机器心脏报告
编辑：船
蒂恩根大学的菲利普亨宁(Philipp Hennig)教授和他的合著者写了一本名为《Probabilistic Numerics: Computation as Machine Learning》的新书，适合初级研究人员学习和使用。
概率数值计算形式化了机器学习和应用数学之间的关系。算法用计算出的数值逼近难以处理的数值，比如通过求被积函数的值来估计积分，通过求向量场的值来估计微分方程描述的动力系统的路径，从数据中推断出一个潜在的数值。
用概率测度量化数据不确定性有什么好处？首先，完整的概率分布比单一的近似(点估计)输出更丰富。其次，概率分布允许将数值问题的预期结构更准确地编码到求解器中。
宾根大学教授、马克斯普朗克智能系统研究所研究员菲利普亨宁(Philipp Hennig)教授和他的合著者最近出版了一本名为《Probabilistic Numerics: Computation as Machine Learning》的新书。网上有免费的电子版。这本书表明，我们可以将计算例程视为学习机，并使用贝叶斯推理的概念来构建更加灵活、高效和可定制的计算算法。
Pdf地址：https://www.probabilistic-numerics.org/textbooks/
该书作者之一、牛津大学机器学习教授迈克尔奥斯本(Michael A. Osborne)在推特上表示，自2015年以来，三位作者花了7年时间才完成这本书。这本书提供了广泛的背景材料和丰富的例子，适合硕士和博士研究生，以及人工智能，计算机科学，统计学和应用数学领域的初级研究人员。
人工智能和数据科学领域的研究人员和从业者都转发了对这本新书的好评，包括谷歌大脑科学家、爱丁堡大学的讲师和斯坦福大学的博士生。
我们先来看看这本书的大致内容，主要分为八个部分。
第一部分介绍了概率论的背景知识，包括高斯分布、回归分析、随机微分方程等。第二部分主要介绍了几种正交方法，包括贝叶斯正交法。
第三部分重点介绍了线性代数和概率线性求解器的背景知识，并总结了多种经典求解器。第四、五部分主要介绍优化方法及其应用案例。第六部分介绍了常微分方程的求解方法。
第七部分以问答的形式回答了概率论的应用方向和意义。最后，第八部分提供了书中案例练习的具体解决方法，供读者参考和练习。
