Bishop的大作《模式识别与机器学习》Ready to read!

久仰Bishop的大作“Pattern Recognition and Machine Learning”已久，在我的硬盘里已经驻扎一年有余，怎奈惧其页数浩瀚，始终未敢入手。近日看文献，屡屡引用之。不得不再翻出来准备细读一番。有条件的话也要写写读书笔记的，要不基本上也是边看边忘。

我在V盘分享了pdf：

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

Bishopde网页，这里可以下载PPT和程序：

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

豆瓣有很多不错的评论：

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

关于PRML

PRML是模式识别和机器学习领域的经典著作，出版于2007年。该书作者 Christpher M. Bishop 是模式识别和机器学习领域的大家，其1995年所著的“Nerual Networks for Pattern Recognition”也是模式识别、人工神经网络领域的经典著作。

PRML深入浅出地介绍了模式识别与机器学习的基本理论和主要方法，同时还涵盖了模式识别与机器学习领域的一些最新进展，不仅适合初学者学习，而且对专业研究人员也有很大的参考价值。

全书共738页，分为14章，循序渐进，前后呼应、表达清晰、理解深刻。每章都有相应的习题及答案，有助于学习和教学。

书评参考

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

实际上这本书我花了将近两个月的时间读下来，不敢说有多理解，但是确实收获很大，分章做一个评论。

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，很多东西现在我还不是很理解。

总之，这是一本非常好的书，关键是写作思路清晰，重点突出。作为阅读论文的基本参考物是值得推荐的。