[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-probml--pml2-book":3,"tool-probml--pml2-book":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85092,2,"2026-04-10T11:13:16",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[19,14,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},5773,"cs-video-courses","Developer-Y\u002Fcs-video-courses","cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。\n\n面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。\n\n这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。",79792,"2026-04-08T22:03:59",[18,13,14,20],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",75666,"2026-04-15T23:15:07",[19,13,20,18],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":29,"last_commit_at":63,"category_tags":64,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,"2026-04-03T21:50:24",[20,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":29,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":94,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":95,"updated_at":96,"faqs":97,"releases":138},7927,"probml\u002Fpml2-book","pml2-book","Probabilistic Machine Learning: Advanced Topics","pml2-book 是凯文·墨菲（Kevin Murphy）所著《概率机器学习：高级主题》一书的官方配套资源库。作为经典教材《概率机器学习：基础篇》的进阶续作，该项目主要托管该书的 PDF 版本及相关发布内容，旨在为读者提供一个独立、便捷的下载与反馈渠道。\n\n在机器学习领域，从基础理论迈向复杂应用时，开发者往往缺乏系统讲解高级概率建模方法的资料。pml2-book 填补了这一空白，它深入探讨了比基础篇更前沿的议题，帮助读者构建从理论推导到实际算法落地的完整知识体系。通过将书籍资源开源化，它不仅解决了专业教材获取难的问题，还允许社区通过 Issue 追踪直接参与内容纠错与交流，确保了知识的时效性与准确性。\n\n这套资源特别适合具有一定机器学习基础的研究人员、算法工程师以及高校师生使用。如果你已经掌握了概率论基础，并希望深入理解变分推断、深度生成模型或贝叶斯非参数等高级课题，pml2-book 将是不可或缺的案头参考。其独特的价值在于延续了作者一贯的严谨风格，同时利用开源社区的力量持续迭代，让高深的概率机器学习知识变得更加开放和易于传播。","\n# \"Probabilistic Machine Learning: Advanced Topics\" by Kevin Murphy.\n\n\nThis repo is used to store the pdf for \n\u003Ca href=\"https:\u002F\u002Fprobml.github.io\u002Fpml-book\u002Fbook2.html\">book 2\u003C\u002Fa>\n(see \"releases\" tab on RHS).\nThis lets me keep track of downloads and issues\nin a way which can be tracked separately from \n\u003Ca href=\"https:\u002F\u002Fprobml.github.io\u002Fpml-book\u002Fbook1.html\">book 1\u003C\u002Fa>. \n\n","# 凯文·墨菲著《概率机器学习：高级主题》。\n\n\n此仓库用于存放 \n\u003Ca href=\"https:\u002F\u002Fprobml.github.io\u002Fpml-book\u002Fbook2.html\">第二册\u003C\u002Fa> 的 PDF 文件\n（请参阅右侧的“ releases”选项卡）。这样我可以单独跟踪下载量和问题，\n而不与 \u003Ca href=\"https:\u002F\u002Fprobml.github.io\u002Fpml-book\u002Fbook1.html\">第一册\u003C\u002Fa> 混在一起。","# pml2-book 快速上手指南\n\n`pml2-book` 是 Kevin Murphy 所著《Probabilistic Machine Learning: Advanced Topics》（概率机器学习：高级主题）的官方仓库，主要用于托管该书的 PDF 版本及相关资源。本项目不涉及复杂的代码安装，主要通过下载发布版本获取书籍。\n\n## 环境准备\n\n本项目无特定的系统或依赖要求，只需具备以下条件即可：\n- **操作系统**：Windows、macOS 或 Linux 均可。\n- **必要工具**：\n  - 现代网页浏览器（用于在线预览）。\n  - PDF 阅读器（用于本地阅读）。\n  - Git（可选，用于克隆仓库或跟踪更新）。\n\n## 安装步骤\n\n由于本书以编译好的 PDF 形式发布，无需通过包管理器安装。请通过以下任一方式获取：\n\n### 方式一：直接下载发布版本（推荐）\n1. 访问仓库右侧的 **Releases** 标签页。\n2. 找到最新发布的版本（Latest release）。\n3. 在 \"Assets\" 列表中下载 `pml2-book.pdf` 文件。\n\n> **国内加速建议**：如果 GitHub 下载速度较慢，可尝试使用国内镜像加速服务（如 `mirror.ghproxy.com`）拼接下载链接，或使用代理网络环境。\n\n### 方式二：使用 Git 克隆（仅用于查看源码或追踪问题）\n如果你需要查看书籍的源代码（LaTeX\u002FMarkdown）或提交 Issue，可以克隆仓库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book.git\ncd pml2-book\n```\n\n## 基本使用\n\n获取 PDF 文件后，直接使用本地 PDF 阅读器打开即可开始学习。\n\n**示例：**\n假设你已将 `pml2-book.pdf` 下载到当前目录：\n\n- **Linux\u002FmacOS**:\n  ```bash\n  open pml2-book.pdf        # macOS\n  xdg-open pml2-book.pdf    # Linux (取决于默认阅读器)\n  ```\n\n- **Windows**:\n  双击文件或在命令行运行：\n  ```cmd\n  start pml2-book.pdf\n  ```\n\n**在线预览：**\n你也可以直接访问官方在线版本进行浏览，无需下载：\n[https:\u002F\u002Fprobml.github.io\u002Fpml-book\u002Fbook2.html](https:\u002F\u002Fprobml.github.io\u002Fpml-book\u002Fbook2.html)","某高校机器学习实验室的研究团队正在深入研读 Kevin Murphy 教授的《概率机器学习：高级主题》，以复现论文中的贝叶斯深度学习模型。\n\n### 没有 pml2-book 时\n- 团队成员需各自在分散的个人网盘或论坛帖子中搜寻教材 PDF，版本混乱且难以确认是否为最新修订版。\n- 由于缺乏统一的官方发布渠道，读者无法便捷地反馈书中公式推导错误或代码实现问题，导致疑问长期积压。\n- 进阶内容（Book 2）与基础内容（Book 1）的文件存储混杂，研究者难以单独追踪高级主题的下载热度与特定章节的讨论热度。\n- 每次教材更新后，团队内部需要人工通知并重新分发文件，协作效率低下且容易遗漏关键修正。\n\n### 使用 pml2-book 后\n- 团队直接通过仓库的\"Releases\"标签获取官方维护的最新高清 PDF，确保所有人基于同一权威版本开展研究。\n- 利用仓库自带的\"Issues\"功能，成员可精准提交书中错漏或提出技术探讨，作者能及时响应并纳入后续修订。\n- 高级主题资源独立托管，清晰分离了基础与进阶内容的访问数据，方便团队评估学习进度与热点难点。\n- 依托 GitHub 的版本管理机制，教材的任何微调都会自动同步，研究者无需手动更新即可始终掌握最前沿的知识细节。\n\npml2-book 通过集中化、版本化的资源管理，将原本松散的教材阅读转化为高效、可互动的协同学习流程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fprobml_pml2-book_ea9e1de4.png","probml","Probabilistic machine learning","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fprobml_f9a37f2f.jpg","Material to accompany my book series \"Probabilistic Machine Learning\" (Software, Data, Exercises, Figures, etc)",null,"murphyk@gmail.com","sirbayes","probml.ai","https:\u002F\u002Fgithub.com\u002Fprobml",1532,136,"2026-04-13T20:45:38","MIT","","未说明",{"notes":92,"python":90,"dependencies":93},"该仓库仅用于存储《Probabilistic Machine Learning: Advanced Topics》一书的 PDF 文件（见 releases 标签页），以便单独跟踪下载量和相关问题。它不包含可执行的代码、模型或需要特定运行环境的软件，因此无需配置操作系统、GPU、内存、Python 版本或依赖库。用户只需通过浏览器访问链接或在 releases 中下载 PDF 即可阅读。",[],[18],"2026-03-27T02:49:30.150509","2026-04-16T08:14:12.257310",[98,103,108,113,118,123,128,133],{"id":99,"question_zh":100,"answer_zh":101,"source_url":102},35480,"如何在 LaTeX 生成的 PDF 书签中包含章节编号以便于导航？","如果您的文档使用了 `hyperref` 包，可以通过添加 `bookmarksnumbered` 选项来启用书签编号。具体配置代码为：`\\usepackage[bookmarksnumbered]{hyperref}`。这将使 PDF 书签显示为“第 1 章”、“第 2 章”等格式，提升导航体验。","https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Fissues\u002F140",{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},35481,"在去噪得分匹配（Denoising Score Matching）公式中，梯度应该是针对 x 还是噪声版本 \\tilde{x} 计算的？","原始论文中梯度是针对 \\tilde{x} 计算的。虽然在某些简化情况下对 x 求导也可以接受，但公式 24.34 存在一个实际错误：缺少了负号。正确的表达式应为：`\\nabla_x log(q(\\tilde{x}|x)) = -(\\tilde{x}-x)\u002F\\sigma^2`。此外，公式 24.33 中还应加上 `+ constant` 项。","https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Fissues\u002F253",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},35482,"关于 Jeffreys 先验推导中 Fisher 信息矩阵（FIM）元素的疑问，为什么 F(\\sigma) = 2\u002F\\sigma^2？","这是变量变换的结果。从方程 2.239 中的参数 \\upsilon = \\sigma^2 变换到 \\sigma 时，需应用变换规则：`F(\\sigma) = F(\\upsilon) * [d\\upsilon\u002Fd\\sigma]^2`。代入计算可得：`F(\\sigma) = (1\u002F(2\\sigma^4)) * (2\\sigma)^2 = 2\u002F\\sigma^2`。因此，Jeffreys 先验最终形式为 `p(\\mu, \\sigma^2) \\propto 1\u002F\\sigma^2` 而非 `1\u002F\\sigma^3`。详细解释可参考相关统计文献。","https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Fissues\u002F105",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},35483,"书中第 36 章关于因果推断的公式中，估计量是否错误地包含了真实的处理效应 \\tau？","是的，这是一个排版错误。在涉及 AIPTW 估计量的公式中，等式左边应该减去 \\tau（即 `- \\tau`），而不是让估计量直接等于包含真实 \\tau 的项。修正后，该公式才符合估计量的定义，即不依赖于未知的真实参数。","https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Fissues\u002F269",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},35484,"高斯分布贝叶斯规则相关的公式（如 34.33 和 34.44）中分母是否缺少平方？","是的，用户指出这些公式左侧的分母应该被平方，否则单位不匹配且不符合高斯分布的贝叶斯规则。维护者已确认该问题并进行了修复。在检查相关公式时，请确保分母项（通常涉及方差或标准差）已正确平方。","https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Fissues\u002F225",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},35485,"第 36 章中的公式 36.115 是否存在概率项 p(a) 缺失的问题？","用户指出公式中似乎用 `1\u002F|A|` 代替了 `p(a)`，但这二者并不等价。维护者已确认这是一个错误并进行了修复。在阅读该部分时，应注意公式中是否正确包含了动作或事件 a 的先验概率 p(a)，特别是在非均匀先验的情况下。","https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Fissues\u002F275",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},35486,"第 36 章公式 36.42 中，\\xi 项是否应该乘以 P(x)？","是的，这是一个拼写错误。正确的公式中，\\xi 项应当乘以概率 P(x)。维护者已确认该问题并修复了源码。如果您在推导过程中发现量纲不对或逻辑不通，请检查是否遗漏了该概率乘数。","https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Fissues\u002F270",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},35487,"书中是否存在未定义的符号，例如第 36 章中的粗体 X_i？","用户反馈在第 36.4.2.3 节中，符号 **X**_i 缺乏定义。维护者确认这是遗漏了定义并已修复。通常在此类上下文中，**X**_i 代表第 i 个样本的特征向量或协变量矩阵。如果在阅读时遇到未定义符号，建议查阅最新修订版或联系作者确认。","https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Fissues\u002F268",[139,144,149,154,159,164,169,174,179,184,189,194,199,204,209,214,219,224,229,234],{"id":140,"version":141,"summary_zh":142,"released_at":143},280609,"2025-dec-10","2025年12月10日\n用于第二次印刷。","2025-12-10T20:28:38",{"id":145,"version":146,"summary_zh":147,"released_at":148},280610,"2025-04-18","- 将章节编号恢复为原始（印刷版）顺序（即撤销 https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Fissues\u002F351）\n- 修复了迄今为止报告的所有拼写错误（特别感谢 https:\u002F\u002Fgithub.com\u002Fmohse-n 发现并指出了其中许多错误）\n- 根据已关闭的议题中的说明，对多个章节（例如关于大型语言模型的部分）进行了一些小调整，并补充了更多参考文献\n","2025-04-18T09:12:49",{"id":150,"version":151,"summary_zh":152,"released_at":153},280611,"2024-11-25","按照 https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Fissues\u002F351 中的说明，调换第6章（优化）和第7章（推断导论）的顺序。","2024-11-26T01:03:59",{"id":155,"version":156,"summary_zh":157,"released_at":158},280612,"2024-11-23","修复了最新一轮的 GitHub 问题，并在各处添加了几段新内容和参考文献……","2024-11-24T00:22:39",{"id":160,"version":161,"summary_zh":162,"released_at":163},280613,"2024-06-26","- 修复了自2023年8月上一版发布以来的所有已知问题。 - 修复了从supp2.pdf到正文的失效交叉引用。 - 增加了一些新的参考文献，并在各处添加了一点点额外内容（例如第5.7节关于算法信息论的内容）。 - 总页数增加了8页，变为1362页，因此页码发生了变化（但章节、公式和图表的编号保持不变）。 -","2024-06-27T03:55:20",{"id":165,"version":166,"summary_zh":167,"released_at":168},280614,"2023-08-15","本版本修复了迄今为止所有已知问题，并与第2卷纸质版的正式发行同步。","2023-08-15T16:47:55",{"id":170,"version":171,"summary_zh":172,"released_at":173},280615,"2023-08-14","修复了几个小问题（详见 https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Fissues?q=is%3Aissue+is%3Aclosed）。\n正好赶在第二卷纸质版正式发行之前 :)","2023-08-14T23:11:01",{"id":175,"version":176,"summary_zh":177,"released_at":178},280616,"2023-04-01","修正几个错别字，增加一些参考文献，对几处内容进行澄清，并在适当的地方再添加几个小节（同时保持公式和章节编号不变）等。\n（请参阅 GitHub 问题页面以获取 book2.pdf 的变更日志；请注意，supp2.pdf 自上一版本以来未作任何更改。）","2023-04-02T02:22:00",{"id":180,"version":181,"summary_zh":182,"released_at":183},280617,"2023-01-22","- 又清理了若干图表\n- 修正了更多错别字\n- 将第2章（概率论）中关于德芬内蒂的内容移至第3章（贝叶斯统计）\n- 增加了若干参考文献\n\n已将此稿发送至麻省理工学院出版社。","2023-01-23T04:21:41",{"id":185,"version":186,"summary_zh":187,"released_at":188},280618,"2023-01-19","希望这篇文档已经可以投稿了…… :)\n（变更列表见 https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Fissues\u002F209）","2023-01-19T17:45:50",{"id":190,"version":191,"summary_zh":192,"released_at":193},280619,"2023-01-16","- Still not actually quite \"camera ready\", but almost there...\r\n- Small tweaks to pacify MIT Press\r\n- Made various changes (listed at https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Fissues\u002F209) to further improve the content, notably the coverage of frequentist statistics and variational inference\r\n- Moved some stuff into online appendix to stay within page limit","2023-01-17T05:12:03",{"id":195,"version":196,"summary_zh":197,"released_at":198},280620,"2023-01-02","This is the \"camera ready\" version I am sending to MIT Press.\r\n\r\n- made many small edits at the request of @mitpress, including adding 100s of \"Oxford commas\".\r\n\r\n- completely rewrote ch 25 on diffusion models (now includes SDEs).\r\n\r\n- improved ch 8 on Gaussian filtering\u002F smoothing (pseudocode now matches our dynamax library :)\r\n\r\n-  added short new section on hypothesis testing (sec 3.12)\r\n\r\n- moved HMM forwards backwards into sec 9.2 (message passing on chains)\r\n\r\n- moved some stuff from the main text to the online supplement to meet the page limits.\r\nSpecifically, moved non-parametric Bayes (ch 31) and  LVMs for graphs (sec 30.2) to online.\r\nMoved sec 3.2 (Bayesian concept learning) back into main.\r\nMoved sec 15.3.9 (logreg for Berkeley admissions) back into main.\r\n\r\n- added more details on basics of probability theory (sec 2.1)\r\n\r\n- tweaked presentation of particle filering resampling algorithms (sec 13.2.4)\r\n\r\n- tweaked section on text generation with transformers (sec 22.4.1) to mention chatGPT\r\n\r\n- fixed typos, and other cosmetic things (eg changed some chapter titles)","2023-01-03T04:58:21",{"id":200,"version":201,"summary_zh":202,"released_at":203},280621,"2022-12-24","- Completely rewrote ch 25 on diffusion models\r\n- Fixed many typos\r\n- Almost camera ready...","2022-12-24T22:07:30",{"id":205,"version":206,"summary_zh":207,"released_at":208},280622,"2022-10-16","- Fixed various typos (details [here](https:\u002F\u002Fgithub.com\u002Fprobml\u002Fpml2-book\u002Fissues\u002F170))\r\n- Updated variational diffusion notebook, and added ref to stable diffusion.\r\n- Slightly changed notation for generalized Gaussian filtering pseudocode in ch 8.\r\n- Updated some SSM notebooks in ch 29 to point to ssm-jax versions. ","2022-10-17T06:13:01",{"id":210,"version":211,"summary_zh":212,"released_at":213},280623,"2022-08-15","- \"camera ready\" version for real this time (no more missing chapters :)\r\n- fixed more typos\r\n- added short section on non-stationary kernels\r\n- simplified discussion (and pseudo code) for generalized gaussian filtering","2022-08-15T20:14:18",{"id":215,"version":216,"summary_zh":217,"released_at":218},280624,"2022-08-12","This fixes a serious problem with the 2022-08-08 release, which was missing the SSM chapter!\r\nIt also fixes some typos, and improves the generalized gaussian filtering section of ch 8.","2022-08-13T01:22:31",{"id":220,"version":221,"summary_zh":222,"released_at":223},280625,"2022-08-08","- This is a revised version for MIT Press that fixes various small typos.","2022-08-09T05:47:07",{"id":225,"version":226,"summary_zh":227,"released_at":228},280626,"2022-07-29","Camera ready version! Just sent to MIT Press.\r\n","2022-07-29T20:46:07",{"id":230,"version":231,"summary_zh":232,"released_at":233},280627,"2022-07-27","- changed font for index and bib from 5pt to 7pt\r\n- moved deep GP stuff to supplementary\r\n- simplified GP\u002FDNN section\r\n- moved wake sleep from VAE to VI\r\n- fixed lots of typos (esp in MCMC chapter)\r\n- more figure fixing","2022-07-27T17:25:31",{"id":235,"version":236,"summary_zh":237,"released_at":238},280628,"2022-07-25","- fix various figure issues (latexify, CMYK\u002FRGB stuff)\r\n- fix typos in SSM inference chap\r\n- fix typos and slight reorg to VI chap (moved the structured GVI stuff to supp)\r\n- add MNIW posteriors for bayes linreg and LDS\r\n- add draft of active learning section (WIP)","2022-07-26T04:18:24"]