书名：概率机器学习（基础篇）  
定价：169.0  
ISBN：9787111784968  
作者：墨菲  
版次：1  
出版时间：2025-12  

内容提要： 

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。
本书源自作者2012年的著作《机器学习：概率视角》，它不仅仅是一个简单的更新版本，更是一本全新的著作，反映了自2012年以来该领域的巨大发展，尤其是深度学习方面的进展。由于篇幅限制，新版分为上下两卷：《概率机器学习：基础篇》和《概率机器学习：进阶篇》，本书是上卷基础篇，下卷进阶篇将继续采用相同的概率方法，深入探讨更高级的主题。
新版的另一个主要变化是所有的软件代码都使用Python而不是MATLAB来实现，新代码使用了标准的Python库，例如NumPy、Scikit-learn、JAX、PyTorch、TensorFlow等，这些代码不需要本地安装，它们可以在云端笔记本中运行，这为书中讨论的理论主题提供了实用的补充。

目录：  

对本书的赞誉
译者序
前言
第1章　导论1　
1.1　什么是机器学习1
1.2　监督学习1
　　1.2.1　分类2
　　1.2.2　回归7
　　1.2.3　过拟合和泛化10
　　1.2.4　“没有免费的午餐”定理11
1.3　无监督学习11
　　1.3.1　聚类12
　　1.3.2　发现潜在的“变异因子”12
　　1.3.3　自监督学习13
　　1.3.4　评估无监督学习13
1.4　强化学习14
1.5　数据16
　　1.5.1　常见的图像数据集16
　　1.5.2　常见的文本数据集18
　　1.5.3　离散输入数据的预处理19
　　1.5.4　预处理文本数据20
　　1.5.5　处理缺失数据23
1.6　进一步讨论23
　　1.6.1　机器学习与其他领域的关系23
　　1.6.2　本书的组织结构24
　　1.6.3　注意事项24

第一部分　理论基础

第2章　概率：单变量模型26　
2.1　概述26
　　2.1.1　什么是概率26
　　2.1.2　不确定性的类型26
　　2.1.3　概率的基本规则27
2.2　随机变量28
　　2.2.1　离散随机变量28
　　2.2.2　连续随机变量29
　　2.2.3　相关随机变量集30
　　2.2.4　独立性和条件独立性31
　　2.2.5　分布的矩32
　　2.2.6　汇总统计信息的局限性*34
2.3　贝叶斯规则36
　　2.3.1　示例：病毒检测37
　　2.3.2　示例：三门问题38
　　2.3.3　逆问题*39
2.4　伯努利分布和二项分布40
　　2.4.1　定义40
　　2.4.2　sigmoid函数41
　　2.4.3　二元逻辑回归42
2.5　分类分布和多项式分布43
　　2.5.1　定义43
　　2.5.2　softmax函数44
　　2.5.3　多类逻辑回归44
　　2.5.4　对数求和自然指数技巧46
2.6　单变量高斯分布46
　　2.6.1　累积分布函数46
　　2.6.2　概率密度函数47
　　2.6.3　回归48
　　2.6.4　为什么高斯分布被广泛使用49
　　2.6.5　作为限制情形的Dirac-δ函数49
2.7　其他常见的单变量分布*50
　　2.7.1　学生t分布50
　　2.7.2　柯西分布51
　　2.7.3　拉普拉斯分布52
　　2.7.4　贝塔分布52
　　2.7.5　伽马分布53
　　2.7.6　经验分布53
2.8　随机变量的变换*54
　　2.8.1　离散情况54
　　2.8.2　连续情况55
　　2.8.3　可逆变换（双射）55
　　2.8.4　线性变换的矩57
　　2.8.5　卷积定理57
　　2.8.6　中心极限定理59
　　2.8.7　蒙特卡罗近似59
2.9　练习题60

第3章　概率：多元模型63　
3.1　多个随机变量的联合分布63
　　3.1.1　协方差63
　　3.1.2　相关性63
　　3.1.3　不相关并不意味着独立64
　　3.1.4　相关性并不意味着因果关系64
　　3.1.5　Simpson悖论65
3.2　多元高斯分布66
　　3.2.1　定义66
　　3.2.2　马哈拉诺比斯距离68
　　3.2.3　多元正态分布的边缘概率和条件概率*69
　　3.2.4　示例：条件二维高斯分布69
　　3.2.5　示例：处理缺失值*70
3.3　线性高斯系统*71
　　3.3.1　高斯贝叶斯规则71
　　3.3.2　推导*71
　　3.3.3　示例：推理未知标量72
　　3.3.4　示例：推理未知向量74
　　3.3.5　示例：传感器融合75
3.4　指数概率分布族*76
　　3.4.1　定义76
　　3.4.2　示例76
　　3.4.3　对数配分函数为累积量生成函数77
　　3.4.4　指数概率分布族的最大熵推导77
3.5　混合模型78
　　3.5.1　高斯混合模型78
　　3.5.2　伯努利混合模型80
3.6　概率图模型*81
　　3.6.1　表示81
　　3.6.2　推理83
　　3.6.3　学习83
3.7　练习题84

第4章　统计学86　
4.1　概述86