Pattern Recognition And Machine Learning 模式识别与机器学习 经典外文图书，中文PDF+英文原版PDF

第一节 开发迭代 在产品开发过程中，项目团队常会面对一系列问题。它们包括但不限于： 产品不能如期交付，开发成本过高；项目后期实现的东西远未达到设计预期的效果； 团队成员沟通不畅、无法很好地合作，团队信息不透明，人力与时间调配混乱，某些 成员忙的时候忙死，闲的时候闲死； 成员不知道自己的任务最终要实现什么功能、达到什么样的交付水平；策划、开发、 UI、运营等不同成员对产品的理解各不相同； 团队纠缠于低优先级的任务，导致最重要的事没做，用户流失严重； 产品需求频繁变更，导致项目发布时间严重滞后。 所有这些问题表面看各不相干，本质上都是由目标和风险管理不当所导致的。 在产品项目立项前，产品项目负责人应仔细思考的问题是：项目有多少资源？要达到 什么样的目标？人和物的资源成本投入和目标是否匹配？经过详细思考和评估后，一旦确 认资源并立项，最重要的任务就是统一团队目标。 更多精彩电子书，请访问免费PDF电子书下载的博客http://blog.sina.com.cn/u/1945284794

作者：Luau Lawrence 链接：https://www.zhihu.com/question/35992297/answer/67009652 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 通常从一个CS小白开始学Machine Learning或者Data Mining，到成长为一个独当一面的大牛，都会看几种类型的书：以《数学之美》为代表的科普类读物。通常作用为开发兴趣的。《机器学习实战》、《推荐系统实践》、《海量数据挖掘》等实践类书籍。在学中用，在用中学，实践中摸清套路。顺便了解一些基本模型。《统计学习方法》、《数据挖掘导论》、《数据挖掘（韩家炜）》等介绍类书籍。会对ML方面涉及到的技术做一个浅层次的介绍和全方位的了解，有少量数学内容和推导。《PRML》、《ESL》、《MLAPP》这类进阶类书籍。包涵大量理论知识和数学推导（尤其是习题），有助于了解Machine Learning方法背后的本质和思想。Machine Learning学习的过程，就是一个 what -> how -> why 的过程。而PRML，或者说同类的ESL等书籍，最大的作用就是让你知道为什么会有这样的方法，为什么会有这样的模型，它背后的intuition和motivation是什么。而这恰恰是一个Machine Learning Researcher想要进一步使用模型、看懂别人paper中的模型、甚至自己提出新模型的基础。看PRML会带给你在Machine Learning上的理解和使用能力一个质的飞跃。

pattern recognition and machine learning的英文原版，中文翻译版，完整的习题解答

Pattern Recognition and Machine Learning 中文版及python代码实现。python代码最好用 jupyter notebook 导入。

PRML中文翻译-马春鹏版,共大家学习！

8.4 图模型中的推断 我们现在考虑图模型中的推断问题，图中的⼀些结点被限制为观测值，我们想要计算其他结 点中的⼀个或多个⼦集的后验概率分布。正如我们将看到的那样，我们可以利⽤图结构找到⾼ 效的推断算法，也可以让这些算法的结构变得透明。具体来说，我们会看到许多算法可以⽤图 中局部信息传播的⽅式表⽰。本节中，我们会把注意⼒主要集中于精确推断的⽅法。在第10章 中，我们会考虑许多近似推断的算法。 ⾸ 先， 让 我 们 考 虑 贝 叶 斯 定 理 的 图 表 ⽰。 假 设 我 们 将 两 个 变 量x和y上 的 联 合 概 率 分 布p(x, y)分解为因⼦的乘积的形式p(x, y) = p(x)p(y | x)。这可以⽤图8.37(a)中的有向图表⽰。 现在假设我们观测到了y的值，如图8.37(b)中的阴影结点所⽰。我们可以将边缘概率分布p(x)看 成潜在变量x上的先验概率分布，我们的⽬标是推断x上对应的后验概率分布。使⽤概率的加和 规则和乘积规则，我们可以计算 p(y) = ∑ x′ p(y | x′)p(x′) (8.47) 这个式⼦然后被⽤于贝叶斯定理中，计算 p(x | y) = p(y | x)p(x) p(y) (8.48) 因此现在联合概率分布可以通过p(y)和p(x | y)。从图的⾓度看，联合概率分布p(x, y)现在可以 表⽰为图8.37(c)所⽰的图，其中箭头的⽅向翻转了。这是图模型中推断问题的最简单的例⼦。 8.4.1 链推断 现在考虑⼀个更加复杂的问题，涉及到图8.32所⽰的结点链。这个例⼦是本节中对更⼀般的 图的精确推断的讨论的基础。 具体地，我们会考虑图8.32(b)所⽰的⽆向图。我们已经看到，有向链可以被转化为⼀个等价 的⽆向链。由于有向图中任何结点的⽗结点数量都不超过⼀个，因此不需要添加任何额外的链 接，并且图的有向版本和⽆向版本表⽰完全相同的条件依赖性质集合。 这个图的联合概率分布形式为 p(x) = 1 Z ψ1,2(x1, x2)ψ2,3(x2, x3) · · ·ψN−1,N (xN−1, xN ) (8.49) 我们会考虑⼀个具体的情形，即N个结点表⽰N个离散变量，每个变量都有K个状态。这种情 况下的势函数ψn−1,n(xn−1, xn)由⼀个K ×K的表组成，因此联合概率分布有(N − 1)K2个参 数。 274

完整的PRML读书会笔记，学习机器学习必不可少的工具

模式识别与机器学习PRML 中英皆有

PRML中英文原书+PPT+笔记+书中图片实现notebook代码。