Boken 'Probabilistic Machine Learning' av Kevin P. Murphy gir en grundig og oppdatert innføring i maskinlæring, formidlet gjennom en enhetlig tilnærming ved hjelp av probabilistisk modellering og Bayesiansk beslutningsteori. Her presenteres både grunnleggende og avanserte emner, inkludert dyp læring, samt nødvendig matematisk bakgrunn som lineær algebra og optimalisering. Boken dekker essensielle konsepter innen overvåket læring, som lineær og logistisk regresjon, samt dype nevrale nettverk. Den utforsker også mer komplekse temaer som overføring av læring og ikke-overvåket læring. Hver kapitelllutt blir etterfulgt av øvelser som lar studenter anvende de lærte prinsippene, mens et appendix gir en oversikt over notasjonen som benyttes. 'Probabilistic Machine Learning' er utviklet som en oppfølger til forfatterens tidligere verk fra 2012, 'Machine Learning: A Probabilistic Perspective', men er langt mer enn bare en oppdatert utgave. Dette er en helt ny bok som reflekterer de dramatiske utviklingene innen feltet siden 2012, spesielt med fokus på dyp læring.
