重磅! 机器学习2022新书第三部来了！谷歌大牛Murphy新书《概率机器学习：高级主题》,1350页pdf！

谷歌研究员Kevin Patrick Murphy的机器学习第三部《概率机器学习:高级主题》来了！共有1350页pdf，本书着重于概率建模和推理，用于解决四种主要任务:预测(如分类和回归)、生成(如图像和文本生成)、发现(如聚类、降维和状态估计)和控制(决策)。

作者介绍：

Kevin Murphy是加州山景城谷歌的一名研究科学家，他在那里从事人工智能、机器学习、计算机视觉和NLP研究。在2011年加入谷歌之前，他是加拿大温哥华不列颠哥伦比亚大学(University of British Columbia)计算机科学与统计学副教授。在2004年进入UBC之前，他是麻省理工学院的博士后。

凯文在剑桥大学获得学士学位，宾夕法尼亚大学获得学士学位，加州大学伯克利分校获得博士学位。

他在学术会议和期刊上发表了80多篇论文，以及一本1100页的教科书《机器学习:一个概率的视角》(MIT出版社，2012年)，这本书获得了2013年DeGroot奖统计科学领域的最佳书籍。凯文还是机器学习研究杂志(JMLR)的主编。

https://www.cs.ubc.ca/~murphyk/

概率机器学习：高级主题

在第二卷《进阶》中，作者扩展了机器学习的范围，以包含更具挑战性的问题。例如探讨了在多种不同分布下的学习和测试；生成高维输出，如图像、文本和图形；基于潜在变量模型发现数据「洞察力」的方法；以及如何在决策和控制任务中使用概率模型和推理。

本书着重于概率建模和推理，用于解决四种主要任务:** 预测(如分类和回归)、生成(如图像和文本生成)、发现(如聚类、降维和状态估计)和控制(决策)。**

在第一部分中，我们将更详细地介绍这一领域的一些基本知识，以填补这本书前传中所缺失的一些细节。 在第二部分，我们讨论了各种概率模型下的贝叶斯推理算法。这些不同的算法在速度、准确性、通用性等方面做出了不同的权衡。所得的方法可应用于许多不同的问题。 在第三部分中，我们讨论了拟合p(y|x)形式的条件分布的预测方法，其中x∈x是一些输入(通常是高维的)，y∈y是期望的输出(通常是低维的)。在本书的这一部分，我们假设有一个我们想要预测的正确答案，尽管我们可能不确定。 **在第四部分中，我们讨论生成模型，它是p(y)或p(y|x)形式的模型，**其中可能有多个有效输出。例如，给定一个文本提示符x，我们可能想生成一组不同的图像y来“匹配”标题。评估这样的模型比在预测环境中更难，因为预期的输出应该是什么不太清楚。 **在第五部分中，我们将注意力转向数据分析，使用旨在揭示一些有意义的底层状态或模式的方法。**我们的重点主要是潜变量模型，即p(z, y) = p(z)p(y|z)的联合模型，其中z是隐状态，y是观测值;目标是从y推断出z。(模型可以选择性地以固定的输入为条件，得到p(z, y|x)。)我们还考虑了通过p(y|x)形式的预测模型隐式学习模式，而不依赖于显式生成模型的方法。最后，在第六部分，我们讨论了如何使用概率模型和推理在不确定性下作出决策。这自然就引出了非常重要的因果关系的话题，我们将以此结束这本书。

地址：

https://probml.github.io/pml-book/

目录内容：