《Pattern recognition and machine learning》目录

Pattern Recognition and Machine Learning (PRML)

Christopher M.Bishop

章	题目	节	题目	传送门
01	Introduction （引言）	01.1	Example:Polynomial Curve Fitting （举例：多项式曲线拟合）
		01.2	Probability Theory （概率论）
		01.3	Model Selection （模型选择）
		01.4	The Curse of Dimensionality （维数灾难）
		01.5	Decision Theory （决策论）
		01.6	Information Theory （信息论）
02	Probability Distribution （概率分布）	02.1	Binary Variables （二值变量）
		02.2	Multinomial Variables （多值变量）
		02.3	The Gaussian Distribution （高斯分布）
		02.4	The Exponential Family （指数族）
		02.5	Nonparametric Methods （非参方法）
03	Linear Models for Regression （线性回归模型）	03.1	Linear Basis Function Models （线性基本函数模型）
		03.2	The Bias-Variance Decomposition （偏差方差分解）
		03.3	Bayesian Linear Regression （线性贝叶斯回归）
		03.4	Bayesian Model Comparison （贝叶斯模型比较）
		03.5	The Evidence Approximation （逼近证据）
		03.6	Limitations of Fixed Basis Functions （固定基本函数限制）
04	Linear Models for Classification （线性分类模型）	04.1	Discriminant （判别式模型）
		04.2	Probabilistic Generative Models （概率生成模型）
		04.3	Probabilistic Discriminative Models （概率判别模型）
		04.4	The Laplace Approximation （拉普拉斯逼近）
		04.5	Bayesian Logistic Regression （贝叶斯逻辑回归）
05	Neural Networks （神经网络）	05.1	Feed-forward Network Functions （前向网络函数）
		05.2	Network Training （网络训练）
		05.3	Erro Backpropagation （误差反向传播）
		05.4	The Hessian Matrix （海森矩阵）
		05.5	Regularization in Neural Networks （神经网络中的正则）
		05.6	Mixture Density Networks （混合密度网络）
		05.7	Bayesian Neural Networks （贝叶斯神经网络）
06	Kernel Methods （核方法）	06.1	Dural Representations （对偶表示）
		06.2	Constructing Kernels （构建核）
		06.3	Radial Basis Function Networks （径向基网络）
		06.4	Gaussian Processes （高斯过程）
07	Sparse Kernel Machines （稀疏核机器）	07.1	Maximum Margin Classifiers （最大边际分类）
		07.2	Relevance Vector Machines （关联向量机）
08	Graphical Models （图模型）	08.1	Bayesian Networks （贝叶斯网络）
		08.2	Conditional Independence （条件独立性）
		08.3	Markov Random Fields （马尔科夫随机域）
		08.4	Inference in Graphical Models （图模型中的推理）
09	Mixture Models and EM （混合模型及EM）	09.1	K-means Clustering （K-均值聚类）
		09.2	Mixtures of Gaussians （高斯混合）
		09.3	An Alternative View of EM （EM的一种交替视角）
		09.4	The EM Algorithm in General （EM算法概述）
10	Approximate Inference （渐近推理）	10.1	Variational Inference （变分推理）
		10.2	Illustration: Variational Mixture of Gaussians （说明：高斯变分混合）
		10.3	Variational Linear Regression （变分线性回归）
		10.4	Exponential Family Distributions （指数分布）
		10.5	Local Vational Methods （局部变分方法）
		10.6	Variational Logistic Regression （变分逻辑回归）
		10.7	Expectation Propagation （期望传播）
11	Sampling Methods （采样方法）	11.1	Basic Sampling Algorithms （基本采样方法）
		11.2	Markove Chain Monte Carlo （马尔科夫链蒙特卡洛）
		11.3	Gibbs Sampling （吉布斯采样）
		11.4	Slice Sampling （片采样）
		11.5	The Hybrid Monte Carlo Algorithm （融合蒙特卡洛算法）
		11.6	Estimating the Partition Function （估计分割函数）
12	Continuous Latent Variables （连续潜在变量）	12.1	Principal Component Analysis （主成分分析）
		12.2	Probabilistic PCA （概率PCA）
		12.3	Kernel PCA （核PCA）
		12.4	Nonlinear Latent Variable Models （非线性潜在变量模型）
13	Sequential Data （序列数据）	13.1	Markov Models （马尔科夫模型）
		13.2	Hidden Markov Models （隐马尔科夫模型）
		13.3	Linear Dynamical Systems （线性动态系统）
14	Combining Models （组合模型）	14.1	Bayesian Model Averaging （贝叶斯模型平均）
		14.2	Committees （评论）
		14.3	Boosting （提升）
		14.4	Tree-based Models （基于树的模型）
		14.5	Conditional Mixture Models （条件混合模型）