概率机器学习（进阶篇）

采用概率建模和贝叶斯决策理论的统一视角，全面介绍机器学习领域的经典理论和近期发展，包括深度学习领域的一些主题以及其他进展，比如生成模型、变分推理、强化学习等，还增添了一些例如优化和线性代数方面的背景内容。全书分为基础篇和进阶篇，本书是进阶篇。

凯文·P.墨菲（Kevin P.Murphy），先后获得剑桥大学文学学士学位、宾夕法尼亚大学工程硕士学位以及加州大学伯克利分校博士学位。此后他在麻省理工学院完成博士后研究，并于2004至2012年间担任加拿大温哥华不列颠哥伦比亚大学计算机科学与统计学副教授。获得终身教职后，他在学术休假期间加入谷歌公司，最终选择留任。目前，凯文担任谷歌Deepmind首席研究科学家兼总监，领导着由28名研究人员和工程师组成的团队，专注生成模型（包括扩散模型和大语言模型）、强化学习、机器人技术、贝叶斯推断等前沿领域。他已在学术会议和期刊上发表140余篇论文，并于2012、2022和2023年通过麻省理工学院出版社出版了三部机器学习教材（Machine Learning：A Probabilistic Perspective，Probabilistic Machine Learning：An Introduction，Probabilistic Machine Learning：Advanced Topics），其中2012年版的本教材获得了统计科学领域最佳书籍的DeGroot奖。凯文曾于2014至2017年间担任机器学习领域顶级期刊Journal of Machine Learning Research（JMLR）联合主编，现任ACM/IMS期刊Data Science及期刊Foundations and Trends in Machine Learning高级编辑。

译者序

前言

第1章 导论

第一部分 理论基础

第2章 概率论

2.1 概述

2.1.1 概率空间

2.1.2 离散随机变量

2.1.3 连续随机变量

2.1.4 概率公理

2.1.5 条件概率

2.1.6 贝叶斯规则

2.2 一些常见的概率分布

2.2.1 离散分布

2.2.2 实数上的连续分布

2.2.3 正实数上的连续分布

2.2.4 在[0,1]上的连续分布

2.2.5 多元连续分布

2.3 高斯联合分布

2.3.1 多元高斯分布

2.3.2 线性高斯系统

2.3.3 线性高斯系统的通用微积分知识

2.4 指数族

2.4.1 定义

2.4.2 示例

2.4.3 对数配分函数是累积量生成函数

2.4.4 规范化(自然)参数与均值(矩)参数

2.4.5 指数族的最大似然估计

2.4.6 指数分散族

……