我在博客上开设了一个专栏，记录我系统学习 Kevin P. Murphy 的《Machine Learning: A Probabilistic Perspective》的全过程。学习方式很“工程”：每一章我都会把关键内容交给大模型协助中文翻译 + 解释 + 要点总结，再结合自己的理解与问答，沉淀为章节博客与一份可下载的 PDF 学习记录。这篇序言交代我的动机、方法与规范，方便你了解接下来每篇文章的样子。

我怎么学

• 读原书要点：抓住每章的核心问题与结论。

• 用大模型当助教：把关键段落交给大模型做中文转述 + 解释，我再针对不懂得地方询问。

每篇大概长这样

书本原文（包括文本、公式、图、表等）

关键概念（用通俗易懂语句解释原文）

提问及解答（不懂的点重新解释）

章节总结（本节的重点及脉络）

声明与边界

• 本系列是学习笔记，包括整章翻译、解释与总结；
• 若发现错误或更好的学习方法，欢迎在评论区指出，我会学习。

系列导航（持续更新）

第 0 章（本篇）：序言

第 1 章：Introduction

第 2 章：Probability

第 3 章：Generative models for discrete data

第 4 章：Gaussian models

第 5 章：Bayesian statistics

第 6 章：Frequentist statistics

第 7 章：Linear regression

第 8 章：Logistic regression

第 9 章：Generalized linear models and the exponential family

第 10 章：Directed graphical models (Bayes nets)

第 11 章：Mixture models and the EM algorithm

待更新。。。

github下载链接：https://github.com/916718212/Machine-Learning-A-Probabilistic-Perspective-.git