微软剑桥研究院实验室主任 Christopher Bishop 的经典著作《Pattern Recognition and Machine Learning》，中文译名《模式识别与机器学习》，简称 PRML，深受广大机器学习爱好者好评！
在豆瓣上，这本书也是收到了 9.5 的高分！
《模式识别与机器学习》涵盖面十分广泛，语言通俗，例子和习题更加详细，附带更多基础性的讲解和指引，难度梯度设置更为合理，是其深受广大中老年 PHD 朋友喜爱的原因。
《模式识别与机器学习》内容十分丰富，共有 14 章的内容，每一章都是干货满满。整体目录如下：
- 第一章 介绍
- 第二章 概率分布
- 第三章 线性回归模型
- 第四章 线性分类模型
- 第五章 神经网络
- 第六章 内核方法
- 第七章 稀疏内核机器
- 第八章 图形模型
- 第九章 混合模型和EM
- 第十章 近似推断
- 第十一章 采样方法
- 第十二章 连续潜在变量
- 第十三章 顺序数据
- 第十四章 组合模型
内容虽好，但是这本书包含了矩阵分析、矩阵计算等理论数学知识，光啃书本比较晦涩难懂，令人头大~
今天给大家推荐一个不错的资源，包含了《模式识别与机器学习(PRML)》的笔记、代码、NoteBooks 等。
GitHub 开源地址：
https://github.com/gerdm/prml
该项目的作者是一位墨西哥的小哥 Gerardo Durán Martín，他是 Analysic Nabla 的执行合伙人。
该 GitHub 项目将每一章的内容知识点以 .ipynb 笔记本形式进行总结和归纳。既包含了理论知识点推导，也包含了代码实操，图文并茂。
完整目录如下：
每一章节都包含了各个核心知识点的讲解，例如第一章，介绍贝叶斯概率（Bayesian Probability），它是由贝叶斯理论所提供的一种对概率的解释，它采用将概率定义为某人对一个命题信任的程度的概念。
理论公式：
代码实现：
每章除了知识点介绍之外，还有详细的习题答案解析。例如第一章，习题 1.18：
除此之外，红色石头也整理了这本《模式识别与机器学习》比较完整的附加资源：
书籍官网：
https://www.microsoft.com/en-us/research/people/cmbishop/#!prml-book
完整 pdf：
https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf
Python 代码：
https://github.com/ctgk/PRML
工欲善其事必先利其器，希望这份《模式识别与机器学习(PRML)》笔记、代码、NoteBooks 对你有所帮助！
最后，再放上该 GitHub 项目的地址：
https://github.com/gerdm/prml