概率機器學習 基礎篇

本書透過機率建模和貝葉斯決策理論的統一視角，詳細且與時俱進地介紹了機器學習（包括深度學習）的理論和方法。書中涵蓋了數學背景（包括線性代數和最佳化理論）、基礎的監督學習方法（包括線性迴歸、邏輯迴歸和深度神經網路），以及更高階的主題（包括遷移學習和無監督學習）。章節末尾的練習讓讀者能夠應用所學知識，附錄部分則對書中使用的符號進行了說明。
本書源自作者2012年的著作《機器學習：機率視角》，它不僅是一個簡單的更新版本，更是一本全新的著作，反映了自2012年以來該領域的巨大發展，尤其是深度學習的進展。由於篇幅限制，新版分為上下兩卷：《機率機器學習：基礎篇》和《機率機器學習：進階篇》，本書是上卷基礎篇，下捲進階階篇將繼續採用相同的機率方法，深入探討更高階的主題。
新版本的另一個主要變化是所有的軟體程式碼都使用Python而不是MATLAB來實現，新程式碼使用了標準的Python庫，例如NumPy、Scikit-learn、JAX、PyTorch、TensorFlow等，這些程式碼不需要本地安裝，它們可以在雲端筆記本中運行，這為書中討論的理論主題提供了實用的補充。