PRML

PRML读后感

第1章的导论，不多说，看完书后需要重新回过头来看看。

第2章的概率分布，写的非常好，尽管只有几个简单的分布，但是对共轭先验的概念以及指数分布族介绍的很清楚，这一章是本书的基础。

第3章以及第4章的线性分类和回归一个非常好的方面就是都是采用Bayesisan的观点来看，应该是理解Baysian思想的基础。

第5章 我没看，直接略过。(基本不影响后面的阅读)

第6章 讲Guassian Process (这个东西后来我才知道是 一种非参数的Bayessian方法，现在在统计学领域研究的很热门。)

第7章 讲SVM 。

第8章 是现代基于图模型的基础，需要仔细阅读，这一章概念介绍的非常清楚，很多的machine learning 和computer vision 的paper 现在采用的图模型的表示都可以从这里得到解释。

第9章 EM 算法，本人认为是本书的一个亮点，从最简单的K-mean出发，推导高斯混合模型，再到EM算法的推广，本章每一节都是精品。

第10章 近似推断 主要就是第一节的近似推断的基本原理 以及第二节的一个例子。采用mean-field 、 变分的方法。

第11章采样，写的很精彩，对完全不懂采样的我来说，也能很快入门。

这里需要说明的是，我的收获主要来自于第8章到第11章，光看书是不行的，期间，我主要是学习了最基本的Topic model：LDA 。在学习LDA的过程中，第8章到第11章的完全用上了。这种感觉非常好。推荐给大家 。

第12章是PCA及一些改进，用到的时候再看也来得及。

第13章是HMM 模型和LDS，这两个的图模型是一样的。建议好好学习一下HMM，应该还有其他的资料供参考。

第14章最后是整合。

以上摘自豆瓣书评（jia）。

代码

代码目录：

ch1. Introductionch2. Probability Distributionsch3. Linear Models for Regressionch4. Linear Models for Classificationch5. Neural Networksch6. Kernel Methodsch7. Sparse Kernel Machinesch9. Mixture Models and EMch10. Approximate Inferencech11. Sampling Methodsch12. Continuous Latent Variables

github:ctgk/PRML

在jupyter notebook环境下写作的，作者（ctgk） 还把书中算法写成库的形式，在本地打包，安装之后直接可以调用里面的算法，类似Sklearn。