机器学习:贝叶斯和优化视角，第2版

机器学习:贝叶斯和优化视角，第2版，通过涵盖监督学习的两个支柱，即回归和分类，对机器学习给出了统一的视角。这本书从基础开始，包括均方、最小二乘和最大似然方法、脊回归、贝叶斯决策理论分类、逻辑回归和决策树。然后，它进展到更近期的技术，涵盖稀疏建模方法，学习在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)，蒙特卡洛方法，聚焦贝叶斯网络的概率图形模型，隐马尔可夫模型，和粒子滤波。维数降维和潜变量建模也被深入考虑。

这一系列技术以一个关于神经网络和深度学习架构的扩展章节结束。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，包括关于随机近似和梯度下降算法家族的一章，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，所有不同的方法和技术都有深入的解释，通过例子和问题的支持，作为学生和研究人员理解和应用机器学习概念的资源。的大部分章节包括典型的案例研究和计算机练习MATLAB。此外，在附带的网站上还提供了MATLAB代码，读者可以用这些代码进行实验。