Bayesian Reasoning and Machine Learning

这是一部野心相当大的书：它试图把机器学习与概率图模型统一在贝叶斯推理的框架之下，从信念网络、马尔可夫网络到因子图，系统梳理建模与推断的完整脉络。读者反馈中最突出的评价是「成体系」「覆盖广」，但争议同样鲜明——它更适合有一定基础后「精进」，而非零基础入门，部分章节展开不够、公式与图表频繁跳转，需要读者反复翻查。书中不乏有趣的实例（如福尔摩斯面对家中有窃贼先画信念网络而非报警），让看似枯燥的数学有了可感的应用场景。它真正适合的是希望从贝叶斯视角重新打通机器学习全局、并愿意啃厚书、高密度内容的读者，而非寻求速成技巧的人。

David Barber is Reader in Information Processing in the Department of Computer Science, University College London.