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readme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。
-
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。
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）
- 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。
第 3 章：Generative models for discrete data
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
第 16 章：Adaptive basis function models
第 17 章：Markov and hidden Markov models
第 19 章：Undirected graphical models
第 20 章：Exact inference for graphical models
第 22 章：More variational inference
第 24 章：Markov chain Monte Carlo (MCMC) inference
第 26 章：Graphical model structure learning
第 27 章：Latent variable models for discrete data
待更新。。。