本文主要向大家介绍了机器学习入门之Bishop的大作《模式识别与机器学习》Ready to read!，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

我在V盘分享了pdf：
//vdisk.weibo.com/s/oM0W7
Bishopde网页，这里可以下载PPT和程序：
//research.microsoft.com/en-us/um/people/cmbishop/prml/
豆瓣有很多不错的评论：
//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
//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。

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！