机器学习界的「五三」：这位学者整理了一份200页的练习册，关于无监督方法、推理和学习 机器之心报道编辑：蛋酱 对于机器学习领域的你来说，这本题库一定是物有所值的。 我们可能都听说过一句话：「Use it or lose it」。 当我们有段时间没练习一门外语或一项运动时，就会感到生疏，从而深刻地体验到这句话的含义。练习对于保持技能很重要，对于学习新技能也是关键的因素。这就是为什么许多教科书和课程都以「练习」为特色的原因。然而，一般的练习方案往往过于简短，或者有时根本不可用。这些练习不是掌握新技能的机会，反而成为挫败感的来源。 最近，爱丁堡大学信息学院的机器学习高级讲师 Michael U. Gutmann 领衔撰写了一本 211 页的「练习册」，其中包含一系列带有详细解决方案的练习。 下载地址：https://arxiv.org/pdf/2206.13446.pdf Michael U. Gutmann 是爱丁堡大学信息学院机器学习高级讲师，隶属于自适应与神经计算研究所。他的研究兴趣主要在于开发推理和实验设计方法，并将它们应用于自然科学中的重大问题。 作者表示：「希望详细程度足以让读者遵循解决方案并理解所使用的技术。然而，这些练习不能替代机器学习的教科书或课程。我假设读者已经看过相关的理论和概念，现在只是想通过练习加深他们的理解。」 不出所料，随便打开一页，就是满满的公式…… 虽然编程和计算机模拟在机器学习中极为重要，但本书中的练习大部分可以用笔和纸来解决。此外，这本练习册可以让读者加强数学技能，但这些练习最好与计算机练习搭配来用，以进一步加深理解。 这里收集的练习主要是 Michael U. Gutmann 为赫尔辛基大学「无监督机器学习」和爱丁堡大学「概率建模与推理」课程编撰的练习的组合。这些练习并未全面涵盖所有机器学习的分支，但重点关注了无监督方法、推理和学习。Latex 源代码可在 https://github.com/michaelgutmann/ml-pen-and-paper-exercises 获得。 这确实是一本值得收藏的练习册，有人认为，这本册子和德国一些大学的研究生数学课本很接近。 有人评价其为「近期看到的最有趣的 arXiv 文章」： 整本练习册分为 10 章，分别涉及： 线性代数优化定向图模型非定向图模型图模型的表现力因子图和信息传递隐马尔可夫模型的推理基于模型的学习（包括 ICA 和非标准化模型）采样和蒙特卡洛积分变分推理 完整目录如下： ?THE END 转载请联系本公众号获得授权 投稿或寻求报道：content@jiqizhixin.com