机器学习:贝叶斯和优化的观点，第2版

机器学习:贝叶斯和优化的观点，第2版，通过涵盖监督学习的两个支柱，即回归和分类，给出了机器学习的统一视角。本书从基础开始，包括均方，最小二乘法和最大似然方法，脊回归，贝叶斯决策理论分类，逻辑回归和决策树。然后，它发展到更近期的技术，涵盖稀疏建模方法，学习再现核希尔伯特空间和支持向量机，贝叶斯推理，重点是EM算法及其近似推理变分版本，蒙特卡罗方法，概率图形模型，重点是贝叶斯网络，隐马尔可夫模型和粒子滤波。万博1manbetx对降维和潜变量建模也进行了深入的研究。

这一系列技术的最后一章是关于神经网络和深度学习架构的扩展章节。本书还涵盖了统计参数估计，维纳和卡尔曼滤波，凸性和凸优化的基础知识，包括随机逼近和梯度下降家族算法的一章，介绍了相关的在线学习技术以及分布式优化的概念和算法版本。

专注于数学背后的物理推理，通过示例和问题深入解释了所有各种方法和技术，作为学生和研究人员理解和应用机器学习概念的资源。万博1manbetx大多数章节包括典型的案例研究和计算机练习MATLAB．此外，随附的网站上提供了MATLAB代码，使读者能够使用代码进行实验。