• 第1章的导论，不多说，看完书后需要重新回过头来看看。
• 第2章的概率分布，写的非常好，尽管只有几个简单的分布，但是对共轭先验的概念以及指数分布族介绍的很清楚，这一章是本书的基础。
• 第3章以及第4章的线性分类和回归一个非常好的方面就是都是采用Bayesisan的观点来看，应该是理解Baysian思想的基础。
• 第5章 我没看，直接略过。(基本不影响后面的阅读)
• 第6章 讲Guassian Process (这个东西后来我才知道是 一种非参数的Bayessian方法，现在在统计学领域研究的很热门。)
• 第7章 讲SVM 。
• 第8章 是现代基于图模型的基础，需要仔细阅读，这一章概念介绍的非常清楚，很多的machine learning 和computer vision 的paper 现在采用的图模型的表示都可以从这里得到解释。
• 第9章 EM 算法，本人认为是本书的一个亮点，从最简单的K-mean出发，推导高斯混合模型，再到EM算法的推广，本章每一节都是精品。
• 第10章 近似推断 主要就是第一节的近似推断的基本原理 以及第二节的一个例子。采用mean-field、变分的方法。
• 第11章 采样，写的很精彩，对完全不懂采样的我来说，也能很快入门。这里需要说明的是，我的收获主要来自于第8章到第11章，光看书是不行的，期间，我主要是学习了最基本的Topic model：LDA 。在学习LDA的过程中，第8章到第11章的完全用上了。这种感觉非常好。推荐给大家。
• 第12章是PCA及一些改进，用到的时候再看也来得及。
• 第13章是HMM 模型和LDS，这两个的图模型是一样的。建议好好学习一下HMM，应该还有其他的资料供参考。
• 第14章最后是整合，很多东西现在我还不是很理解。

总之，这是一本非常好的书，关键是写作思路清晰，重点突出。作为阅读论文的基本参考物是值得推荐的。