PRML

PRML

Codes Python implémentant les algorithmes décrits dans le livre de Bishop "Pattern Recognition and Machine Learning"

Forfaits requis

• python3
• numpy
• scipy
• jupyter (facultatif : pour exécuter des notebooks jupyter)
• matplotlib (facultatif : pour tracer les résultats dans les notebooks)
• sklearn (facultatif : pour récupérer des données)

Carnets

Les blocs-notes de ce référentiel peuvent être consultés avec nbviewer ou d'autres outils, ou vous pouvez utiliser Amazon SageMaker Studio Lab, un environnement informatique gratuit sur AWS (une inscription préalable avec une adresse e-mail est requise. Veuillez vous référer à ce document pour l'utilisation).

À partir du tableau ci-dessous, vous pouvez ouvrir les blocs-notes pour chaque chapitre dans chacun de ces environnements.

nbviewer	Laboratoire Amazon SageMaker Studio
ch1. Introduction
ch2. Distributions de probabilité
ch3. Modèles linéaires pour la régression
ch4. Modèles linéaires pour la classification
ch5. Réseaux de neurones
ch6. Méthodes du noyau
ch7. Machines à noyau clairsemé
ch8. Modèles graphiques
ch9. Modèles de mélange et EM
ch10. Inférence approximative
ch11. Méthodes d'échantillonnage
ch12. Variables latentes continues
ch13. Données séquentielles

Si vous utilisez SageMaker Studio Lab, ouvrez un terminal et exécutez les commandes suivantes pour installer les bibliothèques requises.

conda env create -f environment.yaml  # might be optional
conda activate prml
python setup.py install