年前那个统计机器学习横…
公众号：机器学习与数据挖掘前沿讲习， 老年算法爱好者
各位大佬们不要悄悄收藏不点赞呀！！！动动你们财源广进的小手好嘛！！！ ====================分割线================= 自己也是一个VI的小白，不要脸的来强烈答一波。。。 如果你真的想全面了解和学好Vi的话，我强烈建议你耐心的看完我的答案，如果你只想了解变分推断的概念，那你就去百度或者谷歌一下就好了，以下答案不建议你浪费时间看了。 刚接触VI自己也是非常摸不到头脑，加之自己概率论相当差，看的我是一脸懵逼。。。…
AI
我更倾向于一些工程行性强的书籍，或者一些顶会的论文。 介绍theano的deep learning tutorial，以及微软研究院几位大牛写的deep learning ：method and applications。都不错 一些牛人的blog也是很好的学习资料，一些参加kaggle比赛的牛人一般都会把方法写成blog，看看这些blog和里面refer的一些论文都很有帮助。 ------------------------------------------------------------------------- 总结了一些自己用到的资料 深度学习…
人诗人。
除了楼上答案推荐的David Blei的 Variational Inference: A Review for Statisticians 之外，感觉当时课上module 4的reading主要是required一部分很值得一看，只能说Eric Xing是个狠人...（对于我这个数学渣而言_(:з」∠)_...）10708 Probabilistic Graphical Models 搬运如下... Lecture 12 (Eric) -Slides Variational Inference: Loopy Belief PropagationIsing modelsRequired: Yedidia et al., Generalized Belief Propagation …
模式识别与机器学习第一讲（1.1~1.2.3）
开心就好
关键词：有监督学习、无监督学习、强化学习、回归、分类、误差函数、泛化、正则化、超参数、验证集、随机变量、条件概率、边际概率、sum rule、product rule、贝叶斯公式、先验概率、后验概率、独立、概率质量函数、概率密度函数、累计分布函数、多元分布、换元、期望、条件期望、方差、协方差。 序言从去年5月入坑以来，线上线下都上过机器学习的课（线上是看了Coursera的课入门，线下上了 DS-GA 1003 Machine Learning and Com…
NLPer
入门我极力推荐[ An Introduction to Statistical Learning](Introduction to Statistical Learning ).这是ESL的先导书，看完后进阶也可以选择ESL。 其次PRML中强调了这本书是self contained, 所以好好的多看几遍前三章，已经包含了大量的数学基础知识，很多时候推导进行不下去了，可能是因为没有做习题，PRML中会把一些中间过程的推导放到习题中，实在不懂得时候就去看看对应习题的solution。这本书理论上非常好，各种过程都用贝…
贝叶斯网络和D-Separation
一、贝叶斯网络 贝叶斯网络（Bayesian network），又称信念网络（belief network）或是有向无环图模型（directed acyclic graphical model），是一种概率图型模型。在贝叶斯网络中，有向无环图中的节点表示随机变量。连接两个节点的箭头代表此两个随机变量是具有因果关系或是非条件独立的；而两个节点间若没有箭头相互连接一起的情况就称其随机变量彼此间为条件独立。若两个节点间以一个单箭头连接在一起，表示其中一个节点是“ 因…
第一： 相关向量机（Relevance Vector Machine， RVM）是什么？ Tipping（RVM的作者）说RVM是一种用于回归和分类的贝叶斯稀疏核算法，和SVM很像，但是避免了SVM的诸多缺点。 例如，SVM无法计算样本输出的后验概率分布，SVM不太适用于多分类问题，SVM的超参数需要通过交叉验证得到，这就非常耗费时间，而且SVM的核函数必须是正定的。 而RVM却避免了这些缺点，这就意味着RVM可以计算输出的概率分布、很自然的适用于多分类问题，超…
PRML读后心得
梦想是成为时间刺客，学完五百年间所有知识。
用了两个月终于把PRML通读了一遍，在这里整理一下脉络，毕竟还有不清晰的地方，准备下一步仔细研究。 首先，这本书的整体感觉是侧重频率派和贝叶斯派的关系，这一点在书中体现的比较清晰，也算是这本书的主线。 PRML的内容顶多算是机器学习的一小部分，都没办法覆盖统计学习的方方面面。但是，起码这一小部分的内容，PRML算是讲明白了。 都说PRML的符号很乱，其实我感觉还可以，可能是书读的少胃口没那么刁吧。 这本书的第一张是…
Ph.D. Student | 经略四方志，俯仰古今愁。
主要从贝叶斯神经网络方面说一下吧，正好自己做过一些。。。 变分推断法是解决贝叶斯神经网络的一种方法，也可以使用拉普拉斯近似或马尔科夫链蒙特卡罗法解决，相关内容可参考我之前的回答（如何才能看得懂变分贝叶斯方法（Variational Bayesian）？ - 魔王梦蝶的回答 - 知乎 https://www.zhihu.com/question/20993648/answer/2223652140 ）以及文章 [文章: 贝叶斯神经网络 Bayesian Neural Network: 变分法，拉普拉斯近似法 - PRML] Bishop 的经典教材 …
我建议只看《Pattern Recognition and Machine Learning》（ PRML ）、《Bayesian Reasoning and Machine Learning》(BRML )以及《Machine Learning: a Probabilistic Perspective》(MLAPP )英语差就看PRML的翻译版( PRML中文 )，其次是李航《统计学习方法》；强烈不推荐周志华的《机器学习》。 编程参考PRML或者BRML，是可以编出来的，尽管书中也存在一些公式错误。可以说，2006年的PRML指导国内某些领域博士毕业都不成问题。 但是…