今天，谷歌研究科学家KevinP.Murphy正式宣布：《概率机器学习：进阶》手稿已经完成，可供公众免费下载。这本书是《概率机器学习：简介》的续集。说起来，KevinP.Murphy关于概率机器学习的书算是经典教材，所以去年他宣布重印的消息引起了广泛关注。在第二卷《进阶》中，作者将机器学习的范围扩大到包括更具挑战性的问题。示例包括在许多不同的分布下学习和测试；生成图像、文本和图形等高维输出；基于潜在变量模型在数据中发现“洞察力”的方法；以及如何在决策、控制任务和推理中使用概率模型。公布后，有的读者立马下载了第二卷的手稿开始研究，也有的读者突然想起去年下载的第一卷还没有打开……不过，KevinP.Murphy提到这本书还没有完全完成，目前缺少一章，需要进一步校对。他还将微调网络出版版本，该版本将于今年夏天发送给麻省理工学院出版社。或许是因为第二卷的效率太高，有读者表示震惊：“什么？我第一卷还没看完……”更多的读者还是表示对第二卷的期待：“你不会的找到比这两本书（这里是第二本书）更全面和连贯的现代机器学习评论。这套书提供了一流的教育，只要你愿意阅读……”阅读本书之前，读者应该对（监督）机器学习和其他相关数学主题（概率、统计、线性代数、优化）有基本的了解。此背景材料包含在第一卷中，但第二卷是独立的，没有必要请先阅读第一卷。第二卷涵盖的主题太多，不可能将所有内容都放入手稿中，一些额外的材料可以在本书主页的在线补充中找到，其中还包含Python代码的使用d重现本书代码中的大部分数字。据作者介绍，第二卷《概率机器学习：进阶》将于2023年正式出版。同时，去年起草的第一卷《概率机器学习：简介》已于近期正式出版，但价格略贵：第二卷整体目录如下：书址：https://github.com/probml/pml2-book/releases/latest/download/pml2.pdf完整目录：https://probml.github.io/pml-book/pml2/toc2-long-2022-02-27。pdf本书着重于概率建模和推理，解决了四个主要任务：预测（分类和回归）、生成（图像和文本生成）、发现（聚类、降维和状态估计）和控制（决策制定）。第一部分更详细地介绍了该领域的一些基础知识，并详细阐述了第一卷中遗漏的一些细节。第二部分讨论各种概率模型中的贝叶斯推理算法。这些不同的算法在速度、准确性、通用性等方面各不相同，由此产生的方法可以应用于许多不同的问题。第三部分讨论了拟合形式为p(y|x)的条件分布的预测方法，其中x∈X是输入（通常是高维），y∈Y是期望的输出（通常是低维）。这部分假设有一个想要预测的正确答案，尽管通常这个答案是不确定的。第四节讨论生成模型，形式为p(y)或p(y|x)，其中可能有多个有效输出。例如，给定文本提示x，希望生成一组不同的图像y以匹配标题。在预测设置中，评估这些模型比评估标题更困难，因为它的期望输出不清楚。第五节将注意力转向数据分析，讨论旨在揭示有意义的潜在状态或模式的方法。这部分主要关注潜变量模型，即p(z,y)=p(z)p(y|z)的联合模型，其中z是隐藏状态，y是观测值，目标是推断z来自y。（该模型可以选择以固定输入为条件以产生p(z,y|x)。）还探索了用于发现p(y|x)形式的预测模型隐式学习模式而不依赖于显式生成模型的方法.最后，第六部分讨论了在不确定情况下如何使用概率模型和推理进行决策，引出了因果关系这一重要命题。此外，由于所涵盖内容的广度，大约三分之一的章节是与作为领域专家的客座作者共同创作或共同创作的（完整的贡献者列表见下文）。
