【电子书推荐】机器学习中的高斯过程Gaussian Processes for Machine Learning，剑桥大学 | Carl Edward Rasmussen，爱丁堡大学 | Chris Williams

简要介绍： 高斯过程（GPs）提供了一种原理，实用，概率的方法来学习内核机器。在过去的十年中，GP在机器学习中受到了越来越多的关注，这本书为机器学习中GP的理论和实践方面提供了系统、统一的处理方法。针对机器学习和应用统计领域的研究人员和学生。 该书探讨了回归和分类方面的监督学习问题，并包括详细的算法。提出了各种各样的协方差（内核）函数，并讨论了它们的特性。从贝叶斯和经典角度讨论了模型选择。讨论了从机器学习和统计数据到其他算法，包括支持向量机，神经网络，正则化网络等。处理了包括学习曲线和PAC-贝叶斯框架在内的理论问题，并讨论了几种用于大型数据集学习的近似方法。该书包含许多示例和练习，并且代码和数据集可从Web上获得。附录提供了数学背景和对高斯马尔可夫过程的讨论。

作者介绍： Carl Edward Rasmussen， Machine Learning Group的教授，也是剑桥大学工程系信息工程系计算与生物学习实验室主任。

Chris Williams，爱丁堡大学信息学院机器学习教授

下载链接： https://pan.baidu.com/s/16BgMKXYKXbZy8vsKP-nrIw

提取码：nf6z