A-A+

Bishop的大作《模式识别与机器学习》Ready to read!

2013年01月27日 Machine Learning, Resource 暂无评论 阅读 69,651 次

久仰Bishop的大作“Pattern Recognition and Machine Learning”已久,在我的硬盘里已经驻扎一年有余,怎奈惧其页数浩瀚,始终未敢入手。近日看文献,屡屡引用之。不得不再翻出来准备细读一番。有条件的话也要写写读书笔记的,要不基本上也是边看边忘。

我在V盘分享了pdf:

http://vdisk.weibo.com/s/oM0W7

Bishopde网页,这里可以下载PPT和程序:

http://research.microsoft.com/en-us/um/people/cmbishop/prml/

豆瓣有很多不错的评论:

http://book.douban.com/subject/2061116/

关于PRML

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。

全书共738页,分为14章,循序渐进,前后呼应、表达清晰、理解深刻。每章都有相应的习题及答案,有助于学习和教学。

书评参考

http://book.douban.com/review/4533178/

实际上这本书我花了将近两个月的时间读下来,不敢说有多理解,但是确实收获很大,分章做一个评论。

  • 第1章的导论,不多说,看完书后需要重新回过头来看看。
  • 第2章的概率分布,写的非常好,尽管只有几个简单的分布,但是对共轭先验的概念以及指数分布族介绍的很清楚,这一章是本书的基础。
  • 第3章以及第4章的线性分类和回归一个非常好的方面就是都是采用Bayesisan的观点来看,应该是理解Baysian思想的基础。
  • 第5章 我没看,直接略过。(基本不影响后面的阅读)
  • 第6章 讲Guassian Process (这个东西后来我才知道是 一种非参数的Bayessian方法,现在在统计学领域研究的很热门。)
  • 第7章 讲SVM 。
  • 第8章 是现代基于图模型的基础,需要仔细阅读,这一章概念介绍的非常清楚,很多的machine learning 和computer vision 的paper 现在采用的图模型的表示都可以从这里得到解释。
  • 第9章 EM 算法,本人认为是本书的一个亮点,从最简单的K-mean出发,推导高斯混合模型,再到EM算法的推广,本章每一节都是精品。
  • 第10章 近似推断 主要就是第一节的近似推断的基本原理 以及第二节的一个例子。采用mean-field、变分的方法。
  • 第11章 采样,写的很精彩,对完全不懂采样的我来说,也能很快入门。这里需要说明的是,我的收获主要来自于第8章到第11章,光看书是不行的,期间,我主要是学习了最基本的Topic model:LDA 。在学习LDA的过程中,第8章到第11章的完全用上了。这种感觉非常好。推荐给大家。
  • 第12章是PCA及一些改进,用到的时候再看也来得及。
  • 第13章是HMM 模型和LDS,这两个的图模型是一样的。建议好好学习一下HMM,应该还有其他的资料供参考。
  • 第14章最后是整合,很多东西现在我还不是很理解。

总之,这是一本非常好的书,关键是写作思路清晰,重点突出。作为阅读论文的基本参考物是值得推荐的。

给我留言

Copyright © ExBot易科机器人实验室 保留所有权利.   Theme   Robin modified by poyoten

用户登录

分享到: