克里斯托弗·M·毕晓普。 模式识别和机器学习。 （英语） Zbl 1107.68072号 信息科学与统计纽约州纽约市：施普林格出版社（ISBN 0-387-31073-8/hbk）。xx，738页。(2006). 新教材（738页，409篇参考文献）反映了过去十年贝叶斯、概率、图形、聚类和其他数学模型的实质性发展，并揭示了计算机科学（机器学习）和工程（模式识别）应用中使用的新方法和算法。重点是传达基本概念，以便清晰理解现代模式识别和机器学习技术。这本书分为14个主要部分和5个附录。1.引言（多项式曲线拟合、概率论、模型选择、决策论、信息论）。2.概率分布（二进制变量、多项式变量、高斯分布、指数族、非参数方法）。3.回归的线性模型（线性基函数模型、偏差方差分解、贝叶斯线性回归、贝叶斯模型比较、证据近似、固定基函数的局限性）。4.分类线性模型（判别函数、概率生成模型、概率判别模型、拉普拉斯近似、贝叶斯逻辑回归）。5.神经网络（前馈网络功能、网络训练、误差反向传播、海森矩阵、正则化、混合密度网络、贝叶斯神经网络）。6.核方法（对偶表示、构造核、径向基函数网络、高斯过程）。7.稀疏核机器（最大边缘分类器、相关向量机）。8.图形模型（贝叶斯网络、条件独立性、马尔可夫随机场、图形模型中的推理）。9.混合模型和期望最大化（K-means聚类，高斯混合，期望最大化的另一种观点）。10.近似推理（变分推理、变分线性回归、指数族分布、变分逻辑回归、期望传播）。11.采样方法（基本采样算法、马尔可夫链蒙特卡罗、吉布斯采样、切片采样、混合蒙特卡罗算法、配分函数估计）。12.连续潜在变量（主成分分析（PCA）、概率PCA、核PCA、非线性潜在变量模型）。13.序列数据（马尔可夫模型、隐马尔可夫模式、线性动态系统）。14.组合模型（贝叶斯模型平均、委员会、boosting、基于树的模型、条件混合模型）。附录：数据集；概率分布；矩阵的性质；变分法；拉格朗日乘数。这本书面向博士生、研究人员和从业者。它非常适合机器学习、统计学、计算机科学、信号处理、计算机视觉、数据挖掘和生物信息学等课程。为课程讲师提供了广泛的支持，包括400多个练习、课堂幻灯片和书的网站上提供的大量附加材料http://research.microsoft.com/~cmbishop/PRML.审核人：Ingmar Randvee（塔林） 引用于2评论引用于1451文件 MSC公司： 68T01型 人工智能的一般主题 68T05型 人工智能中的学习和自适应系统 68吨10 模式识别、语音识别 68-01 与计算机科学相关的介绍性说明（教科书、教程论文等） 关键词：模式；模式识别；知识表示；学习系统 软件：PRMLT公司 PDF格式BibTeX公司 XML格式引用 \textit{C.M.Bishop}，模式识别和机器学习。纽约州纽约市：施普林格（2006；Zbl 1107.68072）