全书总评
书本印刷质量 : 4 星
- PDF 打印，非影印版，字迹清楚，图片清晰。
- 英文版排版更利于阅读，请到这里 2006 年版 下载，文中错误需要修正文件，否则会影响理解。
- 中文版排版有点紧凑，错误较少，并且译者已经将英文版中的错误进行了修订。但是，译文中也存在少量错误，建议与英文版结合起来。
著作编写质量 : 4 星
模式识别与机器学习的进阶
- 全书内容自洽，数学方面不算太深，具备大学工科数学功底 ( 微积分、线性代数、概率统计 ) 就可以阅读，如果想深入理解还需要补充随机过程、泛函分析、最优化、信息论等，如果还想更深一层还可以补充决策论、测度论、流形几何等理论；再深俺就完全不知道了。
- 作者以讲清楚 Bayesian 方法的来龙去脉为根本目的，所以全书紧紧围绕在 Bayesian 同志的周围，尽可能以 Bayesian 思想来分析各种模式识别与机器学习中的常用算法，对于已经零散地学习了许多种算法的同学大有裨益。
- 全局的结构是点到面的风格，以一个二项式拟合的例子一点点铺开，节奏稍慢但是前后连贯，知识容易迁移理解；
著作翻译质量 : 4 星
- 马春鹏免费将自己的翻译稿贡献出来，翻译的质量值得肯定，用词符合专业认知，只是译文的流畅性稍感不足 ( 纯属个人感受 )。
- 缺点 : 符号的使用不如原文规范。例如 : 原文都以加粗的罗马字母表示向量，而译文只是以加粗默认的数字字母表示向量，而在印刷中默认的数学字母加粗和未加粗的区别不明显，容易混淆。精读一段时间后，觉得译者提供的符号系统在自己手写公式的时候比较方便，对于印刷的符号系统依然推荐原作者的风格。
读书建议
- 前四章是重点，建议先从 1
2 读一遍，再从 14 读一遍，对前四章心中有数再看后面的章节会方便很多。 - 需要手写公式，推不动看不懂不害怕，因为理论推导的细节都被作者跳过了。如果想深入了解，只能去找相关文献。但是如果有了前 4 章的基础，又有很好的机器学习的背景知识，用贝叶斯视角读完全书的可能性还是有的。
- 需要把公式推导中用到前面的公式的部分抄过来，反复推导前面的公式才能流畅地看后面的内容。
笔记列表
- 笔记目的 : 记录重点，方便回忆
- Ch01 绪论
- Ch02 概率分布
- Ch03 回归的线性模型
- Ch04 分类的线性模型
- Ch05 神经网络
- Ch06 核方法
- Ch07 稀疏核机
- Ch08 图模型
- Ch09 混合模型和 EM 算法
- Ch10 近似推断
注：因为全部显示时间过长，并且 MathJax 对许多公式符号的支持存在问题，因此只提供 Markdown 文件，请需要的同学使用 Typora 将之转换为 PDF 或者 DOCX 等需要的文档格式。