机器学习:贝叶斯和优化视角，第二版，通过涵盖监督学习的两大支柱，即回归和分类，给出了机器学习的统一视角。这本书从基础开始，包括均方，最小二乘和最大似然方法，岭回归，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，包括稀疏建模方法，学习重建核希尔伯特空间和支持向量机，关注EM算法的贝叶斯推理和它的近似推理变分版本，蒙特卡罗方法，关注贝叶斯网络的概率图形模型，金宝app隐马尔可夫模型和粒子滤波。还深入考虑了降维和潜在变量建模。
本教程以神经网络和深度学习架构的扩展章节结束。这本书还涵盖统计参数估计的基础，维纳和卡尔曼滤波，凸和凸优化，包括一章关于随机近似和梯度下降家族的算法，介绍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，所有的各种方法和技术都被深入解释，由例子和问题支持，为学生和研究人员理解和应用机器学习概念提供资源。金宝app大部分章节包括典型的案例研究和计算机练习MATLAB．此外，MATLAB代码可在附带的网站上获得，使读者能够试验代码。
