PRML 各章讲义PDF文件

PRML读书会第一章Introduction（机器学习基本概念、学习理论、模型选择、维灾）.pdf PRML读书会第四章Linear Models for Classification（贝叶斯marginalization、Fisher线性判别、感知机、概率生成和判别模型、逻辑回归）.pdf
PRML读书会第五章 Neural Networks（神经网络、BP误差后向传播链式求导法则、正则化、卷积网络）.pdf
PRML读书会第十三章 Sequential Data（Hidden Markov Models及其EM求解、HMM的预测和解码）.pdf
PRML读书会第十章Variational Inference（近似推断、变分推断用到的KL散度、根据平均场Mean Field 思想的分解及迭代求最优解）.pdf
PRML读书会第十一章 Sampling Methods（MCMC Markov Chain Monte Carlo，细致平稳条件；Metropolis-Hastings，Gibbs Sampling；Slice Sampling，Hamiltonian MCMC）.pdf
PRML读书会第十四章 Combining Models（committees；Boosting、AdaBoost；决策树和条件混合模型））.pdf
PRML读书会第九章 Mixture Models and EM（Kmeans；混合高斯模型以及EM（Expectation Maximization）算法；一般EM算法性质的推导和证明）.pdf
PRML读书会第三章 Linear Models for Regression（线性基函数模型、正则化方法、贝叶斯线性回归等）.pdf
PRML读书会第十二章 Continuous Latent Variables（PCA Principal Component Analysis；PPCA；核PCA；Autoencoder，非线性流形思想）.pdf
PRML读书会第六章Kernel Methods（核函数，线性回归的Dual Representations；高斯过程Gaussian Processes的协方差矩阵形式、超参、预测等）.pdfl
PRML读书会第七章 Sparse Kernel Machines（支持向量机 support vector machine；KKT条件；RVM）.pdf
PRML读书会第二章 Probability Distributions（贝塔-二项式、狄利克雷-多项式共轭、高斯分布、指数族等）.pdf
PRML读书会第八章Graphical Models（贝叶斯网络和马尔科夫随机场的概念、联合概率分解、条件独立表示；图的概率推断inference）.pdf
PRML读书会 前言（各章内容简介）.pdf