1.作者简介：

Christopher Bishop 是一位知名的计算机科学家和机器学习专家。他是微软研究院的首席研究员，曾任微软研究院的机器学习和人工智能团队主管。他在机器学习、模式识别和人工智能领域做出了杰出的贡献，特别是在贝叶斯统计和神经网络方面。

2.资源：

英文版本： Pattern Recognition and Machine Learning (microsoft.com)

中文版本： PRML_Translation.pdf_免费高速下载|百度网盘-分享无限制 (baidu.com)

3.部分知乎评价：

评价1：https://www.zhihu.com/question/20970802/answer/23105951

我的建议是：学生们如果真的想入门此领域，尤其是一些想在这方面有建树的博士，请先读此书入门（如果只是想了解吹吹牛的不必深入看此书），读时注意下面几点：

1.无论通读过几遍，一定要有一遍是做完所有的课后习题的 。不然不算看完一遍哦，实在不会做网上有答案可参考！

2.本书是 self-contained 的。这是真的！不要觉得看不下去了，就去补习其他知识 （尤其是不需要去看测度论和泛函，看此书也不需要太多最优化的知识），那样最后就回不来， 两年的工或理科的学生 ，都可以通过反复看搞懂里面的数学。 但是这个需要踏踏实实的去学习，每天保证3到4个小时，一年足矣做完一遍。之后根据自己的研究需要，结合论文再看上几遍 ，不需两年就可以贯通起来。注意书的附录啊 ，里面关于矩阵的、概率分布的、优化方法的， 不要不把这个当回事。

（概率论，统计学，矩阵论， 牛顿莱布尼茨积分 ，这些工科数学即可，国内教材即可。如果非要额外看一些数学书，推荐看一本讲线性空间的书， 线性代数应该这样学 ）

3.这本书的线索是贝叶斯方法。介绍模型的章节 ，行文思路都是：基本模型建模-- 最大似然估计 - 贝叶斯参数估计(或者叫推断，inference即得到参数的后验概率)-- 贝叶斯预测 (predication,即根据上一步得到的 后验概率 把参数积分掉进行推断) 。一开始看不懂这些 ，会感觉讲的云里雾里，按这个思路去看 ，就非常清楚了。我们身边很多新接触这些的同学看概率模型的论文，搞不懂，像LDA，HDP这些模型，看建模部分还觉得有点头绪，一到推断就不知道论文是在干什么了，就是因为对这套贝叶斯方法不熟悉，一旦熟悉了，就都很容易看懂了。不少同学都倒在了这第一道门槛上。

评价2：https://www.zhihu.com/question/20970802/answer/19424140

天和公司的首席科学家（他是普林斯顿大学的博士，曾经北大计算机系的状元）聊到这本书。他的观点是：
这是一本好书，毋庸置疑，但是没必要硬啃，如果是工业界的同仁，那么前四章好好看，如果有时间，后面的每一章看看第一节，了解内容即可。这是一本有整体理论框架的书，它是基于贝叶斯方法写出来的，所以能够纳入这个理论体系的就在书里面，纳不进来的就没有，同时由于过于理论化，很多数学推导其实并无法实现，计算复杂度很高，所以参考意义不大。

4.注意事项：

从网上其他评价中总结出几点注意事项：

1.书中存在一些错误，看勘误版本。

2.习题要做，很多重点书中没有提及，做练习才能发现。

3.使用小技巧

• 阅读并做笔记
• 阅读书中提及的文献
• 使用编程语言实现
• 不清楚的地方查询资料或论坛