將 Bishop 大神的 PRML 稱為機器學習圣經(jīng)一點也不為過，該書系統(tǒng)地介紹了模式識別和機器學習領域內詳細的概念與基礎。書中有對概率論基礎知識的介紹，也有高階的線性代數(shù)和多元微積分的內容，適合高校的研究生以及人工智能相關的從業(yè)人員學習。

知乎上關于這個關于“PRML為何是機器學習的經(jīng)典書籍中的經(jīng)典？”的高贊回答或許會給大家一些啟發(fā)：

Luau Lawrence的回答：

https://www.zhihu.com/question/35992297/answer/67009652

PRML 對初學者確實有一定難度，如果覺得吃力可以先讀一下知乎上推薦的科普性讀物，掌握了機器學習的基礎概念之后再進行后續(xù)的學習。

知乎討論地址：

https://www.zhihu.com/question/35992297

首先我們來看一下 PRML 的主要內容：

第一章是引子，用曲線擬合讓讀者對機器學習有個大概理解。

第二章主要是介紹了一下基礎的統(tǒng)計方面的知識，包括期望方差的計算、高斯分布的參數(shù)估計與理解、高斯分布的性質等。

第三章和第四章主要在講最基礎的線性模型，并且展示了如何將其應用在分類和回歸的場景下，貝葉斯方法是整本書的核心。

第五章介紹了神經(jīng)網(wǎng)絡，在線性模型的基礎上引入了多層感知機模型，即常說的 BP 網(wǎng)絡。

第六章講的是核方法，核是兩個樣本的內積，也可以理解為某個希爾伯特空間中由內積定義的“距離”。主要講了線性模型轉成核表達的方式、核的構建以及高斯過程。

第七章是向量機，向量機講的是貝葉斯模型如何通過先驗找到一個稀疏的模型。

第八章是講的圖模型，對變量的獨立性、隱變量和參數(shù)的區(qū)別（這個會在變分貝葉斯中體現(xiàn)）做了很好的闡釋。

第九章講了混合模型和 EM 算法，涉及了隱變量的概念和 EM 算法等。

第十章講的是變分推斷，解決了基于現(xiàn)在的模型的分布假設，推斷參數(shù)難的問題。

第十一章講采樣方法，介紹了不同采樣方法的優(yōu)缺點，并重點講了MCMC采樣。

第十二章講主成分分析，是考察多個變量間相關性一種多元統(tǒng)計方法，研究如何通過少數(shù)幾個主成分來揭示多個變量間的內部結構。

第十三章講的是序列數(shù)據(jù)，序列數(shù)據(jù)的特點及馬爾可夫假設等。

第十四章講的是 Ensemble，包括適應性的 boosting 最著名的 AdaBoost，以及一些其他的融合方法。

看這些理論知識是非常枯燥的，很多初學者感覺學起來非常吃力，甚至半途放棄，如果你也有這些困擾，那么下面提到的這個 GitHub 項目也許可以幫你走出困境。

在 notebooks 文件夾下實現(xiàn)了聚類方法、特征抽取、線性模型、核方法、馬爾科夫模型、概率分布模型、采樣方法和神經(jīng)網(wǎng)絡方法等內容，你可以將目錄切換到

notebooks 下直接打開對應的 ipynb 文件進行練習。

該 GitHub 項目所需要的編程語言為 Python 3，其它科學計算庫還需要 NumPy 、SciPy、 Matplotlib、Scikit-learn 等，如果你是 Python 初學者，那么我們強力推薦你安裝 Annaconda,它集成了所有需要的計算庫，并且可以在 jupyter notebook 交互式的查看執(zhí)行的結果。

這么好的資源趕緊學起來吧！

GitHub鏈接：

https://github.com/ctgk/PRML