机器学习中的笔和纸练习

这是机器学习中（大多数）笔和纸练习的集合。每个练习都有一个详细的解决方案。涵盖以下主题：

• 线性代数
• 优化
• 有向图形模型
• 无向图形模型
• 图形模型的表现力
• 因子图和消息传递
• 隐马尔可夫模型的推理
• 基于模型的学习（包括ICA和非规范化模型）
• 采样和蒙特卡罗积分
• 变分推理

编译后的pdf可以在arXiv上找到。

请使用以下参考资料作为引文：

@TechReport{Gutmann2022a,
  author      = {Michael U. Gutmann},
  title       = {Pen and Paper Exercises in Machine Learning},
  institution = {University of Edinburgh},
  year        = {2022},
  arxiv       = {https://arxiv.org/abs/2206.13446},
  url         = {https://github.com/michaelgutmann/ml-pen-and-paper-exercises},
}

本作品采用知识共享署名 4.0 国际许可协议授权。

用法

在 linux 下，你可以使用 编译集合。要删除临时文件，请使用 。

make

make clean

默认情况下，编译的文档包含练习的解决方案。要编译没有解决方案的文档，请在 中注释和取消注释。

\SOLtrue

\SOLfalse

main.tex

贡献

请使用 GitHub 的问题来报告错误或拼写错误。我欢迎社区的贡献。主要思想是提供练习和详细的解决方案。请与我们联系以讨论选项。我的联系信息可在此处找到。

确认

tikz 设置基于 David Barber 分享的宏。这些宏部分用于他的书贝叶斯推理和机器学习。我利用了Philippe Faist开发的ethuebung软件包。我破解了样式文件以支持多个章节，并将练习包含在目录中。我为赫尔辛基大学的无监督机器学习课程开发了部分线性代数和优化练习，并为爱丁堡大学的概率建模和推理课程开发了其余的练习。