这是统计学Machine Learning领域中美国高校研究生课程所使用的经典教材，也在统计系和计算机系研究中作为参考书用。 我需要论坛币下载一些高维的书；
教材目录如下：
而且在preface内可以找到 教材中使用的数据和程序位置；
----------------------------------------------------------
Contents
Preface                                                                                                       vii
Mathematical notation                                                                                          xi
Contents                                                                                                     xiii

1     Introduction                                                                                               1
       1.1    Example: Polynomial Curve Fitting                .  .  .  .  . .  . .  . . .  . .  .  . .  .       4
       1.2    Probability Theory          .  .  . .  . .  . . .  . .  . .  . .  . .  . .  .  . .  .  . . .      12
       1.3    Model Selection          .  .  .  . .  . .  . . .  . .  . .  . .  . .  . .  .  . .  .  . . .      32
       1.4    The Curse of Dimensionality .  .             .  . .  .  . .  . .  . .  . .  . .  . .  .  . .      33
       1.5    Decision Theory          .  .  .  . .  . .  . . .  . .  . .  . .  . .  . .  .  . .  .  . . .      38
       1.6    Information Theory .  .  .         .  . .  .  . .  . .  . .  . .  . .  . .  .  . .  .  . . .      48
           
                              2     Probability Distributions                                                                                   67
                                    2.1     Binary Variables          .  .  . . .  . .  . .  .  . .  .  . .  .  . . .  . .  .  . .  . .  .      68
                                 
                                    2.2     Multinomial Variables             . .  . .  . .  .  . .  .  . .  .  . . .  . .  .  . .  . .  .      74
                        
                                    2.3     The Gaussian Distribution             .  .  . .  . .  .  . .  . .  .  . .  . .  .  . .  .  . .      78
                                    2.4     The Exponential Family             .  .  .  . .  . .  .  . .  . .  .  . .  . .  .  . .  .  . .     113
                                          
                                    2.5     Nonparametric Methods              .  .  .  . .  . .  .  . .  . .  .  . .  . .  .  . .  .  . .     120
                              3     Linear Models for Regression                                                                               137
                                    3.1     Linear Basis Function Models                . .  . .  .  . .  . .  .  . .  . .  .  . .  .  . .     138
                                    3.2     The Bias-Variance Decomposition  .  .  .  .  .                . .  . .  .  . .  .  . .  . .  .     147
                                    3.3     Bayesian Linear Regression               .  . .  . .  .  . .  . .  .  . .  . .  .  . .  .  . .     152

                                    3.4     Bayesian Model Comparison .                 . .  . .  .  . .  . .  .  . .  . .  .  . .  .  . .     161
                                    3.5     The Evidence Approximation                  . .  . .  .  . .  . .  .  . .  . .  .  . .  .  . .     165
                                            
                                    3.6     Limitations of Fixed Basis Functions                 .  .  .  . .  . .  .  . .  .  . .  . .  .     172
                                   Exercises       .  .  . .  .  . .  .  .  . . .  . .  . .  .  . .  .  . . .  .  . .  . .  .  . . .  .  .     173

4     Linear Models for Classification                                                                            179
     4.1      Discriminant Functions .            .  . .  .  . .  . .  . .  .  . .  . . .  .  . .  .  . .  .     181
     4.2      Probabilistic Generative Models               .  .  . . .  .  .  . . .  .  .  . .  . .  . .  .     196
     4.3      Probabilistic Discriminative Models  .  .  .  .               .  . .  . .  . .  . .  .  . .  .     203
     4.4      The Laplace Approximation                .  . .  . .  .  . .  .  . .  . .  .  . .  . .  .  . .     213
               4.4.1    Model comparison and BIC                 .  .  . .  .  . .  . .  .  . .  . .  . .  .     216
     4.5      Bayesian Logistic Regression                . .  . .  .  . .  .  . .  . .  .  . .  . .  .  . .     217
               4.5.1    Laplace approximation             . .  . .  .  . .  .  . .  . .  .  . .  . .  .  . .     217
               4.5.2    Predictive distribution           . .  . .  .  . .  .  . .  . .  .  . .  . .  .  . .     218
     Exercises        .  .  . .  . . .  .  .  . .  .  . . .  . .  . .  . .  .  . .  . .  . .  .  . .  . .  .     220

5     Neural Networks                                                                                            225
     5.1      Feed-forward Network Functions                 .  .  .  .  .  .  . .  . .  . .  . .  .  . .  .     227
     5.2      Network Training .  .  .          . .  . .  .  . .  . .  . .  .  . .  . . .  .  . .  .  . .  .     232
            
     5.3      Error Backpropagation             . .  . .  .  . .  . .  . .  .  . .  . . .  .  . .  .  . .  .     241
           
     5.4      The Hessian Matrix .  .           . .  . .  .  . .  . .  . .  .  . .  . . .  .  . .  .  . .  .     249
            
                                   5.5      Regularization in Neural Networks                 .  .  .  .  . .  .  . .  . .  . .  .  . .  .     256
                                   
                                   5.6      Mixture Density Networks  .  .              . .  .  . .  . .  . .  .  . .  .  . .  . .  . .  .     272
                                   5.7      Bayesian Neural Networks  .  .              . .  .  . .  . .  . .  .  . .  .  . .  . .  . .  .     277
                                          

                              6     Kernel Methods                                                                                             291
                              7     Sparse Kernel Machines                                                                                     325
8     Graphical Models                                                                                          359
9     Mixture Models and EM                                                                                     423
10    Approximate Inference                                                                                     461
                              11    Sampling Methods                                                                                          523
                                 
                              12    Continuous Latent Variables                                                                               559
   
13    Sequential Data                                                                                           605
       13.1   Markov Models .  .  .  .  .        .  . .  .  . .  .  . .  . .  . .  .  . .  .  . .  .  . . .     607
       13.2   Hidden Markov Models              .  .  .  . .  .  .  . . .  .  . .  .  . .  . .  . .  .  . .     610
       13.3   Linear Dynamical Systems .  .  .             .  .  .  . . .  .  . .  .  . .  . .  . .  .  . .     635
     Exercises       .  .  . .  .  . .  .  . .  . .  .  . .  .  . . . .  . .  . .  .  . . .  .  . .  .  . .     646

14    Combining Models                                                                                          653
       14.1   Bayesian Model Averaging .  .  .             .  .  .  . . .  .  . .  .  . .  . .  . .  .  . .     654
       14.2   Committees .  .  .  .  .  .  .     .  . .  .  . .  .  . .  . .  . .  .  . .  .  . .  .  . . .     655
       14.3   Boosting       .  .  . .  .  . .  . .  .  . .  .  . . . .  . .  . .  .  . . .  .  . .  .  . .     657
       14.4   Tree-based Models          .  .  . .  . .  .  . .  .  . .  . .  . .  .  . .  .  . .  .  . . .     663
       14.5   Conditional Mixture Models              .  . .  .  .  . . .  .  . .  .  . .  . .  . .  .  . .     666
     Exercises       .  .  . .  .  . .  .  . .  . .  .  . .  .  . . . .  . .  . .  .  . . .  .  . .  .  . .     674

Appendix A           Data Sets                                                                                  677
Appendix B           Probability Distributions                                                                  685
Appendix C           Properties of Matrices                                                                     695
                   Appendix D   Calculus of Variations                                  703
                   Appendix E   Lagrange Multipliers                                    707
                   References                                                           711