跳转至

Bishop: Pattern Recognition and Machine Learning

教材简介

  • 来源：Christopher Bishop（Microsoft Research）
  • 先修要求：线性代数、概率论、微积分
  • 课程难度：🌟🌟🌟🌟
  • 预计学时：80 小时 +

Bishop 的《Pattern Recognition and Machine Learning》（PRML）是机器学习领域的经典教材，以概率视角贯穿全书。

这本书的特点是：从概率论的角度统一看待各种 ML 算法。线性回归、逻辑回归、神经网络、SVM——在 Bishop 的框架下，它们都是概率模型的特例。

教材资源

内容结构

第一部分：概率基础

  • 概率分布
  • 线性回归（贝叶斯视角）
  • 线性分类

第二部分：核心模型

  • 神经网络
  • 核方法（SVM）
  • 稀疏核机

第三部分：高级主题

  • 混合模型和 EM 算法
  • 近似推断
  • 采样方法
  • 连续潜在变量（PCA、因子分析）
  • 组合模型

自学建议

需要扎实的数学基础。 PRML 的数学要求较高，需要熟悉概率论、线性代数和微积分。

配合吴恩达课程使用。 先通过吴恩达建立直觉，再读 PRML 深入理论。

重点关注前 5 章。 前 5 章覆盖了 ML 的核心概念，后面的章节可以根据兴趣选读。

备注

PRML 是 ML 理论进阶的最佳教材之一。如果你想深入理解 ML 的概率基础，这本书是必读的。

但 PRML 不适合零基础入门。建议先学吴恩达课程，再读 PRML。