Bishop的大作《模式識別與機器學習》Ready to read!

久仰Bishop的大作“Pattern Recognition and Machine Learning”已久，在我的硬盤里已經駐扎一年有余，怎奈懼其頁數浩瀚，始終未敢入手。近日看文獻，屢屢引用之。不得不再翻出來准備細讀一番。有條件的話也要寫寫讀書筆記的，要不基本上也是邊看邊忘。

我在V盤分享了pdf：

http://vdisk.weibo.com/s/oM0W7

Bishopde網頁，這里可以下載PPT和程序：

http://research.microsoft.com/en-us/um/people/cmbishop/prml/

豆瓣有很多不錯的評論：

http://book.douban.com/subject/2061116/

關於PRML

PRML是模式識別和機器學習領域的經典著作，出版於2007年。該書作者 Christpher M. Bishop 是模式識別和機器學習領域的大家，其1995年所著的“Nerual Networks for Pattern Recognition”也是模式識別、人工神經網絡領域的經典著作。

PRML深入淺出地介紹了模式識別與機器學習的基本理論和主要方法，同時還涵蓋了模式識別與機器學習領域的一些最新進展，不僅適合初學者學習，而且對專業研究人員也有很大的參考價值。

全書共738頁，分為14章，循序漸進，前后呼應、表達清晰、理解深刻。每章都有相應的習題及答案，有助於學習和教學。

書評參考

http://book.douban.com/review/4533178/

實際上這本書我花了將近兩個月的時間讀下來，不敢說有多理解，但是確實收獲很大，分章做一個評論。

 

• 第1章的導論，不多說，看完書后需要重新回過頭來看看。
• 第2章的概率分布，寫的非常好，盡管只有幾個簡單的分布，但是對共軛先驗的概念以及指數分布族介紹的很清楚，這一章是本書的基礎。
• 第3章以及第4章的線性分類和回歸一個非常好的方面就是都是采用Bayesisan的觀點來看，應該是理解Baysian思想的基礎。
• 第5章 我沒看，直接略過。(基本不影響后面的閱讀)
• 第6章 講Guassian Process (這個東西后來我才知道是 一種非參數的Bayessian方法，現在在統計學領域研究的很熱門。)
• 第7章 講SVM 。
• 第8章 是現代基於圖模型的基礎，需要仔細閱讀，這一章概念介紹的非常清楚，很多的machine learning 和computer vision 的paper 現在采用的圖模型的表示都可以從這里得到解釋。
• 第9章 EM 算法，本人認為是本書的一個亮點，從最簡單的K-mean出發，推導高斯混合模型，再到EM算法的推廣，本章每一節都是精品。
• 第10章 近似推斷 主要就是第一節的近似推斷的基本原理 以及第二節的一個例子。采用mean-field、變分的方法。
• 第11章 采樣，寫的很精彩，對完全不懂采樣的我來說，也能很快入門。這里需要說明的是，我的收獲主要來自於第8章到第11章，光看書是不行的，期間，我主要是學習了最基本的Topic model：LDA 。在學習LDA的過程中，第8章到第11章的完全用上了。這種感覺非常好。推薦給大家。
• 第12章是PCA及一些改進，用到的時候再看也來得及。
• 第13章是HMM 模型和LDS，這兩個的圖模型是一樣的。建議好好學習一下HMM，應該還有其他的資料供參考。
• 第14章最后是整合，很多東西現在我還不是很理解。

總之，這是一本非常好的書，關鍵是寫作思路清晰，重點突出。作為閱讀論文的基本參考物是值得推薦的。