Bishop的大做《模式識別與機器學習》Ready to read!

久仰Bishop的大做「Pattern Recognition and Machine Learning」已久，在個人硬盤裏已經駐紮一年有餘，怎奈懼其頁數浩瀚，始終未敢入手。近日看文獻，屢屢引用之。不得再也不翻出來準備細讀一番。有條件的話也要寫寫讀書筆記的，要不基本上也是邊看邊忘。

我在V盤分享了pdf：

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

Bishopde網頁，這裏能夠下載PPT和程序：

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

豆瓣有不少不錯的評論：

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

關於PRML

PRML是模式識別和機器學習領域的經典著做，出版於2007年。該書做者 Christpher M. Bishop 是模式識別和機器學習領域的你們，其1995年所著的「Nerual Networks for Pattern Recognition」也是模式識別、人工神經網絡領域的經典著做。

PRML深刻淺出地介紹了模式識別與機器學習的基本理論和主要方法，同時還涵蓋了模式識別與機器學習領域的一些最新進展，不只適合初學者學習，並且對專業研究人員也有很大的參考價值。

全書共738頁，分爲14章，按部就班，先後呼應、表達清晰、理解深入。每章都有相應的習題及答案，有助於學習和教學。

書評參考

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

實際上這本書我花了將近兩個月的時間讀下來，不敢說有多理解，可是確實收穫很大，分章作一個評論。   第1章的導論，很少說，看完書後須要從新回過頭來看看。 第2章的機率分佈，寫的很是好，儘管只有幾個簡單的分佈，可是對共軛先驗的概念以及指數分佈族介紹的很清楚，這一章是本書的基礎。 第3章以及第4章的線性分類和迴歸一個很是好的方面就是都是採用Bayesisan的觀點來看，應該是理解Baysian思想的基礎。 第5章 我沒看，直接略過。(基本不影響後面的閱讀) 第6章 講Guassian Process (這個東西后來我才知道是 一種非參數的Bayessian方法，如今在統計學領域研究的很熱門。) 第7章 講SVM 。 第8章 是現代基於圖模型的基礎，須要仔細閱讀，這一章概念介紹的很是清楚，不少的machine learning 和computer vision 的paper 如今採用的圖模型的表示均可以從這裏獲得解釋。 第9章 EM 算法，本人認爲是本書的一個亮點，從最簡單的K-mean出發，推導高斯混合模型，再到EM算法的推廣，本章每一節都是精品。 第10章 近似推斷 主要就是第一節的近似推斷的基本原理 以及第二節的一個例子。採用mean-field、變分的方法。 第11章 採樣，寫的很精彩，對徹底不懂採樣的我來講，也能很快入門。這裏須要說明的是，個人收穫主要來自於第8章到第11章，光看書是不行的，期間，我主要是學習了最基本的Topic model：LDA 。在學習LDA的過程當中，第8章到第11章的徹底用上了。這種感受很是好。推薦給你們。 第12章是PCA及一些改進，用到的時候再看也來得及。 第13章是HMM 模型和LDS，這兩個的圖模型是同樣的。建議好好學習一下HMM，應該還有其餘的資料供參考。 第14章最後是整合，不少東西如今我還不是很理解。 總之，這是一本很是好的書，關鍵是寫做思路清晰，重點突出。做爲閱讀論文的基本參考物是值得推薦的。