《概率机器学习（基础篇）》凯文·P.墨菲

【内容简介】
本书通过概率建模和贝叶斯决策理论的统一视角，详细且与时俱进地介绍了机器学习（包括深度学习）的理论和方法。书中涵盖了数学背景（包括线性代数和优化理论）、基础的监督学习方法（包括线性回归、逻辑回归和深度神经网络），以及更高级的主题（包括迁移学习和无监督学习）。章节末尾的练习让读者能够应用所学知识，附录部分则对书中使用的符号进行了说明。

【作者简介】
凯文·P.墨菲，先后获得剑桥大学文学学士学位、宾夕法尼亚大学工程硕士学位以及加州大学伯克利分校博士学位，此后在麻省理工学院完成博士后研究，并于2004至2012年间担任加拿大温哥华不列颠哥伦比亚大学计算机科学与统计学副教授。获得终身教职后，他在学术休假期间加入谷歌并最终留任。目前担任谷歌DeepMind首席研究科学家兼总监，领导由28名研究人员和工程师组成的团队，专注生成模型（包括扩散模型和大语言模型）、强化学习、机器人技术、贝叶斯推断等前沿领域。