《模式识别与机器学习》 简称 PRML 开源了

　

模式识别与机器学习

前言

---

本文的原文连接是: https://blog.csdn.net/freewebsys/article/details/84847904

未经博主允许不得转载。

博主地址是：http://blog.csdn.net/freewebsys

1，关于PRML

---

《Pattern recognition and Machine Learning》，中文译名《模式识别与机器学习》，简称 PRML。出自微软剑桥研究院实验室主任 Christopher Bishop 大神之手。

• 第一章 介绍
• 第二章 概率分布
• 第三章 线性回归模型
• 第四章 线性分类模型
• 第五章 神经网络
• 第六章 内核方法
• 第七章 稀疏内核机器
• 第八章 图形模型
• 第九章 混合模型和EM
• 第十章 近似推断
• 第十一章 采样方法
• 第十二章 连续潜在变量
• 第十三章 顺序数据
• 第十四章 组合模型

这本书的官网为：

https://www.microsoft.com/en-us/research/people/cmbishop/#!prml-book

全书完整的 pdf 下载地址为：

https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf

还有中文版本的pdf 文件下载：

http://blog.sina.com.cn/s/blog_c3b6050b0102xfen.html

https://github.com/ctgk/PRML

notebook 代码：

https://github.com/ctgk/PRML/tree/master/notebooks

2，安装

---

需要使用 Python3.6 以上的版本才行。

py3.5.egg\prml\feature_extractions\autoencoder.py", line 11
self.parameter[f"w_encode{i}"] = nn.Parameter(np.random.randn(args[i], args[i + 1]))
^

3.5 的版本是不行的。必须使用3.6 的版本

https://github.com/ctgk/PRML/issues/4

python3 setup.py build

这里使用docker 镜像跑。本来打算使用 TensorFlow 的官方镜像。

但是那个是python 3.5的升级了也是3.5 的。

改使用 jupyter的镜像。也是TensorFlow 版本。

https://hub.docker.com/r/jupyter/tensorflow-notebook/

docker pull jupyter/tensorflow-notebook

docker run -itd --name tf -v ~/pythonWorkspace:/home/jovyan -p 8888:8888 \
	jupyter/tensorflow-notebook:latest

pythonWorkspace 是我的python工程。

docker exec -it tf bash
# cd PRML
# python3 setup.py install

没有任何报错，看来就是版本的问题。

本身的notebook 需要安装 prml 包。

显示运行数据：

然后全部的notebook 就可以运行了。

还是docker 好。搭建环境超级方便，超级快。

3，总结

---

PRML 是不错的学习资料。

从原理上学习。慢慢看代码。上面的好多的代码都是可以使用的呢。

本文的原文连接是:

https://blog.csdn.net/freewebsys/article/details/84847904

博主地址是：http://blog.csdn.net/freewebsys

相关阅读

机器学习 | 贝叶斯算法及应用

朴素贝叶斯是基于“特征之间是独立的”这一朴素假设，应用贝叶斯定理的监督学习算法。基于条件概率的贝叶斯定律数学公式朴素贝叶斯

机器学习sklearn 以及流程方法

http://python.jobbole.com/86910/在机器学习和数据挖掘的应用中，scikit-learn是一个功能强大的python包。在数据量不是过大的情况

scikit-learn机器学习（五）--条件概率，全概率和贝叶斯定理

在理解贝叶斯之前需要先了解一下条件概率和全概率，这样才能更好地理解贝叶斯定理 一丶条件概率 条件概率定义：已知事件A发生的条

图解机器学习-基于最小二乘法的分类

本小节文字比较少，但是理解起来内容还是蛮难的，花了我整整一天的时间把代码和前面的原理搞明白，其实最难的部分就在本小节的代码上。

机器学习实战（六）——支持向量机

第六章 支持向量机 6.1 什么是支持向量机 6.1.1 线性SVM 6.1.2 函数间隔和几何间隔 6.1.3 最大间隔分离超平面 6.1.4 支持向量和